色觉模拟工具只能验证部分类型
别名: 色盲模拟 · Coblis · Brettel算法 · 二色觉模拟
概念解释
各种色盲模拟工具（浏览器插件、设计软件插件、图像处理软件的"protanopia/deuteranopia 预览"滤镜）能把一张图模拟成"完全缺失某一类锥体的二色视觉者会看到的样子"。但真实的色觉缺陷人群里，完全二色视觉只是少数、更严重的一端——多数人是异常三色视觉，第三类锥体还在，只是光谱敏感度发生了偏移，实际感知落在正常三色视觉和完全二色视觉之间的某个位置，而标准模拟工具输出的"protanopia/deuteranopia"是一个二元结果，并不代表这个连续谱。也就是说，通过了模拟器检查，说明这份设计在理论上最严重的极端情况下站得住，但并不能验证对更常见、更轻微、个体差异很大的异常三色视觉人群同样有效。
机制
主流模拟算法（Brettel、Viénot、Machado 等提出的方法）的基本原理是：把图像的颜色变换到 LMS 锥体响应空间，把"缺失"的那一类锥体的响应清零或按理论模型处理，模拟某一种特定的完全二色视觉，再变换回 RGB 显示。这套数学变换是良好定义的，也针对这个特定的极端情况用真实二色视觉者的辨别行为做过校验。但异常三色视觉不是"缺一类锥体"，而是"这一类锥体还在，只是响应曲线偏移了"，仍然贡献真实的、部分的、渐变的信号，这种渐变情况不能干净地套用为极端情况设计的算法。部分工具提供"异常三色视觉严重度"滑块（Machado 等人扩展了原算法来建模这种情况），但即便如此，滑块给出的也只是一个平均化的理论个体，不代表真实用户之间的实际差异。
怎么研究
验证方法是把模拟器的预测结果与临床确诊个体的实际辨别表现做对照：让色觉镜分级过严重程度的真实被试完成颜色辨别任务，看结果与模拟算法的预测是否吻合——这正是那些带严重度分级的扩展模拟算法当初的构建和校准方式，后续工作还在持续改进这些模型，但它们始终是群体层面的平均近似，不是针对某个具体用户的精确预测。
边界
- 对完全二色视觉预测相对可靠，对占多数的异常三色视觉只是近似。 模拟器在理论极端情况上校验充分，但真实用户里占多数的异常三色视觉群体，只能得到一个粗略的严重度切片，不代表这个群体内部的实际分布跨度。
- 模拟器覆盖不了更罕见的类型。 蓝黄缺陷之外的组合型色觉异常、以及某些后天获得性色觉损伤，标准模拟算法通常不覆盖。
- 模拟结果依赖被模拟图像本身的色值是否准确。 截图压缩、色彩管理错误都会在模拟发生之前先引入失真，模拟器自身的近似误差会叠加在这些已有失真之上。
- "通过模拟器检查"和"已验证对真实用户可用"是两件不同的事。 前者只是通过了众多理论测试中最严重的那一种。
怎么落地
- 把色觉模拟工具当作筛查的第一道关卡，而不是最终验收标准：模拟后仍然无法区分的配色一定有问题，值得立即修改；但模拟后"看起来没问题"，不能反过来证明真实色觉缺陷用户也不会有问题。
- 涉及关键信息（报警提示、金融涨跌、医疗状态）的配色，在模拟器初筛通过后，用基于混淆线的定量核对或真实色觉缺陷用户的测试做二次验证，不要止步于模拟器截图对比。
- 至少覆盖红色盲（protanopia）与绿色盲（deuteranopia）两种最常见类型分别做模拟检查，因为二者的混淆线方向不同——一种类型下能区分的配色，另一种类型下不一定能区分，只跑一种类型会漏掉另一半风险。
- 验证办法：对关键界面同时跑多种模拟类型的结果并逐一比对，任何一种模拟下变得无法区分的元素都需要重新设计，而不是只跑最常见的一种类型就下"色觉友好"的结论。