(一) 量化准备
建立包含色度和亮度数值的Photoshopd色度-亮度向量空间的数学模型,首要的是把其色度值(0-255)量化为等效的亮度数值(0-255)。
1、三基色
红(R)
激活灰通道/新建黑色空白通道/填充白色/得到单色红图片的灰通道/(Ctrl+A Ctrl+C)全选 复制灰该通道/回到图层面板/粘贴
![b1bb88a2347a67ba5c738c69fd9233dc.png](https://i-blog.csdnimg.cn/blog_migrate/e4cfbc8319b9dd28eb38c8ee24c8b28e.jpeg)
相关数据: 原图 RGB 255 0 0
灰通道图 150 150 150
比率 150/255=0.588
任意选取RGB 135 0 0
灰通道图 79 79 79
比率 79/135=0.585
可见对任意单色而言,其变化是成线性的。
绿(G)
激活灰通道/新建黑色空白通道/填充白色/得到单色绿图片的灰通道/(Ctrl+A Ctrl+C)全选 复制灰该通道/回到图层面板/粘贴
![84473a5890b95b3a348f5f08a3513f57.png](https://i-blog.csdnimg.cn/blog_migrate/9153468cd93035e4c1fa03cb738f4580.jpeg)
相关数据: 原图 RGB 0 255 0
灰通道图 206 206 206
比率 206/255=0.808
蓝(B)
激活灰通道/新建黑色空白通道/填充白色/得到单色蓝图片的灰通道/(Ctrl+A Ctrl+C)全选 复制灰该通道/回到图层面板/粘贴
![55b440261203f86913d24af555a3efd2.png](https://i-blog.csdnimg.cn/blog_migrate/fa173537f9483f857efe58ad5c4d48b6.jpeg)
相关数据: 原图 RGB 0 0 255
灰通道图 73 73 73
比率 73/55=0.286
2、三原色
黄(Y)
激活灰通道/新建黑色空白通道/填充白色/得到单色黄图片的灰通道/(Ctrl+A Ctrl+C)全选 复制灰该通道/回到图层面板/粘贴
![72d00032ecfeed42f96a23a7e20aea2c.png](https://i-blog.csdnimg.cn/blog_migrate/c2f4c4a32030439b6ecac9f8ca070ded.jpeg)
相关数据: 原图 RGB 255 255 0
灰通道图 248 248 248
比率 248/255=0.973
品红(M)
激活灰通道/新建黑色空白通道/填充白色/得到单色黄图片的灰通道/(Ctrl+A Ctrl+C)全选 复制灰该通道/回到图层面板/粘贴
![9f07b6d07d7b5957aa3fce055c505564.png](https://i-blog.csdnimg.cn/blog_migrate/631f147cf1fb9242607e362eeae7a6f2.jpeg)
相关数据: 原图 RGB 255 0 255
灰通道图 163 163 163
比率 163/255=0.639
青(C)
激活灰通道/新建黑色空白通道/填充白色/得到单色青图片的灰通道/(Ctrl+A Ctrl+C)全选 复制灰该通道/回到图层面板/粘贴
![6f01cd78f2598b0e0ddadf13b0742f08.png](https://i-blog.csdnimg.cn/blog_migrate/d3b9a757edc6d2d56178a38267171d5d.jpeg)
相关数据: 原图 RGB 0 255 255
灰通道图 215 215 215
比率 215/255=0.843
3、三基色的转化公式:
R = 150*R/255
G = 206*G/255
B = 73*B/255
其中: R (0~150) G (0~206) B (0~73)为转化后的Photoshop色度空间中的相应R G B 数值。
而: R (0~255 )G (0~255) B (0~255)则为Photoshop各通道的R G B 数值
4、由此得到各颜色的色度-亮度值域范围
红R (0-150) 绿G (0-206 ) 兰B (0-73)
黄Y (0-248) 品M (0-163) 青C (0-215)
(二) 色度-亮度向量空间坐标系的建立
首先我们要建立的坐标系必须满足上述六个色彩向量在的数值上的要求。即红R (0-150) 绿G (0-206 ) 兰B (0-73) 黄Y (0-248) 品M (0-163) 青C (0-215)
其次则必须必须满足他们之间的运算要求。比如R+G=Y B+Y=255
![7bd9c2937f187f20d79e96a5425b1dfa.png](https://i-blog.csdnimg.cn/blog_migrate/968790a15c44d15ea613abbfbd4db0b2.png)
1、R G平面
![b573f85a1c4efdad4e7e8e8db10ad3df.png](https://i-blog.csdnimg.cn/blog_migrate/5ccfa6c1fb7872025af0bbee23cefb99.jpeg)
由于人眼对不同颜色的亮度视觉感应的不同(比如黄色最亮而蓝色最暗),在真实的同时包含了色彩、亮度转换的坐标空间中,一般来说不可能是标准的直角坐标系。所以其结果并不出乎意料之外。
同理可得到:
2、R B平面
![522782b93e10925d3c70d05bfab42e68.png](https://i-blog.csdnimg.cn/blog_migrate/9142f32244f68c5f696561d126669a73.jpeg)
3、G B平面
![2c3bfce2ee910b3c99ad5ff8f3e86a4d.png](https://i-blog.csdnimg.cn/blog_migrate/89419fc1867a118a5e031e68753ef6f5.jpeg)
由此我们就得到了Photoshopd色度-亮度向量空间的数学模型的坐标系。这是一个三坐标轴彼此交角均大于90°的斜坐标系。
![cdd5b8ecd1040d270168e1ddaa3fcf95.png](https://i-blog.csdnimg.cn/blog_migrate/24d3d12cd8071ec9a4e386c3d171c525.jpeg)
4、Y(黄)向量与B(兰)向量的交角
![69df5be977669db886a3e3c795bd4e64.png](https://i-blog.csdnimg.cn/blog_migrate/ce5d5ba524116b879a0d4d5399cc9b0f.png)
进行到这儿,我们应当发现这个角度比其外围兰向量B与红绿向量R G的交角还小,从几何学的角度来看这是不可能的,结论只有一个:这个Photoshopd色度-亮度向量空间的数学模型甚至不是斜的直线坐标空间,而是曲线坐标空间。
其实,得到这样的结果也并不令人意外,因为人眼对光线色彩及亮度的反映本身就不是线性的。这也就是Photoshopd对色彩的灰度转换为什么比大家熟知的Luv色差空间更好更准确的根本原因。
但使用曲线坐标对仅进行0到255的整数运算的软件而言,似乎又太复杂了,几乎不可思议。
我们接着来看另外两个坐标面的情况。欣喜能找到规律。
![381d5e82b2f666442cd3cda7bc4111a1.png](https://i-blog.csdnimg.cn/blog_migrate/76c2855ca166e891d1c9ce03bd76159f.jpeg)
5、c(青)向量与R(红)向量的交角
![3d7b928b52d28f672cf1961366e8617a.png](https://i-blog.csdnimg.cn/blog_migrate/abff1e79abf471e01058202455bc1b6a.png)
![4074411d9ed46e8242ca2b3b3ab4028b.png](https://i-blog.csdnimg.cn/blog_migrate/fa1872f64e32f744c6419b962f3e6b5d.jpeg)
6、m (品)向量与G(绿)向量的交角
![548aa32c6357e00bdc4fe2709cf4ed7b.png](https://i-blog.csdnimg.cn/blog_migrate/58cbb55d7fc90db708391f8058c5f0e9.jpeg)
看来这些角度还真差别不大,最大最小仅相差0.54°
,极有可能简单化,我们继续分析。
7各向量角度汇总,及计算误差评估。
![689d60ea4298e797050c7a4273d2328f.png](https://i-blog.csdnimg.cn/blog_migrate/0d120b6a0ffc4ffd3d1527b3be2cba84.jpeg)
我们首先试着用余弦定理进行的最大误差估计:
1、在RG平面计算第一次误差
![82f57e2348c190bbb3ae7e7518a01bd9.png](https://i-blog.csdnimg.cn/blog_migrate/9d6bf128d9138ba8c0814db3b6592513.jpeg)
误差很小,四舍五入后不会影响计算结果,可以不考虑。
1、在BY平面计算第二次误差
![65ce01db24aee33003527b093c651bfb.png](https://i-blog.csdnimg.cn/blog_migrate/0ca9644032e5517e15a071ce7d50d67c.jpeg)
最大误差影响的具体数的绝对值是0.3,这已经很小了,属于可以非常好的范围。
这个精度对Photoshp的计算已经足够了。因为Photoshp的计算是在1-255的整数范围呢进行的(即计算仅在小数点后一位进行)。
(三)推测的Photoshop色度-亮度向量空间结构图及计算公式
1、 关于Photoshop色度-亮度向量空间结构
如上所述,如果把角度固化为 93.10° 后得到的结果的真实值误差数值将小于 0.68。因此我们推测的Photoshop色度-亮度向量空间结图如下:
(1) 它的每个基向量的交角均为 93.10°,
(2) 它和各自的补向量的交角亦均为 93.10°,
![ff9565f46a38471ea2e3b97270c03408.png](https://i-blog.csdnimg.cn/blog_migrate/a245a8365fcf57ebd4d40f44990b8430.jpeg)
推测的Photoshop色度-亮度向量空间结构图
2、计算公式:
第一步:精确计算R G平面的任意向量V在R G平面的投影分量Y的模
![e796367b0a1e532e5b7bbc1b4144d4b9.png](https://i-blog.csdnimg.cn/blog_migrate/0302774745ec50aaa73f869fa4e4945f.jpeg)
第二步:近似计算任意向量V的模
![eede9a752f69eeeb1a6a341bdb43247b.png](https://i-blog.csdnimg.cn/blog_migrate/b78dde76136b293f004b2be81c91452d.jpeg)
(三) 与更高精度的实用的计算公式比较
更精确的实用的计算公式
![b9367a08a63dc2273eec7a4b10fe4545.png](https://i-blog.csdnimg.cn/blog_migrate/bc000b390c62f62c9b4a551279bc9554.jpeg)
第一步:精确计算R G平面的任意向量V在R G平面的投影分量Y的模
![f5bfc41f76ac634fec51289e01af607e.png](https://i-blog.csdnimg.cn/blog_migrate/1ddf75c12ba4ac38f62c859019284b20.jpeg)
第二步:近似计算(如前所述,因为该坐标系不是平值的斜坐标系,所以只能近似计算)任意向量V的模
![1d1dd0d87ec1d00c69f02514e6434d83.png](https://i-blog.csdnimg.cn/blog_migrate/f6e6b2a4a7363b8b00d0593b5f73210d.jpeg)
注:上面公式的推导基于如下事实。
(根据观察:A=93.18° B=93.30° C=92.94°
Y=92.86°而角B=93.30°和角C=92.94°的平均值为93.10°)
非常相近,因此可以近似地取该平均值93.10°为计算角度)。
误差估计(全误差)
![5414370cc9c1edf704f0616a6c12b6d6.png](https://i-blog.csdnimg.cn/blog_migrate/4a2f7c288ff2cfee3c1ed8cedf411af5.jpeg)
两者几乎相同,误差影响的数值均不大于0.30,这已经是非常好的结果了。面对这样的数据我们还能再说什么呢。
附注:关于亮色转换公式
在YUV颜色模式中(电视系统中常用的颜色模式,即电视中所谓的分量(Component)信号)。
Y = 0.299R + 0.587G + 0.114B
亮度信号Y是以标量形式表达的。如蓝色在其中永远占据了11.1%的份额,不论在高光或低亮度情况下均如此。
而在Photoshop中则是用色度空间中的三维向量表达,在不同亮度情况下蓝色的贡献是明显不同的。
如在黄色即 RGB = 255 255 0 时
灰通道图像的亮度值 Y = 248 248 248
给蓝色留下的空间只有2.7%(绝对数值是7)。
而在暗黄色即 RGB = 128 128 0 时
Y = 124 124 124
而在 RGB = 128 128 255 时
Y = 140 140 140
此时蓝色对亮度的贡献率提高到了6.3%(绝对数值是16),是极亮情况下的2.3倍。
而在很暗的黄色即 RGB = 64 64 0 时
Y = 62 62 62
而在 RGB = 64 64 255 时
Y= 93 93 93
此时蓝色对亮度的贡献率提高到了12.1%(绝对数值是31),是极亮情况下的4.4倍,已经很接近YUV颜色模式中11%的水平。
而在最极端的情况(即R=G=0 的极暗状况)下,蓝色对亮度的贡献率提高到了28.6%(绝对数值是73),是极亮情况下的10.4倍
可见Photoshop色度空间中的三维向量表达比在YUV颜色模式中分量(Component)信号要科学和精准得多。
李洪运 作于2016.6.30