飽和度為 0，圖像變成灰色。
飽和度為 1，顏色恢復原樣。
看似簡單的一個滑塊，背后是顏色空間的混合運算——
而"直接灰度化"并不總是最好的選擇。

一、飽和度的直覺

在 HSB（或 HSL）色彩模型里，顏色由三個維度描述：

H（Hue，色相）       → 顏色的種類（紅/綠/藍/黃…）
S（Saturation，飽和度）→ 顏色的濃淡（鮮艷 ? 灰白）
B（Brightness，亮度） → 顏色的明暗（亮 ? 暗）

調(diào)整飽和度，就是在"原始顏色"和"同亮度的灰色"之間做插值：

飽和度 = 1.0：鮮艷的紅色  (255, 0, 0)
飽和度 = 0.5：粉灰色      (191, 128, 128)  ← 向灰色靠近 50%
飽和度 = 0.0：純灰色      (128, 128, 128)  ← 完全變成灰色

二、數(shù)學：灰度化 + 插值

CIColorControls 的 inputSaturation 本質(zhì)上是兩步：

Step 1：計算該像素對應的灰度值

gray = 0.299 × R + 0.587 × G + 0.114 × B

這是 Rec.601 亮度公式（Day 3 詳細講過），權(quán)重來自人眼對紅綠藍的感知靈敏度差異。

Step 2：在原色和灰度之間線性插值

R' = gray × (1 - s) + R × s
G' = gray × (1 - s) + G × s
B' = gray × (1 - s) + B × s

其中 s = inputSaturation（0.0 ~ 1.0）

驗證：

• s = 1.0：輸出 = 原始 RGB（完全保留顏色）
• s = 0.0：輸出 = (gray, gray, gray)（完全灰度化）
• s = 0.5：輸出 = 原始和灰度各占一半

具體計算示例

鮮紅色 (255, 0, 0)，計算 s = 0.3：

gray = 0.299 × 255 + 0.587 × 0 + 0.114 × 0 = 76.2 ≈ 76

R' = 76 × 0.7 + 255 × 0.3 = 53.2 + 76.5 = 129.7 ≈ 130
G' = 76 × 0.7 +   0 × 0.3 = 53.2 +  0.0 =  53.2 ≈  53
B' = 76 × 0.7 +   0 × 0.3 = 53.2 +  0.0 =  53.2 ≈  53

s=0.3 后的顏色：(130, 53, 53) ← 帶點紅色調(diào)的暗灰

三、完全灰度化（s=0.0）并不總是最好的

初看之下，OCR 場景應該直接灰度化：數(shù)字本身是無色的，顏色只是干擾。

但實測有兩個副作用：

3.1 Vision 丟失顏色線索

Vision OCR 是多模態(tài)模型，訓練時見過大量彩色圖像。顏色是它區(qū)分相似形狀的輔助信號之一：

例：深藍背景上的白色 LOGO 文字
  彩色圖：深藍(30, 80, 180) vs 白色(255, 255, 255) → 顏色對比強，Vision 輕松分割
  灰度圖：亮度 ≈ 0.25 vs 亮度 ≈ 1.0 → 亮度對比也夠，沒問題

例：金色數(shù)字在米白色背景上
  彩色圖：金色(255, 215, 0) vs 米白(255, 250, 220) → 顏色略有差異，Vision 可感知
  灰度圖：金色亮度 ≈ 0.81 vs 米白亮度 ≈ 0.97 → 亮度差僅 0.16，對比度很弱！

結(jié)論：當顏色對比強于亮度對比時，降飽和會損失有效信息。

3.2 特定顏色組合在灰度下消失

問題場景：橙色數(shù)字在青色背景上

橙色  RGB(255, 140, 0)：
  gray = 0.299×255 + 0.587×140 + 0.114×0 = 76.2 + 82.2 = 158

青色  RGB(0, 200, 200)：
  gray = 0.299×0 + 0.587×200 + 0.114×200 = 0 + 117.4 + 22.8 = 140

灰度對比度 = |158 - 140| / 255 ≈ 7%   ← 幾乎看不見！

但彩色對比度（色相完全不同）：非常鮮明

這就是為什么銀行卡預處理不能無腦灰度化：不同顏色組合需要不同策略。

四、各場景的 saturation 策略

s = 1.0   完全保留顏色
  適用：彩色背景對 OCR 有益，或顏色是區(qū)分字符的關(guān)鍵線索
  例：深色底變體（不降飽和，顏色通道提供額外邊緣信息）

s = 0.7   輕度降飽和
  適用：顏色有一定干擾，但不希望完全失去顏色線索
  例：全卡自適應預處理的基線值（正常/低對比度場景）

s = 0.3   保留少量顏色
  適用：背景顏色復雜，但擔心某些卡面的顏色對比消失
  例：ROI 淺底提亮灰變體（在大 radius USM 之后，顏色已大幅弱化，保留 30% 兜底）

s = 0.0   完全灰度化
  適用：已確認亮度對比足夠強，顏色只是噪聲
  例：ROI 背景減除變體（大 radius USM 已經(jīng)消除低頻背景，顏色無意義）
       ROI 超對比灰變體（高 contrast 專門壓暗處理，顏色干擾大于收益）

五、saturation 與 contrast 的聯(lián)動

降低飽和度會改變有效亮度對比度，兩者需要協(xié)調(diào)。

5.1 降飽和降低了可用對比度

原始顏色對比：
  橙色 (255,140,0)  亮度 0.62
  青色 (0,200,200)  亮度 0.55
  顏色對比很明顯，亮度對比只有 0.07

s=0.0 灰度化后：
  橙色 灰度 0.62
  青色 灰度 0.55
  僅靠亮度，對比度只有 7%，需要 contrast 補償
  
  contrast 需要多高？理論上需要 1/0.07 ≈ 14 才能將對比拉至全范圍
  實際上 contrast 最多用到 2.0，因此這種組合用灰度化會失敗

5.2 contrast 依賴飽和度處理后的亮度分布

推薦處理順序：
  CIColorControls(saturation → contrast → brightness)

這三個參數(shù)在同一個 CIFilter 里，同時生效，內(nèi)部順序由 Core Image 決定。
實際等效于：先降飽和（得到亮度均等的圖），再拉伸亮度分布。

5.3 選擇 saturation 值的決策樹

開始
  │
  ├─ 背景是否為復雜圖案（風景/紋理/漸變）？
  │   ├─ 是 → 用 CIUnsharpMask 大 radius（25px）消背景 → s=0.0 灰度化
  │   └─ 否 ↓
  │
  ├─ 數(shù)字顏色是否與背景亮度接近（亮度差 < 0.2）？
  │   ├─ 是 → 顏色對比是主要線索 → s=0.7~1.0，同時提高 contrast
  │   └─ 否 ↓
  │
  ├─ 背景顏色是否鮮艷（高飽和）？
  │   ├─ 是 → 顏色干擾 Vision → s=0.0~0.3 降飽和
  │   └─ 否 ↓
  │
  └─ 默認：s=0.7（保留顏色線索，輕度降低顏色干擾）

六、Swift 實現(xiàn)

手動實現(xiàn)（適合 MLBitmap）

public struct SaturationFilter: ImageFilter {

    /// 飽和度系數(shù)，0.0 = 完全灰度化，1.0 = 原色
    public let saturation: Float

    public func apply(to bitmap: MLBitmap) -> MLBitmap {
        var result = bitmap
        for i in stride(from: 0, to: result.pixels.count, by: 4) {
            let r = Float(result.pixels[i])
            let g = Float(result.pixels[i + 1])
            let b = Float(result.pixels[i + 2])
            // Rec.601 亮度
            let gray = 0.299 * r + 0.587 * g + 0.114 * b
            // 在原色和灰度之間插值
            result.pixels[i]     = UInt8(clamping: Int(gray * (1 - saturation) + r * saturation))
            result.pixels[i + 1] = UInt8(clamping: Int(gray * (1 - saturation) + g * saturation))
            result.pixels[i + 2] = UInt8(clamping: Int(gray * (1 - saturation) + b * saturation))
            // i + 3 = Alpha，不變
        }
        return result
    }
}

通過 CIColorControls（適合 CIImage 管線）

func adjustSaturation(_ cgImage: CGImage, saturation: Float) -> CGImage? {
    let input = CIImage(cgImage: cgImage)
    guard let filter = CIFilter(name: "CIColorControls") else { return nil }
    filter.setValue(input,      forKey: kCIInputImageKey)
    filter.setValue(saturation, forKey: kCIInputSaturationKey)
    // contrast / brightness 不傳時保持默認（1.0 / 0.0）
    return filter.outputImage.flatMap { context.createCGImage($0, from: $0.extent) }
}

兩種方式等效，CIColorControls 在 GPU 上運行，大圖時更快。

七、"降飽和"不等于"灰度化"的證明

之前講的灰度化：

gray = 0.299R + 0.587G + 0.114B
輸出像素 = (gray, gray, gray)

CIColorControls(saturation=0.0) 的結(jié)果：

R' = gray × 1 + R × 0 = gray
G' = gray × 1 + G × 0 = gray
B' = gray × 1 + B × 0 = gray
輸出像素 = (gray, gray, gray)

兩者數(shù)學上完全等價，都是 Rec.601 加權(quán)灰度化。區(qū)別在于：

• saturation=0.0 是完整 CIColorControls 管線的一個參數(shù)，可以同時調(diào)整 contrast/brightness
• 手動灰度化（Day 3 的方法）是獨立的 CPU 操作，更靈活但更慢

八、小結(jié)

saturation（s）的本質(zhì)：
  s=1.0 → 原色
  s=0.0 → Rec.601 加權(quán)灰度
  中間值 → 兩者線性插值

何時降飽和：
  ? 背景顏色是噪聲（復雜圖案、鮮艷彩色背景）
  ? 已用 CIUnsharpMask 消除背景，顏色不再有意義
  ? 處于"超對比"模式，需要純亮度信息

何時保留顏色（s=0.5~1.0）：
  ? 數(shù)字顏色與背景亮度接近（顏色對比 > 亮度對比）
  ? Vision 需要顏色線索區(qū)分相似字形
  ? 保底措施：不確定時先用 s=0.7，再根據(jù)識別結(jié)果調(diào)整

如果這篇對你有一點啟發(fā)：點個贊，讓更多人少踩一個坑 轉(zhuǎn)發(fā)給那個正在糾結(jié)的人也歡迎關(guān)注我—— 我們一起，把認知變成長期復利。

往期推薦：

一圖了解飽和度：控制色彩鮮艷程度的關(guān)鍵
一圖了解OCR的處理流程及相關(guān)圖像處理技術(shù)
一圖了解二值化與閾值，從灰度到黑白的決策
一張圖了解圖像處理中的亮度、對比度與實現(xiàn)
顏色科學與灰度化
從"圖片"到"內(nèi)存"——你真正理解圖像處理的第一天
iPhone相冊背后的圖像處理知識（下）
iPhone相冊背后的圖像處理知識（中）
iPhone相冊背后的圖像處理知識（上）
一張圖了解圖像處理的本質(zhì)
圖像到底是什么
圖像處理技術(shù)概要圖
AI時代，軟件工程師必備概念全景圖