RGB与Lab转换
文章目录
- 公式
-
- sRGB转Lab
-
- sRGB转XYZ
- XYZ转Lab
- Lab转sRGB
-
- Lab转XYZ
- XYZ转sRGB
- 程序
- RGB转Lab后的数值范围
公式
我们获取的图片通常属于sRGB色彩空间，其中典型的图片格式如JPEG和PNG均属于此。所以我们通常所讲的RGB其实指的是sRGB，所以所谓的RGB与Lab的转换，更严格一点讲应该是sRGB与Lab的转换。
sRGB不能直接转换为Lab，需要用XYZ过渡：sRGB -> XYZ -> Lab。
反变换也一样需要XYZ过渡：Lab -> XYZ -> sRGB。
sRGB转Lab
sRGB转XYZ
分两步：
- sRGB通过gamma变换转为RGB
- RGB通过线性映射转为XYZ
sRGB通过gamma变换转为RGB
做gamma变换有一个注意事项：必需先将数据变到[0, 1]范围内。根据通常的认识，sRGB的数据范围应当是[0, 255]。下面的公式中我们以小写的rgb代表[0, 255]的数值范围，大写的RGB代表归一化后的[0, 1]数值范围。计算流程如下：
归一化：
R = r / 255 G = g / 255 B = b / 255 R = r / 255 \\[2ex] G = g / 255 \\[2ex] B = b / 255 R=r/255G=g/255B=b/255
gamma变换（t 代表R, G, B）：
t = { ( t + 0.055 1.055 ) 2.4 , i f : t > 0.04045 t 12.92 , e l s e t= \begin{cases} \big(\frac{t+ 0.055}{1.055}\big)^{2.4}, if: t>0.04045 \\[2ex] \frac {t} {12.92}, else \end{cases} t=⎩⎨⎧(1.055t+0.055)2.4,if:t>0.0404512.92t,else
根据 t > 0.04045 t > 0.04045 t>0.04045可得 [ ( t + 0.055 ) / 1.055 ] 2.4 > 0.0031308 [(t + 0.055)/1.055]^{2.4} > 0.0031308 [(t+0.055)/1.055]2.4>0.0031308，后者是反变换时的定义域，后面会用到。
线性变换：
X = 0.412453 ⋅ R + 0.357580 ⋅ G + 0.180423 ⋅ B Y = 0.212671 ⋅ R + 0.715160 ⋅ G + 0.072169 ⋅ B Z = 0.019334 ⋅ R + 0.119193 ⋅ G + 0.950227 ⋅ B X = 0.412453 \cdot R + 0.357580 \cdot G + 0.180423 \cdot B \\[2ex] Y = 0.212671 \cdot R + 0.715160 \cdot G + 0.072169 \cdot B \\[2ex] Z = 0.019334 \cdot R + 0.119193 \cdot G + 0.950227 \cdot B X=0.412453⋅R+0.357580⋅G+0.180423⋅BY=0.212671⋅R+0.715160⋅G+0.072169⋅BZ=0.019334⋅R+0.119193⋅G+0.950227⋅B
如果记线性变换矩阵为：
M R G B 2 X Y Z = [ 0.412453 0.357580 0.180423 0.212671 0.715160 0.072169 0.019334 0.119193 0.950227 ] M_{RGB2XYZ} = \begin{bmatrix} 0.412453 & 0.357580 & 0.180423 \\[2ex] 0.212671 & 0.715160 & 0.072169 \\[2ex] 0.019334 & 0.119193 & 0.950227 \end{bmatrix} MRGB2XYZ=⎣⎢⎢⎢⎡0.4124530.2126710.0193340.3575800.7151600.1191930.1804230.0721690.950227⎦⎥⎥⎥⎤
那么线性变换可表示为如下式子，上标T表示转置：
[ X Y Z ] = [ R G B ] M R G B 2 X Y Z T \begin{bmatrix} X & Y & Z \end{bmatrix} = \begin{bmatrix} R & G & B \end{bmatrix} M_{RGB2XYZ}^T [XYZ]=[RGB]MRGB2XYZT
上述线性变换矩阵在Observer. = 2°, Illuminant = D65条件下得到，该条件与白色参考点定义相关，更具体的内容可参考如下网站：
Understanding CIE Illuminants and Observers
XYZ转Lab
下面用大写的XYZ表示上述sRGB转XYZ的结果，小写xyz表示XYZ通过白色参考点归一化后的结果，白色参考点使用Observer. = 2°, Illuminant = D65条件下的结果，是xyz_ref_white = (0.95047, 1.0, 1.08883)。那么XYZ转Lab的计算流程如下：
归一化：
x = X / X r e f _ w h i t e y = Y / Y r e f _ w h i t e z = Z / Z r e f _ w h i t e x = X / X_{ref\_white} \\[2ex] y = Y / Y_{ref\_white} \\[2ex] z = Z / Z_{ref\_white} \\[2ex] x=X/Xref_whitey=Y/Yref_whitez=Z/Zref_white
非线性变换（t 代表x, y, z）：
t = { t 1 / 3 , i f : t > ( 6 29 ) 3 ( 1 3 ) ( 29 6 ) 2 ⋅ t + 16 116 , e l s e t = \begin{cases} t^{1/3}, if: t> (\frac {6}{29})^3 \\[2ex] (\frac {1}{3})(\frac {29}{6})^2 \cdot t + \frac {16}{116}, else \end{cases} t=⎩⎨⎧t1/3,if:t>(296)3(31)(629)2⋅t+11616,else
根据t的范围 t > ( 6 / 29 ) 3 t > (6/29)^3 t>(6/29)3 可得 t 1 / 3 t^{1/3} t1/3 > 6/29，后者是反变换时的定义域，后面会用到。
（另外要喷一下，这个分段公式在交界处函数值不连续，也不知道是根据什么道理设计出来的）
线性变换：
L = 116 ⋅ y − 16 a = 500 ⋅ ( x − y ) b = 200 ⋅ ( y − z ) L = 116 \cdot y - 16 \\[2ex] a = 500 \cdot (x - y) \\[2ex] b = 200 \cdot (y - z) L=116⋅y−16a=500⋅(x−y)b=200⋅(y−z)
Lab转sRGB
反变换只需把正变换的公式反着推一下就OK了，由于公式都比较简单，此处省略推导过程，直接罗列计算公式：
Lab转XYZ
线性变换：
y = ( L + 16 ) / 116 x = a / 500 + y z = y − b / 200 y = (L + 16) / 116 \\[2ex] x = a / 500 + y \\[2ex] z = y - b / 200 y=(L+16)/116x=a/500+yz=y−b/200
非线性变换（t 代表x, y, z）：
t = { t 3 , i f : t > 6 / 29 ( t − 16 116 ) ⋅ 3 ⋅ ( 6 29 ) 2 , e l s e t = \begin{cases} t^3, if: t > 6/29 \\[2ex] (t- \frac {16}{116}) \cdot 3 \cdot (\frac {6}{29})^2, else \end{cases} t=⎩⎨⎧t3,if:t>6/29(t−11616)⋅3⋅(296)2,else
反归一化：
X = x ⋅ X r e f _ w h i t e Y = y ⋅ Y r e f _ w h i t e Z = z ⋅ Z r e f _ w h i t e X = x \cdot X_{ref\_white} \\[2ex] Y = y \cdot Y_{ref\_white} \\[2ex] Z = z \cdot Z_{ref\_white} \\[2ex] X=x⋅Xref_whiteY=y⋅Yref_whiteZ=z⋅Zref_white
XYZ转sRGB
线性变换：
[ R G B ] = [ X Y Z ] ( M R G B 2 X Y Z T ) − 1 \begin{bmatrix} R & G & B \end{bmatrix} = \begin{bmatrix} X & Y & Z \end{bmatrix} (M_{RGB2XYZ}^T)^{-1} [RGB]=[XYZ](MRGB2XYZT)−1
矩阵 M R G B 2 X Y Z M_{RGB2XYZ} MRGB2XYZ见sRGB转XYZ部分。
gamma变换（t 代表R, G, B）：
t = { 1.055 ⋅ t 1 / 2.4 − 0.055 , i f : t > 0.0031308 12.92 ⋅ t , e l s e t = \begin{cases} 1.055 \cdot t^{1/2.4} - 0.055, if: t > 0.0031308 \\[2ex] 12.92 \cdot t, else \end{cases} t=⎩⎨⎧1.055⋅t1/2.4−0.055,if:t>0.003130812.92⋅t,else
裁减：
t = { 1 , i f : t > 1 0 , i f : t < 0 t , e l s e t = \begin{cases} 1, if: t >1 \\[2ex] 0, if: t<0 \\[2ex] t, else \end{cases} t=⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧1,if:t>10,if:t<0t,else
反归一化：
r = R ⋅ 255 g = G ⋅ 255 b = B ⋅ 255 r = R \cdot 255 \\[2ex] g = G \cdot 255 \\[2ex] b = B \cdot 255 r=R⋅255g=G⋅255b=B⋅255
程序
程序大体上参考了skimage.color模块的实现，但是这里主要为了配合公式进行理解，所以并没有广泛考虑数值类型的处理。所以下面程序中如果输入是RGB，那么其数值类型应当是uint8，数值范围是[0, 255]。
程序后面跟skimage.color模块的计算结果进行了比较，来检验自己的实现有没有出什么诡异的问题。
# -*- coding: utf-8 -*-
import numpy as np
from skimage import color
MAT_RGB2XYZ = np.array([[0.412453, 0.357580, 0.180423],
[0.212671, 0.715160, 0.072169],
[0.019334, 0.119193, 0.950227]])
MAT_XYZ2RGB = np.linalg.inv(MAT_RGB2XYZ)
XYZ_REF_WHITE = np.array([0.95047, 1.0, 1.08883])
def rgb_to_lab(rgb):
"""
Convert color space from rgb to lab
Parameters:
-----------
rgb: numpy array, dtype = uint8
3-dim array, shape is [H, W, C], C must be 3
Returns:
--------
numpy array in lab color space, dtype = float
"""
return xyz_to_lab(rgb_to_xyz(rgb))
def lab_to_rgb(lab):
"""
Convert color space from lab to rgb
Parameters:
-----------
lab: numpy array, dtype = float
3-dim array, shape is [H, W, C], C must be 3
Returns:
--------
numpy array in rgb color space, dtype = uint8
"""
return xyz_to_rgb(lab_to_xyz(lab))
def rgb_to_xyz(rgb):
"""
Convert color space from rgb to xyz
Parameters:
-----------
rgb: numpy array, dtype = uint8
3-dim array, shape is [H, W, C], C must be 3
Returns:
--------
xyz: numpy array, dtype = float
array in xyz color space
"""
# convert dtype from uint8 to float
xyz = rgb.astype(np.float64) / 255.0
# gamma correction
mask = xyz > 0.04045
xyz[mask] = np.power((xyz[mask] + 0.055) / 1.055, 2.4)
xyz[~mask] /= 12.92
# linear transform
xyz = xyz @ MAT_RGB2XYZ.T
return xyz
def xyz_to_rgb(xyz):
"""
Convert color space from xyz to rgb
Parameters:
-----------
xyz: numpy array, dtype = float
3-dim array, shape is [H, W, C], C must be 3
Returns:
--------
rgb: numpy array, dtype = uint8
array in rgb color space
"""
# linear transform
rgb = xyz @ MAT_XYZ2RGB.T
# gamma correction
mask = rgb > 0.0031308
rgb[mask] = 1.055 * np.power(rgb[mask], 1.0 / 2.4) - 0.055
rgb[~mask] *= 12.92
# clip and convert dtype from float to uint8
rgb = np.round(255.0 * np.clip(rgb, 0, 1)).astype(np.uint8)
return rgb
def xyz_to_lab(xyz):
"""
Convert color space from xyz to lab
Parameters:
-----------
xyz: numpy array, dtype = float
3-dim array, shape is [H, W, C], C must be 3
Returns:
--------
lab: numpy array, dtype = float
array in lab color space
"""
# normalization
xyz /= XYZ_REF_WHITE
# nonlinear transform
mask = xyz > 0.008856
xyz[mask] = np.power(xyz[mask], 1.0 / 3.0)
xyz[~mask] = 7.787 * xyz[~mask] + 16.0 / 116.0
x, y, z = xyz[..., 0], xyz[..., 1], xyz[..., 2]
# linear transform
lab = np.empty(xyz.shape)
lab[..., 0] = (116.0 * y) - 16.0 # L channel
lab[..., 1] = 500.0 * (x - y) # a channel
lab[..., 2] = 200.0 * (y - z) # b channel
return lab
def lab_to_xyz(lab):
"""
Convert color space from lab to xyz
Parameters:
-----------
lab: numpy array, dtype = float
3-dim array, shape is [H, W, C], C must be 3
Returns:
--------
xyz: numpy array, dtype = float
array in xyz color space
"""
# linear transform
l, a, b = lab[..., 0], lab[..., 1], lab[..., 2]
xyz = np.empty(lab.shape)
xyz[..., 1] = (l + 16.0) / 116.0
xyz[..., 0] = a / 500.0 + xyz[..., 1]
xyz[..., 2] = xyz[..., 1] - b / 200.0
index = xyz[..., 2] < 0
xyz[index, 2] = 0
# nonlinear transform
mask = xyz > 0.2068966
xyz[mask] = np.power(xyz[mask], 3.0)
xyz[~mask] = (xyz[~mask] - 16.0 / 116.0) / 7.787
# de-normalization
xyz *= XYZ_REF_WHITE
return xyz
if __name__ == '__main__':
rgb = np.array([[[150, 150, 0]]], dtype=np.uint8)
xyz = rgb_to_xyz(rgb)
lab = xyz_to_lab(xyz)
xyz_ = lab_to_xyz(lab)
rgb_ = xyz_to_rgb(xyz_)
print('-' * 15, ' self defined function result ', '-' * 15)
print('rgb:', rgb)
print('xyz:', xyz)
print('lab:', lab)
print('xyz_inverse:', xyz_)
print('rgb_inverse:', rgb_)
xyz2 = color.rgb2xyz(rgb)
lab2 = color.xyz2lab(xyz2)
xyz2_ = color.lab2xyz(lab2)
rgb2_ = color.xyz2rgb(xyz2_)
rgb2_ = np.round(255.0 * np.clip(rgb2_, 0, 1)).astype(np.uint8)
print('-' * 15, ' skimage result ', '-' * 15)
print('rgb:', rgb)
print('xyz:', xyz2)
print('lab:', lab2)
print('xyz_inverse:', xyz2_)
print('rgb_inverse:', rgb2_)
RGB转Lab后的数值范围
前面的内容很容易就可以在网上搜到，但是Lab类型数据的取值范围跟RGB类型的对应关系有点需要注意的地方：Lab的色域范围比RGB宽广，所以如果一个Lab的图片是由RGB转换过来的，那么它的色域无法覆盖Lab的定义范围。
接下来我们仔细算一下。
Lab数据类型的取值范围被定义为：
L：[0, 100]
a：[-128, 127]
b：[-128, 127]
下面我们写一小段程序，遍历RGB所有数值并转为Lab，然后看看转换出来的Lab的数值范围如何：
# -*- coding: utf-8 -*-
import numpy as np
from skimage import color
if __name__ == '__main__':
rgb = np.zeros([1, 256 * 256 * 256, 3])
index = 0
for r in range(0, 256):
print('\rr = %d' % r, end='')
for g in range(0, 256):
for b in range(0, 256):
rgb[0, index, :] = np.array([r, g, b])
index += 1
print()
rgb = np.uint8(rgb)
lab = color.rgb2lab(rgb)
print('L, min: %f, max: %f' % (np.min(lab[0, :, 0]), np.max(lab[0, :, 0])))
print('a, min: %f, max: %f' % (np.min(lab[0, :, 1]), np.max(lab[0, :, 1])))
print('b, min: %f, max: %f' % (np.min(lab[0, :, 2]), np.max(lab[0, :, 2])))
输入结果如下：
L, min: 0.000000, max: 100.000000
a, min: -86.183030, max: 98.233054
b, min: -107.857300, max: 94.478122
容易发现，L通道可以完整覆盖Lab定义的数值范围，但是a，b通道不行。
所以当我们需要对RGB转换而来的Lab数据做归一化时，a，b通道使用[-128, 127]的范围不能真正让数值归一化到[0, 1]之间。
应当使用下式（含L通道）：
L = L / 100.0 a = ( a + 86.183030 ) / 184.416084 b = ( b + 107.857300 ) / 202.335422 L = L / 100.0 \\[2ex] a = (a + 86.183030) / 184.416084 \\[2ex] b = (b + 107.857300) / 202.335422 L=L/100.0a=(a+86.183030)/184.416084b=(b+107.857300)/202.335422