用Python绘制CIE1931色度图：从理论到实践的色彩科学之旅

当设计师抱怨屏幕色差、摄影师纠结白平衡设置时，背后隐藏的正是CIE1931色度图的奥秘。这个看似简单的马蹄形图表，实则是现代色彩科学的基石。本文将带你用Python和Matplotlib，亲手实现这个经典色彩模型的动态可视化。

1. 理解CIE1931色度图的核心概念

CIE1931色度图是人类视觉系统对颜色感知的数学表达。1931年国际照明委员会(CIE)定义了标准观察者模型，将人眼对颜色的感知量化为二维坐标。这个马蹄形图表的神奇之处在于：

• 光谱轨迹 ：马蹄形外围曲线，对应可见光谱从380nm到780nm的单色光
• 色度坐标 ：(x,y)值表示颜色在图表中的位置
• 黑体轨迹 ：描述理想黑体随温度升高发出的光色变化路径
• 色域范围 ：图表内任意两点连线表示这两种颜色混合能产生的所有颜色

# 关键参数示例
wavelengths = range(380, 781, 5)  # 可见光谱范围
D65_white = (0.3127, 0.3290)      # 标准白光D65坐标

2. 搭建Python可视化环境

现代数据科学工具让我们能够轻松复现这个经典模型。以下是推荐的开发环境配置：

工具	版本	用途
Python	3.8+	核心编程环境
Matplotlib	3.5+	科学绘图库
NumPy	1.21+	数值计算支持
Jupyter	1.0+	交互式开发环境

安装依赖只需一行命令：

pip install matplotlib numpy ipython

提示：建议使用虚拟环境管理项目依赖，避免版本冲突

3. 绘制光谱轨迹：从数据到图形

原始数据中的光谱轨迹点需要特殊处理才能形成平滑曲线。以下是关键步骤：

1. 数据预处理 ：将提供的JSON格式坐标转换为NumPy数组
2. 曲线闭合 ：确保光谱轨迹形成闭合的马蹄形
3. 插值优化 ：使用样条插值使曲线更平滑

import numpy as np
from scipy import interpolate

# 加载光谱轨迹数据
spectrum_x = np.array(data["Spectrum_Locus"]["x"])
spectrum_y = np.array(data["Spectrum_Locus"]["y"])

# 创建样条插值
tck, u = interpolate.splprep([spectrum_x, spectrum_y], s=0)
u_new = np.linspace(0, 1, 500)
x_smooth, y_smooth = interpolate.splev(u_new, tck)

4. 实现黑体轨迹可视化

黑体轨迹是理解色温的关键。普朗克定律描述了黑体辐射随温度变化的规律：

• 色温范围 ：通常显示1000K到20000K的变化
• 坐标计算 ：需将色温转换为CIE xy坐标
• 标注技巧 ：在曲线上标记典型色温值

# 黑体轨迹绘制示例
bb_x = np.array(data["Blackbody_Locus"]["x"])
bb_y = np.array(data["Blackbody_Locus"]["y"])

plt.plot(bb_x, bb_y, 'r-', label='Blackbody Locus')
plt.text(bb_x[5], bb_y[5], '6500K', ha='right')

5. 高级应用：色域分析与色彩管理

完整的色度图可服务于多种专业场景：

• 显示器色域分析 ：绘制RGB三角形比较不同设备
• 色彩转换验证 ：检查RGB到XYZ的色彩空间转换
• 光源质量评估 ：分析LED光谱与理想黑体的偏差

# 绘制sRGB色域三角形
srgb_red = (0.64, 0.33)
srgb_green = (0.30, 0.60)
srgb_blue = (0.15, 0.06)

plt.plot([srgb_red[0], srgb_green[0], srgb_blue[0], srgb_red[0]],
         [srgb_red[1], srgb_green[1], srgb_blue[1], srgb_red[1]],
         'b--', label='sRGB Gamut')

6. 交互式可视化进阶

静态图表难以展现色彩科学的动态特性。我们可以添加：

• 色温滑块 ：实时观察黑体轨迹变化
• 坐标拾取 ：点击图表显示对应颜色参数
• 光谱叠加 ：可视化不同波长的光谱功率分布

from matplotlib.widgets import Slider

fig, ax = plt.subplots()
plt.subplots_adjust(bottom=0.25)

temp_slider = Slider(plt.axes([0.2, 0.1, 0.6, 0.03]),
                    'Temperature', 1000, 20000,
                    valinit=6500, valstep=100)

def update(val):
    temp = temp_slider.val
    # 更新黑体位置计算
    temp_slider.on_changed(update)

7. 工程实践中的注意事项

在实际色彩管理项目中，有几个关键点需要特别注意：

• 色彩适应 ：人眼对不同环境光的自适应特性
• 元数据嵌入 ：在图像文件中正确存储色彩配置
• 跨平台一致性 ：不同操作系统和浏览器的色彩渲染差异

注意：显示器的实际色域可能小于理论值，校色前应先测量设备特性

完成的可视化项目不仅是一张静态图表，而是理解色彩科学的工作台。通过调整参数、观察变化，你会对白平衡设置、色域限制等日常问题有更直观的认识。