如果我有两种颜色由它们的 RGB 值定义，我可以平均红色、绿色和蓝色值，然后组合定义看起来像两者视觉平均值的第三种颜色吗？
即NewColor = (R1+R2)/2,(G1+G2)/2,(B1+B2)/2
EDIT1：感谢所有回复。对于我目前的需求，我只处理颜色相同的颜色对，所以我认为平均它们会起作用。但是，我将尝试转换为 Lab Space 以确保该假设是正确的，并且该技术将在未来有用。
EDIT2：这是我的结果 FWIW。Color1 和 Color2 是我的两种颜色，中间的两列分别是 L a b 空间平均和 RGB 平均的结果。在这种情况下，两种颜色之间没有太大差异，因此平均技术输出的差异是微妙的。
几个答案建议转换为 Lab 颜色空间 - 这可能是更复杂的颜色处理的好方法。
但是如果你只是需要一种快速的方法来取两种颜色的平均值，这可以在 RGB 空间中完成。您只需要注意一个警告：您必须在平均 RGB 值之前对其进行平方，然后对结果求根。（如果你只是取平均值，结果往往会太暗。）
像这样：
NewColor = sqrt((R1^2+R2^2)/2),sqrt((G1^2+G2^2)/2),sqrt((B1^2+B2^2)/2)
这是一个很棒的视频，它解释了为什么这种方法很有效：https ://www.youtube.com/watch?v=LKnqECcg6Gw
我不知道从感知的角度来看，对组件进行简单平均是否是“最好的”（这听起来像是心理学家的问题），但这里有几个使用简单组件平均的例子。
红芥绿的很丑，但插值似乎足够合理。
在HSL 颜色空间中进行平均可能会产生更好的结果。
是的。你可以像这样平均两种颜色。这是 OpenGL 用来将颜色混合在一起的方法（例如，在创建用于渲染远处物体的 Mip 贴图，或渲染 50% 透明纹理时）。对于许多情况，它快速、简单且“足够好”。然而，它并不完全真实，可能不会用于照片质量的图像。
这很难。首先，一组 RGB 值不定义颜色。它们需要根据它们所指的原色（颜色空间）来解释，例如 sRGB、Rec.709、Rec.2020、Adobe RGB (1998) 等。
此外，我们通常遇到的 RGB 值与线性光不成比例：它们是使用非线性函数（伽马）“编码”的。有时（主要在视频应用程序中）“黑色”的值不是零，而是从零偏移，对于 8 位值通常为 16。而“白色”不是 255 而是 235。sRGB 和 Rec.709 共享 RGB 原色，但它们的 gamma 函数不同。
颜色空间转换从删除任何黑色偏移开始，使黑色为零。如果 gamma 函数中有断点（如 sRGB 和 Rec.709），则需要仔细缩放 RGB 值，使“white”为 1.0。
然后，通过执行原始伽马函数的逆来“解码”伽马。（一个答案建议对值进行平方，这是伽马解码的近似值。）现在您在某些颜色空间中具有线性光 RGB 值。此时，您可以从该颜色空间转换为 Lab 空间。大多数从 RGB 到 Lab 的转换都经过一个称为 XYZ 的中间颜色空间。
嵌套函数调用的步骤：
Lab = XYZ2Lab(RGB2XYZ(gamma_decode(offset_and_scale(RGB), gammaFunction ), RGB 颜色空间))
（实验室空间是在 1976 年开发的，旨在创建标准 CIE XYZ 空间的感知均匀扭曲。（Luv 是另一种尝试。）这个想法是两种颜色之间的欧几里得（直线）距离刚好- 任何两种颜色的距离明显不同（1“JND”）。Lab中两种颜色之间的距离称为“delta-E”。简单的delta欧几里得距离公式现在称为dE76。见https：/ /en.wikipedia.org/wiki/Color_difference）
在您的情况下，您可以平均两种 Lab 颜色以获得新的 Lab 颜色，然后反转所有转换以在您选择的颜色空间中返回 RGB。
这会让你接近，但不能保证，因为“颜色”是人类的感知，而不是物理量，并且众所周知难以可靠地表征。实验室在感知统一方面实际上并没有那么好。因此，他们没有修复 Lab，而是提出了一个新的、更复杂的 delta-E 函数，并内置了另一个 warp：DE94。这更好，但并不完美，因此在 2000 年出现了另一个提议：DE2000。也更好但并不完美。有关更多信息，请参见上面的 Wiki 页面。
如果 DE2000 不够好（或太复杂！），您可能会看看 Lab 的替代品ICtCp，它声称比 Lab 在感知上更统一。
我认为，来自 arntjw 的答案朝着正确的方向发展，并识别了 Dan W 提到的对数底层。但是，正确的几何平均值不是 sqrt((C1^2+C2^2)/2)，而是 sqrt (C1*C2)。所以平均颜色是：
NewColor = sqrt(R1*R2),sqrt(G1*G2),sqrt(B1*B2)
生成的颜色更接近我们的预期。您可以使用高阶根泛化到更多颜色，并通过向其分量添加指数来加权每种颜色。
实际上有一个更简单的方法。
将图像缩小到 1px x 1px。
1px 的颜色是您缩放的任何颜色的平均颜色