Contents — find the section you need
Change parameters and verify
Open the panel, then press Run to load Python. You can stop execution and reset parameters. Results are computed on this device. No Python installation is required.
Local execution steps below are optional for reproducing the source results; they are not required for the browser experiment.
The experiment controls are in English.
开始比较
运行 Identity 并保存为 A，再比较 Linear exposure +1 EV 与 Encoded gain 2×。点击图像或输入 x/y，查看同一坐标处理前后的 C 和 Y。切换到梯度视图检查边缘变化。分享链接保存输入条件，不保存结果 A 或检查坐标。
操作界面提供日语和英语，无需本地安装 Python。
像素值与相对亮度
C 是 0 到 1 的编码灰度值。本 Lab 假定中性 sRGB，即 R=G=B，将其解码为线性相对亮度 Y。C=0.5 对应 Y≈0.214。这里没有相机或显示器校准，不能将结果表示为 cd/m² 的物理亮度。
处理顺序
EV 将线性 Y 乘以 2^EV。随后限制到 0–1、编码为 sRGB、应用编码值的增益与偏移、以 0.5 为中心调整对比度、再次限制，最后应用伽马。γ>1 会提高中间值。增益与偏移后不立即裁剪。第一次裁剪丢失的差异无法通过后续调暗恢复。
Y = decode_sRGB(C) × 2^EV
C₁ = encode_sRGB(clamp(Y, 0, 1))
z = gain × C₁ + offset
z = 0.5 + contrast × (z − 0.5)
C_out = clamp(z, 0, 1)^(1/gamma)
理解测量结果
直方图统计 32 个等宽区间内的实际像素数，包含左端点，只有最后一个区间包含 1。C 与 Y 分别统计。平均 Y 是逐像素解码后的平均值。梯度在 159×119 个位置用向右与向下的差分计算。图像采用固定 C=0–1 标尺，梯度采用 0–√2。裁剪计数统计限制前严格小于 0 或大于 1 的值；唯一像素数去除不同阶段的重复。
| 条件 | 平均C | 平均Y | 平均梯度 [C/px] | 裁剪像素数 |
|---|---|---|---|---|
| 不变 | 0.33267188 | 0.16471655 | 0.01921348 | 0 |
| 曝光 +1 EV | 0.43543366 | 0.26062524 | 0.02188713 | 3331 |
| 编码增益2倍 | 0.52753125 | 0.31717897 | 0.01868123 | 4081 |
| 对比度3倍 | 0.21255208 | 0.21255208 | 0.03113539 | 19200 |
| 低对比度 | 0.46653438 | 0.18743543 | 0.00384270 | 0 |
| 曝光 −2 EV | 0.16257348 | 0.04117914 | 0.01078320 | 0 |
| 伽马2 | 0.54494622 | 0.30339745 | 0.01418886 | 0 |
| 低纹理 | 0.41000000 | 0.14130621 | 0.00075472 | 0 |
联系计算机视觉
比较低对比度与低纹理预设。特征提取、匹配和光流 Lab 使用相同的合成场景。梯度变化会改变检测器输入，光照变化可能破坏光流的亮度恒定假设。仅凭直方图不能测量检测、匹配或跟踪精度。
评论
请先登录。
暂无数据。