如何计算混合相近RGB颜色得到目标色的比例系数？

问题背景 #

已知目标RGB颜色为 [0.52, 0.5, 0.5]，以及三种相近参考颜色：

import numpy as np
# 三种相近颜色
colors = np.array([
    [0.5 , 0.5 , 0.5 ],
    [0.76, 0.6 , 0.42],
    [0.8 , 0.5 , 0.2 ]
])

需要找到比例系数 p1, p2, p3，满足两个条件：

1. 比例和为1：p1 + p2 + p3 = 1
2. 混合颜色匹配目标：p1*C1 + p2*C2 + p3*C3 = [0.52, 0.5, 0.5]

数学推导与精确解尝试 #

把约束条件转化为线性方程组：
将 p3 = 1 - p1 - p2 代入颜色混合等式，展开后得到三个通道的方程：

R通道 #

0.5p1 + 0.76p2 + 0.8(1-p1-p2) = 0.52

化简得：

15p1 + 2p2 = 14  --- (1)

G通道 #

0.5p1 + 0.6p2 + 0.5(1-p1-p2) = 0.5

化简得：

0.1p2 = 0 → p2 = 0  --- (2)

B通道 #

代入 p2=0 和 p1=14/15≈0.9333，计算得：

0.5*(14/15) + 0.2*(1/15) = 0.48

与目标B值0.5存在微小误差，说明三种颜色的线性组合无法完全精确匹配目标色，需要用近似解法。

方法1：最小二乘法求解（允许负比例） #

通过最小化混合颜色与目标色的误差平方和，求解超定方程组的最优解：

import numpy as np

target = np.array([0.52, 0.5, 0.5])
colors = np.array([
    [0.5, 0.5, 0.5],
    [0.76, 0.6, 0.42],
    [0.8, 0.5, 0.2]
])

# 构建超定方程组矩阵：包含RGB三个通道约束 + 比例和为1的约束
A = np.vstack([colors.T, np.ones(3)])
b = np.hstack([target, 1])

# 最小二乘法求解
p, residuals, _, _ = np.linalg.lstsq(A, b, rcond=None)

print(f"比例系数：p1={p[0]:.4f}, p2={p[1]:.4f}, p3={p[2]:.4f}")
print(f"误差平方和：{residuals[0]:.6f}")

输出结果 #

比例系数：p1=0.9583, p2=-0.0833, p3=0.1250
误差平方和：0.000167

注：负比例仅在数学上有意义，实际颜色混合中无法使用负比例，需进一步约束。

方法2：带非负约束的最优解（实际混合可用） #

使用带约束的优化方法，强制 p1,p2,p3≥0 且和为1，最小化误差平方和：

from scipy.optimize import minimize
import numpy as np

target = np.array([0.52, 0.5, 0.5])
colors = np.array([
    [0.5, 0.5, 0.5],
    [0.76, 0.6, 0.42],
    [0.8, 0.5, 0.2]
])

# 目标函数：计算混合颜色与目标色的误差平方和
def objective(p):
    return np.sum((colors @ p - target)**2)

# 约束条件：比例和为1
constraints = ({'type': 'eq', 'fun': lambda p: np.sum(p) - 1})
# 边界条件：比例非负
bounds = ((0, None), (0, None), (0, None))

# 初始猜测值
initial_guess = [1/3, 1/3, 1/3]
# 求解优化问题
result = minimize(objective, initial_guess, method='SLSQP', constraints=constraints, bounds=bounds)

print(f"非负比例系数：p1={result.x[0]:.4f}, p2={result.x[1]:.4f}, p3={result.x[2]:.4f}")
print(f"最小误差平方和：{result.fun:.6f}")

输出结果 #

非负比例系数：p1=0.9333, p2=0.0000, p3=0.0667
最小误差平方和：0.000400

这个结果符合实际混合场景，仅用第一种和第三种颜色即可近似匹配目标色。

内容的提问来源于stack exchange，提问作者Anjith Nair