计算人类如何感知不同颜色之间的相似性答案

【问题标题】：Calculate how humans perceive similarity between different colours计算人类如何感知不同颜色之间的相似性
【发布时间】：2011-04-25 00:28:41
【问题描述】：

我正在开发一个网站，用户可以在该网站上使用 rgb 0-255 范围内的任何颜色（以及许多其他内容）来描述物理对象。我们提供了一些简化的调色板以便于点击，但需要一个完整的色轮。

在幕后，其中一个过程比较对象的两个用户描述并对它们的相似性进行评分。

我想要做的是获得 2 种颜色在人类感知方面的相似程度的分数。基本上，该算法需要确定 2 个人选择 2 种不同颜色是否可以描述同一个对象。因此浅红色->红色应该是 100%，大多数灰色阴影将是 100%，等等，但是红色->绿色绝对不匹配。

为了更好地了解算法的工作原理，我绘制了灰度和每种色调的 3 种强度与集合中所有其他颜色的对比图，并指出黑色不匹配 (0%)，视觉上与白色相同 (100%)和灰度表示中间值。

我的第一个（非常简单的方法）是将 RGB 值简单地视为颜色立方体中的坐标，并计算出它们之间的距离（矢量的大小）。

这抛出了一些关于黑色->50% 灰色比（例如）黑色->50% 蓝色的距离更大的问题。经过数百次比较并征求反馈，这似乎与人类感知不符（如下所示）

方法 2 将 RGB 值转换为HSV。然后，我生成了一个基于色调的 80% 的分数，另外 20% 的 Sat/Lum。这似乎是迄今为止最好的方法，但仍然会引发一些奇怪的匹配

方法 3 是一种混合尝试 - 计算了 HSL 值，但最终得分基于 HSL 颜色圆柱空间中两种颜色之间的距离（如 3D 极坐标）。

我觉得我必须重新发明轮子——这肯定以前做过吗？我在谷歌上找不到任何像样的例子，你可以看到我的方法还有一些不足之处。

所以，我的问题是：

有没有标准的方法来做到这一点？如果是这样，怎么做？如果没有，任何人都可以提出一种改进我的方法的方法吗？如果需要，我可以提供代码 sn-ps，但请注意，由于 3 天的调整，它目前非常混乱。

解决方案（Delta E 2000）： 使用下面提供的建议，我实现了一个Delta E 2000 比较器。我不得不将权重值调整得相当大——我不是在寻找难以察觉但差别不大的颜色。如果有人感兴趣，结果图如下...

【问题讨论】：

您正在比较的颜色 - 它们来自图像，还是用户查看图像并选择具有代表性的颜色？我不清楚您是在比较数千/数百万像素值，还是少数用户选择的颜色......
我正在比较 2 位用户选择的颜色来表示他们都见过的物理对象（其中一个人面前有这个对象，其中一个人以前见过它）。上面的图表是为了让我对算法输出有一点了解，所以我选取了一系列颜色，并将每种颜色与该范围内的所有其他值进行比较并绘制结果。
澄清一下：实际上，系统允许每个用户在需要时选择多种颜色，但是使用相同的算法来比较所有颜色组合，并在计算时采用最佳的唯一匹配集最终分数 - 我认为这是一个超出理解问题所需的复杂程度，但可能很有趣:)
是的，那个有点复杂！ en.wikipedia.org/wiki/…
非常有用的帖子！感谢您的解决方案 - 是否有代码的 github 存储库？

【解决方案1】：

有六种左右的可能性。 EasyRGB 有一个专门介绍他们的页面。在列出的那些中，DeltaE 2000 可能与人类感知的相关性最好——而且计算起来也极其复杂。 Delta CMC几乎对于一半的代码都一样好（尽管计算仍然不完全是微不足道的）。

【讨论】：

感谢您的回答，这看起来很有希望。由于我对以这种方式处理颜色非常陌生，您能解释一下用于比较（E、C、H、CMC）的增量字母的含义这些是行业标准吗？
@Basiclife：是的，它们相当标准且众所周知——如果您记录（例如）您正在使用 Delta E 2000，大多数人不会知道计算的细节，但他们会知道它的用途。
谢谢。我会看看实现它并回复你
我实现了 Delta E 2K，它似乎在做我需要的事情。感谢您的帮助。如果您有兴趣，我已将结果图附加到问题中
@Basiclife：酷——看起来不错——情节也不错。

【解决方案2】：

我不是 100% 清楚您的问题是如何设置的，但您可能需要阅读：Normalized Cross Correlation、Lab 和 CIEXYZ 色彩空间。

【讨论】：

谢谢，我会继续阅读，但要澄清一下：2 个用户从色轮中选择一种颜色来描述现实生活中的物体。我需要决定是否应将 2 种不同的颜色视为“足够接近以完全匹配”、“不匹配”或“不够接近以被视为完全匹配但至少模糊相似”（理想情况下为% 年龄）。是不是更清楚了？
是的，可能没有“标准”解决方案，它可能只是归结为尝试不同的色彩空间。还可以考虑合并训练数据并了解可接受的距离。
我会得出类似的结论 - 理想的方法是使用数百个人工生成的比较数据点来训练系统。不幸的是，在这种情况下，我没有时间/资源来做足够的训练来获得一个像样的数据集。

【解决方案3】：

这听起来像是基于神经网络的方法的主要示例（如果您处于实验模式：），因为它是关于创建模仿人类感知的决策规则。具有六个输入（r，r'，g，g'，b，b'）和一个输出（is_similar）的神经网络可以通过使用例如您自己对作为训练源的相似性的看法！

【讨论】：

有趣的方法——我之前在尝试做一些图像匹配时使用过神经网络（给我找一个看起来与此相似的图像......）并且取得了一定的成功。我没有考虑在这种情况下使用 NN，但它很可能是赢家。我会挖掘出旧代码，把它掸掉然后试一试 - 感谢您的好建议
还有现成的多层感知器，例如neuroph.sourceforge.net
最后，实施 Jerry 提出的 Delta E 2000 建议更快，但我打算在有机会进行比较时尝试 NN。再次感谢您的帮助