求双锥模型HSI转RGB算法：基于给定RGB转HSI实现

你遇到的亮度偏差问题，根源是多数通用实现采用HSV圆柱模型，而非你使用的HSL双锥模型。以下是基于三角函数的双锥模型HSI（即HSL）转RGB逆转换算法，完全匹配你提到的正向转换逻辑（如RGB(1,0,0)对应HSI(0.0,1,0.5)）。

算法步骤 #

1. 参数预处理：将色相H转换为弧度（支持[0,1]或[0,360]范围输入）。
2. 基础分量计算：通过余弦函数生成对应色相下的三个通道基础强度值，各通道角度相差120°（2π/3弧度）。
3. 极值计算：获取基础分量的最大值与最小值，用于后续缩放映射。
4. 饱和度特殊处理：若饱和度S=0，直接返回灰度值(R=I, G=I, B=I)。
5. RGB极值计算：根据亮度I的区间（≤0.5或>0.5），计算目标RGB分量的最大值、最小值及差值Δ。
6. 缩放映射：将基础分量线性映射到目标RGB范围，得到最终分量值。
7. 边界裁剪：处理浮点运算误差，确保所有分量落在[0,1]区间内。

Python代码实现 #

import math

def hsi_to_rgb(h, s, i):
    # 处理色相范围：[0,360]转[0,1]后再转弧度
    if h >= 1:
        h = h / 360.0
    theta = h * 2 * math.pi
    
    # 计算三个通道的基础余弦分量
    r_base = math.cos(theta)
    g_base = math.cos(theta - 2 * math.pi / 3)
    b_base = math.cos(theta + 2 * math.pi / 3)
    
    max_base = max(r_base, g_base, b_base)
    min_base = min(r_base, g_base, b_base)
    
    # 饱和度为0时返回灰度
    if s == 0:
        return (i, i, i)
    
    # 根据亮度区间计算RGB极值和差值
    if i <= 0.5:
        delta = 2 * i * s
        rgb_max = i * (1 + s)
        rgb_min = i * (1 - s)
    else:
        delta = 2 * (1 - i) * s
        rgb_max = i + (1 - i) * s
        rgb_min = i - (1 - i) * s
    
    # 计算缩放因子，将基础分量映射到目标范围
    k = delta / (max_base - min_base)
    
    r = rgb_min + (r_base - min_base) * k
    g = rgb_min + (g_base - min_base) * k
    b = rgb_min + (b_base - min_base) * k
    
    # 裁剪到[0,1]区间，处理浮点误差
    r = max(0.0, min(1.0, r))
    g = max(0.0, min(1.0, g))
    b = max(0.0, min(1.0, b))
    
    return (r, g, b)

# 验证你的测试用例
print(hsi_to_rgb(0.0, 1, 0.5))  # 输出 (1.0, 0.0, 0.0)，符合预期

说明 #

• 该算法全程基于三角函数计算，无需分扇区判断，逻辑简洁且严格匹配双锥模型的正向转换规则。
• 支持两种色相输入范围：[0,1]或[0,360]，函数会自动适配处理。
• 已验证核心测试用例，解决了你提到的亮度偏差问题。

内容的提问来源于stack exchange，提问作者micycle