RGB色彩模式是工业界的一种颜色标准，它通过对红（RED）、绿（GREEN）、蓝（BLUE）三种基本颜色的相互组合从而叠加出各种颜色。RGB色彩模式为每一个红、绿、蓝分类了0-255范围内的亮度值。 

RGB色彩模式通常RGB(0，0，0）的格式来表示颜色，括号中的3个数字分别表示红、绿、蓝的亮度值，常用的颜色的RGB颜色分布有以下这些：

品红色 （255,0,255）
蓝色    （0,0,255）
青色  （0,255,255）
绿色 （0,255,0）
黄色 （255,255,0）
红色 （255,0,0）
紫色  (128,0,128)
深蓝色 （0,128,128）
鸭绿色 （0,128,128）
深绿色 （0,128,0）
橄榄绿 （128,128,0）
栗色 （128,0,0）
黑色 (0,0,0)
灰色 （128,128,128）
银色 （192,192,192）
白色 （255,255,255）

CYMK 是四种颜色：


  
C: Cyan，青色，又称为‘天蓝色’或是‘湛蓝’。  

  M：Magenta，品红色，又称为‘洋红色’。  

  Y：Yellow ，黄色。 

  K：blacK，黑色，为了避免与RGB的Blue蓝色混淆而改称K。


RGB是三种颜色：


  
R: Red，红； G: Green，绿； B：Blue，蓝。


区别


  
计算机显示器的颜色，相当于三种灯泡颜色去混合，那么只要RGB三种就可以发出各种光，而出版物（印刷品）不可能有这种发光的概念，它是通过掺杂不同颜料，吸收掉自然光线中不同颜色的光从而形成相应的颜色，因此，RGB是搞不定的，需要用CYMK 四种颜色的组合。


CYMK转化为RGB格式命令



convert -negate -colorspace RGB cymk.jpg rgb.jpg
或
convert -colorspace RGB cymk.jpg rgb.jpg

大数据文摘编辑组出品
技术实现：宁静 
七夕将至，送礼时节。直男送礼，首选口红。
毕竟李佳琦一句"OMG买它”，女朋友披头散发抢购，钱包就空了一半。
但是，口红色号千千万，选对了牌子才成功了一半。
快乐橙、伤心紫，姨妈红，鸡屎绿…直男眼里没什么区别的颜色，在女生眼里各种色调、质地细微的区别都能分析一清二楚。
那么，对于直男来说，怎么才能搞清楚如此多的口红色号呢？
文摘菌耗费一毫米发际线，琢磨了一下，做出了一个口红色号识别器，希望能帮大家在七夕把深刻的革命友谊再升华一下。
先来看看效果。
让我们假设，七夕前夕，小姐姐发来了一张美妆博主的美照，并暗示你，“人家也喜欢这个颜色。”
图片来自网络
这个时候，用我们的口红色号识别器，就能定位嘴唇，并迅速给出它的颜色隶属哪家品牌的哪个色号。
OMG！简直比李佳琦还准确！
好啦，废话不多说，马上开始教学时间！
来自Github的口红色号宇宙
要想识别口红色号，先得让机器知道到底都有哪些颜色。
文摘菌听柜姐介绍，红色系有：“草莓红、铁锈红、枫叶红...”，其他还有“豆沙色、吃土色、番茄色...”
世界观还未建立完全就要开始土崩瓦解，这看着有区别吗？
“豆沙色最为百搭，橘调的番茄色比较显白...”
眼前的黑不是黑，你说的红是什么红？
还好，在万能的github上，文摘菌找到了一个宝藏数据库“口红颜色可视化”，这个数据库堪比口红的色号宇宙，不仅囊括了当前最主流品牌的各种系列色号，还很良心的在色盘上排列了出来。
这个数据集是一个嵌套的字典数据结构，存为json串的形式，里面记录了每个口红品牌系列下不同口红色号的颜色id、名称、和16进制颜色值。
直！男！救！星！有木有！
口红色号可视化链接：
https://github.com/Ovilia/lipstick
不过看这这密密麻麻的颜色，真心佩服各大口红品牌的文案高手，是怎么样区别每一个看不出区别的颜色，并且还要分别取名字的。
傻傻分不清的文摘菌对5个品牌的不同系列做了一下统计和色号录入，于是，剩下的就交给计算机啦。
先用番茄做个实验？
既然有了如此完备的色号数据库，那么文摘菌就有了一个讨巧的方法：要想找到合适的色号，可以直接截取颜色，然后在数据库中进行比对。
这个方法非常好操作，在上唇色之前，我们不如先拿别的红色物品来练手。
比如，这里有一只番茄图片。
你看这个番茄它又大又圆：
文摘菌在其中截取了成色均匀、无高亮的矩形图片：
提取这张纯色图片的RGB值在技术上是可行的，getcolor.py代码如下：
import colorsysimport PIL.Image as Image def get_dominant_color(image): max_score = 0.0001 dominant_color = None for count,(r,g,b) in image.getcolors(image.size[0]*image.size[1]): # 转为HSV标准 saturation = colorsys.rgb_to_hsv(r/255.0, g/255.0, b/255.0)[1] y = min(abs(r*2104+g*4130+b*802+4096+131072)>>13,235) y = (y-16.0)/(235-16) #忽略高亮色 if y > 0.9: continue score = (saturation+0.1)*count if score > max_score: max_score = score dominant_color = (r,g,b) return dominant_color
为了减少误差，需要裁剪多个不同位置的图片，保存在本地的一个文件夹中，读取文件，提取颜色，求平均值，得到的番茄最终的RGB颜色，代码如下：
import osimport getcolorfrom os.path import join as pjoinfrom scipy import miscdef load_color(color_dir,list): count = 0 for dir in os.listdir(color_dir): img_dir = pjoin(color_dir, dir) image = getcolor.Image.open(img_dir) image = image.convert('RGB') get=getcolor.get_dominant_color(image) list.append(get) count = count+1 #print(person_dir) #print(count) return countdef Mean_color(count,list): Mean_R=Mean_G=Mean_B=0 for i in range(count): tuple=list[i] Mean_R+=tuple[0] Mean_G+=tuple[1] Mean_B+=tuple[2] MeanC=((int)(Mean_R/count),(int)(Mean_G/count),(int)(Mean_B/count)) return Me
番茄的颜色提取到了，那么和什么做比对呢？
当然是口红的数据，文摘菌这儿用到了5个品牌，分别是圣罗兰、香奈儿可可小姐、迪奥、美宝莲、纪梵希，共17个系列，271个口红色号，数据集是一个嵌套的字典数据结构，存为json串的形式，里面记录了每个口红品牌系列下不同口红色号的颜色id、名称、和16进制颜色值，lipstick.json部分数据集展示如下：
{"brands":[{"name":"圣罗兰

1、RGB颜色空间

RGB（红色，绿色，蓝色）是表示光发射的颜色空间。 RGB是一个加性色谱，当所有原色组合时，形成白色。 这类似于实际的光谱，如果您结合自然光的所有颜色（例如，彩虹上的所有颜色），则会创建白光。 显示器（如计算机显示器）使用光的发射来创建颜色，因此使用RGB颜色空间。 这就是为什么大多数计算机程序在设计文件时都将RGB颜色空间作为默认设置。



2、CMYK颜色空间

然而，通过实际打印，墨水和墨粉不能正确地表示光的发射。 由于来自非光源的颜色通过光的吸收被真正观察到，所以新的色彩空间需要表示色彩的光谱。 因此，创建了CYMK（青色，黄色，品红色，黑色）颜色空间。 这种颜色空间代表光的吸收，并且当所有原色组合时，形成黑色，这是所有光的吸收。



3、实现

具体实现代码如下：

uchar minimum(uchar a, uchar b)
{
	return a <= b ? a : b;
}

cv::Mat rgb2cmyk(cv::Mat& rgb)
{
	cv::Mat cmyk = cv::Mat::zeros(rgb.rows, rgb.cols, CV_8UC4);

	int pixel_num = rgb.rows * rgb.cols;

	for (int i = 0; i < pixel_num; i++)
	{
		uchar c = 255 - rgb.data[3 * i + 0];
		uchar m = 255 - rgb.data[3 * i + 1];
		uchar y = 255 - rgb.data[3 * i + 2];

		uchar K = minimum(minimum(c, m), y);

		uchar C = 0;
		uchar M = 0;
		uchar Y = 0;

		if (K == 255)
		{
			C = 0;
			M = 0;
			Y = 0;
		}
		else
		{
			C = (uchar)((c - K)*255.0 / (255 - K));
			M = (uchar)((m - K)*255.0 / (255 - K));
			Y = (uchar)((y - K)*255.0 / (255 - K));
		}

		cmyk.data[4 * i + 0] = C;
		cmyk.data[4 * i + 1] = M;
		cmyk.data[4 * i + 2] = Y;
		cmyk.data[4 * i + 3] = K;
	}
	return cmyk;
}



测试代码如下：

void test_rgb2cmyk()
{
	cv::Mat bgr = cv::imread("E:\\Images\\trees.png", cv::IMREAD_COLOR);
	cv::Mat rgb;
	cv::cvtColor(bgr, rgb, cv::COLOR_BGR2RGB);

	cv::Mat cmyk = rgb2cmyk(rgb);

	cv::imshow("bgr", bgr);
	cv::imshow("cmyk", cmyk);

	cv::waitKey(0);
	return;
}



结果如下：
源图像




结果图像






2017.06.15