从图片里提取出来的主色，为什么和肉眼感觉不一样？

4 个讲解板块 · 关联 3 款站内工具 · 内容最后核对 2026-10-09

同一张图不同工具给出不同主色，差别不在图，而在算法、色彩空间和后处理这三处。

直接答案

先说清楚一件事：同一张图给出不同的主色，两个工具都没有算错。它们回答的其实是不同的问题——有的在回答「哪种颜色占的像素最多」，有的在回答「哪种颜色最显眼」，有的在回答「这张图的整体色调是什么」。这三个答案本来就不一样，而界面上往往都写着「主色」两个字。

决定答案的变量有三个。第一是算法：流行的是 k-means 聚类和中位切分两种，前者追求误差最小、后者追求覆盖均匀，同一张图它们会给出不同结果。第二是色彩空间：在 RGB 里算距离和在 Lab 里算距离，得到的簇不一样，因为 RGB 的数值距离不代表人眼的感知距离。第三是后处理：要不要合并相近的颜色、要不要把接近灰和接近黑白的那几簇滤掉。

把一张照片的所有像素按颜色数一遍，往往会得到几万种颜色，而设计上能用的通常只有五六个。提取主色的过程，本质就是把这几万种颜色压缩成几簇，这个动作叫色彩量化。压缩规则由算法决定，而算法不同，压出来的「代表色」自然不同。

更隐蔽的一层是色彩空间。我们存图片用 sRGB，但人眼看颜色并不按 sRGB 的数值刻度来——对绿色的分辨力高得多，对深蓝几乎不敏感。所以同一个算法放到 RGB 里跑和放到 Lab 里跑，会得出「数值上等距、看起来不等距」和「看起来等距」两种结果。

快速跳转同一张图为什么能给出不同答案两大算法各管什么关键在色彩空间：RGB 不是感知均匀的平均色为什么看着比预想的暗

1同一张图为什么能给出不同答案

把三个变量拆开看，就能对上工具之间的差异。

变量	可选做法	对结果的影响
算法	k-means 聚类 / 中位切分 / 八叉树量化	决定是「误差最小」还是「分布最均匀」
色彩空间	在 sRGB 里算 / 在 CIELAB、OKLab 里算	决定簇的边界是否符合人眼感知
后处理	合并近似色 / 过滤近灰与近黑白	决定会不会返回一堆用不上的背景色

大面积的纯色背景是最大的干扰源。白棚拍摄或灰色幕布的照片，工具几乎一定会把背景当成第一主色——先裁掉，或者事后手工剔掉那一格。

2两大算法各管什么

三族主流算法在速度、保真度和确定性上各有取舍。

算法	怎么做的	特点
中位切分	把颜色装进一个盒子，沿最长的轴在中位数处切开，反复切到目标簇数	确定性、速度快，是初代 GIF 编码器用的算法；小面积但很扎眼的颜色可能被压掉
k-means 聚类	把像素分配到最近的簇心，重算簇心，反复迭代	保真度最高，但依赖初始值、结果不确定，通常要配合更聪明的初始化
八叉树量化	把颜色插进八叉树，超量时合并最稀疏的节点	单遍完成、内存占用可控，适合大图与实时场景，质量略低于聚类

想要「最能代表这张照片」的色板用 k-means，想要「快速预览一下大概有什么颜色」用中位切分。两者都用降采样后的缩略图跑，结果和全图几乎一样，成本却低两个数量级。

3关键在色彩空间：RGB 不是感知均匀的

这是工具之间差异最大、也最容易被忽略的一环。

RGB 里的等距不是看起来的等距: 同样相距 40 个数值，亮绿和暗绿的差异看起来天差地别，而两种深蓝的差异几乎看不出来。所以按 RGB 距离合并颜色，会出现「该合并的没合并、不该合并的合了」。
Lab 系是为了「距离等于感知差异」而设计的: CIELAB 的欧氏距离近似等于人眼感知差异；更新的 OKLab 修正了 CIELAB 在饱和色上的色相偏移，也是现代 CSS 色彩函数的基础。把聚类放进这两个空间，簇的边界会干净很多。
判断两个颜色能不能合并，看色差: 色差小于 1 基本无法分辨，可以放心合并；1 到 2 要凑近看才看得出；2 到 3.5 属于多数场景可以接受的品牌容差；超过 3.5 就应该保持区分。现行标准的色差公式会分别加权明度、彩度和色相，比简单的数值相减准得多。

一句话记法：存颜色用 sRGB，算颜色差异用 Lab。工具如果不做这步转换，它的主色在深色和低饱和区域上会明显偏。