ii-pix/palette.py
kris ad9515dcf2 Implement NTSC emulation, using an 8 pixel window for chroma signal.
Use this to precompute a new ntsc palette with 256 entries (though
only 84 unique colours) that are available by appropriate pixel
sequences.  Unfortunately the precomputed distance matrix for this
palette is 4GB!

Optimize the precomputation to be less memory hungry, while also
making efficient use of the mmapped output file.

Add support for dithering images using this 8-bit palette depth,
i.e. to optimize for NTSC rendering.  This often gives better image
quality since more colours are available, especially when modulating
areas of similar colour.

Fix 140 pixel dithering and render the output including NTSC fringing
instead of the unrealistic 140px output that doesn't include it.

Add support for rendering output image using any target palette, which
is useful e.g. for comparing how an 8-pixel NTSC rendered image will
be displayed on an emulator using 4-pixel ntsc emulation (there is
usually some colour bias, because the 8 pixel chroma blending tends to
average away colours).

Switch the output binary format to write AUX memory first, which
matches the image format of other utilities.
2021-02-14 23:34:25 +00:00

391 lines
14 KiB
Python

"""RGB colour palettes to target for Apple II image conversions."""
import numpy as np
import image
class Palette:
RGB = {}
SRGB = None
DOTS = {}
DOTS_TO_INDEX = {}
DISTANCES_PATH = None
# How many successive screen pixels are used to compute output pixel
# palette index.
PALETTE_DEPTH = None
def __init__(self, load_distances=True):
if load_distances:
# CIE2000 colour distance matrix from 24-bit RGB tuple to 4-bit
# palette colour.
self.distances = np.memmap(self.DISTANCES_PATH, mode="r+",
dtype=np.uint8, shape=(16777216,
len(self.SRGB)))
self.RGB = {}
for k, v in self.SRGB.items():
self.RGB[k] = (np.clip(image.srgb_to_linear_array(v / 255), 0.0,
1.0) * 255).astype(np.uint8)
# Maps palette values to screen dots. Note that these are the same as
# the binary index values in reverse order.
for i in range(1 << self.PALETTE_DEPTH):
self.DOTS[i] = tuple(
bool(i & (1 << j)) for j in range(self.PALETTE_DEPTH))
# Reverse mapping from screen dots to palette index.
self.DOTS_TO_INDEX = {}
for k, v in self.DOTS.items():
self.DOTS_TO_INDEX[v] = k
class ToHgrPalette(Palette):
DISTANCES_PATH = "data/distances_tohgr.data"
PALETTE_DEPTH = 4
# Default tohgr/bmp2dhr palette
SRGB = {
0: np.array((0, 0, 0)), # Black
8: np.array((148, 12, 125)), # Magenta
4: np.array((99, 77, 0)), # Brown
12: np.array((249, 86, 29)), # Orange
2: np.array((51, 111, 0)), # Dark green
10: np.array((126, 126, 126)), # Grey2
6: np.array((67, 200, 0)), # Green
14: np.array((221, 206, 23)), # Yellow
1: np.array((32, 54, 212)), # Dark blue
9: np.array((188, 55, 255)), # Violet
5: np.array((126, 126, 126)), # Grey1
13: np.array((255, 129, 236)), # Pink
3: np.array((7, 168, 225)), # Med blue
11: np.array((158, 172, 255)), # Light blue
7: np.array((93, 248, 133)), # Aqua
15: np.array((255, 255, 255)), # White
}
class OpenEmulatorPalette(Palette):
DISTANCES_PATH = "data/distances_openemulator.data"
PALETTE_DEPTH = 4
# OpenEmulator
SRGB = {
0: np.array((0, 0, 0)), # Black
8: np.array((203, 0, 121)), # Magenta
4: np.array((99, 103, 0)), # Brown
12: np.array((244, 78, 0)), # Orange
2: np.array((0, 150, 0)), # Dark green
10: np.array((130, 130, 130)), # Grey2
6: np.array((0, 235, 0)), # Green
14: np.array((214, 218, 0)), # Yellow
1: np.array((20, 0, 246)), # Dark blue
9: np.array((230, 0, 244)), # Violet
5: np.array((130, 130, 130)), # Grey1
13: np.array((244, 105, 235)), # Pink
3: np.array((0, 174, 243)), # Med blue
11: np.array((160, 156, 244)), # Light blue
7: np.array((25, 243, 136)), # Aqua
15: np.array((244, 247, 244)), # White
}
class VirtualIIPalette(Palette):
DISTANCES_PATH = "data/distances_virtualii.data"
PALETTE_DEPTH = 4
SRGB = {
0: np.array((0, 0, 0)), # Black
8: np.array((231, 36, 66)), # Magenta
4: np.array((154, 104, 0)), # Brown
12: np.array((255, 124, 0)), # Orange
2: np.array((0, 135, 45)), # Dark green
10: np.array((104, 104, 104)), # Grey2
6: np.array((0, 222, 0)), # Green
14: np.array((255, 252, 0)), # Yellow
1: np.array((1, 30, 169)), # Dark blue
9: np.array((230, 73, 228)), # Violet
5: np.array((185, 185, 185)), # Grey1
13: np.array((255, 171, 153)), # Pink
3: np.array((47, 69, 255)), # Med blue
11: np.array((120, 187, 255)), # Light blue
7: np.array((83, 250, 208)), # Aqua
15: np.array((255, 255, 255)), # White
}
class NTSCPalette(Palette):
DISTANCES_PATH = 'data/distances_ntsc.data'
PALETTE_DEPTH = 8
# Computed using ntsc_colours.py
SRGB = {
0: np.array((0, 0, 0)),
1: np.array((0, 0, 62)),
2: np.array((0, 18, 0)),
3: np.array((0, 3, 28)),
4: np.array((44, 14, 0)),
5: np.array((0, 0, 0)),
6: np.array((0, 32, 0)),
7: np.array((0, 18, 0)),
8: np.array((67, 0, 34)),
9: np.array((22, 0, 96)),
10: np.array((0, 0, 0)),
11: np.array((0, 0, 62)),
12: np.array((112, 0, 0)),
13: np.array((67, 0, 34)),
14: np.array((44, 14, 0)),
15: np.array((0, 0, 0)),
16: np.array((24, 54, 131)),
17: np.array((0, 40, 193)),
18: np.array((0, 73, 97)),
19: np.array((0, 58, 159)),
20: np.array((69, 69, 69)),
21: np.array((24, 54, 131)),
22: np.array((1, 87, 35)),
23: np.array((0, 73, 97)),
24: np.array((91, 36, 165)),
25: np.array((47, 22, 227)),
26: np.array((24, 54, 131)),
27: np.array((0, 40, 193)),
28: np.array((136, 50, 103)),
29: np.array((91, 36, 165)),
30: np.array((69, 69, 69)),
31: np.array((24, 54, 131)),
32: np.array((1, 87, 35)),
33: np.array((0, 73, 97)),
34: np.array((0, 105, 1)),
35: np.array((0, 91, 63)),
36: np.array((46, 101, 0)),
37: np.array((1, 87, 35)),
38: np.array((0, 120, 0)),
39: np.array((0, 105, 1)),
40: np.array((69, 69, 69)),
41: np.array((24, 54, 131)),
42: np.array((1, 87, 35)),
43: np.array((0, 73, 97)),
44: np.array((113, 83, 7)),
45: np.array((69, 69, 69)),
46: np.array((46, 101, 0)),
47: np.array((1, 87, 35)),
48: np.array((26, 142, 166)),
49: np.array((0, 127, 228)),
50: np.array((0, 160, 132)),
51: np.array((0, 146, 194)),
52: np.array((70, 156, 104)),
53: np.array((26, 142, 166)),
54: np.array((3, 174, 70)),
55: np.array((0, 160, 132)),
56: np.array((93, 124, 200)),
57: np.array((48, 109, 255)),
58: np.array((26, 142, 166)),
59: np.array((0, 127, 228)),
60: np.array((138, 138, 138)),
61: np.array((93, 124, 200)),
62: np.array((70, 156, 104)),
63: np.array((26, 142, 166)),
64: np.array((113, 83, 7)),
65: np.array((69, 69, 69)),
66: np.array((46, 101, 0)),
67: np.array((1, 87, 35)),
68: np.array((158, 97, 0)),
69: np.array((113, 83, 7)),
70: np.array((91, 116, 0)),
71: np.array((46, 101, 0)),
72: np.array((181, 65, 41)),
73: np.array((136, 50, 103)),
74: np.array((113, 83, 7)),
75: np.array((69, 69, 69)),
76: np.array((226, 79, 0)),
77: np.array((181, 65, 41)),
78: np.array((158, 97, 0)),
79: np.array((113, 83, 7)),
80: np.array((138, 138, 138)),
81: np.array((93, 124, 200)),
82: np.array((70, 156, 104)),
83: np.array((26, 142, 166)),
84: np.array((183, 152, 76)),
85: np.array((138, 138, 138)),
86: np.array((115, 171, 42)),
87: np.array((70, 156, 104)),
88: np.array((205, 120, 172)),
89: np.array((161, 105, 234)),
90: np.array((138, 138, 138)),
91: np.array((93, 124, 200)),
92: np.array((250, 134, 110)),
93: np.array((205, 120, 172)),
94: np.array((183, 152, 76)),
95: np.array((138, 138, 138)),
96: np.array((115, 171, 42)),
97: np.array((70, 156, 104)),
98: np.array((48, 189, 8)),
99: np.array((3, 174, 70)),
100: np.array((160, 185, 0)),
101: np.array((115, 171, 42)),
102: np.array((93, 203, 0)),
103: np.array((48, 189, 8)),
104: np.array((183, 152, 76)),
105: np.array((138, 138, 138)),
106: np.array((115, 171, 42)),
107: np.array((70, 156, 104)),
108: np.array((227, 167, 14)),
109: np.array((183, 152, 76)),
110: np.array((160, 185, 0)),
111: np.array((115, 171, 42)),
112: np.array((140, 225, 173)),
113: np.array((95, 211, 235)),
114: np.array((72, 244, 139)),
115: np.array((28, 229, 201)),
116: np.array((184, 240, 111)),
117: np.array((140, 225, 173)),
118: np.array((117, 255, 77)),
119: np.array((72, 244, 139)),
120: np.array((207, 207, 207)),
121: np.array((162, 193, 255)),
122: np.array((140, 225, 173)),
123: np.array((95, 211, 235)),
124: np.array((252, 221, 145)),
125: np.array((207, 207, 207)),
126: np.array((184, 240, 111)),
127: np.array((140, 225, 173)),
128: np.array((136, 50, 103)),
129: np.array((91, 36, 165)),
130: np.array((69, 69, 69)),
131: np.array((24, 54, 131)),
132: np.array((181, 65, 41)),
133: np.array((136, 50, 103)),
134: np.array((113, 83, 7)),
135: np.array((69, 69, 69)),
136: np.array((203, 32, 137)),
137: np.array((159, 18, 199)),
138: np.array((136, 50, 103)),
139: np.array((91, 36, 165)),
140: np.array((248, 47, 75)),
141: np.array((203, 32, 137)),
142: np.array((181, 65, 41)),
143: np.array((136, 50, 103)),
144: np.array((161, 105, 234)),
145: np.array((116, 91, 255)),
146: np.array((93, 124, 200)),
147: np.array((48, 109, 255)),
148: np.array((205, 120, 172)),
149: np.array((161, 105, 234)),
150: np.array((138, 138, 138)),
151: np.array((93, 124, 200)),
152: np.array((228, 87, 255)),
153: np.array((183, 73, 255)),
154: np.array((161, 105, 234)),
155: np.array((116, 91, 255)),
156: np.array((255, 101, 206)),
157: np.array((228, 87, 255)),
158: np.array((205, 120, 172)),
159: np.array((161, 105, 234)),
160: np.array((138, 138, 138)),
161: np.array((93, 124, 200)),
162: np.array((70, 156, 104)),
163: np.array((26, 142, 166)),
164: np.array((183, 152, 76)),
165: np.array((138, 138, 138)),
166: np.array((115, 171, 42)),
167: np.array((70, 156, 104)),
168: np.array((205, 120, 172)),
169: np.array((161, 105, 234)),
170: np.array((138, 138, 138)),
171: np.array((93, 124, 200)),
172: np.array((250, 134, 110)),
173: np.array((205, 120, 172)),
174: np.array((183, 152, 76)),
175: np.array((138, 138, 138)),
176: np.array((162, 193, 255)),
177: np.array((118, 178, 255)),
178: np.array((95, 211, 235)),
179: np.array((50, 197, 255)),
180: np.array((207, 207, 207)),
181: np.array((162, 193, 255)),
182: np.array((140, 225, 173)),
183: np.array((95, 211, 235)),
184: np.array((230, 174, 255)),
185: np.array((185, 160, 255)),
186: np.array((162, 193, 255)),
187: np.array((118, 178, 255)),
188: np.array((255, 189, 241)),
189: np.array((230, 174, 255)),
190: np.array((207, 207, 207)),
191: np.array((162, 193, 255)),
192: np.array((250, 134, 110)),
193: np.array((205, 120, 172)),
194: np.array((183, 152, 76)),
195: np.array((138, 138, 138)),
196: np.array((255, 148, 48)),
197: np.array((250, 134, 110)),
198: np.array((227, 167, 14)),
199: np.array((183, 152, 76)),
200: np.array((255, 116, 144)),
201: np.array((255, 101, 206)),
202: np.array((250, 134, 110)),
203: np.array((205, 120, 172)),
204: np.array((255, 130, 82)),
205: np.array((255, 116, 144)),
206: np.array((255, 148, 48)),
207: np.array((250, 134, 110)),
208: np.array((255, 189, 241)),
209: np.array((230, 174, 255)),
210: np.array((207, 207, 207)),
211: np.array((162, 193, 255)),
212: np.array((255, 203, 179)),
213: np.array((255, 189, 241)),
214: np.array((252, 221, 145)),
215: np.array((207, 207, 207)),
216: np.array((255, 171, 255)),
217: np.array((255, 156, 255)),
218: np.array((255, 189, 241)),
219: np.array((230, 174, 255)),
220: np.array((255, 185, 213)),
221: np.array((255, 171, 255)),
222: np.array((255, 203, 179)),
223: np.array((255, 189, 241)),
224: np.array((252, 221, 145)),
225: np.array((207, 207, 207)),
226: np.array((184, 240, 111)),
227: np.array((140, 225, 173)),
228: np.array((255, 236, 83)),
229: np.array((252, 221, 145)),
230: np.array((229, 254, 49)),
231: np.array((184, 240, 111)),
232: np.array((255, 203, 179)),
233: np.array((255, 189, 241)),
234: np.array((252, 221, 145)),
235: np.array((207, 207, 207)),
236: np.array((255, 218, 117)),
237: np.array((255, 203, 179)),
238: np.array((255, 236, 83)),
239: np.array((252, 221, 145)),
240: np.array((255, 255, 255)),
241: np.array((232, 255, 255)),
242: np.array((209, 255, 242)),
243: np.array((164, 255, 255)),
244: np.array((255, 255, 214)),
245: np.array((255, 255, 255)),
246: np.array((254, 255, 180)),
247: np.array((209, 255, 242)),
248: np.array((255, 255, 255)),
249: np.array((255, 244, 255)),
250: np.array((255, 255, 255)),
251: np.array((232, 255, 255)),
252: np.array((255, 255, 248)),
253: np.array((255, 255, 255)),
254: np.array((255, 255, 214)),
255: np.array((255, 255, 255)),
}
# 84 unique colours
PALETTES = {
'openemulator': OpenEmulatorPalette,
'virtualii': VirtualIIPalette,
'tohgr': ToHgrPalette,
'ntsc': NTSCPalette
}
DEFAULT_PALETTE = 'openemulator'