假设我们有一组先验已知的n种颜色C。我们得到了一个颜色l的列表。
目标是对每种颜色l，将其与C中的颜色匹配，使距离函数D最小化。
最直接的方法是使用欧氏距离，但这不是一个好主意，因为下面的例子：
假设输入颜色是(0.1，0，0(非常暗的红色。假设棕色(0.5，0.5，0(和纯红色(1.0，0(都是C.
欧氏距离给出：
-
到棕色的距离=(0.4^2+0.5^2(=0.41
-
到红色的距离=(0.9^2(=0.81
因此，暗红色被映射为棕色而不是红色，这在视觉上没有意义。
我们可以试试切比雪夫距离：
-
到棕色的距离=最大值(0.4，0.5，0(=0.5
-
到红色的距离=最大值(0.9，0，0(=0.9
或者曼哈顿距离：
至棕色的距离=最大值(0.4+0.5(=0.9
到红色的距离=最大值(0.9+0+0(=0.9
第一个仍然选择棕色而不是红色，第二个选择两者都是同样有效的选择。虽然有所改进，但并不理想。
然而，我不知道如何测量"视觉距离"，即一种颜色在人类看来是否"看起来是绿色的"，例如，如何将所述颜色映射为绿色。
我正在使用opencv，我已经搜索了文档，但我似乎没有发现这个问题是否已经解决。
欢迎来到色彩世界！如果使用RGB，上述距离度量不太可能起作用，因为RGB不是一个感知均匀的颜色空间(颜色空间中向量之间的距离与人类感知的变化不相似(。CIELAB颜色空间被认为是一个感知上均匀的颜色空间。
一种流行的颜色距离度量是CIELAB\deltaE*，它经过了一些修改
这些距离度量在colormath包中可用。
来自文档：
from colormath.color_objects import LabColor
from colormath.color_diff import delta_e_cie1976
# Reference color.
color1 = LabColor(lab_l=0.9, lab_a=16.3, lab_b=-2.22)
# Color to be compared to the reference.
color2 = LabColor(lab_l=0.7, lab_a=14.2, lab_b=-1.80)
# This is your delta E value as a float.
delta_e = delta_e_cie1976(color1, color2)
在您的问题中，如果已知颜色集(C(的大小很小(例如10(，则即使是delta_E也可能无法按预期工作。一种更可靠的方法是收集一个新的集合S，它在C中的每种颜色都有很多阴影(你可以使用颜色词典(，并将l中的每一种颜色映射到S中的壁橱中，然后映射到C。通过预先计算距离度量，您可以使用类似kd-tree的数据结构来加快搜索速度。