下面是将sRGB图像转换为灰度的唯一正确算法，如在浏览器等中使用。

在计算内积之前，有必要对颜色空间应用伽玛函数的逆。然后你把函数应用到减少的值上。未能合并gamma函数可能导致高达20%的误差。

对于典型的计算机，颜色空间是sRGB。sRGB的正确数字约为。0.21 0.72 0.07。sRGB的Gamma是一个复合函数，近似取幂1/(2.2)。这是c++的全部内容。

// sRGB luminance(Y) values
const double rY = 0.212655;
const double gY = 0.715158;
const double bY = 0.072187;

// Inverse of sRGB "gamma" function. (approx 2.2)
double inv_gam_sRGB(int ic) {
    double c = ic/255.0;
    if ( c <= 0.04045 )
        return c/12.92;
    else 
        return pow(((c+0.055)/(1.055)),2.4);
}

// sRGB "gamma" function (approx 2.2)
int gam_sRGB(double v) {
    if(v<=0.0031308)
      v *= 12.92;
    else 
      v = 1.055*pow(v,1.0/2.4)-0.055;
    return int(v*255+0.5); // This is correct in C++. Other languages may not
                           // require +0.5
}

// GRAY VALUE ("brightness")
int gray(int r, int g, int b) {
    return gam_sRGB(
            rY*inv_gam_sRGB(r) +
            gY*inv_gam_sRGB(g) +
            bY*inv_gam_sRGB(b)
    );
}

为了用R确定颜色的亮度，我将RGB系统颜色转换为HSV系统颜色。

在我的脚本中，我之前因为其他原因使用了HEX系统代码，但你也可以从rgb2hsv {grDevices}的RGB系统代码开始。文档在这里。

这是我的代码的这一部分:

 sample <- c("#010101", "#303030", "#A6A4A4", "#020202", "#010100")
 hsvc <-rgb2hsv(col2rgb(sample)) # convert HEX to HSV
 value <- as.data.frame(hsvc) # create data.frame
 value <- value[3,] # extract the information of brightness
 order(value) # ordrer the color by brightness

为了清晰起见，使用平方根的公式必须是

√(系数* (colour_value^2))

not

√(系数*颜色值)^2

证明这一点的证据在于将R=G=B三位一体转换为灰度R。只有当你将颜色值平方，而不是颜色值乘以系数时，这才成立。参见灰色的九种色调

把这看作是对Myndex的精彩回答的补充。正如他(和其他人)解释的那样，计算RGB颜色的相对亮度(和感知亮度)的算法是设计用于线性RGB值的。你不能只是将它们应用到原始sRGB值上，并希望得到相同的结果。

理论上，这一切听起来都很棒，但我真的需要亲眼看看证据，所以，受到彼得·赫塔克(Petr Hurtak)的颜色渐变的启发，我自己做了一个。它们说明了两种最常见的算法(ITU-R建议BT.601和BT.709)，并清楚地说明了为什么应该使用线性值(而不是伽玛校正值)进行计算。

首先，下面是旧的ITU BT.601算法的结果。左边的使用原始sRGB值。右边的使用线性值。

ITU-R BT.601颜色亮度梯度

0.299 r + 0.587 g + 0.114 b

在这个分辨率下，左边的照片实际上看起来非常好!但如果你仔细观察，你会发现一些问题。在更高的分辨率下，不需要的人工制品更加明显:

线性的不受这些影响，但是有很多干扰。让我们将其与ITU-R建议BT.709进行比较……

ITU-R BT.709颜色亮度梯度

0.2126 r + 0.7152 g + 0.0722 b

哦男孩。显然不打算与原始sRGB值一起使用!然而，这正是大多数人所做的!

在高分辨率下，你可以真正看到这个算法在使用线性值时是多么有效。它没有之前那个那么多噪音。虽然这些算法都不是完美的，但这个算法已经是最好的了。

正如@Nils Pipenbrinck所提到的:

所有这些方程在实践中都很有效，但如果你需要非常精确，你就必须[做一些额外的gamma东西]。在深灰色中，忽略伽玛和正确伽玛之间的亮度差异高达20%。

这里有一个完全自包含的JavaScript函数，它做了“额外的”工作来获得额外的准确性。它基于Jive Dadson对这个问题的c++回答。

// Returns greyscale "brightness" (0-1) of the given 0-255 RGB values
// Based on this C++ implementation: https://stackoverflow.com/a/13558570/11950764
function rgbBrightness(r, g, b) {
  let v = 0;
  v += 0.212655 * ((r/255) <= 0.04045 ? (r/255)/12.92 : Math.pow(((r/255)+0.055)/1.055, 2.4));
  v += 0.715158 * ((g/255) <= 0.04045 ? (g/255)/12.92 : Math.pow(((g/255)+0.055)/1.055, 2.4));
  v += 0.072187 * ((b/255) <= 0.04045 ? (b/255)/12.92 : Math.pow(((b/255)+0.055)/1.055, 2.4));
  return v <= 0.0031308 ? v*12.92 : 1.055 * Math.pow(v,1.0/2.4) - 0.055;
}

请参阅Myndex的答案以获得更准确的计算。

HSV色彩空间应该做的把戏，看维基百科文章取决于你正在工作的语言，你可能会得到一个库转换。

H是色调，是颜色的数值(即红色，绿色…)

S是颜色的饱和度，即它有多“强烈”

V是颜色的亮度。