本文主要是介绍色彩的数学规则(二)(转),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
一首曲子高八度唱,声音截然不同,旋律还是一样,单独的声音意义不大,我们通过一串单独的声音组成的整体辨识出旋律这种美丽的模式,正如烹调在于搭配,你不会爱单独吃醋啃辣椒舔芥末,食物和调料组成的整体才让我们可口怡然。同理我们注重色彩和色彩的关系,单独的色彩很难有很大的吸引力。可我们还是经常问人最喜欢哪种颜色,甚至说你所喜欢的某个色彩可以反映你的性格,我相信这是非常武断的事情,单独的颜色没有太多意义。
之前我们讨论了某个颜色怎么产生,如何在计算机里表示,显示器上合成,从这儿开始,我们讨论这个颜色和其他颜色怎样组合显得好看。
分析色彩
每张图片都是一堆像素,每个像素对应一种色彩,每种色彩有色彩模式,除了RGB,还可以是HSB:色相(H),饱和度(S),明度(B),HSB更符合人们判断色彩的习性,此外还有HSL、LAB等别的模式。色彩模式之间相互有着转换公式,可以详见一个叫做easyRGB的网站(图)。不过无论哪种色彩模式,每个色彩都有3个维度,3个维度彼此独立,也就是如果以色彩的三个维度为坐标轴,就形成一个色彩空间。通常,这个坐标系由xyz三个相互的轴线形成,但HSB、HSL模式中色相(H)经常被理解成角度,由此我们可以得到一个圆柱坐标系,可以想象359度的色相和1度的色相非常接近,但在直角坐标系中,他们的距离差之千里,因此圆柱更科学。
对于我们看到的任何一张图片,或者说视网膜上真实世界拍平形成的输入矩阵,从像素群的角度看,都有5个维度,每个像素除了色彩上的3个维度,还有位置坐标x、y。这个五维度的数据集,是我们视觉原始的出发点。
于是我和同事做了这么个在线图片分析工具(请用chrome访问http://color3d.herokuapp.com/),我们将用这个工具玩转各种图片的分析,且待下文。
色彩构成分析
你想分析图片的色彩构成,最简单的方法是把每个像素的色彩变成一个点,丢掉位置信息,挨个丢到色彩空间里,就形成一团点云,我们可以在这里观察某张图片的色彩分布:我为点云设置了透明度让他们不至互相遮挡,又让点云相互遮挡的时候色彩叠加显得更加明亮,所以最耀眼的地方就是像素分布最多的地方。由此我们马上能发现,绝大部分图片即使色彩再花俏,如果我们在HSB空间下查看图片的色彩分布,通常会发现此图只有几个色相,也就是只占领色彩空间的一小部分:
接近一步,我们将问题简化,不讨论明度也不讨论饱和度,只看看色相的关系,也就是粗略地知道哪些颜色配起来好看。对此我相信你早已有很多配色的经验,比如你应该知道什么颜色的衣服配什么颜色的裤子,而经验又告诉我们一些常识性的东西,有些图片是纯色的也很好看,澄净美丽的无垠蓝天,日落暖黄的大地万物,四月无际的金色菜花,他们都主要只由一个色相构成(但不是一个颜色!), 色相的固定让他们显得纯净,明度和饱和度的变化让他们变得丰富。我们也会遇到许多色相互补的情况,比如北方秋天,万木黄而明亮,天空蓝而深沉,对比卓然。经过我的这个程序分析(processing+ecllipse),在这张内蒙古额济纳的秋天里,这种黄色和蓝色正好在对角线上,还记得美术老师说这叫互为补色不,视觉上对比强烈。
互为补色和只有一色都只是特殊情况,还有不少例子如下:
这些图的色相紧密地分布在几个峰值附近,在微软亚洲研究院的这个paper里指出,一张漂亮的图片里,色相往往只有几个,而他们之间会产生一定的夹角,这些夹角产生了诸如对角线、三等分等几种模式,这些模式就是色彩搭配的规则。
从这些简单的规律出发,我们发明了很多经验的配色算法,虽然名字形形色色,其实原理大同小异,无非约束了几个相互协调的色相,有时候再去约束明度和饱和度的关系,简要介绍下:
Complementary:互为补色,色相角度差180,想象一下秋天的树林和天空!这类配色往往对比度比较大。
Split-Complementary color scheme :这是1的延伸,
Triadic:三等分角度,各自呈现180度
Analogous :相邻的颜色,想象有梯度的渐变。
蓝天,渐变,QQ的UI(色彩-位置变化分析)
曾经喜欢夏日午后在树下仰望天空,记忆里天空总美得充满玄机,可后来我从来就没有在水彩颜料中调出那种性感的蓝色。后来我又买了一个带着偏振镜的单反相机,每次拍摄天空的时候带着暗角,这种效果加剧了天空中那种蓝色变化。
这种渐变也充满了我们的UI设计,如QQ和旺旺的界面。我们可以在程序里分析他们。这是我写的一个processing程序,沿着箭头方向划一道线,把所有的像素点排列在直角坐标轴里,我们可以发现:这些蓝色的渐变色相都保持着固定,在hsv模式中,一端是明度极高,饱和度很低的亮端,另一端则是饱和度高,明度很低的暗端,换言之,如果让一堆色相相同的颜色保持和谐,可以使明度低的颜色饱和度高,明度高的颜色饱和度低。
作为一个可视化工程师,我觉得这个发现是有意义的,在数据可视化中,我们通常用颜色去标记数量的大小,不同色相的颜色可以表示不同维度的数值,而相同色相则可反映数量的变化。色相相同的颜色里,随着数值增大,亮度和饱和度究竟各自会增大还是减小,会在视觉上看起来更和谐?或许我们可以找到一个函数,可以对任意的数字显示一个特定的颜色:
Color = color(k),其中0<k<1,color是我们想知道的转换函数
按照我们刚才分析的逻辑,粗糙地假定亮处s为0,b为1,暗处s为1,b为,0我们可以猜测配色关系可以是:
1、Color = HSB(H,1-k,0+k),其中0<k<1
除此,还有3个线性的可能解:
2、Color = HSB(H,0+k,1-k)
3、Color = HSB(H,1-k,1-k)
4、Color = HSB(H,0+k,0+k)
另外,色彩模式可以为HSL,和HSB类似。
事实上,1和2式,3和4式是一样的,如果另k1=1-k代入式子就显而易见。于是我们可以实验,在一个长条上置入颜色,容易发现,和天空模式最接近的是色彩最和谐的:
Color = HSB(H,1-k,0+k),其中0<k<1
考虑亮处和暗处的反差没那么明显,设最亮处的明度为Smax,暗处为Smin,饱和度最大与最小分别为Bmax,Bmin,那么对某输入数值k而言:
S = map(k,Smax,Smin),
B=map(k,Bmin,Bmax),
Color = HSB(H,S,B).
其中function map(k,min,max) =min+(max-min)*k。
最后,让我们测试下这个算法对所有的色相都比较和谐!
Smax = 1,Smin =0,Bmax = 1,Bmin=0.4。
我们也容易发现,在不同的可视化图中,这种算法都能调出和谐的颜色:
这种实验是多此一举吗?请听下文分解。
复杂性
你身上的红衣服和他的红衣服可能很不不一样,搭配的辅助色不一样,材质不一样,甚至只是因为背景环境不同......
相同的色彩在不同的环境里给人感觉不同,我们对色彩的判断易被环境影响,甚至,我们不需要色彩,用一个超有名的错觉说明这点,这个叫Checker shadow illusion,事实上AB点的颜色是一模一样的,不信你用photoshop吸一下。如果按照右图一样我们找个颜色把2个区域连起来,容易发现2个颜色是一样的。
又如下图:2张图颜色构成比例完全一致,但放的位置和尺度不同,看起来还是很不一样
颜色是受环境影响的,颜色是心理感受,时刻记住这一点。
所以,容易发现,上文的色彩算法要适应不同的情形,是一件值得论证的事情,比如假设我们的色彩算法是:
Color=HSB(k*360,0.8,0.5);
我们用同一种算法对2种不同的图案染色,第一种是有顺序的地形,色彩一层层延伸出来的时候,排列成了彩虹般的秩序,可第二种是无序的随机排列,色彩显得有点糟糕:
这篇关于色彩的数学规则(二)(转)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!