1 个不稳定版本
| 0.1.0 | 2023年8月18日 |
|---|
#685 in 图像
3.5MB
1K SLoC
图像效果
该项目实际上是一个应用于图像的库。它大量使用了imagecrate，因为它是Rust的主要图像处理库，以及palette库，用于辅助颜色转换等——尽管该项目最初使用了一个定制的颜色库。
目前有两个主要类别的效果，抖动，它适用于图像并支持< strong>有序和< strong>错误传播方法，以及< strong>过滤器，如亮度、对比度、饱和度等，这些过滤器适用于单个像素（因此也适用于图像）。
以下展示了哪些效果适用于哪些类型。
| dither | filter | |
|---|---|---|
pixel |
no | yes |
image |
yes | yes |
gif |
yes | yes |
pixel=[u8; 3]/[u8; 4]image=Vec<Vec<{pixel}>>/ (image)DynamicImage/ (image)ImageBuffer<Rgb(a)<u8>, Vec<u8>>gif= (image)Frame
(image): 来自 image crate。
抖动
方法
由于每次都需要指定黑色和白色调色板，所以将< strong>1位抖动单独列出是为了方便。内部实际上只是调用了带有< strong>1位调色板的常规错误传播函数。
拜耳和< strong>基本由于工作方式不同，在实现上与其他分开。 拜耳，也称为< em>有序抖动，不传播任何错误，只是使用矩阵在原地操纵每个像素。 基本是一个< em>天真的实现，只是将错误传播到右边。
所有其他算法都是通过使用不同的参数来对 误差传播 进行变体。因此，实现是通过创建一个通用的误差传播函数来工作的，该函数接受
- 一个
list的传播偏移量，即错误发送的位置和 增加的量。例如，如果一个矩阵提供 30 个分割，(1, 0, 5)将指向 下一个 像素(x+1, y)并发送 5/30 的错误。 - 分割的数量。大多数算法将错误完全分割，但一些，如 Atkison，只传播 一些。
在此之后，每个算法都通过宏有效地生成。
存在两种类型的抖动：误差传播 和 有序/Bayer。它们之间的唯一相似之处在于它们都会逐像素进行操作，将像素转换成调色板中的最接近匹配。测量哪个颜色是最接近的匹配是在不同的模块 colour 中完成的 - 更多详情 这里。
误差传播
对于这些算法，我要感谢 Tanner Helland 和 Efron Licht 提供的资源。Tanner 写了一篇关于误差传播的文章，包括多种帮助理解这个过程的方法，而 Efron 编写了 dither crate，这为这个项目提供了灵感。
所以，对于 误差传播 算法，在它们找到最接近的匹配后，将计算 误差 - 这实际上是所选颜色和实际颜色之间的 RGB 差异。然后，根据所谓的 传播矩阵 和 部分量 将此错误传播到附近的像素。
传播矩阵 更像是一个坐标列表，除了要传播多少误差外，还以 (dx, dy, portion) 的形式。例如，(1, 0, 5) 将 $\frac{5}{N}$ 的错误发送到下一个右边的像素，其中 $N$ 是 部分量。请注意，错误 不需要 准确分布 - 例如 Atkinson 使用 8 个部分，但只传播 6 个。技术上你也可以 过度传播，但这只是给像素添加额外的错误。
有序 / Bayer
这个算法工作方式非常不同，开始更深入地探讨数学。例如，以下是整个算法的一部分
$$ c' = \textrm{nearest_palette_color}(c + r \times (M(x \textrm{ mod } y, y \textrm{ mod } n) - 1/2)) $$
在这里，$c'$ 是新的颜色，$M$ 是 阈值映射，而 $r$ 是颜色空间中的扩散量。我使用 $r = \frac{255}{3}$ - 但是在代码中它是 $\frac{1}{3}$，因为 rgb 值在 0.0 和 1.0 之间使用。如果诚实地说，我不完全记得我从哪里得到了这个 $r$ 值，但它似乎效果相当不错。
至于 阈值映射，可以预先计算 - 因为那里唯一的变量是矩阵大小，它通常是2的幂。更多关于这一点，请查看 有序抖动的维基百科页面。它们可以预先计算，但这个库支持 任何任意大小。
算法
目前支持以下抖动算法
| 名称 | 1位 | RGB（Web安全） | RGB（8位） |
|---|---|---|---|
| Floyd-Steinberg |  |
 |
 |
| Jarvis-Judice-Ninke |  |
 |
 |
| Stucki |  |
 |
 |
| Atkinson |  |
 |
 |
| Burkes |  |
 |
 |
| Sierra |  |
 |
 |
| SierraTwoRow |  |
 |
 |
| SierraLite |  |
 |
 |
| Bayer 2x2 |  |
 |
 |
| Bayer 4x4 |  |
 |
 |
| Bayer 8x8 |  |
 |
 |
| Bayer 16x16 |  |
 |
 |
过滤器
方法
对于颜色，某些过滤器，如 亮度、饱和度、色调旋转，首先将每个 RGB 像素映射到 HSL 或 LCH。最初，由于计算简单，使用了 HSL。然而，LCH 在表示其各个组成部分方面更为准确。
然而，RGB -> LCH 的计算比 RGB -> HSL 更多。目前代码需要您更改它以使用正确的像素，但可能值得考虑允许用户使用 HSL 以获得最大速度。
算法
目前支持以下效果
| 名称 | 图像 |
|---|---|
| 增加亮度 +0.2 |  |
| 降低亮度 -0.2 |  |
| 增加饱和度 +0.2 |  |
| 降低饱和度 -0.2 |  |
| 对比度 0.5 |  |
| 对比度 1.5 |  |
| 渐变映射 |  |
| 旋转色调 180 |  |
| 量化色调 |  |
参数的尺度如下
- 增加亮度：取
-1.0到1.0。正数增强亮度，1.0 将其设置为最大亮度 - 反之亦然。 - 增加饱和度：与 增加亮度 相同 - 假设最大色度为 128 以便于缩放。（与
palette的文档匹配） - 对比度：接受任何浮点数。
x > 1.0增加对比度。x > 0.0 且 x < 1.0降低对比度。- 负对比度 遵循相似的尺度，其中
-1.0与1.0相同 - 但每个颜色通道都被反转。 - 可能 很有趣尝试在其它空间中进行对比度计算... 这是我需要考虑的事情。
其他任何东西都有特定的类型（量化色调、渐变映射），或者按预期工作（旋转色调）
颜色
曾经有一段时间，我开始手动实现所有颜色空间及其之间的转换。为此还专门编写了一个子库，但后来我发现有人比我先做了这件事，而且做得更好好多了，于是我就把所有的代码都扔掉了。
如果我不是一个收藏家，我就会这么说。
所有这些代码现在都在colour-exercise-rs上——从RGB到HSL，再到LAB和OKLCH，还有更多——从技术上讲，作为一个库并不是很有用，因为直接使用palette会更好，但如果你对颜色感兴趣，并且认为看到别人在学习过程中摸索可能会有所帮助，那么欢迎你来看看！
不过，那段代码的一个残余部分仍然存在。即colour/comparisons.rs实现了多个距离函数。
colour/comparisons.rs
方法
目前使用的颜色距离函数是加权欧几里得，其公式如下：
$$ f(R, G, B) = \begin{cases} \sqrt{2\Delta R^2 + 4\Delta G^2 + 3\Delta B^2} & \overline{R} < 128, \ \sqrt{3\Delta R^2 + 4\Delta G^2 + 2\Delta B^2} & \textrm{otherwise}, \end{cases} $$
这个库还有其他距离函数，例如cie76、cie94和ciede2000。之所以使用加权欧几里得，主要是因为效率更高，并且被认为足够好。不过，代码应该很容易修改以使用其他函数，所以使用的函数可能会改变或变成一个选项。
特别是ciede2000非常复杂，可能慢一个数量级。它可能变得更高效，但就目前而言，它有点不切实际。
依赖项
~16MB
~132K SLoC