Multi-Band Image растр в RGB
У меня есть набор данных изображения, который является многоканальным набором данных формата arff. Это выглядит так:
8.3000000e+001 9.3000000e+001 9.6000000e+001 7.5000000e+001 1.0000000e+000
8.3000000e+001 9.3000000e+001 9.6000000e+001 7.5000000e+001 1.0000000e+000
8.3000000e+001 9.3000000e+001 9.6000000e+001 7.5000000e+001 1.0000000e+000
8.3000000e+001 9.3000000e+001 9.6000000e+001 7.5000000e+001 1.0000000e+000
7.4000000e+001 8.4000000e+001 8.6000000e+001 7.1000000e+001 1.0000000e+000
7.4000000e+001 8.4000000e+001 8.6000000e+001 7.1000000e+001 1.0000000e+000
7.4000000e+001 8.4000000e+001 8.6000000e+001 7.1000000e+001 1.0000000e+000
7.4000000e+001 8.4000000e+001 8.6000000e+001 7.1000000e+001 1.0000000e+000
Первые 4 атрибута определяют многополосные значения пикселя, а последний атрибут определяет метку класса. Можно ли конвертировать его в формат RGB? У меня есть код Java для классификации изображения на основе значений RGB.
1 ответ
Если я правильно понял, то ответ ДА, но просто для пояснения вот как я это вижу:
Вы получили 4 полосы интенсивности, и вам нужно значение цвета RGB. Последний номер никак не связан с цветом, поэтому игнорируйте его.
Что тебе нужно знать
если интенсивность линейная или нет, и если нелинейная, как преобразовать ее в линейный масштаб. Вы должны знать длину волны или цвет RGB для каждой используемой полосы
как конвертировать
возьмите каждый RGB полосы и умножьте его на его линейную интенсивность, затем сложите их все вместе.
color_rgb = band0_rgb*band0_intensity+...+band3_rgb*band3_intensityкак получить полезную RGB полосы от длины волны
Получите цвет света с длиной волны по значениям RGB видимого спектра и измените его масштаб, так что если вы добавите все полосы вместе с одинаковой интенсивностью, вы получите белый цвет.
Я использую равномерно распределенные полосы через видимый спектр для мультиспектрального рендеринга, и вот как я делаю это в C++:
//---------------------------------------------------------------------------
//--- multi band rendering --------------------------------------------------
//---------------------------------------------------------------------------
const int _Bands=10; // number of bands used
double _Band_RGB[_Bands][3]; // RGB of each band with white bias correction
double _Band_Wavelength[_Bands]; // wavelength of each band
//---------------------------------------------------------------------------
void wavelength2RGB(double *rgb,double lambda) // RGB <0,1> <- lambda <400e-9,700e-9> [m]
{
double r=0.0,g=0.0,b=0.0,t;
if ((lambda>=400.0e-9)&&(lambda<410.0e-9)) { t=(lambda-400.0e-9)/(410.0e-9-400.0e-9); r= +(0.33*t)-(0.20*t*t); }
else if ((lambda>=410.0e-9)&&(lambda<475.0e-9)) { t=(lambda-410.0e-9)/(475.0e-9-410.0e-9); r=0.14 -(0.13*t*t); }
else if ((lambda>=545.0e-9)&&(lambda<595.0e-9)) { t=(lambda-545.0e-9)/(595.0e-9-545.0e-9); r= +(1.98*t)-( t*t); }
else if ((lambda>=595.0e-9)&&(lambda<650.0e-9)) { t=(lambda-595.0e-9)/(650.0e-9-595.0e-9); r=0.98+(0.06*t)-(0.40*t*t); }
else if ((lambda>=650.0e-9)&&(lambda<700.0e-9)) { t=(lambda-650.0e-9)/(700.0e-9-650.0e-9); r=0.65-(0.84*t)+(0.20*t*t); }
if ((lambda>=415.0e-9)&&(lambda<475.0e-9)) { t=(lambda-415.0e-9)/(475.0e-9-415.0e-9); g= +(0.80*t*t); }
else if ((lambda>=475.0e-9)&&(lambda<590.0e-9)) { t=(lambda-475.0e-9)/(590.0e-9-475.0e-9); g=0.8 +(0.76*t)-(0.80*t*t); }
else if ((lambda>=585.0e-9)&&(lambda<639.0e-9)) { t=(lambda-585.0e-9)/(639.0e-9-585.0e-9); g=0.84-(0.84*t) ; }
if ((lambda>=400.0e-9)&&(lambda<475.0e-9)) { t=(lambda-400.0e-9)/(475.0e-9-400.0e-9); b= +(2.20*t)-(1.50*t*t); }
else if ((lambda>=475.0e-9)&&(lambda<560.0e-9)) { t=(lambda-475.0e-9)/(560.0e-9-475.0e-9); b=0.7 -( t)+(0.30*t*t); }
rgb[0]=r;
rgb[1]=g;
rgb[2]=b;
}
//---------------------------------------------------------------------------
double wavelength2int(double lambda) // white bias correction intensity <0,1+> <- lambda <400e-9,700e-9> [m]
{ // this is mine empirically deduced equation and works for evenly distributed bands
const double a0= 8.50/double(_swColorWavelengths);// for 3-5 bands low bias, >5 almost no visible bias present
const double a1=-27.37/double(_swColorWavelengths);
const double a2=+26.35/double(_swColorWavelengths);
double t=divide(lambda-400e-9,700e-9-400e-9);
return (a0)+(a1*t)+(a2*t*t);
}
//---------------------------------------------------------------------------
void init_multiband_colors() // init evenly distributed bands through visible spectrum range
{
double l,dl; int ix;
l=405e-9; dl=695e-9; dl=divide(dl-l,_Bands); l+=0.5*dl;
for (ix=_Bands-1;ix>=0;ix--,l+=dl) // init colors and wavelengths (multispectral rendering)
{
_Band_Wavelength[ix]=l;
wavelength2RGB(_Band_RGB[ix],l);
_Band_RGB[ix][0]*=wavelength2int(l); // white bias removal
_Band_RGB[ix][1]*=wavelength2int(l);
_Band_RGB[ix][2]*=wavelength2int(l);
}
}
//---------------------------------------------------------------------------
//---------------------------------------------------------------------------
//---------------------------------------------------------------------------
Вот как это выглядит:
первая строка показывает количество и цвет используемых полос, вторая - часть визуализированного изображения белого цвета с использованием мультиспектрального рендеринга. Как вы можете видеть небольшой белый уклон есть. Я делаю эту формулу максимально приближенной к белому для любого количества используемых полос (>=3), Идея в том, что если у вас белый шум (все частоты одинаковой интенсивности), то вы получите белый цвет. Поэтому, когда добавляете все используемые цвета полос, у вас должен быть белый цвет. Таким образом, я эмпирически экспериментировал с масштабированием цветов в зависимости от длины волны, и это то, что я придумал...
если ваши группы распределены неравномерно
Затем вам нужно объединить все равномерно распределенные полосы, которые они охватывают, например:
- установить цвета для 100 полос
- разделите их на 4 группы
- объединить каждую группу, чтобы получить цвет полосы
- масштабировать цвета интегрированной полосы до общей используемой шкалы, такой как
/=100 - проверьте белый уклон