搜尋意圖： 如果你在找「紅綠藍色彩模型 是什麼」或「紅綠藍色彩模型 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
RGB（Red, Green, Blue，紅綠藍）色彩模型在電腦視覺與人工智慧領域扮演著最基礎的影像表示角色。從早期的卷積神經網路到現代的視覺語言模型（Vision-Language Model），RGB 格式始終是影像資料進入 AI 系統的標準通道。
RGB 的物理基礎與數位表示
RGB 是一種加法混色（Additive Color Mixing）模型，模擬人眼視網膜中三種感色錐細胞（Short/Medium/Long-wavelength cones，分別對藍、綠、紅光最敏感）的反應特性。在數位系統中，最常見的 8-bit per channel RGB 將每個通道以 0-255 的整數表示，三通道組合可表示 256³ = 16,777,216 種顏色。16-bit per channel（高動態範圍，HDR）和 32-bit float（深度學習模型常用的浮點數格式，通道值通常正規化至 0-1 或 -1 到 1）也廣泛應用。在記憶體中，一張 224×224 的 RGB 影像佔用 224 × 224 × 3 × 1 byte = 150,528 bytes（未壓縮），在深度學習的批次訓練中，一個 batch size=32 的輸入張量大小為 32 × 3 × 224 × 224（PyTorch 通道在前格式，NCHW）。
通道順序的技術細節
在電腦視覺的工具鏈中，RGB 通道的排列順序是一個容易出錯的技術細節。OpenCV 預設以 BGR（藍-綠-紅）順序載入影像，而 PIL（Pillow）、torchvision 和大多數深度學習框架使用 RGB 順序。若將 OpenCV 讀取的 BGR 影像直接輸入以 RGB 訓練的 ImageNet 預訓練模型，藍色與紅色通道對調會導致模型輸出異常，是電腦視覺工程中常見的 bug 來源。轉換方式為 cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 或直接對 numpy array 做 img[:, :, ::-1] 通道反轉。
RGB 在深度學習影像任務中的角色
在卷積神經網路（CNN）的早期設計中，RGB 三通道直接對應網路第一層卷積的輸入特徵圖。研究者發現，第一層卷積核在 ImageNet 訓練後會自動學習到邊緣偵測、顏色辨識等低階視覺特徵，類似人類視覺皮層 V1 區的細胞感受野反應。在現代視覺 Transformer（ViT）中，影像被分割成固定大小的 patch（如 16×16 像素），每個 patch 的像素向量化後透過線性投影映射為 token 嵌入，RGB 三通道的資訊在這個投影過程中被壓縮整合進 token 表示中。
影像正規化與預訓練模型的均值標準差
使用在 ImageNet 上預訓練的視覺模型時，輸入影像的 RGB 像素值必須用 ImageNet 資料集的通道均值（mean = [0.485, 0.456, 0.406]，對應 R/G/B）與標準差（std = [0.229, 0.224, 0.225]）進行正規化，即每個通道值 = (原始值/255 - 均值) / 標準差。這個步驟確保輸入資料的分佈與訓練時一致，是影像前處理的必要步驟，遺漏此步驟會顯著降低預訓練模型的遷移學習效果。
RGB 與其他色彩空間的轉換
在特定 AI 任務中，RGB 並非最佳選擇，需要轉換到其他色彩空間。HSV（色相/飽和度/亮度）在顏色分割任務中對光照變化更具魯棒性，因為色相（Hue）通道直接表示顏色本身，不受亮度影響；LAB 色彩空間的 L 通道（亮度）與 AB 通道（色彩）分離，在醫療影像增強中廣泛使用；YCbCr 將亮度（Y）與色差（Cb/Cr）分離，在影像壓縮（JPEG）和影像超解析度任務中常見。人臉偵測中常將 RGB 轉換為 YCbCr 後僅用色差通道做膚色分割，能更有效地分離膚色像素。
在多模態大型語言模型中的角色
在 GPT-4V、Gemini、Claude 等視覺語言模型（VLM）中，RGB 影像在進入語言模型主體之前，先通過視覺編碼器（通常是 CLIP 的 ViT）將 RGB 像素轉換為視覺 token 嵌入，再與文字 token 在 Transformer 的共同序列中處理。這個設計讓 LLM 能夠「理解」影像內容，但其底層仍然依賴 RGB 格式作為影像的數位表示基礎。理解 RGB 的結構有助於理解多模態模型的資料流與可能的失效模式（如低光環境下 RGB 資訊不足導致辨識失敗）。
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。