Avoir des distances qui reflètent la perception humaine des couleurs est essentiel dans les applications de vision par ordinateur comme la segmentation d'images ou la détection d'objets saillants. Les espaces RGB sont connus pour ne pas être uniformes ( au sens de la perception ) et plusieurs transformations ont été proposées afin de contourner ce problème. Celles-ci ont donné naissance à des espaces uniformes comme CIELAB ou CIELUV. Cependant, ces transformations nécessitent des informations sur les conditions d'acquisition comme par exemple l'illuminant ou l'appareil photo utilisé. Lorsque ces informations sont inconnues, comme c'est le cas dans la plupart des applications, les distances calculées dans ces espaces uniformes ne reflètent que vaguement notre perception des couleurs. Dans ce papier, nous proposons une nouvelle approche d'apprentissage de distances de Mahalanobis permettant d'approximer une distance uniforme indépendante des conditions d'acquisition. Grâce au cadre de la stabilité uniforme, nous dérivons des garanties de consistance sur les distances apprises. De plus, nous montrons la capacité de ces dernières (i) à généraliser à de nouvelles couleurs ou de nouveaux appareils photos et (ii) à s'intégrer positivement dans une tâche de segmentation d'images.