---
title: "紅綠藍色彩模型（RGB）"
slug: rgb
language: zh-TW
source: https://aiterms.tw/terms/rgb
updated_at: 2026-06-22
tags: [電腦視覺, 影像處理, 深度學習, CNN, 多模態AI]
ipas_term: false
---

# 紅綠藍色彩模型（RGB）

以紅（Red）、綠（Green）、藍（Blue）三原色疊加表示顏色的加法混色模型，是數位影像與電腦視覺任務中圖像表示的基礎格式。

## 完整說明

RGB（Red, Green, Blue）是數位世界中最廣泛使用的色彩空間，透過紅、綠、藍三個通道的光強度數值疊加來表示任意顏色。在標準 8-bit RGB 中，每個通道的數值範圍為 0 到 255，共可表示 16,777,216 種顏色。RGB 格式是電腦視覺與深度學習影像任務的標準輸入格式，卷積神經網路（CNN）在處理彩色影像時，輸入張量的形狀通常為（高度, 寬度, 3），其中 3 對應 RGB 三個通道。不同的深度學習框架對通道順序（RGB 或 BGR）有不同慣例，是影像前處理的常見技術細節。

## 常見問題

### OpenCV 讀取的影像為什麼和 PyTorch 模型不相容，如何修正？

OpenCV 預設使用 BGR（藍-綠-紅）通道順序讀取影像，而 PyTorch 的 torchvision 和大多數預訓練模型使用 RGB（紅-綠-藍）順序。兩者混用時，相當於把所有影像的紅色通道和藍色通道互換，模型會產生錯誤的特徵響應，尤其影響依賴顏色信息的任務（如物體辨識、語義分割）。修正方式是在使用 cv2.imread() 後加一行 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)，或使用 img[:, :, ::-1].copy() 直接反轉通道順序，再進行後續的 tensor 轉換與正規化。

### 為什麼使用 ImageNet 預訓練模型時需要用特定的均值和標準差正規化輸入影像？

預訓練模型的所有參數（權重）都是在 ImageNet 資料集的特定像素分佈下優化的。該分佈的 RGB 三通道均值為 [0.485, 0.456, 0.406]，標準差為 [0.229, 0.224, 0.225]。若使用模型時輸入影像的像素分佈不同（如未正規化的 0-255 原始值或均勻分佈的 0-1 值），模型各層的激活值會落在訓練時從未見過的範圍，導致泛化能力大幅下降。這個正規化步驟確保新影像的輸入分佈與訓練時一致，是正確使用遷移學習的必要條件。

### 電腦視覺任務中什麼時候應該考慮放棄 RGB，改用其他色彩空間？

有幾種情況值得考慮替換色彩空間。在光照條件不穩定的場景中（如戶外監控），HSV 的色相（Hue）通道不受光強度影響，做顏色分割更穩健。在醫療影像分析中，LAB 色彩空間的亮度（L）與色彩（AB）通道分離，有助於增強病灶與背景的對比。在皮膚偵測或人臉偵測中，YCbCr 的色差通道 Cb/Cr 能有效分離膚色，減少光照干擾。但在使用深度學習模型（CNN 或 ViT）時，模型通常能自動學習到適合任務的低階特徵，直接輸入 RGB 往往已足夠；手動轉換色彩空間更適合傳統 CV 管線或訓練資料極少的情況。

---

來源：https://aiterms.tw/terms/rgb
快查頁：https://aiterms.tw/terms/rgb
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-rgb