别再死记硬背了！用Python Matplotlib手把手教你画出CIE1931色度图与黑体轨迹

用Python Matplotlib实战：从零绘制CIE1931色度图与黑体轨迹

色彩科学是数字图像处理、UI设计和影视制作的基石。对于开发者而言，理解CIE1931色度图不仅有助于精准控制色彩还原，还能优化跨设备色彩一致性。本文将带你用Python和Matplotlib，从原始数据开始，完整实现专业级色度图绘制，并标注黑体轨迹关键点。

1. 环境准备与数据解析

在开始绘制前，需要准备Python环境和原始色度数据。推荐使用Anaconda创建独立环境：

conda create -n color_science python=3.9 conda activate color_science pip install numpy matplotlib

原始数据通常以JSON格式存储，包含光谱轨迹（Spectrum Locus）和黑体轨迹（Blackbody Locus）的xy坐标。我们可以直接使用提供的字典结构：

color_data = { "Spectrum_Locus": { "x": [0.174112234, 0.174007918, ...], "y": [0.004963726, 0.004980549, ...] }, "Blackbody_Locus": { "x": [0.652728231, 0.585713587, ...], "y": [0.344483581, 0.393126202, ...] } }

提示：实际工程中建议将数据保存为JSON文件，使用json.load()读取，避免硬编码

2. 基础色度图绘制

2.1 创建画布与坐标设置

Matplotlib的默认设置不适合色度图展示，需要特别调整：

import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(10, 8)) ax.set_xlim(0, 0.8) ax.set_ylim(0, 0.9) ax.set_aspect('equal') ax.grid(True, alpha=0.3) ax.set_title('CIE 1931 Chromaticity Diagram', pad=20) ax.set_xlabel('x coordinate') ax.set_ylabel('y coordinate')

2.2 绘制光谱轨迹

光谱轨迹需要特殊处理闭合区域和填充色：

from matplotlib.patches import Polygon # 绘制光谱轨迹线 ax.plot(color_data['Spectrum_Locus']['x'], color_data['Spectrum_Locus']['y'], color='black', linewidth=1.5) # 创建填充多边形 polygon = Polygon(list(zip(color_data['Spectrum_Locus']['x'], color_data['Spectrum_Locus']['y'])), closed=True, alpha=0.3) ax.add_patch(polygon)

3. 黑体轨迹实现

3.1 绘制基础轨迹线

黑体轨迹代表不同色温下理想黑体辐射的色彩变化：

bb_x = color_data['Blackbody_Locus']['x'] bb_y = color_data['Blackbody_Locus']['y'] ax.scatter(bb_x, bb_y, s=50, c='red', zorder=5) ax.plot(bb_x, bb_y, 'r--', linewidth=2)

3.2 标注关键色温点

常见色温点及其对应坐标：

标注代码实现：

temperatures = [2856, 5000, 6500, 10000] for temp, x, y in zip(temperatures, bb_x[:4], bb_y[:4]): ax.annotate(f'{temp}K', (x, y), xytext=(10, 10), textcoords='offset points', bbox=dict(boxstyle='round,pad=0.5', fc='yellow', alpha=0.5))

4. 高级可视化技巧

4.1 色彩空间填充

使用imshow实现色域可视化：

import numpy as np # 生成网格坐标 x = np.linspace(0, 0.8, 500) y = np.linspace(0, 0.9, 500) X, Y = np.meshgrid(x, y) # 计算色度坐标到RGB的转换（简化版） Z = np.sqrt(X**2 + Y**2) img = np.dstack((X, Y, Z)) # 显示色域 ax.imshow(img, extent=[0, 0.8, 0, 0.9], origin='lower', alpha=0.4, aspect='auto', zorder=0)

4.2 交互式标注

添加鼠标悬停显示坐标功能：

def on_move(event): if event.inaxes == ax: print(f'x={event.xdata:.4f}, y={event.ydata:.4f}') fig.canvas.mpl_connect('motion_notify_event', on_move)

5. 工程实践应用

5.1 色域检测算法

判断任意xy坐标是否在可见光谱内：

def in_spectrum(x, y, tolerance=0.01): from scipy.spatial import ConvexHull points = np.column_stack([color_data['Spectrum_Locus']['x'], color_data['Spectrum_Locus']['y']]) hull = ConvexHull(points) new_point = np.array([[x, y]]) return all((np.dot(eq[:-1], new_point.T) + eq[-1] <= tolerance) for eq in hull.equations)

5.2 色温到xy坐标转换

实现黑体轨迹插值计算：

from scipy.interpolate import interp1d # 示例色温点（实际需要更完整的数据） temps = [1000, 2000, 2856, 5000, 6500, 10000] bb_interp_x = interp1d(temps, bb_x[:len(temps)], kind='cubic') bb_interp_y = interp1d(temps, bb_y[:len(temps)], kind='cubic') def temp_to_xy(temp): return float(bb_interp_x(temp)), float(bb_interp_y(temp))

在显示器校准项目中，这套代码帮助我快速验证了不同色温设置下的实际色彩表现。最实用的发现是in_spectrum()函数，它能自动过滤掉超出人类视觉范围的无效颜色值，避免了后续计算的资源浪费。