嘿，这个问题我之前帮朋友处理过类似的，咱们一步步来拆解解决：

核心思路 #

你已经拿到了标准输入色和实际打印扫描输出色的对应关系，本质上就是要建立一个从「目标输出RGB」到「需要输入的RGB」的反向映射。打印机的色彩转换虽然是非线性的，但咱们先从线性近似入手，足够应付日常需求，之后再考虑优化。

先把你提供的校准数据整理成清晰的对应表（标准输入是理想RGB值）：

• 标准青（Cyan）输入：(0, 255, 255) → 扫描输出：(178, 233, 241)
• 标准品红（Magenta）输入：(255, 0, 255) → 扫描输出：(213, 135, 178)
• 标准黄（Yellow）输入：(255, 255, 0) → 扫描输出：(251, 251, 110)
• 标准黑（Black）输入：(0, 0, 0) → 扫描输出：(28, 27, 24)
• 标准红（Red）输入：(255, 0, 0) → 扫描输出：(243, 126, 72)
• 标准绿（Green）输入：(0, 255, 0) → 扫描输出：(161, 207, 100)
• 标准蓝（Blue）输入：(0, 0, 255) → 扫描输出：(100, 117, 173)
• 纸张底色（无输入）：(255,255,255) → 扫描输出：(255,255,254)

反向计算步骤 #

1. 先做底色校正 #

纸张本身不是纯白，会给所有打印颜色带来偏移，所以第一步要把扫描得到的颜色减去底色差值：

• 纸张差值 = 理想白纸(255,255,255) - 扫描白纸(255,255,254) = (0,0,1)
• 校正后的扫描色 = 扫描值 - 纸张差值（注意如果计算后出现负数，直接取0）

比如校正后的青（Cyan）就是：(178-0, 233-0, 241-1) = (178,233,240)

2. 用线性转换矩阵求解（近似解） #

RGB是三通道色彩空间，我们可以用最小二乘法求解输入和输出之间的线性转换矩阵，再通过逆矩阵实现反向计算。这里直接给你Python代码示例（用numpy处理更高效）：

import numpy as np

# 标准输入RGB（理想值）
input_rgb = np.array([
    [0, 255, 255],   # Cyan
    [255, 0, 255],   # Magenta
    [255, 255, 0],   # Yellow
    [0, 0, 0],       # Black
    [255, 0, 0],     # Red
    [0, 255, 0],     # Green
    [0, 0, 255]      # Blue
])

# 扫描输出RGB，先做底色校正
paper_scan = np.array([255,255,254])
output_rgb = np.array([
    [178,233,241],
    [213,135,178],
    [251,251,110],
    [28,27,24],
    [243,126,72],
    [161,207,100],
    [100,117,173]
]) - (np.array([255,255,255]) - paper_scan)

# 用最小二乘法求正向转换矩阵
transform_matrix, _, _, _ = np.linalg.lstsq(input_rgb, output_rgb, rcond=None)
# 求逆矩阵用于反向计算（从目标输出找输入值）
inv_transform_matrix = np.linalg.inv(transform_matrix)

# 示例：想要打印出接近标准蓝色(0,0,255)的效果，计算需要输入的RGB
target_output = np.array([0, 0, 255])
input_needed = inv_transform_matrix.dot(target_output)
# 约束值在0-255之间并取整
input_needed = np.clip(input_needed, 0, 255).astype(int)
print(f"要得到目标蓝色，需要输入的RGB是：{tuple(input_needed)}")

3. 更精准的优化：色彩查找表（LUT） #

如果线性矩阵的结果不够精准（毕竟打印机色彩转换是非线性的），你可以建立一个色彩查找表：把RGB空间分成小网格，用你的7个校准点做插值，生成全空间的映射关系。不过对于老打印机的日常使用，线性近似已经足够。

4. 用PIL批量处理图片 #

有了转换矩阵后，就可以批量处理图片了。这里给你两种PIL处理的方法，numpy的方式效率更高：

from PIL import Image
import numpy as np

# 假设已经通过上面的代码得到了inv_transform_matrix

# 方法1：逐个像素处理（适合小图）
def correct_pixel(pixel):
    pixel_np = np.array(pixel)
    corrected = inv_transform_matrix.dot(pixel_np)
    return tuple(np.clip(corrected, 0, 255).astype(int))

img = Image.open("your_image.jpg")
corrected_img = img.point(correct_pixel)
corrected_img.save("corrected_image.jpg")

# 方法2：用numpy批量处理（适合大图，效率更高）
img_np = np.array(img)
# 注意矩阵乘法的转置
corrected_np = np.clip(img_np.dot(inv_transform_matrix.T), 0, 255).astype(np.uint8)
corrected_img = Image.fromarray(corrected_np)
corrected_img.save("corrected_image_fast.jpg")

额外注意事项 #

• 扫描校准页时尽量保证光线均匀，避免阴影或偏色，不然校准数据本身不准，结果也会打折扣
• 不同纸张的色彩表现差异很大，最好用你日常打印的纸张做校准
• 因为你的打印机是CMYK类型，也可以试试先把RGB转成CMYK来建立映射：比如标准青的CMYK是(100,0,0,0)，对应你的扫描RGB，反向从目标RGB转成CMYK再转成输入RGB，可能更贴合打印机的实际工作逻辑

备注：内容来源于stack exchange，提问作者TheLabCat