用Lab色彩空间生成多样化肤色：原理与Python实现

最近在 Hacker News 上看到一个标题很短的项目：Simple algorithm and color space to generate diverse skin tones。标题虽然只有几个单词，信息量其实不小——它把"如何生成多样化的肤色"这个问题，干净利落地拆成了两个部分：算法部分，以及色彩空间部分。

如果你做过虚拟形象、游戏捏脸、数字人或者 AI 人像数据集，大概率遇到过同一个尴尬：生成出来的脸都很好看，但肤色却出奇地一致。无论用扩散模型抽卡，还是用自研 GAN 批量出图，结果往往集中在一个狭窄的肤色区间里，深肤色、暖调肤色明显不足。很多人第一反应是"模型有偏见""数据集不够多元"。这确实是原因之一，但更直接的技术原因往往被忽略了：你在控制颜色时，用的色彩空间不对。

本文不逐行复刻那个项目的源码，而是把这类方案背后的通用思路完整拆开：为什么 RGB 不适合做肤色多样性生成，Lab 色彩空间为什么更合适，完整的 Python 实现怎么写，生成结果如何量化验证，以及实际接入项目时会踩到哪些坑。读完你不仅能跑通一个最小示例，还能把它扩展成自己的肤色生成工具。

1. 这篇文章真正要解决的问题

先明确一下这类技术到底解决什么。肤色多样性的需求不只是"政治正确"式的表面功夫，而是真实存在的工程问题：

• 人脸识别模型做测试时，需要覆盖不同肤色的样本，否则测试结论会以偏概全。
• 游戏捏脸或虚拟形象系统里，用户希望看到接近自己肤色的选项，而不是清一色的浅肤色。
• UI 设计系统需要一组协调的肤色色板，覆盖浅色、中等色、深色，并且看起来都"自然"。
• 生成式模型做数据增强时，训练集需要在肤色维度上有足够的方差，否则模型学出来的肤色分布永远是偏的。

这个问题的难点在哪里？如果你天真地在 RGB 空间里随机生成颜色，很快会发现生成结果里大量出现灰色、紫色、绿色这类"不可能肤色"。手动维护一份肤色色板倒是能保证质量，但覆盖度有限，而且扩展速度慢。

这里真正的关键判断是：生成多样化肤色，算法本身可以非常简单，难点在于选对色彩空间，并在正确的空间里定义"采样范围"。一旦把颜色从 RGB 转换到 Lab 这类感知均匀的色彩空间，肤色多样性问题就退化成"在肤色区域里做随机采样"这种几分钟能写完的逻辑。

2. 色彩空间基础：为什么在 RGB 里调肤色容易翻车

2.1 RGB、HSV/HSL 与人类感知的错位

RGB 是给显示设备用的，不是给人眼感知用的。RGB 三个通道里的欧氏距离，和人眼感知到的颜色差异并不成正比。你把 RGB 的 R 通道从 20 改成 120，和从 120 改成 220，人眼感受到的"红色变化程度"是完全不一样的。直接在 R、G、B 上做加减法，属于盲人摸象。

HSV 和 HSL 比 RGB 直观一些，把颜色拆成了色相、饱和度和明度，但仍然不是感知均匀的。举例来说，HSL 里的 L 是"亮度"的某种数学定义，并不是人眼感知的"明度"；S 的变化也不会线性地作用于人眼感知的饱和度。用它做颜色生成，虽然不容易出现绿色肤色，但生成出来的颜色深浅变化依然不可控。

如果你要做的是"在某个基准肤色附近生成一组看起来自然、又有差异的肤色"，在 RGB 或 HSL 里做扰动，结果很容易变成"五个颜色各不相同，但没一个像人皮肤"。

2.2 Lab 与 LCH：为"感知均匀"而生的色彩空间

Lab（准确说是 CIELAB）色彩空间是国际照明委员会 CIE 提出的，专门用来模拟人眼的颜色感知。它有三个维度：

• L：明度，取值范围 0 到 100，越大越亮。
• a：红绿轴，正数偏红/品红，负数偏绿。
• b：黄蓝轴，正数偏黄，负数偏蓝。

Lab 最重要的性质是感知均匀：两个颜色在 Lab 空间里的欧氏距离，近似等于人眼感知到的差异。这个距离还有一个专门的名字叫 Delta E（色差），是颜色科学的通用度量单位。

LCH 是 Lab 的圆柱坐标版本，把 a、b 两个直角坐标换算成色相 H 和彩度 C。它的语义和 HSL 很像，但底层是感知均匀的，所以比 HSL 更适合做颜色编辑。

从 RGB 到 Lab 的转换路径通常是这样：

sRGB -> 线性 RGB -> XYZ -> Lab

这条链路里有一个隐藏变量：白点（白平衡基准）。sRGB 默认使用 D65 白点，但不少颜色科学库默认用 D50。同一个颜色，在不同白点下转换出来的 Lab 坐标会不一样。实际工程里最常踩的坑之一，就是混用了不同白点假设的转换库。

2.3 肤色生成为什么优先选 Lab

回到肤色这个具体场景。皮肤颜色之间的差异，主要就两条轴线：明暗差异（从浅肤色到深肤色），以及冷暖差异（偏红、偏黄、偏中性）。这两条轴线在 Lab 空间里刚好被拆开了：

• 调整 L，就是调整肤色明暗。
• 调整 a、b，就是调整肤色偏红还是偏黄。

在 RGB 空间里，你想把肤色调深一点，需要同时小心翼翼地改三个通道，否则颜色就发青发灰；在 Lab 空间里，只需要把 L 降下来。这种"维度解耦"正是肤色生成算法能保持简洁的根本原因。

3. 肤色在 Lab 空间中的分布与经验取值范围

3.1 肤色在色度空间中是一块区域，不是一个点

经常有人问："肤色到底对应 Lab 里的哪个值？"这个提问方式本身就是错的。真实人类的肤色，在 Lab 空间里不是散落的几个点，而是一块连续的、形状相对稳定的区域。

如果拿 Fitzpatrick 皮肤分型做参照，I 型到 VI 型覆盖了从极浅肤色到极深肤色的范围。但实际数据集里的肤色分布是连续的，并不存在六条清晰的边界。更符合工程直觉的理解方式是：肤色在 Lab 空间里是一团狭长的"云"，L 轴方向宽度很大，a、b 轴方向宽度相对有限。

这意味着一个非常重要的采样策略：不要在整个 Lab 立方体里采样，只在肤色子区域内采样。这是这类"简单算法"之所以能保持简单的核心——大部分"不可能肤色"根本不在采样范围内。

3.2 一组可用的经验采样范围

这里给一组可以作为起点的经验范围，适合在 sRGB 色彩空间下使用：

需要强调：这组数值是经验值，不是权威标准。不同数据集、不同光照假设、不同转换库，得到的范围会有差异。更稳妥的做法是把它作为配置项放在代码里，根据你自己业务的视觉效果反复校准。

还有一个细节：L、a、b 三个通道并不是完全独立的。偏深的肤色往往 a、b 值也偏高，而偏浅肤色的 a、b 分布会更集中。第一版算法可以直接做独立均匀采样，后面如果要提升真实感，再考虑通道之间的相关性。

4. 生成多样化肤色的算法设计思路

4.1 核心思路：把复杂度交给色彩空间

这类算法的核心原则是：能用色彩空间解决的问题，不要写进算法里。算法本身只需要三步：

1. 在 Lab 空间里定义一个肤色采样区域（范围或基准点）。
2. 在区域内用均匀分布或高斯分布采样 L、a、b。
3. 把采样结果从 Lab 转换回 RGB，并做色域裁剪。

因为 Lab 空间解耦了明度和冷暖，第二步的采样逻辑可以极其简单。你不需要写任何复杂的约束条件，采样范围本身已经替你过滤掉了大量无效颜色。

4.2 模式一：范围采样，快速覆盖全肤色域

第一种模式是在整个肤色区域内做随机采样。适合的场景是：你需要一个覆盖面广的肤色色板，比如给 UI 设计系统生成候选色，或者给生成模型做训练数据增强。

范围采样的优点是简单、覆盖广，一次采样能看到从浅到深的大跨度变化；缺点是容易出现个别"不自然"的极端颜色，所以生成后需要人工或算法筛选。采样时也可以使用低差异序列（比如拉丁超立方采样）代替纯随机，让覆盖更均匀。

4.3 模式二：基准扰动，生成同一色系的多个变体

第二种模式是给定一个基准肤色，在它的 Lab 坐标附近做高斯扰动。适合的场景是：游戏角色需要同一角色的多个肤色变体，或者设计稿里已经确定了一个主肤色，需要一组协调的相近色。

扰动参数是标准差：

• sigma_l 控制明暗变化幅度，一般在 3 到 5。
• sigma_a 控制红绿方向的变化，一般在 1 到 2。
• sigma_b 控制黄蓝方向的变化，一般在 2 到 3。

这三组值同样是经验起点。想要生成肉眼可感知的差异，优先放大 sigma_l，因为人眼对明度差异最敏感。

4.4 色域溢出：Lab 里合法，sRGB 里可能越界

Lab 空间设计之初就覆盖了超过任何显示设备能表达的颜色范围，所以"Lab 坐标合法"不等于"转换回 sRGB 后一定正常"。转换后 RGB 值可能出现负数或大于 1 的情况，这就是色域溢出。

最简单的处理方式是直接裁剪到 [0, 1] 区间。但裁剪有一个副作用：它可能轻微改变色相，让个别颜色看起来偏灰或偏脏。第一版算法用裁剪完全够用；如果追求更高质量，可以转到线性 RGB 后再裁剪，或者借助 colour-science 这类库做更精细的色域映射。

5. 完整代码实现：从采样到色卡输出

5.1 环境准备与依赖安装

本文示例使用 Python 3 和三个库：numpy 做数组运算，scikit-image 提供 rgb2lab / lab2rgb 转换，Pillow 负责把生成的颜色保存为图片，方便肉眼检查。

python -m venv .venv source .venv/bin/activate # Windows 下使用 .venv\Scripts\activate pip install numpy scikit-image pillow

版本说明：以下代码使用了 scikit-image 多年稳定的 Lab 转换 API，版本 0.19 以上均可运行。如果你的环境里版本较旧导致 API 报错，优先升级 scikit-image。

5.2 代码一：Lab 空间批量生成肤色样本

第一个示例完成范围采样，并把生成结果保存成横向色卡。

# 文件路径：generate_skin_tones.py import numpy as np from skimage import color from PIL import Image def generate_skin_tones(num_samples=24, seed=42): """在 Lab 色彩空间中按肤色经验范围采样，并转回 RGB。""" rng = np.random.default_rng(seed) # L: 明度，覆盖从深肤色到浅肤色 L = rng.uniform(30.0, 85.0, num_samples) # a: 红绿轴，肤色集中在偏红一侧 a = rng.uniform(8.0, 32.0, num_samples) # b: 黄蓝轴，肤色集中在偏黄一侧 b = rng.uniform(12.0, 42.0, num_samples) lab = np.stack([L, a, b], axis=-1) # skimage 的 lab2rgb 输入为 float 数组，输出 RGB 范围 [0, 1] rgb = color.lab2rgb(lab) # 色域裁剪，防止少量采样点超出 sRGB 可表示范围 return np.clip(rgb, 0.0, 1.0) def save_color_strip(rgb, output_path="skin_tones.png", swatch_size=200): """把一组 RGB 颜色保存为横向色卡，便于肉眼检查。""" n = len(rgb) canvas = Image.new("RGB", (n * swatch_size, swatch_size), "white") for i, color_rgb in enumerate(rgb): color_255 = tuple((np.clip(color_rgb, 0, 1) * 255).astype(int)) swatch = Image.new("RGB", (swatch_size, swatch_size), color_255) canvas.paste(swatch, (i * swatch_size, 0)) canvas.save(output_path) if __name__ == "__main__": samples = generate_skin_tones() save_color_strip(samples) print(f"已生成 {len(samples)} 个肤色样本，保存至 skin_tones.png")

关键逻辑只有几行：在 Lab 空间里生成三组均匀分布随机数，拼接成坐标数组，一次性转换回 RGB。因为采样范围已经限制在肤色区域，生成结果天然不会出现绿色或紫色。保存色卡这一步不是必需的，但对于快速验证视觉效果非常有用。

5.3 代码二：基于基准肤色生成系列变体

第二个示例演示基准扰动模式。给定一个 RGB 基准肤色，转换到 Lab 后做高斯扰动，生成一组"同一个色系但明暗、冷暖略有不同"的变体。

# 文件路径：perturb_skin_tone.py import numpy as np from skimage import color def generate_variations(base_rgb, num_samples=8, seed=7, sigma_l=4.0, sigma_a=2.0, sigma_b=3.0): """在基准肤色的 Lab 坐标附近做高斯扰动，生成系列变体。""" base_rgb = np.asarray(base_rgb, dtype=np.float64) / 255.0 base_lab = color.rgb2lab(base_rgb.reshape(1, 1, 3))[0, 0] rng = np.random.default_rng(seed) L = rng.normal(base_lab[0], sigma_l, num_samples) a = rng.normal(base_lab[1], sigma_a, num_samples) b = rng.normal(base_lab[2], sigma_b, num_samples) lab = np.stack([L, a, b], axis=-1) rgb = np.clip(color.lab2rgb(lab), 0.0, 1.0) return (rgb * 255).astype(np.uint8) if __name__ == "__main__": base = (224, 172, 138) # 常见的浅肤色基准点 tones = generate_variations(base) for tone in tones: print(f"RGB({tone[0]}, {tone[1]}, {tone[2]}) " f"#{tone[0]:02x}{tone[1]:02x}{tone[2]:02x}")

这个模式非常适合"在已有风格体系内做微调"。比如你的产品已经定义了一套肤色规范，现在只想在规范附近生成更多候选，就可以把基准色换成规范色，再微调三个 sigma 参数。输出里同时打印了 RGB 和 hex 色值，方便直接粘贴到设计稿或前端代码里。

5.4 代码三：用 Delta E 做差异度验证

生成一批颜色后，怎么量化判断"这批颜色是否足够多样"？一个常用的客观指标是 Delta E。这里实现最简单的 CIE76 色差公式，也就是 Lab 空间里的欧氏距离。

# 文件路径：validate_skin_tones.py import numpy as np from skimage import color from generate_skin_tones import generate_skin_tones def delta_e_cie76(lab1, lab2): """计算两个 Lab 颜色之间的欧氏距离，即 CIE76 色差。""" return float(np.sqrt(np.sum( (np.asarray(lab1, dtype=np.float64) - np.asarray(lab2, dtype=np.float64)) ** 2))) def validate(rgb): """检查生成样本的 Lab 分布与最小色差。""" lab = color.rgb2lab(rgb.reshape(-1, 1, 3)).reshape(-1, 3) min_gap = float("inf") for i in range(len(lab)): for j in range(i + 1, len(lab)): gap = delta_e_cie76(lab[i], lab[j]) if gap < min_gap: min_gap = gap print("样本数:", len(lab)) print("L 范围: {:.1f} ~ {:.1f}".format(lab[:, 0].min(), lab[:, 0].max())) print("a 范围: {:.1f} ~ {:.1f}".format(lab[:, 1].min(), lab[:, 1].max())) print("b 范围: {:.1f} ~ {:.1f}".format(lab[:, 2].min(), lab[:, 2].max())) print("样本间最小 Delta E: {:.2f}".format(min_gap)) if __name__ == "__main__": samples = generate_skin_tones() validate(samples)

Delta E 数值怎么解读？可以参照颜色行业里常用的经验阈值：

实际使用中，如果一批样本的最小 Delta E 小于 2，说明存在肉眼几乎分不出的重复颜色，可以考虑扩大采样范围或增加样本量。

6. 运行结果与效果验证

6.1 运行命令

先运行第一个脚本生成色卡：

python generate_skin_tones.py

正常会输出类似下面一行（具体数值取决于环境和随机种子，不影响判断）：

已生成 24 个肤色样本，保存至 skin_tones.png

再运行验证脚本：

python validate_skin_tones.py

输出类似：

样本数: 24 L 范围: 30.2 ~ 84.6 a 范围: 8.4 ~ 31.7 b 范围: 12.1 ~ 41.5 样本间最小 Delta E: 1.87

6.2 判断生成结果是否合格

打开生成的 skin_tones.png，重点看三点：

1. 色卡是否从深到浅连续铺开，而不是挤在某个明度区间。
2. 所有颜色是否都是"像皮肤"的颜色，没有发灰、发绿、发紫的异常色块。
3. 相邻色块之间是否肉眼可区分，不存在大片几乎一样的颜色。

如果你发现颜色整体偏亮或偏暗，直接调整代码里的 L 范围。发现颜色"不够红"或"不够黄"，调整 a、b 范围。这个迭代过程非常快，因为所有逻辑都在十行代码以内。

6.3 输出 hex 颜色给设计和前端

设计系统和前端组件通常需要 hex 色值。可以给第一个脚本加一个转换函数：

def rgb_to_hex(rgb_colors): rgb_255 = (np.clip(rgb_colors, 0, 1) * 255).astype(int) return ["#{:02x}{:02x}{:02x}".format(*c) for c in rgb_255]

把生成结果输出成 JSON 或 Markdown 表格，就能直接作为设计 token 或配置文件的候选值。这也是肤色色板类工具最常见的落地方式：算法产出候选色，设计和业务方再一起确认最终用哪一组。

7. 常见问题与排查思路

从 RGB 切到 Lab 后，大部分"肤色发绿发灰"的问题会消失，但新问题也会冒出来。这里整理了一份高频问题清单：