计算P3色域图片超过sRGB色域像素

最新推荐文章于 2024-08-15 01:55:01 发布
最新推荐文章于 2024-08-15 01:55:01 发布
阅读量1k 收藏 12
点赞数 7
文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45802055/article/details/140682836
版权

下文摘自本人实习总结，涉及到P3,cieXYZ,sRGB之间的转换矩阵和转换方法，此外还有一些个人遇到的问题和思考，希望给大家带来一点帮助，欢迎各位指正

比较方法

  1. 将P3图片中的像素RGB值转换到CIEXYZ空间
  2. XYZ映射到xyY二维色度图上，判断是否超过了sRGB的三角形区域

P3转XYZ

转换矩阵计算

我们可以从apple的P3.icc文件出发来计算P3到XYZ的转换矩阵，具体文件内容在MAC OS下，可以直接从设置->显示器->颜色->色彩同步实用工具中直接查看。具体内容如下：

需要的数据为上图红圈中的四个，他们分别代表：

  1. wtpt, D65下白点XYZ坐标
  2. rXYZ, D50下红点XYZ坐标，绿点，蓝点以此类推
  3. rTRC, 反gamma校正曲线
  4. chad，颜色适应矩阵，将红点XYZ坐标从D50下映射到D65

颜色适应矩阵的使用如下：

Xs代表D65下的XYZ坐标，Xd代表D50下的XYZ坐标，MA代表上述矩阵

通过上述信息求解转换矩阵M的公式如下：

其中Xw为D65白点XYZ坐标，xr为D65红点XYZ坐标映射到xyY后的x值，公式如下：

更多数学信息可见网页，Welcome to Bruce Lindbloom's Web Site

基于Python的计算脚本

相关环境：

pip install numpy

具体代码：

import numpy as np


#D50下Display P3三原色数据
rXYZd50 = np.array([[0.515], [0.241], [-0.001]])
gXYZd50 = np.array([[0.292], [0.692], [0.042]])
bXYZd50 = np.array([[0.157], [0.067], [0.784]])


#色适应矩阵
BM = np.array([[1.0478112,  0.0228866, -0.0501270],
               [0.0295424,  0.9904844, -0.0170491],
               [-0.0092345,  0.0150436,  0.7521316]])
BM_inv = np.linalg.inv(BM)


#色适应到D65
rXYZ = np.dot(BM_inv,rXYZd50)
gXYZ = np.dot(BM_inv,gXYZd50)
bXYZ = np.dot(BM_inv,bXYZd50)


#计算色品坐标
rxy = np.array([rXYZ[0,0], rXYZ[1,0]])/rXYZ.sum()
gxy = np.array([gXYZ[0,0], gXYZ[1,0]])/gXYZ.sum()
bxy = np.array([bXYZ[0,0], bXYZ[1,0]])/bXYZ.sum()


#D65 白点坐标
W = np.array([[0.950], [1.000], [1.089]])
wxy = np.array([W[0,0], W[1,0]])/W.sum()


#计算p3 2 xyz转换矩阵M
XYZ = np.array([[ rxy[0]/rxy[1], gxy[0]/gxy[1], bxy[0]/bxy[1]],
                [1, 1, 1],
                [(1-rxy[0]-rxy[1])/rxy[1], (1-gxy[0]-gxy[1])/gxy[1], (1-bxy[0]-bxy[1])/bxy[1]]])
XYZ_inv = np.linalg.inv(XYZ)
S = np.dot(XYZ_inv, W)
M = S.T*XYZ


print(M)

计算结果：

[[4.86119575e-01 2.65794247e-01 1.98086178e-01] 

 [2.28623913e-01 6.91647657e-01 7.97284306e-02] 

 [6.71950077e-05 4.52826221e-02 1.04365018e+00]]

额外补充，sRGB到XYZ转换矩阵计算

与P3的矩阵计算方式一致，相关数据可以用https://www.color.org/profileinspector.xalter中的工具读取Windows下的icc文件，文件路径C:\Windows\System32\spool\drivers\color

具体内容如下：

相关词条定义和P3中完全一致，虽然没有颜色适应矩阵，但该矩阵和P3.icc中的矩阵完全一致，利用上述数据和计算方式，计算sRGB转换矩阵如下：

[[0.41224672 0.35771267 0.18049061] 

 [0.21255252 0.71525374 0.07219374] 

 [0.01930836 0.1191795  0.95056214]]

和opencv官方给出的矩阵对比，二者还是相当接近的

转换流程

在获得了转换矩阵后，具体的转换流程如下：

  1. 读取P3图片像素RGB值（0，255）
  2. RGB值归一化到（0，1）
  3. 反gamma变换
  4. 左乘转换矩阵变为XYZ
  5. 映射到xyY色度图

归一化就是直接除255，反gamma需要利用到icc文件中读取的函数

x为归一化后的rgb值，f(x)即为反gamma变换后的值

矩阵的使用公式如下，RGB为反gamma后的值，

XYZ映射到xyY的公式和计算矩阵部分提到的一致

这样我们就成功映射像素RGB值到色度图上了

色度图比较

在二维的色度图中，P3和sRGB的范围如下：

每一个P3像素映射到二维点后都可以判断它是否超过了sRGB色域，具体需要利用sRGB三原色转换到色度图的坐标来计算三角形的三条直线方程

问题与思考

性能优化

利用上述判断方法可以计算每个像素是否超过sRGB色域，但对于一个4032*3024的图片，单线程计算时长长达3min，由于针对每个像素的计算任务一致，我们可以采用多进程的方式来加速计算。（注：Python的多线程是伪多线程，使用后不仅没有加速还会因为线程分配开销而增加时长）加速后，一个四核CPU可以提速三倍以上。压缩时间到数十秒。

纯色图

对于如下安卓图：

这个P3图中有两种纯红色，其RGB值分别为（255，0，0）和（237，0，0），一般工程中常用这张图测试显示设备的色彩管理。很多地方的文章会介绍说，(255,0,0)是超过sRGB色域的值，而(237,0,0)是在sRGB色域内的值，如果我们用上面的计算方式测试会发生什么呢？

测试结果是，只要是纯红色，无论是(255.0,0)还是(1,0,0)，利用P3的矩阵转换到色度图后都会是P3的红色原点。他们都超出了sRGB色域。因此，“(255,0,0)是超过sRGB色域的值，而(237,0,0)是在sRGB色域内的值”这句话是不正确的。二者其实都超过了sRGB色域。

那么为什么还用这个图来测试色彩管理呢？我们之所以能看到小机器人，是因为P3下255和237的红色存在亮度差异，假设这张P3图片在显示时被转换到sRGB色域，导致两个颜色都变成了(255,0,0),那么我们就看不到小机器人了。

P3到sRGB的色域转换有很多方式，下面给出一种基于截断的最简单的转换方式。

  1. 读取P3像素RGB值（0，255）
  2. RGB值归一化（0，1）
  3. RGB值反gamma变换
  4. 利用P3toXYZ的矩阵转换到XYZ空间
  5. 利用sRGBtoXYZ的逆矩阵从XYZ转换到sRGB空间
  6. RGB值gamma变换
  7. RGB值反归一化
  8. 大于255的部分映射到255，小于0的部分映射到0

通过这种方式转换P3图片后。有一个阈值（241,0,0）大于241的纯红色在从P3转换到sRGB时都会映射到(255,0,0)而小于241的纯红色在转换后可以映射到(255,0,0)内的某个值。因此，我们认为P3中大于241的纯红色溢出了，这部分属于超过sRGB且不能正常转换的红色，而小于241的纯红色属于超过sRGB但能正常转换的红色。

在工程上常常想要区分出哪些红色能够正常转换，哪些红色溢出了，如果只在色度图上进行比较，是判断不了的。因此，在计算时需要额外添加了关于纯色情况的判断，这样才能够正常标记出上图中的小机器人部分。

特别注意的是，P3到sRGB的转换不只一种方式，例如使用RGB(sRGB) to P3 Converter - Color Space Converter该网站的自动转换，将得到与上文不一样的阈值。并且，进行了转换并不代表读者当前屏幕能看到小机器人，具体的原因可以详细阅读你真的理解色彩管理吗？安卓苹果色彩管理深度解析 - 少数派中的内容

脚本使用方法

文件名：muti_P3_sRGB.py

相关环境

除了基础的python环境外，还需要opencv和numpy两个包，没有的可以用以下命令安装：

pip install opencv-python
pip install numpy

使用方法

必须自行设定的有：

  1. 图片输入文件夹路径line 144
  2. 结果输出文件夹路径line 147

可选设定的有：

  1. 多进程数量line 163
  2. 图片切片数量line 165（每个切片会输入到一个进程，切片数最好等于进程数）

运行：

  1. 运行时如果开启了图片显示line 209，当前结果展示后，按任意键处理文件夹中下一张图片
  2. 运行时没有开启图片显示，会自动处理文件夹内所有图片

结果展示

运行过程中可以同时展示原图和标记超限像素后的图片

标记后的图片会存储到结果输出文件夹中

终端中会输出：

  1. 图片读取状态
  2. 多进程处理状态
  3. 图片所有像素超过sRGB的比例
  4. 总时间消耗

具体代码

import cv2
import numpy as np
import math
import os
from  multiprocessing import Pool
import time
import shutil  


# P3 2 sRGB Matrix
M = np.array([[4.86119575e-01, 2.65794247e-01, 1.98086178e-01],
              [2.28623913e-01, 6.91647657e-01, 7.97284306e-02],
              [6.71950077e-05, 4.52826221e-02, 1.04365018e+00]])
# gamma 校正
def gamma(x):
    if(x <= 0.0031308):
        return x*12.92
    else:
        return math.pow((1.055*x), (1/2.4)) - 0.055
    
# 反gamma 校正    
def gamma_inv(x):
    if(x <= 0.04045):
        return x/12.92
    else:
        return math.pow(((x+0.055)/1.055), 2.4)
    
# 针对纯色，判断转换到sRGB时是否会截断
def pure_color(r, g, b):
    if(r != 0 and g == 0 and b == 0):
        if(r>241):            
            return True
        else:
            return False
        
    if(r == 0 and g != 0 and b == 0):
        if(g>=250):
            return True
        else:
            return False
        
    if(r == 0 and g == 0 and b != 0):
        if(b>=245):
            return True
        else:
            return False
    #非纯色情况
    return True
    
# 计算P3像素是否超限sRGB
def pixel_process(indexes):
    print('enter process', indexes[0])
    start = time.time()
    cnt = 0 #当前进程超限像素数量
    index = indexes[0]
    slice = indexes[1]
    height = indexes[2]
    width = indexes[3]
    img_path = indexes[4]
    save_out = indexes[5]
    img_name = indexes[6]


    img = cv2.imread(img_path)


    # 计算当前进程计算范围
    h_min = 0
    h_max = height
    w_min = math.ceil(index*width/slice)
    w_max = math.ceil((index+1)*width/slice)


    # 裁剪图片
    img_crop = img[h_min:h_max, w_min:w_max]
    h, w, _ = img_crop.shape


    # P3_RGB 2 CIE_XYZ
    for row in range(h):
        for col in range(w):
            #Numpy读取像素 BGR通道
            b = img_crop.item(row, col, 0)
            g = img_crop.item(row, col, 1)
            r = img_crop.item(row, col, 2)


            if(not pure_color(r, g, b)):
                continue


            #归一化
            r = r/255
            g = g/255
            b = b/255


            #反gamma变换
            r = gamma_inv(r)
            g = gamma_inv(g)
            b = gamma_inv(b)


            #P3 2 XYZ
            P3_RGB = np.array([[r], [g], [b]])
            P3_XYZ = np.dot(M, P3_RGB)


            #跳过黑色
            if(P3_XYZ.sum() == 0):
                continue


            #XYZ 2 xyY
            p3_xy = np.array([P3_XYZ[0,0], P3_XYZ[1,0]])/P3_XYZ.sum()
            
            x = p3_xy[0]
            y = p3_xy[1]


            #判断像素是否处于sRGB范围
            flag = True
            y1 = 3.6*x-0.48
            y2 = (27/49)*x+0.33-(17.28/49)
            y3 = (-27/34)*x+0.33+(17.28/34)
            if(x>=0.15 and x<=0.3 and y>=y2 and y<=y1):
                flag = False
            if(x>0.3 and x<=0.64 and y>=y2 and y<=y3):
                flag = False
            
            #统计并绘制超过sRGB范围像素
            if(flag == True):
                cnt += 1
                img_crop.itemset((row, col, 0), 255)
                img_crop.itemset((row, col, 1), 0)
                img_crop.itemset((row, col, 2), 0)


    print (f'process {index} cost: {(time.time() - start):.3f} s')


    # 保存当前进程图像处理结果
    save_out = save_out + 'temp/'
    folder = os.path.exists(save_out)
    if(not folder):
        os.makedirs(save_out)
 
    out_name = img_name.split('.')[0]
    out_name_temp = out_name + '_' + str(index)
    save_path = save_out + out_name_temp + '.jpg'
    cv2.imwrite(save_path, img_crop)


    #返回当前进程超限像素数量
    return cnt 


if __name__ == '__main__':
    #待读取P3图片文件夹路径
    file_root = "D:/P3sRGB/testinput/"  
    file_list = os.listdir(file_root)
    #结果保存文件夹路径
    save_out = "D:/P3sRGB/result/" 


    for img_name in file_list:
        img_path = file_root + img_name


        #读取图片
        img = cv2.imread(img_path)
        print("read image:", img_path)
        start = time.time()
        height, width, _ = img.shape


        #总像素数量和超限像素数量
        total = height*width
        cnt = 0


        #进程池数量
        pool = Pool(4)
        #图像切片数量
        slice = 4


        #分配进程
        res_list = []
        for i in range(slice):
            indexes = [i, slice, height, width, img_path, save_out, img_name]
            res = pool.apply_async(func=pixel_process, args=(indexes, ))
            res_list.append(res)


        #关闭进程    
        pool.close()
        pool.join()


        #统计每个进程超限像素值
        for res in res_list:
            cnt += res.get()


        print(f'{img_name} 所有像素超过sRGB比例 {cnt/total:.3f}')
        print (f'total time consume: {(time.time() - start):.3f} s')


        #读取每个进程图像处理结果
        file_root_temp = save_out + 'temp/'
        file_list_temp = os.listdir(file_root_temp)
        
        #组合每个进程处理结果
        count = 0
        for img_name_temp in file_list_temp:
            img_path_temp = file_root_temp + img_name_temp
            count +=1
            if(count == 1):
                img_out = cv2.imread(img_path_temp)
            else:
                img_temp =cv2.imread(img_path_temp)
                img_out = cv2.hconcat([img_out, img_temp])


        #保存最终处理后图像
        out_name = img_name.split('.')[0]
        save_path = save_out + out_name + '.jpg'
        cv2.imwrite(save_path, img_out)


        #删除临时文件
        shutil.rmtree(file_root_temp)


        #结果展示
        cv2.imshow("origin", img)
        cv2.imshow("outlier", img_out)   
        cv2.waitKey(0)
        cv2.destroyAllWindows()

Draco Rex
关注
  • 7
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
C#写的一个计算DCI-P3色域和SRGB的小工具
Jacovi的博客
02-20 962
色域计算小工具，计算P3和srgb，方便快捷简单
计算色域小工具
yuyangdejia的博客
09-26 2649
显示产品的开发过程中，经常会需要计算显示器的色域，因此写了一个小工具来计算给定色坐标的色域。
[视频图像处理]1. 色域基础知识与色域转换公式
yushaodi的博客
04-21 4540
所谓色域（Color Space）就是一种颜色的表示方法，针对不同的显示设备不同的系统，往往有不同的表示方法。目前被广泛使用的色域可以被分为三大类：RGB、YIQ/YUV/YCrCb、CMYK。
python实现图像色域占比的计算
sunny
08-17 1416
这个示例代码假设您已经安装了Pillow库，并且您的原始图片文件名为"example.jpg"。代码首先打开原始图片，然后使用`convert()`方法将其转换为RGB模式。接下来，代码获取像素点数据，并遍历每个像素点，统计红色、绿色和蓝色像素的数量。最后，代码计算每种颜色在总像素数中所占的比例，并输出结果。请注意，这只是一个简单的示例代码，实际使用时可能需要根据您的具体需求进行修改。另外，如果您需要处理多张图片，可以将代码封装成一个函数，并在循环中调用该函数来处理每张图片。
iPhone7(P)广色域显示P3 导致设置RGB值 转sRGB 色值偏差问题 #3C76FF
Bob的专栏
08-30 5686
今天把开发完成的一个iOS 视图模板给 UE 同学ReView的时候遇到一个奇葩的问题：         一个按钮的字体颜色使用十六进制设置方法设置为@"#3C76FF" ,但是UE同学却反馈：实际反馈效果是有问题的！在我万分确定自己代码没有错误的情况下，开始了痛苦的原因的查找。。。 （中间省略N多痛苦的探索 、、、） 结论：           我们代码中设置颜色是以sR
广色域图片Android,广色域照片闪亮登场 Android: 开发者需知两三事
weixin_35793308的博客
05-29 1505
△ 上图:Display P3，下图: sRGB△ 左图:Display P3，右图: sRGB以上两组图片为同一张照片的 Display P3 和 sRGB 版本。如果您正在使用已校准且支持广色域的显示屏上阅读本文，您会发现两者存在明显差别。色彩测试您可通过以下两项测试来判定应用是否已做好支持准备。第一项是色彩校正测试，另一项则是广色域测试。色彩校正测试: 您的应用能够兼容广色域吗？如果应用能够...
使用opencv将sRGB格式的图片转换为DCI-P3格式【sRGB】【DCI-P3】
qq_37377257的博客
11-28 1042
sRGB 和 DCI-P3 色彩空间的原色（红、绿、蓝）坐标和白点坐标是已知的。
广色域图片Android,ios 9.0系统App因广色域图片而导致的随机崩溃
weixin_39970823的博客
05-29 370
双11终于结束了，也有了点时间写点东西了。今天说一下起几个月IOS发布过程中遇到的一个问题。App在testFlight过程中，有测试反馈，在ios9的系统中启动后操作一会就会随机崩溃。每次的崩溃栈中也看不出来什么东西。查了半天也没有思路，于是找了所有的提交记录通过二分法的方式查找问题来源。最后通过查找，发现是和几张图片有关系。在苹果的开发者论坛中，苹果给出了解释，具体链接如下:https://f...
色域计算器
01-27
常见的色域标准有sRGB、Adobe RGB、NTSC和DCI-P3等。其中，sRGB是最基础的标准，大部分消费级显示器都支持；而Adobe RGB和NTSC则包含更宽的色彩范围，常用于专业摄影和印刷领域；DCI-P3则是电影行业的标准，提供更为...
色域计算公式
09-01
输入RGBW坐标，计算色域覆盖率，对于面板规格的确认很有帮助的。
各种显示器色域测试软件和计算显示器色域值软件和表格
02-27
色域是指一个色彩系统或设备能够表现的颜色空间，通常用标准色彩空间如sRGB、Adobe RGB、DCI-P3或NTSC等进行比较。不同的显示器因其使用的面板类型、背光技术等因素，其色域表现各不相同。例如，IPS面板通常提供更宽...
Python 色域计算工具
09-26
常见的色域标准有sRGB、Adobe RGB、DCI-P3、Rec.709、Rec.2020等。每个色域都有其特定的色彩覆盖范围，了解这些范围有助于设计师选择合适的色彩配置，确保色彩的准确呈现。 Python 色域计算工具利用Python编程语言...
【Python】入门到放弃之第九章《字典》
最新发布
MP13537560060的博客
08-15 651
这是本系列的第九章节内容，《字典》。在Python中，字典（Dictionary）是一种内置的数据结构，用于存储键值对（key-value pairs）。字典是可变的，意味着你可以在创建字典后添加、删除或修改其中的元素。字典的键（key）必须是唯一的，并且是不可变的（即，它们必须是不可变数据类型，如字符串、数字或元组，但不能是列表或字典等可变类型）。字典的值（value）则可以是任何数据类型，包括列表、元组、字典等。以上，就是Python中字典的全部内容。
【python学习】深入解析 `jq` 库：JSON 处理的利器
m0_54007171的博客
08-13 420
jq库是 Python 对流行的命令行工具jq的封装。它允许你直接在 Python 中使用jq的查询语言来处理 JSON 数据。借助jq，你可以轻松地对 JSON 数据进行过滤、选择、转换、聚合等操作，极大地简化了代码复杂度。
GraphRAG：复杂查询的知识图谱新框架
YeJuliaLi的博客
08-14 895
微软最近发布了名为 GraphRAG（Graphs + Retrieval Augmented Generation）的创新 RAG 框架，这是一个将文本提取、语义网络分析，与大语言模型（LLM）的提示和总结功能结合在一起的端到端系统，用于深入理解文本数据集。在对私有数据中的复杂文本信息进行文档分析时，GrahRAG 使用 LLM 生成的知识图谱来大幅提高问答性能。这里的私有数据集是指 LLM 没...
汽车免拆诊断案例 | DAF（达富）汽油尾气处理液故障警示
虹科Pico汽车示波器的博客
08-14 857
一辆DAF（达富）故障警示灯亮，提示DEF系统故障，使用虹科Pico汽车示波器检查发现故障的原因是......
python 实现tree sort树排序算法
luthane的博客
08-14 524
树排序”（Tree Sort）并不是一个广泛认知或标准算法库中的直接术语，但我们可以从字面意思上理解它可能指的是一种基于树结构的排序算法。在算法和数据结构领域，有多种使用树来辅助排序的算法，但没有一个特定的、广泛接受的“树排序”算法。
C++_基本语法笔记_模板
qq_45629864的博客
08-14 415
思想是Java里的泛型（不确定用什么类型的数据）这里template这一句，意思是声明T是泛型，后面写用到泛型T的函数。建议都用应用场景：不同数据类型的交换函数。
srgb色域下rgb转换xyz
12-02
sRGB色域下RGB转换XYZ是一种常见的色彩空间转换方法，它是将sRGB色彩信息转换为CIE XYZ色彩空间的一种计算方式。sRGB是一种标准化的RGB色彩空间，它被广泛应用于电子设备和互联网中，而XYZ色彩空间则是一种基于人类...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值