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）。