Python 如何用感知一致性对HSV空间进行采样

我可以采样HSV空间（固定的

s

和

v

）

然而，所有这些颜色在感知上并不一致

我可以通过运行colormath软件包中的deltaE2000方程（deltaE2000）来确认这一点。结果如下所示：

这些值是三角形值，颜色0-15对应于色调角度位置。如您所见，有些颜色低于感知阈值

---

所以，问题是，

s

和

v

固定时，我是否可以对hsv空间进行均匀采样？如果没有，我如何在空间中采样，使颜色排列为相邻的色调相似性

s

和

v

变化尽可能小？

我尝试了一些方法，但最终似乎成功了。它均匀地隔开色调值，然后轻推它们，直到它们在视觉上是一致的

从colormath导入颜色对象、颜色差异、颜色转换
SAT=1.0
VAL=1.0
颜色计数=16
微移大小=0.2
def色调至色调实验室（色调）：
返回颜色转换。转换颜色(
color_objects.HSVColor（色调、SAT、VAL）、color_objects.LabColor
)
def获得等间距（数字，iters=100）：
#在色调空间中创建具有均匀间距值的色调
色调=[360*x/范围内x的数字（数字）]
对于范围内（iters）：
#将色调转换为CIELAB颜色
cols=[色调中h的色调到实验室（h）]
#计算出相邻两组之间的知觉差异
#颜色
三角洲=[
范围（len（cols））内i的色差delta_e_cie2000（cols[i]，cols[i-1]）
]
#将每个色调移向最远的相邻颜色
#感性地离开
轻推=[
（增量[（i+1）%len（增量）]-增量[i]）*微移大小
对于范围内的i（长度（增量））
]
色调=[（h+d）%360，用于拉链式（h，d）（色调，轻推）]
返回色调
打印（等距打印（颜色计数，iters=1000））

如果设置错误（将其更改为

2

这里不会产生类似彩虹的效果），则“轻推大小”（NUDGE_SIZE）可能会弄糟它，我认为最佳值取决于您进行的迭代次数和生成的颜色数量。相邻颜色的

delta_e_cie2000

值（给定设置）为

[16.290288769191324, 16.290288766871242, 16.290288753399196, 16.290288726186013, 16.290288645469946, 16.290288040904777, 16.290288035037598, 16.290288051426675, 16.290288079361915, 16.290288122430887, 16.290288180738187, 16.290288265350803, 16.290288469198916, 16.29028866254433, 16.2902887136652]

，非常统一：我认为对于这几种颜色来说，

iters=1000

太过分了。我在这里使用的是普通列表，但它应该转换为NumPy数组，并且可能运行得更快一些

算法的工作原理如下：

从一组天真的均匀色调开始

计算相邻颜色对之间的感知差异

将每个色调稍微移向其感知上最不同的相邻色调。此移动的大小与

轻推大小成比例

重复2-3次，直到颜色被轻推

iters

次

---

我尝试了一些方法，但最后似乎奏效了。它将色调值均匀地隔开，然后推动它们，直到它们在感知上是一致的

从colormath导入颜色对象、颜色差异、颜色转换
SAT=1.0
VAL=1.0
颜色计数=16
微移大小=0.2
def色调至色调实验室（色调）：
返回颜色转换。转换颜色(
color_objects.HSVColor（色调、SAT、VAL）、color_objects.LabColor
)
def获得等间距（数字，iters=100）：
#在色调空间中创建具有均匀间距值的色调
色调=[360*x/范围内x的数字（数字）]
对于范围内（iters）：
#将色调转换为CIELAB颜色
cols=[色调中h的色调到实验室（h）]
#计算出相邻两组之间的知觉差异
#颜色
三角洲=[
范围（len（cols））内i的色差delta_e_cie2000（cols[i]，cols[i-1]）
]
#将每个色调移向最远的相邻颜色
#感性地离开
轻推=[
（增量[（i+1）%len（增量）]-增量[i]）*微移大小
对于范围内的i（长度（增量））
]
色调=[（h+d）%360，用于拉链式（h，d）（色调，轻推）]
返回色调
打印（等距打印（颜色计数，iters=1000））

如果设置错误（将其更改为

2

此处不会产生类似彩虹的效果），那么

轻推大小

可能会将其搞糟，我认为最佳值取决于您进行的迭代次数和生成的颜色数量。相邻颜色的

delta_e_cie2000

值（具有给定的设置）为

[16.290288769191324, 16.290288766871242, 16.290288753399196, 16.290288726186013, 16.290288645469946, 16.290288040904777, 16.290288035037598, 16.290288051426675, 16.290288079361915, 16.290288122430887, 16.290288180738187, 16.290288265350803, 16.290288469198916, 16.29028866254433, 16.2902887136652]

，非常统一：我认为对于这几种颜色来说，

iters=1000

太过分了。我在这里使用的是普通列表，但它应该转换为NumPy数组，并且可能运行得更快一些

算法的工作原理如下：

从一组天真的均匀色调开始

计算相邻颜色对之间的感知差异

将每个色调稍微移向其感知上最不同的相邻色调。此移动的大小与

轻推大小成比例

重复2-3次，直到颜色被轻推

iters

次

---

你在滥用三角洲。这样的功能不适合这么大的胡

hue_gradient = np.linspace(0, 360,16)#sample 16 different equally spread hues
hsv = np.ones(shape=(1, len(hue_gradient), 3), dtype=float)*0.75#set sat and brightness to 0.75
hsv[:, :, 0] = hue_gradient#make one array
hsv


array([[[  0.  ,   0.75,   0.75],
        [ 24.  ,   0.75,   0.75],
        [ 48.  ,   0.75,   0.75],
        [ 72.  ,   0.75,   0.75],
        [ 96.  ,   0.75,   0.75],
        [120.  ,   0.75,   0.75],
        [144.  ,   0.75,   0.75],
        [168.  ,   0.75,   0.75],
        [192.  ,   0.75,   0.75],
        [216.  ,   0.75,   0.75],
        [240.  ,   0.75,   0.75],
        [264.  ,   0.75,   0.75],
        [288.  ,   0.75,   0.75],
        [312.  ,   0.75,   0.75],
        [336.  ,   0.75,   0.75],
        [360.  ,   0.75,   0.75]]])