鳕鱼天空

This is Mr Wang's Tech Blog.

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!