记一次HEX和RGB互换算法的思考及应用

简介: 由于笔者最近在开发可视化平台,所以对动态编辑器这块做了一段时间的研究, 发现其中有个小模块的知识点比较有意思,所以在这里分享一下.

网络异常,图片无法展示
|



由于笔者最近在开发可视化平台,所以对动态编辑器这块做了一段时间的研究, 发现其中有个小模块的知识点比较有意思,所以在这里分享一下.


作为前端工程师, 我们平时在对接设计稿的时候, 是不是经常会涉及到颜色值的转换呢? 比如从HEX值转化到RGB值, 亦或者是从RGB值转换到HEX值, 这块在PhotoShop等设计软件中非常常见, 在做类似于画板, 设计类的IDE的时候也经常会用到它们的互相转换, 还有一种场景是,为了满足老板对高大上特效的要求, 我们要让动画在不同的时间显示不同的颜色,而且有过渡效果(过渡效果虽然可以通过transiton来实现)


所以笔者在这里就分享一下HEXRGB之间相互转换的原理和算法, 并且实现随机生成HEX值随机生成RGB值的函数,最后带着大家深度理解和掌握颜色领域的应用.


1 文章摘要



  • HEX与16进制
  • HEX转RGB算法
  • RGB转HEX算法
  • 应用场景


2 HEX(16进制)



十六进制(英文名称:Hexadecimal),是计算机中数据的一种表示方法。和我们平常的表示法不一样。它由0-9,A-F组成,字母不区分大小写。与10进制的对应关系是:0-9对应0-9;A-F对应10-15;N进制的数可以用0~(N-1)的数表示,超过9的用字母A-F。


以上概念非常重要, 这也是我们转换RGB的关键. 还有一个知识点需要我们掌握的就是进制转换. 在计算机基础中我们都知道如何将二进制转化为十进制, 10进制数转换成16进制的方法,和转换为2进制的方法类似,唯一的变化:除数由2变成16. 举个例子, 我们拿140来举例:


被除数 计算过程 余数

140

140/16

8

12

8

8/16

0

8


所以140转换为16进制,结果为:8C (由十六进制的定义我们知道14对应的字母为E)

以上就是掌握HEX和RGB互相转换的核心知识点,  接下来我们来看看互相转换的算法实现.


3 HEX转RGB算法



HEX 颜色值转换成 RGB 颜色值,本质上是HEX的第一位数乘以16加上第二位数. 举个例子: 转换颜色为 #1821DD的 HEX 值到 RGB 值.


#1821DD ----------> rgb:18---->r: r的值就是: 1*16+8=2421---->g: g的值就是: 2*16+1=33DD---->b: b的值就是: 13*16+13=221

以上转换的结果为rgb: (24, 33, 221), 怎么样, 是不是很简单? 接下来我们来看看具体的算法实现:

consthex2rgb= (hex: string=''):string=> {
//  针对于传入错误的hex,即长度不等于7或者不等于4的if(![4,7].includes(hex.length)) {
thrownewError('格式错误') 
  }
letresult=hex.slice(1)
// 如果是颜色叠值, 统一转换成6位颜色值if(result.length===3) {
result=result.split('').map(a=>`${a}${a}`).join('')
  }
constrgb:number[] = []
// 计算hex值for(leti=0, len=result.length; i<len; i+=2) {
rgb[i/2] =getHexVal(result[i]) *16+getHexVal(result[i+1])
  }
functiongetHexVal(letter:string):number {
letnum:number=-1;
switch(letter.toUpperCase()) {
case"A":
num=10break;
case"B":
num=11break;
case"C":
num=12break;
case"D":
num=13break;
case"E":
num=14break;
case"F":
num=15break;
    }
if(num<0) {
num=Number(letter)
    }
returnnum  }
return`rgb(${rgb[0]}, ${rgb[1]}, ${rgb[2]})`}

当然还有更其他方法可以实现REXRGB, 大家可以自行探索.


4 RGB转HEX算法



对于RGB转HEX, 方法类似, 只不过相当于上述方法的逆运算, 笔者实现一种思路, 大家可以参考学习:

constrgb2hex= (rgb: string):string=> {
letstr=rgb.replace(/rgb\((.*)\)/g, '$1')
letstrArr=str.split(',').map(t=>t.trim())
letresult:string[] = []
for(leti:number=0, len:number=strArr.length; i<len; i++) {
letcurVal=Number(strArr[i])
letleft=getHexStr(String(Math.floor(curVal/16)))
letright=getHexStr(String(Math.floor(curVal%16)))
result[i] =left+right  }
functiongetHexStr(v:string):string {
letstr:string='';
switch(v) {
case'10':
str="A"break;
case'11':
str="B"break;
case'12':
str="C"break;
case'13':
str="D"break;
case'14':
str="E"break;
case'15':
str="F"break;
    }
if(!str) {
str=v    }
returnstr  }
return`#${result.join('')}`}

以上就是反转的算法, 大家掌握了吗?接下来我们来聊聊它的应用场景.


目录
相关文章
|
4小时前
|
算法 Python
利用贝叶斯算法对简单应用实现预测分类
利用贝叶斯算法对简单应用实现预测分类
4 0
|
4小时前
|
机器学习/深度学习 算法 API
【Paddle】PCA线性代数基础 + 领域应用:人脸识别算法(1.1w字超详细:附公式、代码)
【Paddle】PCA线性代数基础 + 领域应用:人脸识别算法(1.1w字超详细:附公式、代码)
6 0
|
4小时前
|
机器学习/深度学习 数据采集 算法
深入理解并应用机器学习算法:支持向量机(SVM)
【5月更文挑战第13天】支持向量机(SVM)是监督学习中的强分类算法,用于文本分类、图像识别等领域。它寻找超平面最大化间隔,支持向量是离超平面最近的样本点。SVM通过核函数处理非线性数据,软间隔和正则化避免过拟合。应用步骤包括数据预处理、选择核函数、训练模型、评估性能及应用预测。优点是高效、鲁棒和泛化能力强,但对参数敏感、不适合大规模数据集且对缺失数据敏感。理解SVM原理有助于优化实际问题的解决方案。
|
4小时前
|
机器学习/深度学习 算法
理解并应用机器学习算法:决策树
【5月更文挑战第12天】决策树是直观的分类与回归机器学习算法,通过树状结构模拟决策过程。每个内部节点代表特征属性,分支代表属性取值,叶子节点代表类别。构建过程包括特征选择(如信息增益、基尼指数等)、决策树生成和剪枝(预剪枝和后剪枝)以防止过拟合。广泛应用在信贷风险评估、医疗诊断等领域。理解并掌握决策树有助于解决实际问题。
|
4小时前
|
机器学习/深度学习 算法
应用规则学习算法识别有毒的蘑菇
应用规则学习算法识别有毒的蘑菇
|
4小时前
|
存储 机器学习/深度学习 算法
R语言贝叶斯Metropolis-Hastings采样 MCMC算法理解和应用可视化案例
R语言贝叶斯Metropolis-Hastings采样 MCMC算法理解和应用可视化案例
|
4小时前
|
数据采集 机器学习/深度学习 算法
数据分享|WEKA关联规则挖掘Apriori算法在学生就业数据中的应用
数据分享|WEKA关联规则挖掘Apriori算法在学生就业数据中的应用
|
4小时前
|
机器学习/深度学习 自然语言处理 算法
机器学习算法原理与应用:深入探索与实战
【5月更文挑战第2天】本文深入探讨机器学习算法原理,包括监督学习(如线性回归、SVM、神经网络)、非监督学习(聚类、PCA)和强化学习。通过案例展示了机器学习在图像识别(CNN)、自然语言处理(RNN/LSTM)和推荐系统(协同过滤)的应用。随着技术发展,机器学习正广泛影响各领域,但也带来隐私和算法偏见问题,需关注解决。
|
4小时前
|
机器学习/深度学习 算法 C语言
【C言专栏】递归算法在 C 语言中的应用
【4月更文挑战第30天】本文介绍了递归算法在C语言中的应用,包括基本概念(通过调用自身解决子问题)、特点(调用自身、终止条件、栈空间)和实现步骤(定义递归函数、分解问题、设置终止条件、组合解)。文中通过阶乘计算和斐波那契数列两个案例展示了递归的使用,强调了递归可能导致的栈溢出问题及优化需求。学习递归有助于理解和应用“分而治之”策略。
|
4小时前
|
机器学习/深度学习 数据可视化 算法
【Python机器学习专栏】t-SNE算法在数据可视化中的应用
【4月更文挑战第30天】t-SNE算法是用于高维数据可视化的非线性降维技术,通过最小化Kullback-Leibler散度在低维空间保持数据点间关系。其特点包括:高维到二维/三维映射、保留局部结构、无需预定义簇数量,但计算成本高。Python中可使用`scikit-learn`的`TSNE`类实现,结合`matplotlib`进行可视化。尽管计算昂贵,t-SNE在揭示复杂数据集结构上极具价值。