你精心设计的配色，在色盲审稿人眼中可能是一团灰色。
这不是夸张。全球约 8% 的男性和 0.5% 的女性存在不同程度的色觉障碍（Color Vision Deficiency，CVD）。对于一篇投向国际期刊的论文，十位读者中就可能有一位无法区分你的红色曲线和绿色曲线。这不仅是可及性问题，更是科学传播的准确性问题。
解决方案并不复杂：选对色板，从源头消除问题。本文给你一份可以直接取用的完整参考——Okabe-Ito 色板的精确色值、背后的视觉科学、在常见工具中的使用方法，以及验证图表是否真正色盲友好的免费工具。
本文涵盖：
- Okabe-Ito 8 色板完整 HEX / RGB 色值表（可直接复制使用）
- 为什么这组颜色是经验设计出来的，能在三种主要 CVD 类型下保持可区分
- 折线图、柱状图、散点图、多面板图的具体配色策略
- 其他色盲安全色板横向对比
- 提交前验证图表色觉安全的免费工具清单
Okabe-Ito 色板是什么？
2008 年，日本学者 冈部正（Masataka Okabe） 和 伊藤啓（Kei Ito） 在《色觉通用设计（Color Universal Design, CUD）》指南中提出了这组色板。其设计目标非常明确：用一组尽可能少的颜色，同时满足以下三种最常见色觉障碍类型的辨识需求：
- 绿色盲 / 绿色弱（Deuteranopia / Deuteranomaly） — 对绿色不敏感，男性中最常见
- 红色盲 / 红色弱（Protanopia / Protanomaly） — 对红色不敏感
- 蓝色盲 / 蓝色弱（Tritanopia / Tritanomaly） — 对蓝色不敏感，极少见（约 0.003%）
这组色板不是从数学公式推导出来的，而是经验设计的结果：冈部和伊藤挑选了在明度和饱和度上彼此不同的颜色，并刻意避开了色盲最容易混淆的黄绿区间，再拿这套颜色对照色盲视觉逐一验证。因此它们比 Matplotlib 或 ggplot2 那种高饱和默认色看起来更柔和——这是有意为之。准确的说法是"经验上色盲友好"，而非数学上有保证。它在 2011 年被 Bang Wong 以《Nature Methods》色板指南的形式进一步推广，Wong 推广了其中一个 7 色子集，但真正的原创者是冈部和伊藤。
Okabe-Ito 8 色板完整色值
以下表格列出全部 8 个颜色的规范色值，来源为 CUDO 原始文档，并与各大科研样式指南完全一致，包括 Bang Wong 的 2011 年《Nature Methods》"Points of view: Color blindness"——该文推广了一个 7 色子集（Wong 负责推广，原创者是冈部和伊藤）。
| 序号 | 名称 | HEX | R | G | B | 推荐用途 |
|---|---|---|---|---|---|---|
| 1 | 黑色 Black | #000000 | 0 | 0 | 0 | 主数据系列、参考线 |
| 2 | 橙色 Orange | #E69F00 | 230 | 159 | 0 | 第二系列；与蓝色形成最强对比 |
| 3 | 天蓝色 Sky Blue | #56B4E9 | 86 | 180 | 233 | 第三系列；辨识度极高 |
| 4 | 蓝绿色 Bluish Green | #009E73 | 0 | 158 | 115 | 第四系列；即"青绿/茶绿" |
| 5 | 黄色 Yellow | #F0E442 | 240 | 228 | 66 | 填充色；细线慎用 |
| 6 | 蓝色 Blue | #0072B2 | 0 | 114 | 178 | 强调色；与橙色配对最佳 |
| 7 | 朱红色 Vermilion | #D55E00 | 213 | 94 | 0 | 误差棒、重点标注 |
| 8 | 玫红色 Reddish Purple | #CC79A7 | 204 | 121 | 167 | 第八类别上限 |
速查优先级： 若图表只需 4 种颜色，优先选取 2（橙）、3（天蓝）、6（蓝）、7（朱红）——这四色在三种 CVD 模拟下的两两对比度最高。
Okabe-Ito 的八种颜色构成了一条和谐、色盲友好的参考色条，可在每一张 SciDraw AI 配图中复用。
这组颜色为何安全？视觉科学解释
红绿色觉障碍（蛋白盲 / 绿色盲）
红绿色盲是最常见的类型。在红色盲和绿色弱中，红色与绿色通道会合并，只在红/绿方向上有差异的颜色就会被混淆。Okabe-Ito 色板彻底回避了纯红色与纯绿色：
- 橙色（#E69F00） 即使在红色盲模拟下也呈现为亮黄-橙，不被识别为绿
- 蓝绿色（#009E73） 蓝通道分量足够，在红-绿混叠后仍能与橙色区分
- 朱红色（#D55E00） 向橙色方向偏移，与蓝绿色的对比即使在色觉模拟下依然显著
蓝色觉障碍（蓝黄色盲）
蓝色盲会混淆蓝色与绿色、黄色与紫色。色板中的蓝色（#0072B2）亮度低、饱和度高，在短波通道缺失时仍与蓝绿和黄色保持明度差异。
亮度（明度）作为辅助通道
当色相通道失效时，色觉障碍者通常依赖明度差异来区分数据系列。Okabe-Ito 色板的 8 个颜色覆盖了从极暗（黑色）到中亮（橙、朱红、蓝绿）到高亮（黄、天蓝）的宽明度范围，提供了天然的辅助区分通道。
分离良好的色盲友好色板（左）始终清晰可读，而红绿冲突的色板（右）对许多读者而言会彻底失效。
在具体图表类型中如何应用
折线图与散点图
按 2 → 3 → 6 → 7 → 4 → 5 → 8 的顺序分配颜色，将黑色（#1）保留给参考线或零假设系列。超过 7 个数据系列时，优先考虑拆分子图而非强行增加第九种颜色——没有任何色板能在 CVD 约束下将 9+ 类别都区分清楚。
双重编码原则：颜色 + 形状/线型同时使用。即使图表以灰度打印或 PDF 质量下降，读者依然能通过形状识别数据系列。
柱状图与面积图
黄色（#F0E442）在白色背景上作为细线几乎不可见，但作为填充色效果良好。使用时建议添加深色描边（#000000 或 #5a5a5a）以保证可见度。
热力图和连续色阶
Okabe-Ito 是分类色板，不适用于连续型数据。热力图推荐：
- 顺序数据：
viridis、cividis、mako（均经过 CVD 安全认证） - 发散数据：
RdBu或BrBG（中间白色）；避免RdGn
多面板图
多面板图中最常见的无障碍失误不是配色选择错误，而是跨面板颜色映射不一致。橙色在面板 A 代表实验组，在面板 B 就不能代表对照组。在使用 SciDraw AI 科研配图工具 生成多面板图时，可在提示词中直接指定 Okabe-Ito 的色值，从源头保证全图颜色一致。
其他色盲安全色板横向对比
| 色板 | 颜色数量 | 类型 | 覆盖 CVD 类型 | 备注 |
|---|---|---|---|---|
| Okabe-Ito | 8 | 分类 | 红色盲、绿色盲、蓝色盲 | 科研图表推荐默认 |
| Wong 2011 | 7 | 分类 | 红色盲、绿色盲 | Okabe-Ito 去掉黑色的子集；《Nature Methods》推荐 |
| Tol Bright | 7 | 分类 | 红色盲、绿色盲 | Paul Tol 色板；演示文稿效果好 |
| Tol Muted | 10 | 分类 | 红色盲、绿色盲 | 最多支持 10 类别，对比度略低 |
| IBM 色盲安全色板 | 5 | 分类 | 红色盲、绿色盲 | 简洁高对比；仅 5 色 |
| viridis | 连续 | 顺序 | 全部类型 | 最佳连续色板；感知均匀 |
| cividis | 连续 | 顺序 | 全部类型 | 专为绿色盲优化 |
什么情况下选 Okabe-Ito？
- 单图表类别数 ≤ 8
- 图表需要同时适配屏幕显示和 CMYK 印刷
- 希望用单一色板覆盖三种主要 CVD 类型
什么情况下考虑 Tol Muted？
- 需要 9–10 个不同类别
- 对演示场景下的饱和度要求较高
提交前如何验证图表色觉安全性
选对色板是第一步，验证输出是第二步。错误的 HEX 代码、叠加的渐变效果或透明度混合都可能悄无声息地破坏色盲安全性。
模拟验证工具
| 工具 | 平台 | 使用方式 | 特点 |
|---|---|---|---|
| Coblis (color-blindness.com) | 网页 | 上传图片 | 支持 8 种 CVD 类型模拟 |
| Sim Daltonism | macOS / iOS | 桌面应用 | 实时屏幕叠加模拟 |
| Color Oracle | Win / Mac / Linux | 桌面应用 | 全屏实时模拟 |
| Adobe Color | 网页 | 无障碍检测 | 同时检测对比度比率 |
| Chromatic Vision Simulator | iOS / Android | 手机应用 | 摄像头实时模拟 |
灰度测试法
将图表完全去饱和（转为灰度）。如果每条数据系列仍凭亮度差异可以区分，那么你的图表通过了最严格的无障碍标准。许多期刊网络版支持彩色，印刷版仍为灰度，这个测试可以同时发现两种场景下的问题。
AI 工具辅助检查
SciDraw AI 图表检测工具 可以分析上传的图表，标记不安全的颜色组合（如红绿对比）。在投稿前用它做一轮快速扫描，只需几秒钟，却可能避免审稿人的质疑。
模拟色觉障碍并转换为灰度，能揭示一张图表是否对所有读者都保持清晰可读。
在常用工具中应用 Okabe-Ito
R / ggplot2
# 使用 ggthemes 包直接调用
# install.packages("ggthemes")
library(ggthemes)
scale_colour_colorblind() # 自动应用 Okabe-Ito
# 或手动定义：
okabe_ito <- c("#E69F00", "#56B4E9", "#009E73", "#F0E442",
"#0072B2", "#D55E00", "#CC79A7", "#000000")
scale_colour_manual(values = okabe_ito)Python / Matplotlib
okabe_ito = [
"#E69F00", "#56B4E9", "#009E73", "#F0E442",
"#0072B2", "#D55E00", "#CC79A7", "#000000"
]
import matplotlib.pyplot
GraphPad Prism
双击数据系列颜色 → 选择"自定义颜色" → 输入 HEX 色值。Prism 没有色板导入功能，但将上表保存为参考文档后手动输入并不费时。
Adobe Illustrator / Inkscape
基于上表色值创建颜色组（Illustrator：窗口 → 色板 → 新建颜色组）。使用时直接从色板选取，无需记忆色值，也不会因手误输入错误代码。
在 AI 生图工具中指定色板
AI 科研配图工具在生成时接受颜色约束。在 SciDraw AI 科研配图工具 中，你可以在提示词里直接指定：
"使用 Okabe-Ito 色板：橙色 #E69F00、天蓝色 #56B4E9、蓝色 #0072B2、朱红色 #D55E00"
图形摘要生成工具 同样支持颜色约束，对于期刊或机构已将 Okabe-Ito 设定为标准配色的情况尤为方便。如果需要从零生成一张完整的科研配图，整合配色约束和内容描述的提示词往往能一次出图到位。
常见错误避免清单
- 加入棕色 — 棕色不在 Okabe-Ito 集内，对绿色盲者可能与深橙混淆，不要随意增补
- 使用透明度叠加 — 半透明填充色叠加后产生的混合色未经过 CVD 验证，安全性未知
- 黄色（#F0E442）用作细折线 — 在白色背景上几乎不可见，仅适合填充或宽描边
- 忽略 CMYK 转换偏移 — RGB HEX 在转换为 CMYK 印刷时色值可能偏移，向期刊制作组同时提供 RGB 和 CMYK 数值
- 过度依赖颜色 — 没有任何色板对所有人都完美，颜色 + 形状的双重编码始终是最稳健的方案
常见问题
问：Okabe-Ito 色板和《Nature Methods》推荐的 Wong 色板是同一个吗？ 答：几乎是。Wong 2011 年在《Nature Methods》发表的 7 色色板是 Okabe-Ito 的子集，去掉了黑色（#000000），其余 6 个彩色的 HEX 值完全相同，两个名称可互换使用。
问：Okabe-Ito 可以用于热力图吗？
答：不适合。它是分类色板，用于离散数据系列。连续型热力图请使用 viridis 或 cividis，两者均为感知均匀的色盲安全色板。
问：期刊要求使用特定品牌色，但那些颜色对色盲不友好，怎么办？ 答：将品牌色用于非数据元素（如标题栏、图标、Logo），所有数据系列仍使用 Okabe-Ito。同时用形状和线型辅助编码，确保颜色不是唯一的区分方式。
问：Okabe-Ito 对全色盲（单色视觉）也安全吗？ 答：全色盲极为罕见（约 0.003%），需要纹理或图案编码才能完全适配。Okabe-Ito 针对三种最常见的双色视觉障碍类型设计和测试，对全色盲不提供额外保证。
问：最多可以用 Okabe-Ito 同时区分几个类别？ 答：技术上限是 8 个，但小图中超过 5–6 个类别时辨识度会明显下降。7–8 类别场景建议增大符号尺寸，并在图表旁附表格辅助说明。
问：有没有工具能自动把现有图表换成 Okabe-Ito 色板？ 答：SciDraw AI 图表检测工具 可以上传分析现有图表并标记 CVD 问题。若需重新生成并直接应用 Okabe-Ito，科研配图工具 支持在提示词中直接指定色值约束。
