okabe ito palette hex codes 汇总八种可核对来源、可直接复制的色值。
Okabe-Ito 色板由 8 种适合科研插图的色觉友好颜色组成。
大约每 12 名男性中就有 1 名、每 200 名女性中就有 1 名存在某种色觉缺陷。如果图中仅靠红色与绿色区分含义，相当一部分读者和审稿人看到的内容会与设计意图不同。本文集中列出全部 HEX 色值、RGB 数值，以及可以直接粘贴到 R、Python 或 CSS 中的代码。
Okabe-Ito 色板的 8 个 HEX 色值
Okabe-Ito 色板的 8 种颜色经过专门选择，在红色盲、绿色盲和蓝黄色盲下仍能保持较好的区分度。Masataka Okabe 与 Kei Ito 在色彩通用设计工作中公布了这组配色，Bang Wong 又通过 2011 年发表在 Nature Methods 的专栏将其推广到生命科学领域。因此，同一组颜色也常被称为 Wong 色板。
| 颜色 | Hex | RGB |
|---|---|---|
| 橙色 | #E69F00 | 230, 159, 0 |
| 天蓝色 | #56B4E9 | 86, 180, 233 |
| 蓝绿色 | #009E73 | 0, 158, 115 |
| 黄色 | #F0E442 | 240, 228, 66 |
| 蓝色 | #0072B2 | 0, 114, 178 |
| 朱红色 | #D55E00 | 213, 94, 0 |
| 紫红色 | #CC79A7 | 204, 121, 167 |
| 黑色 | #000000 | 0, 0, 0 |
正确的黄色是
#F0E442，一种柔和、略微降低饱和度的黄色。之所以特别说明，是因为网上广泛流传着错误色值。纯黄色（#FFFF00）不是 Okabe-Ito 的黄色；至少有一个常用 R 包还提供了「琥珀色」变体（#F5C710），作为替换原色的可选方案。如果从普通博客而非参考实现中复制色值，很容易得到一套与原始发布版本不同的色板。为什么这 8 种颜色容易区分
色觉缺陷并不等于「只能看到灰度」。常见类型会压缩色彩空间中的特定轴线，因此主要依靠红绿轴区分的色相会变得相近，而明度差异以及蓝黄轴上的差异通常仍能保留。
Okabe-Ito 色板正是围绕这一规律设计的。相邻颜色不仅色相不同，明度也有差异。即使两种颜色在某位读者眼中趋于接近，仍可通过亮度加以区分。黑色被纳入色板也是同一原因：它为明度范围提供锚点，同时形成可靠的参照类别。
推荐使用顺序
如果用不到 8 种颜色，不要直接从表格开头取前 N 个。按照以下顺序选取，能够在颜色较少时尽量拉开彼此差异：
#0072B2蓝色#E69F00橙色#009E73蓝绿色#CC79A7紫红色#56B4E9天蓝色#D55E00朱红色#F0E442黄色#000000黑色
蓝色与橙色排在最前面并非偶然：在各种色觉缺陷下，这一组合都是整套色板中最稳定的双色对比。
可直接复制的代码
R
okabe_ito <- c(
"#E69F00", "#56B4E9", "#009E73", "#F0E442",
"#0072B2", "#D55E00", "#CC79A7", "#000000"
)
# ggplot2
scale_colour_manual(values = okabe_ito)R 4.0 及更高版本的 Base R 还提供了
palette.colors(palette = "Okabe-Ito")，因此不一定需要把色值直接写入代码。Python
OKABE_ITO = [
"#E69F00", "#56B4E9", "#009E73", "#F0E442",
"#0072B2", "#D55E00", "#CC79A7", "#000000",
]
import matplotlib as mpl
mpl.rcParams["axes.prop_cycle"] = mpl.cycler(color=OKABE_ITO)CSS
:root {
--oi-orange: #E69F00;
--oi-sky-blue: #56B4E9;
--oi-bluish-green: #009E73;
--oi-yellow: #F0E442;
--oi-blue: #0072B2;
--oi-vermilion: #D55E00;
--oi-reddish-purple: #CC79A7;
--oi-black: #000000;
}Okabe-Ito 色板的局限
Okabe-Ito 是一种定性色板，适合处理组、物种、实验条件等没有顺序的类别。以下三类常见任务并不适合使用它：
- 有序或连续数据。 应改用感知均匀的顺序色图，viridis 是常见选择。
- 围绕中点向两侧变化的数据。 应使用中心为中性色的发散色板，例如 ColorBrewer 的 RdBu。
- 超过 8 个类别。 与其添加第 9 种颜色，不如通过分面、分组或直接标注来重构图形。
如需判断不同数据应使用哪类配色，可阅读我们的科研插图色板选择指南。其中通过实际示例讲解了顺序、发散与定性色板的区别。
常见错误
只依赖颜色。 即使色板本身非常优秀，在灰度打印或面对无法分辨色相的读者时仍会失效。请把颜色与第二种视觉通道配合使用，例如线型、标记形状、直接标注或纹理。
在白色背景上使用黄色。
#F0E442 与白色背景的对比度较低。它更适合带轮廓线的填充区域，不适合细线或小尺寸标记。认为色板能自动解决图形问题。 一张包含 8 组重叠数据的拥挤图形，无论配色多么合理都很难阅读。颜色无障碍只是最低要求，不能替代清晰的结构。
提示
不要凭感觉判断，务必实际检查。投稿前先用色觉模拟器查看图形，再切换为灰度检查一次。两项操作都不到一分钟，却能发现大多数颜色无障碍问题。
延伸阅读
相关阅读: 科研插图最佳配色方案：出版级与色盲友好指南（2026）, 科学配图的 5 个常见错误（以及 AI 如何帮你避免）.
