colornames-oklab

包含4444种颜色名称的数据集，在OKLab颜色空间中通过蓝噪声采样均匀分布，覆盖Rec2020色域，并按色域层级（sRGB/P3/Rec2020）分层。每个条目包含颜色名称、色域层级、十六进制值和OKLab坐标。This dataset contains 4444 color name entries, which are uniformly distributed via blue noise sampling in the OKLab color space and cover the Rec.2020 color gamut. It is stratified by color gamut tiers: sRGB, P3, and Rec.2020. Each entry includes the color name, gamut tier, hexadecimal color value, and OKLab coordinates.

原始信息汇总

数据集概述

colornames-oklab 是一个包含 4444 个颜色名称的数据集，这些颜色在 OKLab 色彩空间上均匀分布，覆盖完整的 Rec2020 色域。

核心特点

• 均匀分布：采用最佳候选采样（Mitchell 采样）在 OKLab 空间中生成颜色点，确保视觉感知上的均匀间距，避免某些区域过度聚类。
• 稳定扩展：通过五轮确定性、带种子的采样过程（1500 → 2100 → 3000 → 4000 → 4444），每次新点均对所有已有点进行采样，确保已有条目永不移动或重命名。
• 命名策略：命名由 Claude Fable 5 完成，基于每个颜色的 OKLab 位置，借鉴 color-names 的语气和风格。

数据结构

数据以 colornames-oklab.json 文件提供（374 kB 原始 / 90 kB gzip），每个条目包含：

json { "name": "Emerald", "tier": "srgb", "hex": "#089156", "oklab": [0.577, -0.1257, 0.0551] }

• tier：颜色所属的最小色域层级
• hex：sRGB 回退色值，通过 OKLCH 色度钳位生成
• oklab：精确采样的 [L, a, b] 坐标

色域层级分布

层级	数量	占比	含义
srgb	2041	~46%	所有显示设备均可显示
p3	776	~17%	需要 Display P3 屏幕
rec2020	1627	~37%	超出 P3 色域的外壳区域

命名特点

命名根据色域层级分级：

• sRGB：日常标准命名，如 Moss、Denim、Terracotta、Butter、Salmon、Charcoal
• P3：更鲜艳、可识别的命名，如 Electric Blue、Neon Carrot、Jazzberry Jam、Shocking Pink
• Rec2020：稀有颜料和染料名称，如 Smaragdine、Zaffre、Eosin、Gamboge、Fuchsine；深海和宇宙意象，如 Benthic Teal、Event Horizon、Singularity；极限色度点，如 Impossible Green、Maximum Fuchsia、Beyond Magenta、Greenest Green

附加功能与文件

• 描述文本：可选导入的 descriptions.json 文件，包含 4444 条索引对齐的简短描述
• 查找 API：无依赖的 closest() 函数，支持单色查找、批量查找和唯一匹配模式
• 3D 查看器：docs/index.html 项目页面，包含基于 Three.js 的 3D OKLab 色彩空间可视化

可复现性

所有流程均已脚本化并设定种子，位于 scripts/ 目录，包括采样、工作表生成、命名合并、验证测试、基础颜色审计和可视化构建。

许可证与贡献

• 许可证：MIT
• 贡献：仅接受对现有颜色提出更好、由人类发明的命名建议，数据集本身不再增长

搜集汇总

数据集介绍

构建方式

该数据集通过蓝噪声采样（best-candidate Mitchell采样）在感知均匀的OKLab色彩空间中生成4444个均匀分布的点，并约束于Rec2020色域。采样分五个确定性、带种子的阶段进行（1500→2100→3000→4000→4444），每个新点选择距离所有已有点最远的候选点，确保感知距离均匀。随后根据点所在的色域层级（sRGB、P3、Rec2020）进行分类。命名过程使用Claude Fable 5模型，前3000个名称根据每个点的OKLCH坐标和色域层级单独生成，后1444个名称从现有color-names项目的最佳子集中按OKLab邻近度匹配。通过脚本强制确保名称唯一性和基础色调完整性。

特点

数据集的最大特色在于其空间均匀性——颜色点在整个Rec2020色域内感知等距分布，避免了传统颜色名称集合中红色、肤色等区域密集而广阔区域空白的现象。每个点附带色域层级标记（srgb、p3、rec2020），sRGB层级的名称对应日常可显示的颜色范畴，P3层级采用更鲜活的词汇，而Rec2020层级则使用稀有的颜料和染料名称（如Smaragdine、Zaffre）及宇宙意象。数据集还提供与主列表索引对齐的简短描述文件，可按需引入。两个硬性保证由脚本强制执行：所有4444个名称唯一且每个十六进制回退值唯一，约80个基础名称（如Red、Blue）确保位于sRGB层级并接近参考颜色。

使用方法

数据集以ESM和CJS模块形式发布，可导入为JSON数组使用。每个条目包含名称、色域层级、十六进制回退值和OKLab坐标。CSS中可直接使用oklab()函数进行颜色表示。计算OKLCH值时，饱和度C通过Math.hypot(a,b)获得，色调H通过Math.atan2(b,a)计算。内置的closest()函数支持颜色查找，接受原始OKLab值并返回最近匹配的名称及其距离，可选unique模式确保每个名称仅被使用一次。描述文件作为独立数组提供，可通过import从colornames-oklab/descriptions.json路径引入。项目页面附带基于Three.js的3D查看器，支持悬停查看名称、按层级筛选及点击复制颜色。

背景与挑战

背景概述

在色彩命名与色彩科学交叉领域，既有的众包色彩名称数据集（如color-names）往往在感知色彩空间中分布极不均匀，大量名称簇拥于红色、肤色、sRGB流行色等人类视觉历史关注区域，而广色域空间（如Rec2020）的大部分区域则近乎空白。为攻克这一偏斜分布问题，由研究者主导的colornames-oklab数据集应运而生，其依托感知均匀的OKLab色彩空间，通过最佳候选（Mitchell）采样算法，在Rec2020色域内均匀采撷4444个色彩点，确保每一色彩区域获得等间距的感知表征。该数据集依托Anthropic的Claude Fable 5模型逐一命名，并整合color-names项目的语料风格，自2023年起逐步构建完善，为色彩科学、计算机图形学与人机交互领域提供了一份稀缺的、感知均匀的色彩标注基准，对推动宽色域色彩通信、色彩命名基准测试以及AI辅助色彩生成任务产生了显著影响。

当前挑战

该数据集面临的首要挑战是如何在感知均匀的OKLab三维空间内，对Rec2020这一范围阔大的色域进行蓝噪声采样，既要保证采样点之间欧几里得距离在感知上均匀，又要避免色域边界的畸变与稀疏。构建过程中，呈现两大核心困难：其一，广色域（尤其是Rec2020外层）包含大量超饱和色彩，其中近37%的点超出当前主流显示设备（如Display P3）的呈色能力，因此数据集需为每个点计算三重色域层级（sRGB、P3、Rec2020），并通过色域映射保留最相近的sRGB十六进制回退值；其二，命名体系需在保持4444个名称唯一性的同时，为sRGB、P3、Rec2020三类色阶分别匹配不同语料层级——从日常惯例名（如Moss）到前卫合成名（如Impossible Green），并且通过脚本强制执行基础色彩名（如Red、Blue）必须落在sRGB色域内，以确保所有用户均能直观辨别。后端验证、渐进式采样、名称合并与固定层叠加等脚本流程同样构成严密的工程挑战。

常用场景

经典使用场景

在色彩科学与计算机图形学领域，colornames-oklab数据集最为经典的使用场景是为宽色域显示设备和色彩管理算法提供均匀感知的命名颜色集合。该数据集基于OKLab色彩空间，采用蓝噪声采样技术生成了4444个均匀分布的颜色点，覆盖从sRGB到Rec2020的完整色域。研究者们利用这一数据集验证颜色命名在感知均匀空间中的分布特性，评估不同色域级别（sRGB、P3、Rec2020）下颜色词与人类视觉感知的一致性。其独特的层级结构——将颜色分为日常色域、鲜艳色域和极端色域——为开发跨设备色彩再现系统提供了基准参考。

解决学术问题

该数据集系统地解决了传统颜色命名库在色彩空间中分布不均的学术难题。过往的众包颜色名称集合如color-names，在红色、肤色等人类历史关注的区域呈现高度聚集，而大面积色域几乎空置。colornames-oklab通过先确定感知均匀的空间位置再赋予名称的策略，确保了每个区域都获得代表性名称，避免了名称间感知距离过近的问题。这一设计为色彩语言学中的颜色词义锚定研究提供了量化工具，亦为感知色彩空间的抽样理论贡献了实证案例——展示了如何将蓝噪声采样应用于三维色彩体，并验证了OKLab空间作为欧几里得距离度量的有效性。

衍生相关工作

该数据集衍生了若干具有影响力的相关工作。作为color-names项目的实验性延伸，它推动了从经验性颜色集合向理论驱动型色彩命名库的设计范式转变。其方法论——蓝噪声采样结合OKLab空间——被后续研究采纳以构建感知均匀的色彩调色板。数据集本身亦启发了color.pizza等工具对唯一性匹配算法的优化，并促使学者重新审视色域体积与色彩词目之间的关系。此外，其层级命名策略（基于色域分级的词汇选择）为跨文化色彩名称适配提供了可复用的分析框架，成为连接计算机视觉、人机交互与色彩人类学的桥梁性资源。