从RGB到YIQ：矩阵变换与色彩空间可视化的入门实践

1. 项目概述：从“我的第一个矩阵”到色彩空间的探索

如果你刚开始接触数字图像处理或者计算机图形学，看到“矩阵”、“RGB”、“YIQ”这些词可能会觉得既熟悉又陌生。熟悉是因为它们无处不在，陌生是因为它们背后的原理和相互转换的关系，常常被包裹在一层神秘的面纱里。这个项目——“My First Matrix, RGB, YIQ, and Color Cubes”——本质上是一个绝佳的入门实践。它不是一个复杂的应用程序，而是一个 系统性的认知实验 ，旨在通过动手操作，帮你亲手揭开色彩表示与变换的数学面纱。

简单来说，这个项目就是让你用代码（通常是MATLAB或Python）去构建和可视化色彩空间。你会从最基础的 颜色立方体 开始，直观理解RGB空间；然后，你会学习如何用 矩阵 这个强大的数学工具，将颜色从RGB空间转换到其他空间（比如YIQ）；最后，你会亲眼看到这些变换如何改变了颜色在三维空间中的分布。这不仅仅是学习几个函数调用，而是理解“为什么数字图像中的颜色可以这样被计算和操纵”。无论你是学生、刚入行的开发者，还是对图形学原理感兴趣的爱好者，通过这个项目，你都能获得对像素背后世界的坚实直觉。接下来，我们就一步步拆解，看看如何亲手实现这个“第一次”。

2. 核心概念拆解：矩阵、色彩空间与立方体

在动手写代码之前，我们必须把几个核心概念及其之间的关系彻底理清。很多人卡在第一步，就是因为对这些基础概念的混合感到困惑。

2.1 矩阵：不仅仅是数字的表格

在这里，矩阵扮演着双重角色。首先，它是 数据的容器 。一张RGB图像，在计算机内存中，本质上就是三个巨大的矩阵（或一个三维矩阵），分别存储着每个像素点的红、绿、蓝分量值。例如，一个100x100像素的图片，其R通道就是一个100行、100列的矩阵，每个元素是一个介于0到255（8位）或0到1（归一化）的数值。

其次，也是本项目更关键的一点，矩阵是 线性变换的算子 。色彩空间转换，如RGB到YIQ，在数学上是一个线性变换。这意味着，目标空间的每一个颜色分量（Y, I, Q），都是源空间颜色分量（R, G, B）的线性组合。这个组合关系，恰恰可以用一个矩阵乘法完美地表达出来。

例如，RGB到YIQ的标准转换矩阵（基于NTSC标准）是：

[ Y ]   [ 0.299   0.587   0.114 ]   [ R ]
[ I ] = [ 0.596  -0.275  -0.321 ] * [ G ]
[ Q ]   [ 0.212  -0.523   0.311 ]   [ B ]

这个3x3的矩阵就是变换的核心。你输入一个RGB列向量 [R; G; B] ，左乘这个矩阵，就得到了对应的YIQ列向量 [Y; I; Q] 。理解这一点，你就掌握了色彩空间转换的钥匙。

2.2 RGB色彩空间：加色模型的基石

RGB是我们最熟悉的色彩模型，基于 加色法 。想象你有三盏灯：红灯、绿灯、蓝灯。当它们全部关闭时，是黑色（0,0,0）；全部以最亮打开时，是白色（255,255,255或1,1,1）。通过调节三盏灯的亮度比例，你可以混合出肉眼可见的绝大部分颜色。

在三维坐标系中，我们可以把RGB空间表示为一个立方体。三个坐标轴分别代表R、G、B分量。这个立方体的原点(0,0,0)是黑色，对角顶点(1,1,1)是白色。所有可能的颜色都“住”在这个单位立方体内。灰度色阶就在从黑到白的对角线上。可视化这个立方体，是理解颜色离散性和连续性的第一步。

2.3 YIQ色彩空间：为兼容性而生的智慧

YIQ色彩空间可能不如RGB或HSV那么常用，但它蕴含着重要的工程智慧。它主要用于旧式的NTSC彩色电视广播系统。其设计目标是将彩色信息（Chrominance）与亮度信息（Luminance）分离，并让彩色信息占据更少的带宽。

• Y分量（亮度） ：包含了图像中所有的亮度信息，也就是黑白电视信号需要的内容。这样，黑白电视机可以只接收Y信号来显示画面。
• I和Q分量（色度） ：携带颜色信息。I代表从橙色到青色的色调范围，Q代表从紫色到黄绿色的色调范围。人眼对I代表的色调变化更敏感，对Q代表的色调变化较不敏感。因此，在信号传输时，可以对Q分量进行更强的压缩（即用更少的带宽），从而节省总带宽。

从RGB转换到YIQ，正是利用了矩阵变换，将颜色数据重新打包，以适应特定的传输或处理需求。理解YIQ，能让你明白色彩空间设计是如何服务于具体应用场景（如压缩、兼容）的。

2.4 颜色立方体：三维可视化的威力

颜色立方体是本项目的 可视化核心输出 。它的意义在于将抽象的数字（矩阵中的数值）转化为直观的、可旋转审视的三维图形。

• RGB立方体 ：直接绘制。每个点 (r,g,b) 对应一个颜色，点的位置就是其坐标，点的颜色就是其 (r,g,b) 值本身。这个立方体是规整的。
• YIQ立方体 ：需要先进行变换。你将RGB立方体中的所有点（比如均匀采样的一系列点）通过上述转换矩阵计算出对应的 (y,i,q) 坐标，然后用这些新坐标绘图。这时，点的颜色仍然用原始的RGB值来渲染（以便观察变换前后颜色的对应关系），但点的位置已经变成了YIQ空间下的坐标。你会看到一个被“拉斜”或“旋转”了的立方体，这直观地展示了线性变换对颜色分布的几何影响。

通过对比变换前后的立方体，你能深刻体会到：色彩空间转换，本质上是对颜色数据集进行了一次“视角旋转”或“坐标系重塑”，颜色本身的内在关系没变，但我们观察和处理的“坐标架”变了。

3. 项目实战：使用MATLAB构建与可视化

理论清晰后，我们进入实战环节。我将以MATLAB为例，因为它内置了强大的矩阵运算和三维绘图功能，非常适合做这种原理性演示。整个过程分为四个清晰的步骤。

3.1 第一步：构建RGB颜色立方体的点集

我们的目标是生成代表RGB立方体内大量颜色的点。一个简单有效的方法是使用 meshgrid 函数。

% 步骤1：生成RGB颜色立方体的点集
% 设定采样分辨率，例如每维度采样11个点（0:0.1:1）
step = 0.1;
[r, g, b] = meshgrid(0:step:1, 0:step:1, 0:step:1);

% 将三维网格数据重塑为Nx3的矩阵，每一行是一个(R,G,B)颜色点
rgb_points = [r(:), g(:), b(:)];
num_points = size(rgb_points, 1);
fprintf('生成了 %d 个颜色采样点。\n', num_points);

这段代码生成了一个在0到1之间均匀采样的点阵。 step=0.1 会在每个维度上采样11个点（0, 0.1, 0.2, ..., 1.0），总共生成11 11 11=1331个点。你可以调整 step 来改变采样密度，更密的采样会让后续的立方体看起来更实心，但计算量和绘图负担也会增加。对于初次演示，0.1或0.2的步长是不错的选择。

注意 ：这里我们将颜色值归一化到[0,1]区间，而不是[0,255]。这在图像处理计算中很常见，可以避免整数运算，方便矩阵乘法。绘图时，MATLAB的 scatter3 函数能自动识别[0,1]范围的颜色值。

3.2 第二步：定义RGB到YIQ的转换矩阵并应用

接下来，我们引入那个关键的转换矩阵，并对所有采样点进行变换。

% 步骤2：定义RGB到YIQ的转换矩阵（NTSC标准）
% 这个矩阵是固定的，来源于色彩科学标准。
T_rgb2yiq = [0.299,  0.587,  0.114;  % Y行
             0.596, -0.275, -0.321;  % I行
             0.212, -0.523,  0.311]; % Q行

% 应用变换：对每一行（一个颜色点）进行矩阵乘法
% 最直接的方式是转置后相乘，再转置回来。更高效的方式是直接右乘矩阵的转置。
yiq_points = rgb_points * T_rgb2yiq'; % 注意是乘以矩阵的转置

% 解释：如果 rgb_points 是 Nx3， T_rgb2yiq 是 3x3，
% 那么 rgb_points * T_rgb2yiq' 实现了对每个点 row_i 计算 row_i * T_rgb2yiq'，
% 等价于 (T_rgb2yiq * row_i')'。

这里有一个关键的编程技巧：我们利用矩阵乘法的性质，避免了写循环。 rgb_points 是 N x 3 矩阵， T_rgb2yiq' 是 3 x 3 矩阵，结果 yiq_points 就是 N x 3 的YIQ点集。这种向量化操作在MATLAB中效率极高。

实操心得 ：转换矩阵的数值是标准化的，不要随意修改，除非你在实验特定的色彩空间。不同的标准（如PAL制式用的YUV）矩阵系数不同。确保你使用的矩阵与你想要模拟的色彩空间一致。

3.3 第三步：三维可视化RGB与YIQ颜色立方体

现在是见证奇迹的时刻。我们将并排绘制两个三维散点图。

% 步骤3：创建并排对比的可视化图形
figure('Position', [100, 100, 1200, 500]); % 设置一个宽幅窗口

% 子图1：RGB颜色立方体
subplot(1, 2, 1);
scatter3(rgb_points(:,1), rgb_points(:,2), rgb_points(:,3), ...
         40, rgb_points, 'filled'); % 点大小40，颜色用rgb_points值
xlabel('Red (R)'); ylabel('Green (G)'); zlabel('Blue (B)');
title('RGB Color Cube');
axis equal; grid on; view(3); % 等轴、网格、三维视角
% 设置坐标轴范围，确保立方体显示完整
xlim([0, 1]); ylim([0, 1]); zlim([0, 1]);

% 子图2：YIQ颜色立方体（点的颜色仍用原始RGB值显示）
subplot(1, 2, 2);
scatter3(yiq_points(:,1), yiq_points(:,2), yiq_points(:,3), ...
         40, rgb_points, 'filled'); % 关键：颜色信息仍用rgb_points
xlabel('Luma (Y)'); ylabel('In-phase (I)'); zlabel('Quadrature (Q)');
title('YIQ Color Cube (Colors from original RGB)');
axis equal; grid on; view(3);
% 注意：YIQ坐标的范围可能与RGB不同，我们让坐标轴自动调整以显示全部点
% 但为了对比，可以手动设置一个合理的范围，例如Y在[0,1]，I和Q在[-0.6,0.6]附近
% xlim([0, 1]); ylim([-0.6, 0.6]); zlim([-0.6, 0.6]);

sgtitle('My First Matrix, RGB, YIQ, and Color Cubes'); % 总标题

这段代码的精华在于 scatter3 函数的调用。前三个参数是点的XYZ坐标，第四个参数是点的大小， 第五个参数 rgb_points 决定了每个点的颜色 。这意味着：

• 在RGB立方体图中，点的位置 (R,G,B) 和颜色 (R,G,B) 是一致的。
• 在YIQ立方体图中，点的位置变成了 (Y,I,Q) ，但颜色仍然使用其原始的 (R,G,B) 值来渲染。

这种可视化方式极其强大！它让你一眼就能看出：同一个颜色（由点的颜色表示），在两个不同的色彩空间坐标系（由点的位置表示）下，其“坐标”发生了怎样的变化。你会看到YIQ立方体不再是一个规整的立方体，而是被“剪切”和“旋转”成了一个平行六面体，其中亮度Y轴大致对应原RGB空间的对角线（黑白轴）。

3.4 第四步：交互式探索与效果增强

基础的绘图完成了，但我们可以让它更具交互性和启发性。

% 步骤4：添加交互和注释
% 4.1 旋转以观察立方体结构
disp('图形已生成。请手动旋转三维图形（点击旋转图标或直接拖拽）以观察立方体结构。');
disp('重点观察YIQ立方体如何从RGB立方体变换而来。');

% 4.2 标记特殊点（可选，增强理解）
% 例如，标记纯黑、纯白、纯红、纯绿、纯蓝在YIQ空间中的位置
hold on; % 在YIQ子图上继续绘制
special_rgb = [0,0,0; 1,1,1; 1,0,0; 0,1,0; 0,0,1];
special_yiq = special_rgb * T_rgb2yiq';
scatter3(special_yiq(:,1), special_yiq(:,2), special_yiq(:,3), ...
         120, 'k', 'LineWidth', 2); % 用大黑圈标记
legend('All Colors', 'Special Colors (B/W/R/G/B)', 'Location', 'best');

% 4.3 绘制从原点到特殊点的向量（可选）
% 这可以显示变换矩阵对基向量的作用
origin = [0,0,0];
for i = 1:size(special_yiq,1)
    plot3([origin(1), special_yiq(i,1)], ...
          [origin(2), special_yiq(i,2)], ...
          [origin(3), special_yiq(i,3)], 'k--', 'LineWidth', 1);
end
hold off;

% 4.4 保存图形
saveas(gcf, 'RGB_YIQ_Color_Cubes.png');
disp('图形已保存为 RGB_YIQ_Color_Cubes.png');

通过标记特殊颜色点并绘制向量，你可以更清晰地看到变换的几何意义。例如，纯白色(1,1,1)在RGB空间位于(1,1,1)，在YIQ空间则位于约(1.0, 0.0, 0.0)附近，这说明白色几乎全部由亮度Y分量承载，色度I和Q分量很小。

4. 深度解析：矩阵变换的几何意义与色彩分离

完成了可视化，我们来回过头深入分析一下看到的图形，这比单纯跑通代码更重要。

4.1 YIQ变换矩阵的列向量意义

一个3x3矩阵的每一列，都有明确的几何意义：它代表了原始空间的标准基向量（即 [1,0,0] , [0,1,0] , [0,0,1] ，对应纯红、纯绿、纯蓝）经过变换后，在新空间（YIQ空间）中的坐标。

让我们计算一下：

• 纯红 [1,0,0] 变换后 ： T * [1;0;0] = [0.299; 0.596; 0.212] 。这意味着纯红在YIQ空间中位于(0.299, 0.596, 0.212)。
• 纯绿 [0,1,0] 变换后 ： T * [0;1;0] = [0.587; -0.275; -0.523] 。
• 纯蓝 [0,0,1] 变换后 ： T * [0;0;1] = [0.114; -0.321; 0.311] 。

在你的YIQ立方体图中，如果你标记了这三个点，你会发现它们构成了那个“歪斜”的平行六面体的三个从原点出发的边。这个平行六面体就是原始RGB单位立方体经过矩阵 T 线性变换后的结果。所有在RGB立方体内的颜色，都被映射到了这个YIQ平行六面体内。

4.2 Y分量的物理意义：灰度图像的产生

Y分量被设计为R、G、B的加权和，权重系数（0.299, 0.587, 0.114）来源于人眼对不同波长光线的敏感度（光度函数）。绿色光对人眼亮度感知贡献最大，红色次之，蓝色最小。因此， Y分量本质上就是一张图像的灰度图 。

你可以轻松验证这一点：

% 读取一张彩色图片
img_rgb = imread('peppers.png'); % 使用MATLAB示例图片或你自己的图片
img_rgb_double = im2double(img_rgb); % 转换为双精度[0,1]

% 提取RGB三个通道
R = img_rgb_double(:,:,1);
G = img_rgb_double(:,:,2);
B = img_rgb_double(:,:,3);

% 按照公式计算Y分量
Y_calculated = 0.299 * R + 0.587 * G + 0.114 * B;

% 使用内置函数进行RGB到YIQ转换（验证）
% 注意：MATLAB的 `rgb2ntsc` 函数转换到的是NTSC YIQ空间
img_yiq = rgb2ntsc(img_rgb_double);
Y_from_func = img_yiq(:,:,1);

% 比较两者（理论上应该几乎完全相同）
difference = abs(Y_calculated - Y_from_func);
max_diff = max(difference(:));
fprintf('手动计算与函数计算的Y分量最大差异为：%e\n', max_diff);

% 并排显示原图、手动计算灰度图、函数提取灰度图
figure;
subplot(1,3,1); imshow(img_rgb); title('Original RGB Image');
subplot(1,3,2); imshow(Y_calculated); title('Grayscale (Manual Y)');
subplot(1,3,3); imshow(Y_from_func); title('Grayscale (from rgb2ntsc)');

这个实验让你直观地理解，为什么将彩色图像转换为灰度图不是简单地对R、G、B取平均值，而是要进行加权平均。这个加权平均，就是变换矩阵第一行所做的事情。

4.3 I与Q分量的设计：带宽压缩的奥秘

I和Q分量携带色度信息。观察变换矩阵的第二、三行，你会发现它们包含正负系数，这意味着I和Q是R、G、B的某种差分组合。这种设计使得I和Q在典型的自然图像中，数值的动态范围（方差）比R、G、B本身要小，且平均值在0附近。

更重要的是， 人眼对I分量（橙-青色调）携带的色度细节更敏感，对Q分量（紫-黄绿色调）的细节较不敏感 。在早期的NTSC电视系统中，工程师利用这一特性，对Q分量信号使用了比I分量更宽的滤波（即更低的带宽）进行传输，从而在保证主观视觉质量不明显下降的前提下，大大压缩了彩色信号所需的带宽。这就是色彩空间设计如何直接影响工程实践的经典案例。

在你的YIQ立方体图中，你可以观察到大部分颜色点聚集在Y轴附近，I和Q的绝对值较小，这印证了色度信息相对于亮度信息其“能量”较低且集中在0附近的特点。

5. 项目扩展与进阶思考

完成基础版本后，你可以从这个项目出发，进行多种有意义的扩展，深化理解。

5.1 扩展一：探索其他色彩空间

RGB到YIQ只是线性变换的一个例子。你可以用同样的框架探索其他空间。

• RGB to HSV/HSL ：这些是圆柱坐标或双圆锥坐标表示的颜色空间，变换是非线性的。你需要实现算法（如max/min计算、分段函数），而不是简单的矩阵乘法。可视化时，HSV空间更像一个圆柱体或圆锥体。
• RGB to YCbCr ：这是JPEG图像压缩和视频编码（如MPEG, H.264）中广泛使用的空间。它也是线性变换，但矩阵系数与YIQ不同。例如，常用的BT.601标准：

  Y =  0.299 * R + 0.587 * G + 0.114 * B
  Cb = -0.168736 * R - 0.331264 * G + 0.5 * B + 0.5
  Cr =  0.5 * R - 0.418688 * G - 0.081312 * B + 0.5
  

  注意Cb和Cr有偏移量（+0.5），通常被缩放到[0,1]或[16, 240]（YCbCr视频范围）。可视化YCbCr立方体，你会看到颜色点被“平移”并“缩放”到了一个新的区域。

实现并对比YIQ和YCbCr的立方体，能让你理解不同标准如何为了不同的应用目标（广播 vs. 数字压缩）而优化色彩表示。

5.2 扩展二：实现逆变换与图像处理

一个完整的色彩空间转换应包括正变换和逆变换。逆变换矩阵是正变换矩阵的逆矩阵。

% 计算YIQ到RGB的逆变换矩阵
T_yiq2rgb = inv(T_rgb2yiq); % 求逆矩阵

% 验证：对一个随机颜色进行往返变换
test_color = rand(1, 3);
yiq_color = test_color * T_rgb2yiq';
reconstructed_color = yiq_color * T_yiq2rgb';

error = norm(test_color - reconstructed_color);
fprintf('往返变换误差（范数）: %e\n', error);
% 理论上误差应极小（在浮点精度内）

基于逆变换，你可以实现简单的图像处理滤镜。例如，在YIQ空间降低I和Q分量的幅度（即降低饱和度），然后再转换回RGB空间，就能得到一张低饱和度的图片。

% 简易饱和度调整滤镜
img_rgb = im2double(imread('peppers.png'));
img_yiq = rgb2ntsc(img_rgb); % 转换到YIQ

saturation_factor = 0.5; % 饱和度因子，1为原图，0为灰度
img_yiq_adjusted = img_yiq;
img_yiq_adjusted(:,:,2) = img_yiq_adjusted(:,:,2) * saturation_factor; % 调整I
img_yiq_adjusted(:,:,3) = img_yiq_adjusted(:,:,3) * saturation_factor; % 调整Q

img_rgb_adjusted = ntsc2rgb(img_yiq_adjusted); % 转换回RGB

figure;
subplot(1,2,1); imshow(img_rgb); title('Original');
subplot(1,2,2); imshow(img_rgb_adjusted); title(['Saturation x', num2str(saturation_factor)]);

这个练习将抽象的矩阵变换与直观的图像效果直接联系起来，极大地增强了学习的成就感。

5.3 扩展三：量化与颜色减少

在RGB立方体中，均匀采样是一种方式。但你也可以尝试非均匀采样，例如只在色域边界或感兴趣的区域密集采样。更高级的练习是 颜色量化 ：将一张真彩色图片（数百万颜色）减少到有限的调色板（如256色）。一种经典算法（中位切分法）就是在RGB或YIQ颜色立方体中递归地进行空间划分。你可以尝试可视化量化前后的颜色在立方体中的分布，理解量化是如何通过用少数代表色来近似整个颜色集的。

6. 常见问题与调试技巧实录

在实际操作中，你可能会遇到一些典型问题。这里记录了我踩过的坑和解决方法。

6.1 可视化问题：图形显示异常或空白

• 问题描述 ：运行 scatter3 后图形窗口空白，或点显示得非常奇怪（比如全黑）。
• 排查步骤 ：
  1. 检查数据范围 ：首先打印 rgb_points 和 yiq_points 的最小最大值（ min(rgb_points) ， max(rgb_points) ）。确保RGB点在[0,1]内。YIQ点的范围可能超出[0,1]，这是正常的，但如果你用RGB值来着色，而坐标轴范围设置不当，点可能会被画到窗口外。尝试不设置 xlim/ylim/zlim ，让MATLAB自动调整范围。
  2. 检查 scatter3 颜色参数 ：第五个参数（颜色）必须是一个Nx3的矩阵，且值在[0,1]之间。确认你传递的是 rgb_points ，而不是 yiq_points 。如果你错误地传递了 yiq_points ，由于YIQ值可能为负或大于1，MATLAB会将其截断，导致着色异常。
  3. 图形渲染问题 ：对于大量点（如上万个）， scatter3 可能会变慢或卡顿。可以尝试减少采样步长（如 step=0.2 ），或使用 drawnow 命令强制刷新图形。如果收到OpenGL渲染警告，可以尝试在绘图前使用 opengl software 命令切换到软件渲染，虽然画质可能下降，但兼容性更好。

6.2 矩阵乘法维度错误

• 问题描述 ：执行 yiq_points = rgb_points * T_rgb2yiq' 时报错“矩阵维度不一致”。
• 原因与解决 ：确保 rgb_points 是Nx3矩阵， T_rgb2yiq 是3x3矩阵。 T_rgb2yiq' 是3x3。所以乘法是 (Nx3) * (3x3) = (Nx3) ，维度正确。如果 rgb_points 是3xN（常见于某些图像数据重塑后），你需要先转置它，或者使用 T_rgb2yiq * rgb_points （但此时结果维度是3xN，需要再转置）。始终清楚你的数据布局是“每行一个样本”还是“每列一个样本”。

6.3 色彩空间转换结果与预期不符

• 问题描述 ：自己计算的YIQ值与MATLAB内置函数 rgb2ntsc 的结果有显著差异。
• 可能原因 ：
  1. 输入范围 ： rgb2ntsc 函数期望输入是双精度浮点且范围在[0,1]。如果你传入0-255的uint8数据，它会先被缩放到[0,1]，但计算过程可能涉及舍入。始终使用 im2double 进行转换。
  2. 矩阵系数 ：你使用的转换矩阵可能和MATLAB内部使用的略有不同。MATLAB的 rgb2ntsc 遵循一个特定的NTSC标准。你可以通过查看其文档或简单测试来验证。差异通常很小，不影响原理理解。
  3. 输出范围 ： rgb2ntsc 输出的Y分量在[0,1]，但I和Q分量通常在[-0.5957, 0.5957]和[-0.5226, 0.5226]左右，并非严格的[-1,1]。这是由矩阵系数决定的。你的计算应该得到相同范围。

6.4 性能优化：处理大图像或高密度采样

当需要处理高分辨率图像或进行非常密集的立方体采样时，循环操作会变得很慢。

• 向量化是王道 ：就像我们项目中所做的，始终优先使用矩阵运算代替循环。对于图像， reshape 和 permute 函数是你的好朋友，可以将3维图像数据（高x宽x3）重塑为2维矩阵（(高*宽) x 3），进行批量矩阵乘法，然后再重塑回去。
• 减少采样点 ：对于颜色立方体可视化，无需极端密集的采样。 step=0.05 （21^3=9261个点）已经能产生非常平滑的视觉效果。 step=0.1 （1331个点）对于理解原理完全足够。
• 使用 scatter3 的替代方案 ：对于极大量的点， scatter3 可能不是最高效的。可以考虑使用 plot3 并配合 '.' 标记，但会失去每个点单独着色的能力。或者，可以只绘制立方体的骨架（12条边），这同样能展示空间的形状。

这个项目就像一把钥匙，打开了理解数字色彩和线性代数在图形学中应用的大门。从构建一个简单的RGB立方体开始，到应用矩阵变换，再到可视化抽象的YIQ空间，每一步都在强化“颜色即向量，变换即矩阵乘法”这一核心概念。我个人的体会是，亲手敲下代码并看到那个歪斜的YIQ立方体在屏幕上旋转的那一刻，远比阅读十页理论公式来得深刻。当你后续学习图像压缩、视频编码甚至机器学习中的特征变换时，这次与矩阵、RGB、YIQ和颜色立方体的“第一次亲密接触”，将会成为你知识体系中一个坚实而直观的基石。