图像处理------颜色梯度变化 (Color Gradient)
有过UI设计经验的一定对2D图形渲染中的Color Gradient 或多或少有些接触,很多编程
语言也提供了Gradient的接口,但是想知道它是怎么实现的嘛?
本文介绍三种简单的颜色梯度变化算法,就可以很容易实现常见的梯度变化算法
三种都要求提供两个参数即起始颜色RGB值, 最终颜色RGB的值。
垂直梯度颜色变化,效果如下:

水平梯度颜色变化,效果如下:

水平与垂直两个方向叠加梯度变化效果如下:

算法代码及其解释
计算起始颜色和终点颜色RGB之间差值代码如下:
float rr = startColor[0] - endColor[0];
float gg = startColor[1] - endColor[1];
float bb = startColor[2] - endColor[2];
实现垂直梯度变化的代码如下:
r = endColor[0] + (int)(rr * ((float)row/255.0f) +0.5f);
g = endColor[1] + (int)(gg * ((float)row/255.0f) +0.5f);
b = endColor[2] + (int)(bb * ((float)row/255.0f) +0.5f);
实现水平梯度变化代码如下:
// set gradient color valuefor each pixel
r = endColor[0] + (int)(rr * ((float)col/255.0f) +0.5f);
g = endColor[1] + (int)(gg * ((float)col/255.0f) + 0.5f);
b = endColor[2] + (int)(bb * ((float)col/255.0f) +0.5f);
实现水平和垂直两个方向上Gradient叠加代码如下:
r = endColor[0] + (int)(rr * (((float)col * (float)row)/size) +0.5f);
g = endColor[1] + (int)(gg * (((float)col * (float)row)/size) +0.5f);
b = endColor[2] + (int)(bb * (((float)col * (float)row)/size) +0.5f);
程序对上面三种Gradient方法分别放在三个不同的方法中,根据参数调用。
程序的完全Java源代码如下:
- import java.awt.BorderLayout;
- import java.awt.Dimension;
- import java.awt.Graphics;
- import java.awt.Graphics2D;
- import java.awt.RenderingHints;
- import java.awt.image.BufferedImage;
- import javax.swing.JComponent;
- import javax.swing.JFrame;
- public class ColorGradientDemo extends JComponent {
- /**
- *
- */
- private static final long serialVersionUID = -4134440495899912869L;
- private BufferedImage image = null;
- protected void paintComponent(Graphics g) {
- Graphics2D g2 = (Graphics2D)g;
- g2.setRenderingHint(RenderingHints.KEY_ANTIALIASING, RenderingHints.VALUE_ANTIALIAS_ON);
- g2.drawImage(getImage(4), 5, 5, image.getWidth(), image.getHeight(), null);
- }
- public BufferedImage getImage(int type) {
- if(image == null) {
- image = new BufferedImage(256, 256, BufferedImage.TYPE_INT_ARGB);
- int[] rgbData = new int[256*256];
- if(type == 1) {
- generateVGradientImage(rgbData);
- } else if(type == 2) {
- generateHGradientImage(rgbData);
- } else {
- generateHVGradientImage(rgbData);
- }
- setRGB(image, 0, 0, 256, 256, rgbData);
- }
- return image;
- }
- private void generateVGradientImage(int[] rgbData) {
- int[] startColor = getStartColor();
- int[] endColor = getEndColor();
- float rr = startColor[0] - endColor[0];
- float gg = startColor[1] - endColor[1];
- float bb = startColor[2] - endColor[2];
- int a=255;
- int r=0, g=0, b=0;
- int index = 0;
- for(int row=0; row<256; row++) {
- for(int col=0; col<256; col++) {
- // set random color value for each pixel
- // set gradient color value for each pixel
- r = endColor[0] + (int)(rr * ((float)row/255.0f) + 0.5f);
- g = endColor[1] + (int)(gg * ((float)row/255.0f) + 0.5f);
- b = endColor[2] + (int)(bb * ((float)row/255.0f) + 0.5f);
- rgbData[index] = ((a & 0xff) << 24) |
- ((r & 0xff) << 16) |
- ((g & 0xff) << 8) |
- ((b & 0xff));
- index++;
- }
- }
- }
- private void generateHGradientImage(int[] rgbData) {
- int[] startColor = getStartColor();
- int[] endColor = getEndColor();
- float rr = startColor[0] - endColor[0];
- float gg = startColor[1] - endColor[1];
- float bb = startColor[2] - endColor[2];
- int a=255;
- int r=0, g=0, b=0;
- int index = 0;
- for(int row=0; row<256; row++) {
- for(int col=0; col<256; col++) {
- // set gradient color value for each pixel
- r = endColor[0] + (int)(rr * ((float)col/255.0f) + 0.5f);
- g = endColor[1] + (int)(gg * ((float)col/255.0f) + 0.5f);
- b = endColor[2] + (int)(bb * ((float)col/255.0f) + 0.5f);
- rgbData[index] = ((a & 0xff) << 24) |
- ((r & 0xff) << 16) |
- ((g & 0xff) << 8) |
- ((b & 0xff));
- index++;
- }
- }
- }
- private void generateHVGradientImage(int[] rgbData) {
- int[] startColor = getStartColor();
- int[] endColor = getEndColor();
- float rr = startColor[0] - endColor[0];
- float gg = startColor[1] - endColor[1];
- float bb = startColor[2] - endColor[2];
- int a=255;
- int r=0, g=0, b=0;
- int index = 0;
- float size = (float)Math.pow(255.0d, 2.0);
- for(int row=0; row<256; row++) {
- for(int col=0; col<256; col++) {
- // set random color value for each pixel
- r = endColor[0] + (int)(rr * (((float)col * (float)row)/size) + 0.5f);
- g = endColor[1] + (int)(gg * (((float)col * (float)row)/size) + 0.5f);
- b = endColor[2] + (int)(bb * (((float)col * (float)row)/size) + 0.5f);
- rgbData[index] = ((a & 0xff) << 24) |
- ((r & 0xff) << 16) |
- ((g & 0xff) << 8) |
- ((b & 0xff));
- index++;
- }
- }
- }
- public int[] getStartColor() {
- return new int[]{246,53,138};
- }
- public int[] getEndColor() {
- return new int[]{0,255,255};
- }
- public void setRGB( BufferedImage image, int x, int y, int width, int height, int[] pixels ) {
- int type = image.getType();
- if ( type == BufferedImage.TYPE_INT_ARGB || type == BufferedImage.TYPE_INT_RGB )
- image.getRaster().setDataElements( x, y, width, height, pixels );
- else
- image.setRGB( x, y, width, height, pixels, 0, width );
- }
- public static void main(String[] args) {
- JFrame frame = new JFrame("Gradient Color Panel");
- frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
- frame.getContentPane().setLayout(new BorderLayout());
- // Display the window.
- frame.getContentPane().add(new ColorGradientDemo(), BorderLayout.CENTER);
- frame.setPreferredSize(new Dimension(280,305));
- frame.pack();
- frame.setVisible(true);
- }
- }
图像处理------颜色梯度变化 (Color Gradient)的更多相关文章
- 梯度下降(Gradient Descent)小结
在求解机器学习算法的模型参数,即无约束优化问题时,梯度下降(Gradient Descent)是最常采用的方法之一,另一种常用的方法是最小二乘法.这里就对梯度下降法做一个完整的总结. 1. 梯度 在微 ...
- 梯度下降(Gradient Descent)
在求解机器学习算法的模型参数,即无约束优化问题时,梯度下降(Gradient Descent)是最常采用的方法之一,另一种常用的方法是最小二乘法.这里就对梯度下降法做一个完整的总结. 1. 梯度 在微 ...
- [机器学习] ML重要概念:梯度(Gradient)与梯度下降法(Gradient Descent)
引言 机器学习栏目记录我在学习Machine Learning过程的一些心得笔记,涵盖线性回归.逻辑回归.Softmax回归.神经网络和SVM等等,主要学习资料来自网上的免费课程和一些经典书籍,免费课 ...
- Delphi图像处理 -- 颜色矩阵变换
转载自阿发伯:http://blog.csdn.net/maozefa/article/details/8316430 阅读提示: <Delphi图像处理>系列以效率为侧重点,一般 ...
- 16个基本颜色关键字 Basic color keywords
16个基本颜色关键字 Basic color keywords Color Color Name HEX RGB black #000000 0,0,0 silver #C0C0C0 192, ...
- 自然梯度(Natural Gradient)
自然梯度(Natural Gradient)
- 机器学习算法的调试---梯度检验(Gradient Checking)
梯度检验是一种对求导结果进行数值检验的方法,该方法可以验证求导代码是否正确. 1. 数学原理 考虑我们想要最小化以 θ 为自变量的目标函数 J(θ)(θ 可以为标量和可以为矢量,在 Numpy 的 ...
- 梯度下降(Gradient Descent)相关概念
梯度,直观理解: 梯度: 运算的对像是纯量,运算出来的结果会是向量在一个标量场中, 梯度的计算结果会是"在每个位置都算出一个向量,而这个向量的方向会是在任何一点上从其周围(极接近的周围,学过 ...
- One-hot 编码/TF-IDF 值来提取特征,LAD/梯度下降法(Gradient Descent),Sigmoid
1. 多值无序类数据的特征提取: 多值无序类问题(One-hot 编码)把“耐克”编码为[0,1,0],其中“1”代表了“耐克”的中 间位置,而且是唯一标识.同理我们可以把“中国”标识为[1,0],把 ...
随机推荐
- html5的video标签自动播放
概念澄清 这里的"自动播放",是指用户的视觉效果,并不一定是元素自身的自动播放. 查看相关文档后,有以下两种最简方案. 配置属性 发现有video标签有一个自动播放的属性autop ...
- 为PHP设置服务器(Apache/Nginx)环境变量
为PHP设置服务器(Apache/Nginx)环境变量 设置环境变量常见的地方为区分开发环境/生产环境,或者定义一些数据库的帐号密码 设置Apache环境变量 指令 设置当前环境变量为DEV SetE ...
- 01_什么是数据结构以及C语言指针回顾
一.数据结构是什么 如何把现实中大量而复杂的问题,以特定的数据类型和特定的数据存储结构保存到计算机的存储器中. 数据存储包括两方面:个体存储的集合.个体与个体之间的关系的存储 程序 = 算法 + 数据 ...
- ABP示例程序-使用AngularJs,ASP.NET MVC,Web API和EntityFramework创建N层的单页面Web应用
本片文章翻译自ABP在CodeProject上的一个简单示例程序,网站上的程序是用ABP之前的版本创建的,模板创建界面及工程文档有所改变,本文基于最新的模板创建.通过这个简单的示例可以对ABP有个更深 ...
- IDEA tomcat启动异常 org.apache.catalina.startup.ContextConfig parseWebXml
启动Tomcat发现有异常,总是无法启动,具体的异常日志为下图 具体的解决方法为:在tomcat的conf/content.xml中加上<Loader delegate="true&q ...
- NIO内存映射
磁盘的IO因为速度较慢,可能成为系统运行的瓶颈.所以磁盘的IO在操作系统级实现了提前读,延迟写的机制来提升IO的性能. 提前读就是一次读取需求的数据的同时多读接下来的一段数据至OS缓冲区中,延迟写就是 ...
- Python基础篇(五)
bool用于判断布尔值的结果是True还是False >>> bool("a") True >>> bool(3) True >>& ...
- bzoj 4033: [HAOI2015]树上染色 [树形DP]
4033: [HAOI2015]树上染色 我写的可是\(O(n^2)\)的树形背包! 注意j倒着枚举,而k要正着枚举,因为k可能从0开始,会使用自己更新一次 #include <iostream ...
- 第三方页面嵌入到web项目的方案 之 使用iframe嵌入
有些项目中可能会遇到这样的需求, 需要在一个项目中嵌入其他的项目的页面或者功能.并且需要这两个页面之间能够进行交互. 本文主要介绍如何实现这种第三方应用的嵌入, 主要有以下几个方向: 1.iframe ...
- SQL Server 页面查询超时(SOS_SCHEDULER_YIELD等待)
一.问题概述 问题大概是这样的,有一个功能页面经常查询超时,有时候就算能查询出来也要很长的时间,但是有时又会很快.遇到的这种问题在排除掉网络原因之后基本上可以从查询语句上去找原因. 编译查询SQL语句 ...