鳕鱼天空

This is Mr Wang's Tech Blog.

CIE LAB色差公式与 CIE DE 2000色差公式计算类

   internal class ColorDifferences
    {
        /// <CIE 1976 L*a*b*色差公式>
        /// </summary>
        /// <param name="L1"></param>
        /// <param name="a1"></param>
        /// <param name="b1"></param>
        /// <param name="L2"></param>
        /// <param name="a2"></param>
        /// <param name="b2"></param>
        /// <returns></returns>
        public static double delta_Eab(double L1, double a1, double b1, double L2, double a2, double b2)
        {
            double Eab = 0;             //  △Eab
            double chafang_L = 0;             //  (L1-L2)*(L1-L2)
            double chafang_a = 0;             //   (a1-a2)*(a1-a2)
            double chafang_b = 0;             //   (b1-b2)*(b1-b2)
            chafang_L = ( L1 - L2 ) * ( L1 - L2 );      //差-方
            chafang_a = ( a1 - a2 ) * ( a1 - a2 );
            chafang_b = ( b1 - b2 ) * ( b1 - b2 );
            Eab = Math.Pow(chafang_L + chafang_a + chafang_b, 0.5);
            return Eab;
        }
        /// <CIE DE 2000色差公式>
        /// </summary>
        /// <param name="L1"></param>
        /// <param name="a1"></param>
        /// <param name="b1"></param>
        /// <param name="L2"></param>
        /// <param name="a2"></param>
        /// <param name="b2"></param>
        /// <returns></returns>
        public static double delta_E00(double L1, double a1, double b1, double L2, double a2, double b2)
        {
            //参考《现代颜色技术原理及应用》P88数据
            double E00 = 0;               //CIEDE2000色差E00
            double LL1, LL2, aa1, aa2, bb1, bb2; //声明L' a' b' (1,2)
            double delta_LL, delta_CC, delta_hh, delta_HH;        // 第二部的四个量
            double kL, kC, kH;
            double RT = 0;                //旋转函数RT
            double G = 0;                  //G表示CIELab 颜色空间a轴的调整因子,是彩度的函数.
            double mean_Cab = 0;    //两个样品彩度的算术平均值
            double SL, SC, SH, T;
            //------------------------------------------
            //参考实验条件见P88
            kL = 1;
            kC = 1;
            kH = 1;
            //------------------------------------------
            mean_Cab = (CaiDu(a1, b1) + CaiDu(a2, b2)) / 2;
            double mean_Cab_pow7 = Math.Pow(mean_Cab, 7);       //两彩度平均值的7次方
            G = 0.5*(1-Math.Pow(mean_Cab_pow7 / (mean_Cab_pow7 + Math.Pow(25, 7)), 0.5));
            LL1 = L1;
            aa1 = a1 * (1 + G);
            bb1 = b1;
            LL2 = L2;
            aa2 = a2 * (1 + G);
            bb2 = b2;
            double CC1, CC2;               //两样本的彩度值
            CC1 = CaiDu(aa1, bb1);
            CC2 = CaiDu(aa2, bb2);
            double hh1, hh2;                  //两样本的色调角
            hh1 = SeDiaoJiao(aa1, bb1);
            hh2 = SeDiaoJiao(aa2, bb2);
            delta_LL = LL1 - LL2;
            delta_CC = CC1 - CC2;
            delta_hh = SeDiaoJiao(aa1, bb1) - SeDiaoJiao(aa2, bb2);
            delta_HH = 2 * Math.Sin(Math.PI*delta_hh / 360) * Math.Pow(CC1 * CC2, 0.5);
            //-------第三步--------------
            //计算公式中的加权函数SL,SC,SH,T
            double mean_LL = (LL1 + LL2) / 2;
            double mean_CC = (CC1 + CC2) / 2;
            double mean_hh = (hh1 + hh2) / 2;
            SL = 1 + 0.015 * Math.Pow(mean_LL - 50, 2) / Math.Pow(20 + Math.Pow(mean_LL - 50, 2), 0.5);
            SC = 1 + 0.045 * mean_CC;
            T = 1 - 0.17 * Math.Cos((mean_hh - 30) * Math.PI / 180) + 0.24 * Math.Cos((2 * mean_hh) * Math.PI / 180)
                  + 0.32 * Math.Cos((3 * mean_hh + 6) * Math.PI / 180) - 0.2 * Math.Cos((4 * mean_hh - 63) * Math.PI / 180);
            SH = 1 + 0.015 * mean_CC * T;
            //------第四步--------
            //计算公式中的RT
            double mean_CC_pow7 = Math.Pow(mean_CC, 7);
            double RC = 2 * Math.Pow(mean_CC_pow7 / (mean_CC_pow7 + Math.Pow(25, 7)), 0.5);
            double delta_xita = 30 * Math.Exp(-Math.Pow((mean_hh - 275) / 25, 2));        //△θ 以°为单位
            RT = -Math.Sin((2 * delta_xita) * Math.PI / 180) * RC;
            double L_item, C_item, H_item;
            L_item = delta_LL / (kL * SL);
            C_item = delta_CC / (kC * SC);
            H_item = delta_HH / (kH * SH);
            E00 = Math.Pow(L_item * L_item + C_item * C_item + H_item * H_item + RT * C_item * H_item, 0.5);
            return E00;
        }
        //彩度计算
        private static double CaiDu(double a,double b)
        {
            double Cab = 0;
            Cab = Math.Pow(a * a + b * b, 0.5);
            return Cab;
        }
        //色调角计算
        private static double SeDiaoJiao(double a, double b)
        {
            double h = 0;
            double hab = 0;
            h = (180 / Math.PI) * Math.Atan(b / a);           //有正有负
            if (a>0&;&;b>0)
            {
                hab = h;
            } 
            else if (a<0&;&;b>0)
            {
                hab = 180 + h;
            }
            else if (a<0&;&;b<0)
            {
                hab = 180 + h;
            }
            else     //a>0&;&;b<0
            {
                hab = 360 + h;
            }
            return hab;
        }
    }

 

色差计算(颜色之间的相似度计算)

c#调用python脚本

https://C#getPixel和内存法读取灰度图信息

图像相似度算法的C#实现及测评

以上为相关信息

色彩有多种颜色空间表示方式,如RGB,HSV,HSL,LAB等等,

 

RGB颜色空间:

RGB颜色空间相对简单,也最为普遍,就分为三个颜色通道,分别为红色,绿色,蓝色这三种基本色调的值,然后将这三个颜色融合在一起,也就成为一种颜色.

但用RGB比较颜色之间的相似度时,存在很大的问题,不建议直接使用,因为往往一个通道的一点改变,会导致最后融合在一起的颜色发生巨大变化,而如果三个通道的同时改变,却只会使最后的明暗发生变化,色调并不会产生巨大变化.

而这也是H系列色彩空间普遍存在的问题.

 

HSV颜色空间:

HSV是个六棱锥模型,这个模型中颜色的参数分别是:色调(H),饱和度(S),明度(V)。

色调H:

用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。它们的补色是:黄色为60°,青色为180°,品红为300°;

饱和度S:

饱和度S表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。光谱色的白光成分为0,饱和度达到最高。通常取值范围为0%~100%,值越大,颜色越饱和。

明度V:

明度表示颜色明亮的程度,对于光源色,明度值与发光体的光亮度有关;对于物体色,此值和物体的透射比或反射比有关。通常取值范围为0%(黑)到100%(白)。

其中:V对应的是棱锥的中间轴,H对应的是角度,S对应的是距离中间轴的距离.

RGB跟HSV的相互转换可参考百度百科

距离计算方法:

在斜边长R,底面圆半径为r,高为h的HSV圆锥体内,以地面圆心为原点,H=0为x轴正方向建立坐标轴。那么色值是(H,S,V)的点的三维坐标(x,y,z)是 

x = r∗V∗S∗cosH

y = r∗V∗S∗sinH

z = h∗(1−V)

具体Python代码实现(参考这个连接)

def HSVDistance(hsv_1,hsv_2):
    H_1,S_1,V_1 = hsv_1
    H_2,S_2,V_2 = hsv_2
    R=100
    angle=30
    h = R * math.cos(angle / 180 * math.pi)
    r = R * math.sin(angle / 180 * math.pi)
    x1 = r * V_1 * S_1 * math.cos(H_1 / 180 * math.pi);
    y1 = r * V_1 * S_1 * math.sin(H_1 / 180 * math.pi);
    z1 = h * (1 - V_1);
    x2 = r * V_2 * S_1 * math.cos(H_2 / 180 * math.pi);
    y2 = r * V_2 * S_1 * math.sin(H_2 / 180 * math.pi);
    z2 = h * (1 - V_2);
    dx = x1 - x2;
    dy = y1 - y2;
    dz = z1 - z2;
    return math.sqrt(dx * dx + dy * dy + dz * dz);


HSV颜色空间分布图

但HSV空间计算距离时,存在一定的问题,比如,在接近顶点的地方,基本都接近黑色,不管H色调怎么改变,而在底面的中心或者S饱和度接近0时,基本都接近灰色,不管H色调怎么改变,而在饱和度S较大,且V亮度较大时,H色调的一点改变往往会让整体的颜色产生巨大变化,所以,用HSV计算距离时往往还存在某些问题.

 

LAB颜色空间:

LAB颜色空间是基于人眼对颜色的感知,可以表示人眼所能感受到的所有颜色。L表示明度,A表示红绿色差,B表示蓝黄色差。两个颜色之见的色差:

ΔE=( ΔL^2 + ΔA^2 + ΔB^2 ) ^ (1/2)

ΔE 表示色差,ΔL/ΔA/Δb分别表示两个颜色之间在不同分量的差值。

为了简化计算及保证计算效果,有人在RGB空间上通过公式计算出加权的欧式距离。

以下为具体的计算方法,详细说明可以参考:链接 

具体Python代码实现(参考这个链接):

def ColourDistance(rgb_1, rgb_2):
     R_1,G_1,B_1 = rgb_1
     R_2,G_2,B_2 = rgb_2
     rmean = (R_1 +R_2 ) / 2
     R = R_1 - R_2
     G = G_1 -G_2
     B = B_1 - B_2
     return math.sqrt((2+rmean/256)*(R**2)+4*(G**2)+(2+(255-rmean)/256)*(B**2))


这个方法是我目前尝试,最为可靠有效的方法.

CIEDE2000色差公式计算:

经下面一楼博友的提醒,我去了解测试CIEDE2000色差计算公式.

CIEDE2000色差公式计算也是基于LAB颜色空间的计算公式.具体的公式可参考维基百科:https://zh.wikipedia.org/wiki/%E9%A2%9C%E8%89%B2%E5%B7%AE%E5%BC%82

Python已有实现的接口模块,可直接调用,参考文档:http://python-colormath.readthedocs.io/en/latest/delta_e.html#delta-e-cie-2000

经过测试,CIEDE2000色差公式与上面提到的LAB颜色空间计算方法的效果对比,结果各有千秋,具体使用哪种方法,看应用场景测试决定.

colormath
--------------------- 
作者:一个程序猿的日常 
来源:CSDN 
原文:https://blog.csdn.net/qq_16564093/article/details/80698479 
版权声明:本文为博主原创文章,转载请附上博文链接!

非常稳定可靠的单片机按键消抖程序,绝对不会产生抖动

#include<reg52.h>
#define uint unsigned int
#define uchar unsigned char
sbit K1 = P1^0;
void delay1ms(uint n)  
{
    uchar  a,b,c,d;
for(d=n;d>0;d--)
    for(c=1;c>0;c--)
        for(b=222;b>0;b--)
            for(a=12;a>0;a--);
}
void main()
{
    uint i;
        if(K1==0)
        {
                delay1ms(10);  
                if(K1==0)    //
                {
                        for(i=0;i<100;i++)     //此处消抖程序非常经典,怎么按都绝对不会产生抖动。
                        {
                        if(K1==0)
                           i=0;
                        }
                在这儿添加按键按下后要执行的功能。
                }
        }
}

 

常用数字滤波算法

常用数字滤波算法

第1种方法:限幅滤波法(又称程序判断滤波法)

  A方法: 根据经验判断,确定两次采样允许的最大偏差值(设为A),每次检测到新值时判断: 如果本次值与上次值之差<=A,则本次值有效,如果本次值与上次值之差>A,则本次值无效,放弃本次值,用上次值代替本次值。

  B优点: 能有效克服因偶然因素引起的脉冲干扰。

  C缺点: 无法抑制那种周期性的干扰,平滑度差。

第2种方法:中位值滤波法

  A方法: 连续采样N次(N取奇数),把N次采样值按大小排列,取中间值为本次有效值。

  B优点: 能有效克服因偶然因素引起的波动干扰,对温度、液位的变化缓慢的被测参数有良好的滤波效果。

  C缺点: 对流量、速度等快速变化的参数不宜。

第3种方法:算术平均滤波法

  A方法: 连续取N个采样值进行算术平均运算,N值较大时:信号平滑度较高,但灵敏度较低;N值较小时:信号平滑度较低,但灵敏度较高。N值的选取:一般流量,N=12;压力:N=4。

  B优点: 适用于对一般具有随机干扰的信号进行滤波,这样信号的特点是有一个平均值,信号在某一数值范围附近上下波动。

  C缺点: 对于测量速度较慢或要求数据计算速度较快的实时控制不适用,比较浪费RAM 。

第4种方法:递推平均滤波法(又称滑动平均滤波法)

  A方法: 把连续取N个采样值看成一个队列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据(先进先出原则) 。把队列中的N个数据进行算术平均运算,就可获得新的滤波结果。N值的选取:流量,N=12;压力:N=4;液面,N=4~12;温度,N=1~4。

  B优点: 对周期性干扰有良好的抑制作用,平滑度高,适用于高频振荡的系统。

  C缺点: 灵敏度低,对偶然出现的脉冲性干扰的抑制作用较差,不易消除由于脉冲干扰所引起的采样值偏差,不适用于脉冲干扰比较严重的场合,比较浪费RAM。

第5种方法:中位值平均滤波法(又称防脉冲干扰平均滤波法)

  A方法: 相当于“中位值滤波法”+“算术平均滤波法”,连续采样N个数据,去掉一个最大值和一个最小值,然后计算N-2个数据的算术平均值。N值的选取:3~14。

  B优点: 融合了两种滤波法的优点,对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差。

  C缺点: 测量速度较慢,和算术平均滤波法一样,比较浪费RAM。

第6种方法:限幅平均滤波法

  A方法: 相当于“限幅滤波法”+“递推平均滤波法”,每次采样到的新数据先进行限幅处理,再送入队列进行递推平均滤波处理。

  B优点: 融合了两种滤波法的优点,对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差。

  C缺点: 比较浪费RAM 。

第7种方法:一阶滞后滤波法

  A方法: 取a=0~1,本次滤波结果=(1-a)*本次采样值+a*上次滤波结果。

  B优点: 对周期性干扰具有良好的抑制作用,适用于波动频率较高的场合。

  C缺点:相位滞后,灵敏度低,滞后程度取决于a值大小,不能消除滤波频率高于采样频率的1/2的干扰信号。

第8种方法:加权递推平均滤波法

  A方法: 是对递推平均滤波法的改进,即不同时刻的数据加以不同的权,通常是,越接近现时刻的资料,权取得越大,给予新采样值的权系数越大,则灵敏度越高,但信号平滑度越低。

  B优点: 适用于有较大纯滞后时间常数的对象和采样周期较短的系统。

  C缺点: 对于纯滞后时间常数较小,采样周期较长,变化缓慢的信号,不能迅速反应系统当前所受干扰的严重程度,滤波效果差。

第9种方法:消抖滤波法

  A方法: 设置一个滤波计数器,将每次采样值与当前有效值比较: 如果采样值=当前有效值,则计数器清零。如果采样值<>当前有效值,则计数器+1,并判断计数器是否>=上限N(溢出),如果计数器溢出,则将本次值替换当前有效值,并清计数器。

  B优点: 对于变化缓慢的被测参数有较好的滤波效果,可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动。

  C缺点: 对于快速变化的参数不宜,如果在计数器溢出的那一次采样到的值恰好是干扰值,则会将干扰值当作有效值导入系统。

第10种方法:限幅消抖滤波法

  A方法: 相当于“限幅滤波法”+“消抖滤波法”,先限幅后消抖。

  B优点: 继承了“限幅”和“消抖”的优点,改进了“消抖滤波法”中的某些缺陷,避免将干扰值导入系统。

  C缺点: 对于快速变化的参数不宜。

第11种方法:IIR 数字滤波器

  A方法: 确定信号带宽, 滤之。 Y(n) = a1*Y(n-1) + a2*Y(n-2) + ... + ak*Y(n-k) + b0*X(n) + b1*X(n-1) + b2*X(n-2) + ... + bk*X(n-k)。

  B优点: 高通,低通,带通,带阻任意。设计简单(用matlab)。

  C缺点: 运算量大。

 

部分程序:

1、限副滤波
/* A值可根据实际情况调整
value为有效值,new_value为当前采样值 
滤波程序返回有效的实际值 */

#define A 10
char value;
char filter()
{
char new_value;
new_value = get_ad();
if ( ( new_value - value > A ) || ( value - new_value > A )
return value;
return new_value;

}

2、中位值滤波法
/* N值可根据实际情况调整
排序采用冒泡法*/

#define N 11
char filter()
{
char value_buf[N];
char count,i,j,temp;
for ( count=0;count<N;count++)
{
   value_buf[count] = get_ad();
   delay();
}
for (j=0;j<N-1;j++)
{
   for (i=0;i<N-j;i++)
   {
    if ( value_buf>value_buf[i+1] )
    {
     temp = value_buf;
     value_buf = value_buf[i+1]; 
     value_buf[i+1] = temp;
    }
   }
}
return value_buf[(N-1)/2];
}

3、算术平均滤波法
/*
*/

#define N 12
char filter()
{
int sum = 0;
for ( count=0;count<N;count++)
{
   sum + = get_ad();
   delay();
}
return (char)(sum/N);
}

4、递推平均滤波法(又称滑动平均滤波法)
/*
*/

#define N 12 
char value_buf[N];
char i=0;
char filter()
{
char count;
int sum=0;
value_buf[i++] = get_ad();
if ( i == N ) i = 0;
for ( count=0;count<N,count++)
sum = value_buf[count];
return (char)(sum/N);
}

5、中位值平均滤波法(又称防脉冲干扰平均滤波法)
/*
*/

#define N 12
char filter()
{
char count,i,j;
char value_buf[N];
int sum=0;
for (count=0;count<N;count++)
{
   value_buf[count] = get_ad();
   delay();
}
for (j=0;j<N-1;j++)
{
   for (i=0;i<N-j;i++)
   {
    if ( value_buf>value_buf[i+1] )
    {
     temp = value_buf;
     value_buf = value_buf[i+1]; 
     value_buf[i+1] = temp;
    }
   }
}
for(count=1;count<N-1;count++)
sum += value[count];
return (char)(sum/(N-2));
}

6、限幅平均滤波法
/*
*/ 
略 参考子程序1、3


7、一阶滞后滤波法
/* 为加快程序处理速度假定基数为100,a=0~100 */

#define a 50
char value;
char filter()
{
char new_value;
new_value = get_ad();
return (100-a)*value + a*new_value; 
}


8、加权递推平均滤波法
/* coe数组为加权系数表,存在程序存储区。*/

#define N 12
char code coe[N] = {1,2,3,4,5,6,7,8,9,10,11,12};
char code sum_coe = 1+2+3+4+5+6+7+8+9+10+11+12;
char filter()
{
char count;
char value_buf[N];
int sum=0;
for (count=0,count<N;count++)
{
   value_buf[count] = get_ad();
   delay();
}
for (count=0,count<N;count++)
sum += value_buf[count]*coe[count];
return (char)(sum/sum_coe);
}


9、消抖滤波法

#define N 12
char filter()
{
char count=0;
char new_value;
new_value = get_ad();
while (value !=new_value);
{
   count++;
   if (count>=N) return new_value;
   delay();
   new_value = get_ad();
}
return value; 
}

10、限幅消抖滤波法
/*
*/