明度軸：為什麼黑白不在色相環上，而 L* 是立方根

色相環是一個封閉的圓，而黑與白不在圓周上的任何位置——它們在穿過圓心、垂直於這個平面的那條軸上。這個幾何安排不是約定俗成，它反映了一個可測量的事實：明度是一個獨立於色相的知覺維度，而且它的刻度是非線性的。中灰不是 50% 的光，是大約 18%。這一篇說明這個數字從哪裡來。

📖 學

一、三維的色彩空間，黑白佔的是哪一維

任何實用的色彩模型都是三維的，而維度的切法大同小異：

系統	明度維	另外兩維
Munsell	Value（`0`–`10`）	Hue、Chroma
CIELAB	`L*`（`0`–`100`）	`a`、`b`
HSL	Lightness	Hue、Saturation
CIELCh	`L*`	`C*`（彩度）、`h`（色相角）

黑白灰是所有這些系統裡「另外兩維歸零」的那條線。 Munsell 稱之為中性軸，記作 N0（黑）到 N10（白）。

為什麼明度要單獨成一軸，而不是當成「某個顏色的亮暗版本」？ 因為它在知覺上可以獨立變動：你可以保持色相與彩度不變而只改明度，觀察者會報告「同一個顏色，比較亮」。反過來，明度相同而色相不同的兩個顏色，在轉成灰階後會變成同一個灰——這正是明度軸獨立性的操作型定義。

這也解釋了一個常見的設計陷阱：兩個色相差異很大、明度卻接近的顏色（例如中等紅與中等綠），在灰階下會糊成一團，對色覺異常者也幾乎無法區分。「用顏色區分資訊」若沒有同時給出明度差，就是不可及的設計，見對比與易讀性。

二、立方根：知覺明度與物理亮度的關係

把反射率 50% 的灰卡與 100% 的白紙並排，灰卡看起來不像白紙的一半暗——它看起來比「一半」亮得多。

人對明度的知覺大致隨亮度的立方根變化。這個關係在 CIELAB 出現之前就已經由多條獨立的路徑建立：Munsell 的 value 標度（由大量人眼配對實驗建成）、Stevens 的冪次定律（指數約 1/3）、以及更早的 Weber–Fechner 近似。

CIELAB 的 L* 就是把這件事形式化。核心形式是：

L* = 116 × f(Y/Yn) − 16

其中 Y 是相對亮度，Yn 是參考白的亮度，
f(t) = t^(1/3)                    當 t 大於某個門檻
f(t) = (線性段)                    當 t 很小

兩個設計細節值得注意：

為什麼是 116 × ... − 16 而不是直接 100 × t^(1/3)？ 為了讓 Y/Yn = 1（參考白）時 L* = 100，同時讓曲線在低端有合理行為。

為什麼低端要換成線性段？ 因為純立方根函數在零點的斜率是無限大，數值上不穩定，而且不符合實際的低亮度知覺。CIELAB 的做法是在接近黑的地方接一段直線。

實際的冪次效果約為 0.43，而不是正好 1/3——因為那個 −16 的偏移讓整體曲線的等效指數偏離純立方根。

L* = 50 對應的相對亮度約是 18%，不是 50%。 這就是攝影灰卡定在 18% 的理由：它是知覺上的中間，不是物理上的中間。

L* 的另一個關鍵性質是感知均勻：L* = 50 與 L* = 25 的知覺差距，大致等於 L* = 75 與 L* = 50 的差距。這是它優於直接用亮度 Y 的地方。

三、Gamma：螢幕上的黑白編碼

這條立方根曲線在數位影像裡以另一個名字出現：gamma。

8 位元只有 256 個灰階可用。如果把它們線性地對應到亮度，暗部的相鄰階之間會出現明顯的跳階（因為人眼在暗處對相對差異更敏感），而亮部則浪費了大量無法分辨的階。

解法是用非線性編碼：儲存的數值大致對應知覺明度而非物理亮度，顯示時再轉回去。sRGB 的傳輸函數就是一條近似 gamma 2.2 的曲線（實際是一段線性加一段冪次，與 L* 的結構相似，理由也相同）。

兩個實務後果：

「50% 灰」有兩種意思。 在 Photoshop 填 #808080（數值上的一半）得到的是知覺上的中灰，它的物理亮度大約是白的 21%。若要物理亮度為一半，數值要填到約 #BCBCBC。混淆這兩者是影像處理最常見的錯誤之一，特別是在做模糊、縮放、混合時——這些運算在數學上應該在線性光空間做，在 gamma 空間做會讓結果偏暗（典型症狀是縮小後的影像暗部糊成一片、或高斯模糊後亮處「縮水」）。

灰階轉換不是三個通道取平均。 把彩色轉灰階時，(R+G+B)/3 是錯的，因為人眼對綠最敏感、對藍最不敏感。正確做法是用相對亮度的加權（Rec. 709 的係數約為 0.2126 R + 0.7152 G + 0.0722 B，且必須在線性光下運算）。這個係數組合直接來自錐細胞的光譜敏感度分布。

四、灰階、位元深度與 banding

多少階的灰才夠？ 這取決於你在哪一段看。

因為知覺對相對差異敏感（Weber 定律的近似），暗部需要更密的階。8 位元的 sRGB 在多數內容上夠用，但在大面積平緩漸層上會出現 banding（條帶）——相鄰階的差異跨過了可辨閾值。

為什麼漸層特別容易出事？ 因為馬赫帶：階躍邊界會被視覺系統的高頻增強放大，一個數值上只差 1 的邊界被看成一條明顯的線。

對策有三個：提高位元深度（10-bit 以上）、加入少量雜訊（dithering，把階躍打散成隨機分布）、或避免大面積平緩漸層。加雜訊有效正是因為它破壞了邊界的空間規律性，讓高頻增強沒有東西可增強。

五、為什麼黑白照片仍然資訊完整

把這一篇與感知那篇接起來，可以回答一個核心問題：丟掉兩個維度（色相、彩度）只留一個（明度），為什麼看起來沒有丟掉三分之二的資訊？

因為三個維度承載的資訊量本來就極不對稱。 亮度通道的空間解析度遠高於色度通道——這正是影像壓縮普遍採用色度次取樣（chroma subsampling，例如 4:2:0 把色度的解析度砍到四分之一）卻幾乎看不出來的原因。我們對顏色的空間細節，本來就看得很粗。

形狀、邊界、紋理、深度線索，幾乎全部編碼在明度通道裡。所以黑白影像保留的是資訊量最大的那一個維度，丟掉的是解析度本來就低的兩個。這是「黑白不損失結構」最紮實的技術解釋，也是著迷那篇的論證前提。

🧠 記

黑白是明度軸，不在色相環上；明度軸的操作型定義是「轉灰階後相同的顏色，明度相同」。

知覺明度 ≈ 亮度的立方根，所以 L* = 50 對應約 18% 的相對亮度——這是灰卡 18% 的由來。

#808080 是知覺中灰不是物理中灰，物理一半亮度約在 #BCBCBC；模糊、縮放、混合應在線性光下做。

灰階轉換不能三通道取平均，要用亮度加權且在線性光下運算。

Banding 是馬赫帶放大了階躍，所以加雜訊有效——它破壞了邊界的規律性。

亮度通道的空間解析度遠高於色度通道，這是黑白影像不損失結構的技術解釋，也是色度次取樣可行的原因。

✍️ 實踐

驗證「知覺中灰不是物理中灰」，15 分鐘：

在任一繪圖軟體開一張圖，左半填 #000000、右半填 #FFFFFF。
中間放一個方塊，填 #808080。退遠看——它看起來應該接近兩側的中間。
現在把方塊改填 #BCBCBC（物理亮度約 50%）。它會明顯偏亮。
再做一次對照：把整張圖縮小到 25%（讓黑白條紋混合），縮小後的平均值會偏向哪一邊？

第 4 步會暴露 gamma 問題：如果軟體在 gamma 空間縮放，黑白各半的區域縮小後會得到約 #808080（看起來合理但物理上錯）；若在線性光下縮放會得到約 #BCBCBC（物理正確但看起來偏亮）。兩者都「對」，取決於你要的是什麼——而知道自己在哪個空間運算，是影像工作的基本功。

🔗 延伸學習

Wikipedia — CIELAB color space——L*a*b* 的完整定義、轉換公式與低端線性段的處理。
Wikipedia — Lightness——明度的各種定義、Munsell value 與立方根關係的歷史脈絡。
Wikipedia — Stevens’s power law——知覺量與物理量的冪次關係，明度只是其中一個案例。

我的知識庫

探索