#!/usr/bin/env python
# coding: utf-8

# # Colors

# ![color](https://upload.wikimedia.org/wikipedia/commons/thumb/3/3b/CIE1931xy_blank.svg/452px-CIE1931xy_blank.svg.png)

# Ve starověku byl Démokrites přesvědčen, že světlo je proud částic, které neustále vysílá každý viditelný předmět. Aristotelés však tvrdí, že se ono „průhledné“ šíří asi jako vlnky po vodní hladině. A tehdy začal vědecký spor, jenž se táhne až do dneška. [Janovic2005]
# 
# Spor o povaze světla se obnovil až v druhé polovině 17. století, kdy spolu  soupeřily dvě teorie. První, kterou obhajoval francouzský fyzik Pierre Gassendi (1592-1655), vysvětlovala světlo jako proud drobných částic šířících se nepředstavitelně velkou rychlostí. Druhou teorii předložil francouzský filozof René Descartes (1596-1650), který se domníval, že vesmír vyplňuje určitá látka (nazýval ji „plenum“), která vyvíjí tlak na oči a díky tomuto tlaku podle něj vzniká vidění.
# 
# V moderních dějinách navazuje
# 
# * Newtonova teorie barev
# * Yungova korpuskulární teorie
# * Maxwellova teorie elektromagnetického vlnění
# * Einsteinova kvantová teorie světla
# 
# Dnes již víme, že světlo je elektromagnetické záření. Charakterizuje se frekvencí ν (eventuálně f), která udává počet vln neboli kmitů za sekundu (jednotkou je hertz), a vlnovou délkou $\lambda$.
# 
# ### Diagram barevnosti ###
# 
# Všechny skutečné (reálné) barvy leží uvnitř tzv. plochy nesytých barev, která je v barevné rovině ohraničena křivkou sytých barev diagramu barevnosti.
# 
# ![color](http://www.ped.muni.cz/wphy/publikace/jancovic1_soubory/image060.jpg)
# 
# [Pospisil1998] Pospíšil Jaroslav: Mísení barev a jejich grafické znázornění; Rozhledy matematicko-fyzikální; Praha: SPN, 1998, roč. 75, s. 160-166.
# 
# [Janovic2005] Adam Jančovič. Historie. Vnímání barev. Available at:
# 
# http://www.ped.muni.cz/wphy/publikace/Jancovic1.html

# http://www.ped.muni.cz/wphy/publikace/jancovicdiplomka2_soubory/image200.jpg

# ## Barevný model RGB a CMY

# * Součtové míchání
# * Rozdílové míchání
# 
# ![souctovymodel](http://upload.wikimedia.org/wikipedia/commons/thumb/c/c2/AdditiveColor.svg/220px-AdditiveColor.svg.png)
# ![rozdilovymodel](http://upload.wikimedia.org/wikipedia/commons/thumb/1/19/SubtractiveColor.svg/220px-SubtractiveColor.svg.png)

# In[2]:


duha = skimage.io.imread('http://pixabay.com/static/uploads/photo/2013/07/12/17/20/luck-152048_640.png')
#lena = data.lena()

plt.figure(figsize=(9, 4))
plt.subplot(141)
plt.imshow(duha[:,:,0], cmap='gray')
plt.subplot(142)
plt.imshow(duha[:,:,1], cmap='gray')
plt.subplot(143)
plt.imshow(duha[:,:,2], cmap='gray')
plt.subplot(144)
plt.imshow(duha)


# ## RGB and CMY

# In[1]:


red_rgb = [1, 0, 0]
red_cmy = [0, 1, 1]


# ## Color model HSV and HSL

# ![hsv](https://upload.wikimedia.org/wikipedia/commons/thumb/4/4e/HSV_color_solid_cylinder.png/320px-HSV_color_solid_cylinder.png "HSV")
# ![hsl](https://upload.wikimedia.org/wikipedia/commons/thumb/6/6b/HSL_color_solid_cylinder_saturation_gray.png/320px-HSL_color_solid_cylinder_saturation_gray.png "HSL")

# In[8]:


# import cv2
# duha_hsv = cv2.cvtColor(duha, cv2.COLOR_RGB2HSV)
import skimage.color
print duha.shape

duha_hsv = skimage.color.rgb2hsv(duha[:,:,:3])

plt.subplot(131)
imshow(duha_hsv[:,:,0], cmap='gray')
plt.subplot(132)
imshow(duha_hsv[:,:,1], cmap='gray')
plt.subplot(133)
imshow(duha_hsv[:,:,2], cmap='gray')


# ### When it is usefull to use other than RGB color model

# Pro potřeby klasifikace může být výhodné využívat převod do jiného barevného modelu. 
# Použití RGB je někdy nevhodné například z důvodu možného poklesu osvětlení. Následující ukázka naznačuje 
# práci jednoduchého klasifikátoru podle nejmenší vzdálenosti s RGB barevným prostorem. Neznámý 
# obraz je, pro člověka nepochopitelně, zařazen mezi šedé.

# In[6]:


red = np.array([1.0,0.0,0.0])
gray = np.array([0.4, 0.4, 0.4])
unknown = np.array([0.4,0.0,0.0])

redsq =  red * np.ones([50,50,3])
graysq = gray * np.ones([50,50,3])
unknownsq = unknown * np.ones([50,50,3])


plt.subplot(131)
plt.title('red')
plt.imshow(redsq)

plt.subplot(132)
plt.title('classifed as gray')
plt.imshow(unknownsq)

plt.subplot(133)
plt.title('gray')
plt.imshow(graysq)

print "red [RGB]    ", red
print "unknown [RGB]", unknown
print "gray [RGB]   ", gray
print 'dist to red  ', np.linalg.norm(unknown - red)
print 'dist to gray ', np.linalg.norm(unknown - gray)


# In[20]:


red_hsv = skimage.color.rgb2hsv(red.reshape(1,1,3))
gray_hsv = skimage.color.rgb2hsv(gray.reshape(1,1,3))
unknown_hsv = skimage.color.rgb2hsv(unknown.reshape(1,1,3))

print "red [HSV]    ", red_hsv.squeeze()
print "unknown [HSV]", unknown_hsv.squeeze()
print "gray [HSV]   ", gray_hsv.squeeze()
print 'dist to red  ', np.linalg.norm(unknown_hsv - red_hsv)
print 'dist to gray ', np.linalg.norm(unknown_hsv - gray_hsv)