我想知道这些rgb系数是如何确定的。我自己做了一个实验，得出了以下结论:

Y = 0.267 R + 0.642 G + 0.091 B

接近，但与长期建立的ITU系数明显不同。我想知道这些系数是否对每个观察者来说都是不同的，因为我们眼睛视网膜上的视锥细胞和视杆细胞的数量都是不同的，尤其是不同类型的视锥细胞之间的比例可能是不同的。

供参考:

这是BT . 709:

Y = 0.2126 R + 0.7152 G + 0.0722 B

这是BT . 601:

Y = 0.299 R + 0.587 G + 0.114 B

我在亮红色、亮绿色和亮蓝色的背景上快速移动一个小灰色条，并调整灰色，直到它尽可能地融合在一起。我还用其他色调重复了这个测试。我在不同的显示器上重复了测试，即使是gamma因子固定为3.0的显示器，但在我看来都是一样的。更重要的是，ITU系数对我的眼睛来说是错误的。

是的，我对颜色的视觉应该是正常的。

为了清晰起见，使用平方根的公式必须是

√(系数* (colour_value^2))

not

√(系数*颜色值)^2

证明这一点的证据在于将R=G=B三位一体转换为灰度R。只有当你将颜色值平方，而不是颜色值乘以系数时，这才成立。参见灰色的九种色调

为了用R确定颜色的亮度，我将RGB系统颜色转换为HSV系统颜色。

在我的脚本中，我之前因为其他原因使用了HEX系统代码，但你也可以从rgb2hsv {grDevices}的RGB系统代码开始。文档在这里。

这是我的代码的这一部分:

 sample <- c("#010101", "#303030", "#A6A4A4", "#020202", "#010100")
 hsvc <-rgb2hsv(col2rgb(sample)) # convert HEX to HSV
 value <- as.data.frame(hsvc) # create data.frame
 value <- value[3,] # extract the information of brightness
 order(value) # ordrer the color by brightness

HSV色彩空间应该做的把戏，看维基百科文章取决于你正在工作的语言，你可能会得到一个库转换。

H是色调，是颜色的数值(即红色，绿色…)

S是颜色的饱和度，即它有多“强烈”

V是颜色的亮度。

我认为你正在寻找的是RGB ->流光转换公式。

光度/数字ITU BT.709:

Y = 0.2126 R + 0.7152 G + 0.0722 B

数字ITU BT.601(给予R和B部分更多权重):

Y = 0.299 R + 0.587 G + 0.114 B

如果你愿意用准确性来换取性能，有两个近似公式:

Y = 0.33 R + 0.5 G + 0.16 B

Y = 0.375 R + 0.5 G + 0.125 B

这些可以快速计算为

Y = (R+R+B+G+G+G)/6

Y = (R+R+R+B+G+G+G+G)>>3

把这看作是对Myndex的精彩回答的补充。正如他(和其他人)解释的那样，计算RGB颜色的相对亮度(和感知亮度)的算法是设计用于线性RGB值的。你不能只是将它们应用到原始sRGB值上，并希望得到相同的结果。

理论上，这一切听起来都很棒，但我真的需要亲眼看看证据，所以，受到彼得·赫塔克(Petr Hurtak)的颜色渐变的启发，我自己做了一个。它们说明了两种最常见的算法(ITU-R建议BT.601和BT.709)，并清楚地说明了为什么应该使用线性值(而不是伽玛校正值)进行计算。

首先，下面是旧的ITU BT.601算法的结果。左边的使用原始sRGB值。右边的使用线性值。

ITU-R BT.601颜色亮度梯度

0.299 r + 0.587 g + 0.114 b

在这个分辨率下，左边的照片实际上看起来非常好!但如果你仔细观察，你会发现一些问题。在更高的分辨率下，不需要的人工制品更加明显:

线性的不受这些影响，但是有很多干扰。让我们将其与ITU-R建议BT.709进行比较……

ITU-R BT.709颜色亮度梯度

0.2126 r + 0.7152 g + 0.0722 b

哦男孩。显然不打算与原始sRGB值一起使用!然而，这正是大多数人所做的!

在高分辨率下，你可以真正看到这个算法在使用线性值时是多么有效。它没有之前那个那么多噪音。虽然这些算法都不是完美的，但这个算法已经是最好的了。