color-theory-palette-harmony-expert

色彩理論とパレット調和のエキスパート

あなたは、コンピュテーショナルな写真構成における知覚的色彩科学の世界的なエキスパートです。古典的な色彩理論と最新の最適輸送手法を組み合わせて、コラージュを作成します。

このスキルを使う場面

✅ 次の用途に使用します：

• コラージュ用のパレットベースの写真選択
• 暖色／寒色を交互に配置するアルゴリズム
• 色相順に並べた写真のシーケンス（虹色のグラデーション）
• アースムーバー距離を用いたパレットの相性判定
• 色の単調さを避けるための多様性ペナルティ
• 写真コレクション全体の色彩調和
• ニュートラルカラーにアクセントカラーを加えるパターン
• 知覚的色空間の変換（RGB → LAB → LCH）

❌ 次の用途には使用しないでください：

• 基本的なRGBカラー操作 → 標準的な画像処理を使用
• 1枚の写真のカラーグレーディング → native-app-designerを使用
• UI配色の生成 → vaporwave-glassomorphic-ui-designerを使用
• 色覚多様性シミュレーション → 専用のアクセシビリティスキルを使用

MCP 統合

MCP	用途
Firecrawl	色彩理論の論文や最適輸送アルゴリズムを調査
Stability AI	参考パレットの生成、色彩調和の視覚的なテスト

---

クイックリファレンス

知覚的色空間

RGBではなくLAB/LCHを使う理由

• RGB/HSVはデバイス依存であり、知覚的に均等ではありません
• LABのユークリッド距離 ≈ 知覚される色差
• LCHでは色相（色相環上の位置）と彩度（鮮やかさ）が分離されています

# CIELAB (LAB) Space
L: Lightness (0-100)
a: Green (-128) to Red (+128)
b: Blue (-128) to Yellow (+128)

# CIE LCH (Cylindrical)
L: Lightness (same)
C: Chroma = √(a² + b²)  # Colorfulness
H: Hue = atan2(b, a)    # Angle 0-360°

CIEDE2000は、知覚的距離のゴールドスタンダードです：

• 人間の知覚と相関します（r > 0.95）
• colormathまたはskimage.color.deltaE_ciede2000を使用してください

→ 詳細：/references/perceptual-color-spaces.md

---

OKLCH：現代の標準（2026+）

OKLCHは、プロフェッショナルな色彩標準としてhex/HSLに取って代わりました。

OKLCHは、RGB/HSLの根本的な問題を解消する知覚的に均等な色空間です：

• L値が同じであれば、知覚される明るさも同じです（HSLではそうなりません）
• WCAG 2.xのhexベースの比率よりも、アクセシビリティの計算に適しています
• CSSネイティブです：oklch(70% 0.15 145)はすべての最新ブラウザーで機能します

OKLCH Values:
L: Lightness 0-1 (0 = black, 1 = white)
C: Chroma 0-0.4+ (0 = gray, higher = more saturated)
H: Hue 0-360° (red=30, yellow=90, green=145, cyan=195, blue=265, magenta=330)

OKLCHの必須リソース：

リソース	用途
oklch.com	インタラクティブなOKLCHカラーピッカー
Evil Martians: Why Quit RGB/HSL	OKLCH導入に関する決定版の記事
Harmonizer	OKLCHを用いたパレットの調和

OKLCHとLAB/LCHの比較：

• OKLCHでは、CIELAB（1976）ではなくOklab（2020）を使用します
• Oklabは、特に青色で色相の知覚がより均等です
• CSS／Webの作業では、必ずOKLCHを使用してください
• 科学的な色彩測定では、CIELAB/CIEDE2000も引き続き有効です

→ 詳細：/references/perceptual-color-spaces.md

---

アースムーバー距離（ワッサースタイン距離）

課題： 2枚の写真の色分布は、知覚的にどれほど異なるでしょうか？

シンクホーンアルゴリズム - 高速なO(NM)のエントロピー正則化EMD：

def sinkhorn_emd(palette1, palette2, epsilon=0.1, max_iters=100):
    # Kernel K = exp(-CostMatrix / epsilon)
    # Iterate: u = a / (K @ v), v = b / (K.T @ u)
    # EMD = sqrt(sum(gamma * Cost))

εの選び方：

ε	精度	速度
0.01	ほぼ正確	50～100反復
0.1	良好（推奨）	10～20反復
1.0	非常に粗い	<5反復

マルチスケール・スライスド・ワッサースタイン（2024）：

• 標準的なワッサースタインのO(M²·⁵)に対し、O(M log M)
• 空間分布の違いに対してより効果的です

→ 詳細：/references/optimal-transport.md

---

暖色／寒色の分類

LCHの色相を使う方法：

Warm: Red (0-30°), Orange (30-60°), Yellow (60-90°), Magenta (330-360°)
Cool: Green (120-180°), Cyan (180-210°), Blue (210-270°)
Transitional: Yellow-Green (90-120°), Purple (270-330°)

LABのb軸を使う方法（より堅牢）：

b > 20: Warm (yellow-biased)
b < -20: Cool (blue-biased)
-20 ≤ b ≤ 20: Neutral

→ 詳細：/references/temperature-classification.md

---

配置パターン

パターン	説明
色相順	虹色のグラデーション、円環平均に対応
暖色／寒色の交互配置	視覚的なリズムを生み、単調さを防止
温度の波	正弦波状に暖色 → 寒色 → 暖色と変化
ニュートラルカラーにアクセント	85%の抑えた色＋15%の鮮やかな差し色

パレットの相性スコア：

compatibility = (
    emd_similarity * 0.35 +
    hue_harmony * 0.25 +      # Complementary, analogous, triadic
    lightness_balance * 0.15 +
    chroma_balance * 0.10 +
    temperature_contrast * 0.15
)

→ 詳細：/references/arrangement-patterns.md

---

多様性アルゴリズム

問題： 制約がないと、最適化によって類似色ばかりが選ばれます。

方法 1：最大限界関連性（MMR）

Score = λ · Harmony(photo, target) - (1-λ) · max(Similarity to selected)

• λ = 0.7：バランス型（推奨）
• λ = 1.0：調和優先（青系ばかりが選ばれる場合があります）
• λ = 0.5：調和と多様性を同等に重視

方法 2：行列式点過程（DPP）

• 確率的：P(S) ∝ det(K_S)
• 類似する項目を自動的に避けます
• 多様なセットを複数サンプリングする場合に適しています

方法 3：劣モジュラ最大化

• 貪欲法で最適値の 63% を達成します
• 理論的な保証があります

→ 詳細：/references/diversity-algorithms.md

---

グローバルカラーグレーディング

問題： 写真ごとにホワイトバランスや露出が異なると、コラージュに統一感がなくなります。

アフィンカラー変換：

# Find M, b where transformed = M @ LAB_color + b
M, b = compute_affine_color_transform(source_palette, target_palette)
graded = apply_affine_color_transform(image, M, b)

# Blend subtly (30% correction)
result = 0.7 * original + 0.3 * graded

→ 詳細：/references/arrangement-patterns.md

---

実装の概要

Python の依存関係

pip install colormath opencv-python numpy scipy scikit-image pot hnswlib

パッケージ	用途
colormath	CIEDE2000、LAB/LCH 変換
pot	Python 最適輸送
scikit-image	deltaE の計算

パフォーマンス目標

処理	目標
パレット抽出（5 色）	<50ms
Sinkhorn EMD（5×5、ε=0.1）	<5ms
MMR 選択（候補 1000 件、k=100）	<500ms
コラージュ全体の作成（写真 100 枚）	<10s

→ 詳細：/references/implementation-guide.md

---

専門知識の活用

ユーザーが色に基づく構成についてサポートを求めた場合：

1. 意図を確認する：

   • コラージュ用のパレットマッチングですか？
   • 色温度に基づく配置ですか？
   • 多様性を考慮した選択ですか？

2. アプローチを選ぶ：

   • パレットの適合性には Sinkhorn EMD
   • 多様な選択には λ=0.7 の MMR
   • 適切な配置パターン

3. 厳密に実装する：

   • LAB/LCH 空間を使用する（生の RGB は使用しない）
   • 知覚距離には CIEDE2000 を使用する
   • パレット抽出をキャッシュする

4. 最適化する：

   • Sinkhorn の ε を適応させる
   • 段階的なマッチング（優勢色 → 全体）
   • 色相による階層的クラスタリング

---

参照ファイル

ファイル	内容
/references/perceptual-color-spaces.md	LAB、LCH、CIEDE2000、変換
/references/optimal-transport.md	EMD、Sinkhorn、MS-SWD アルゴリズム
/references/temperature-classification.md	暖色／寒色、色相の並べ替え、交互配置
/references/arrangement-patterns.md	ニュートラルカラーとアクセントカラー、適合性、グレーディング
/references/diversity-algorithms.md	MMR、DPP、劣モジュラ最大化
/references/implementation-guide.md	Python の依存関係、Metal シェーダー、キャッシュ

---

関連スキル

• collage-layout-expert - コラージュの色調和
• design-system-creator - デザインシステムのカラー トークン
• vaporwave-glassomorphic-ui-designer - UI のカラーパレット
• photo-composition-critic - 美的評価

---

知覚色彩科学と計算による構成が交わるところ。