当我谈修图时，我谈些什么
色彩篇 Part 1
分类: 科普, 当我谈, 生活 / 字数: 2780 / 标签: 修图, 色彩空间, 色彩模型, RGB, 加法混色模型, CMYK, 减法混色模型, HSV, HSL, 色相, 饱和度, 明度, 亮度, 直方图, 色温, 色调
文本是「当我谈」系列的第一篇博客，后续「当我谈」系列会从程序员的视角一起科普认知未曾触及的其他领域。
色彩空间是对色彩的组织方式，借助色彩空间和针对物理设备的测试，可以得到色彩的固定模拟和数字表示。色彩模型是一种抽象数学模型，通过一组数字来描述颜色。由于“色彩空间”有着固定的色彩模型和映射函数组合，非正式场合下，这一词汇也被用来指代色彩模型。
红绿蓝（RGB）色彩模型，是一种加法混色模型，将红（Red）、绿（Green）、蓝（Blue）三原色的色光以不同的比例相加，以合成产生各种色彩光。三原色的原理不是出于物理原因，而是由于生理原因造成的。
RGB 色彩模型可以映射到一个立方体上，如下图所示：
红绿蓝的三原色光显示技术广泛用于电视和计算机的显示器，利用红、绿、蓝三原色作为子像素组成的真色彩像素，透过眼睛及大脑的模糊化，“人类看到”不存在于显示器上的感知色彩。
印刷四分色模式（CMYK）是彩色印刷中采用的一种减法混色模型，利用色料的三原色混色原理，加上黑色油墨，共计四种颜色混合叠加，形成所谓的“全彩印刷”。四种标准颜色分别是：
CMY 叠色的示意图如下所示：
利用 $0$ 到 $1$ 的浮点数表示 $R, G, B$ 和 $C, M, Y, K$，从四分色向三原光转换公式如下：
$$ \begin{aligned} R &= \left(1 - C\right) \left(1 - K\right) \\ G &= \left(1 - M\right) \left(1 - K\right) \\ B &= \left(1 - Y\right) \left(1 - K\right) \end{aligned} $$
从三原光向四分色转换公式如下：
$$ \begin{aligned} C &= 1 - \dfrac{R}{\max \left(R, G, B\right)} \\ M &= 1 - \dfrac{G}{\max \left(R, G, B\right)} \\ Y &= 1 - \dfrac{B}{\max \left(R, G, B\right)} \\ K &= 1 - \max \left(R, G, B\right) \\ \end{aligned} $$
HSL 和 HSV 都是一种将 RGB 色彩模型中的点在圆柱坐标系中的表示法。这两种表示法试图做到比基于笛卡尔坐标系的几何结构 RGB 更加直观。HSL 即色相、饱和度、亮度（Hue，Saturation，Lightness），HSV 即色相、饱和度、明度（Hue，Saturation，Value），又称 HSB，其中 B 为 Brightness。另种色彩空间定义如下图所示：
色相（Hue）指的是色彩的外相，是在不同波长的光照射下，人眼所感觉到的不同的颜色。在 HSL 和 HSV 色彩空间中，色相是以红色为 0 度（360 度）、黄色为 60 度、绿色为 120 度、青色为 180 度、蓝色为 240 度、洋红色为 300 度。如下图所示：
饱和度（Saturation）指的是色彩的纯度，饱和度由光强度和它在不同波长的光谱中分布的程度共同决定。下图为红色从最小饱和度到最大饱和度的示例：
明度值是与同样亮的白色物体相比，某物的亮的程度。如果我们拍摄一张图像，提取图像色相、饱和度和明度值，然后将它们与不同色彩空间的明度值进行比较，可以迅速地从视觉上得出差异。如下图所示，HSV 色彩空间中的 V 值和 HSL 色彩空间中的 L 值与感知明度值明显不同：
HSV 和 HSL 两者对于色相（H）的定义一致，但对于饱和度（S）和亮度与明度（L 与 B）的定义并不一致。
在 HSL 中，饱和度独立于亮度存在，也就是说非常浅的颜色和非常深的颜色都可以在 HSL 中非常饱和。而在 HSV 中，接近于白色的颜色都具有较低的饱和度。
以 Photoshop 和 Afiinity Photo 两款软件的拾色器为例：
两个软件分别采用 HSV 和 HSL 色彩空间，其横轴为饱和度（S），纵轴分别为明度（V）和亮度（L）。不难看出，在 Photoshop 拾色器中，越往上混入的黑色越少，明度越高；越往右混入的白色越少，纯度越高。在 Afiinity Photo 拾色器中，下部为纯黑色，亮度最小，从下往上，混入的黑色逐渐减少，直到 50% 位置处完全没有黑色混入，继续往上走，混入的白色逐渐增加，直到 100% 位置处完全变为纯白色，亮度最高。
图像直方图是反映图像色彩亮度的直方图，其中 $x$ 轴表示亮度值，$y$ 轴表示图像中该亮度值像素点的个数。以 $8$ 位图像为例，亮度的取值范围为 $\left[0, 2^8-1\right]$，即 $\left[0, 255\right]$。以如下图片为例（原始图片：链接）：
在 Lightroom 中直方图如下所示：
利用 Python 绘制的直方图如下所示：
import cv2
import numpy as np
import matplotlib.pyplot as plt
gray_img = cv2.imread('demo.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.imread('demo.jpg')
img_channels = cv2.split(img)
height, width = gray_img.shape
gray_img_hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])
img_channels_hist = [
cv2.calcHist([img_channel], [0], None, [256], [0, 256])
for img_channel in img_channels
]
fig, ax = plt.subplots(1, 1)
ax.plot(gray_img_hist, color='0.6', label='灰')
for img_channel_hist, color, label in zip(
img_channels_hist, ['#6695ff', '#70df5f', '#f74048'], ['蓝', '绿', '红']
):
ax.plot(img_channel_hist, color=color, label=label)
segments = [0, 28, 85, 170, 227, 255]
segments_text = ['黑色', '阴影', '曝光', '高光', '白色']
for left_border, right_border, segment_text in zip(
segments[:-1], segments[1:], segments_text
):
if left_border != 0:
ax.axvline(x=left_border, ymin=0, color='black')
ax.annotate(
segment_text,
xy=((left_border + right_border) / 2, np.max(img_channels_hist) / 3),
ha='center',
)
ax.legend(loc='upper center')
plt.xlim([0, 256])
ax.set_xticks([0, 32, 64, 96, 128, 160, 192, 224, 256])
ax.axes.get_yaxis().set_visible(False)
plt.tight_layout()
fig.set_size_inches(8, 4)
plt.savefig('demo-image-histgram.png', dpi=100)
直方图以 $28, 85, 170, 227$ 为分界线可以划分为黑色、阴影、曝光、高光、白色共 5 个区域。其中曝光区域以适中的亮度保留了图片最多的细节，阴影和高光对应了照片中较暗和较亮的区域，黑色和白色两个部分则几乎没有任何细节。当整个直方图过于偏左时表示欠曝，过于偏右时则表示过曝。
色温（Temperature）是指照片中光源发出相似的光的黑体辐射体所具有的开尔文温度。开尔文温度越低光越暖，开尔文温度越高光越冷，如下图所示：
针对图片分别应用 5000K 和 10000K 色温的对比结果如下图所示：
import math
import cv2
import numpy as np
def __kelvin_to_rgb(kelvin: int) -> (int, int, int):
kelvin = np.clip(kelvin, min_val=1000, max_val=40000)
temperature = kelvin / 100.0
# 红色通道
if temperature < 66.0:
red = 255
else:
# a + b x + c Log[x] /.
# {a -> 351.97690566805693`,
# b -> 0.114206453784165`,
# c -> -40.25366309332127
# x -> (kelvin/100) - 55}
red = temperature - 55.0
red = (
351.97690566805693
+ 0.114206453784165 * red
- 40.25366309332127 * math.log(red)
)
# 绿色通道
if temperature < 66.0:
# a + b x + c Log[x] /.
# {a -> -155.25485562709179`,
# b -> -0.44596950469579133`,
# c -> 104.49216199393888`,
# x -> (kelvin/100) - 2}
green = temperature - 2
green = (
-155.25485562709179
- 0.44596950469579133 * green
+ 104.49216199393888 * math.log(green)
)
else:
# a + b x + c Log[x] /.
# {a -> 325.4494125711974`,
# b -> 0.07943456536662342`,
# c -> -28.0852963507957`,
# x -> (kelvin/100) - 50}
green = temperature - 50.0
green = (
325.4494125711974
+ 0.07943456536662342 * green
- 28.0852963507957 * math.log(green)
)
# 蓝色通道
if temperature >= 66.0:
blue = 255
elif temperature <= 20.0:
blue = 0
else:
# a + b x + c Log[x] /.
# {a -> -254.76935184120902`,
# b -> 0.8274096064007395`,
# c -> 115.67994401066147`,
# x -> kelvin/100 - 10}
blue = temperature - 10.0
blue = (
-254.76935184120902
+ 0.8274096064007395 * blue
+ 115.67994401066147 * math.log(blue)
)
return np.clip(red, 0, 255), np.clip(green, 0, 255), np.clip(blue, 0, 255)
def __mix_color(v1, v2, ratio: float):
return np.array((1.0 - ratio) * v1 + 0.5).astype(np.uint8) + np.array(
ratio * v2
).astype(np.uint8)
def __keep_original_lightness(original_image, image):
original_l = cv2.cvtColor(original_image, cv2.COLOR_BGR2HLS)[..., 1]
h, l, s = cv2.split(cv2.cvtColor(image, cv2.COLOR_BGR2HLS))
return cv2.cvtColor(cv2.merge([h, original_l, s]), cv2.COLOR_HLS2BGR)
def apply_temperature(image, temperature, keep_original_lightness: bool = True):
b, g, r = cv2.split(image)
n_b = np.clip(b.astype(np.single) - temperature, 0, 255).astype(np.uint8)
n_r = np.clip(r.astype(np.single) + temperature, 0, 255).astype(np.uint8)
ret_image = cv2.merge([n_b, g, n_r])
return (
__keep_original_lightness(image, ret_image)
if keep_original_lightness
else ret_image
)
def apply_kelvin(
image, kelvin: int, strength: float = 0.6, keep_original_lightness: bool = True
):
b, g, r = cv2.split(image)
k_r, k_g, k_b = __kelvin_to_rgb(kelvin)
n_r, n_g, n_b = (
__mix_color(r, k_r, strength),
__mix_color(g, k_g, strength),
__mix_color(b, k_b, strength),
)
ret_image = cv2.merge([n_b, n_g, n_r])
return (
__keep_original_lightness(image, ret_image)
if keep_original_lightness
else ret_image
)
img = cv2.imread('demo.jpg')
cv2.imwrite('demo-color-temperature-cold.jpg', apply_kelvin(img, 5000))
cv2.imwrite('demo-color-temperature-cold.jpg', apply_kelvin(img, 10000))
色调（Tint）允许我们为了实现中和色偏或增加色偏的目的，而将色偏向绿色或洋红色转变。针对图片分别应用 -30 和 +30 色调的对比结果如下图所示：
import cv2
import numpy as np
def __keep_original_lightness(original_image, image):
original_l = cv2.cvtColor(original_image, cv2.COLOR_BGR2HLS)[..., 1]
h, l, s = cv2.split(cv2.cvtColor(image, cv2.COLOR_BGR2HLS))
return cv2.cvtColor(cv2.merge([h, original_l, s]), cv2.COLOR_HLS2BGR)
def apply_tint(image, tint, keep_original_lightness: bool = True):
b, g, r = cv2.split(image)
n_g = np.clip(g.astype(np.single) + tint, 0, 255).astype(np.uint8)
ret_image = cv2.merge([b, n_g, r])
return (
__keep_original_lightness(image, ret_image)
if keep_original_lightness
else ret_image
)
img = cv2.imread('demo.jpg')
cv2.imwrite('demo-color-tint-negative.jpg', apply_tint(img, -30))
cv2.imwrite('demo-color-tint-positive.jpg', apply_tint(img, +30))
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。