Material Color Utilities 中的颜色匹配功能实现解析
Material Design 3 的色彩系统提供了强大的动态主题功能,其中颜色匹配(Color Match)是一个重要特性。本文将深入分析如何在 material-color-utilities 库中实现与 Material Theme Builder 网站相同的颜色匹配效果。
颜色匹配的核心概念
颜色匹配功能允许开发者指定一个主色调后,系统会自动生成一组协调的色彩方案。在 Material Theme Builder 网站上,当启用"Color match"选项时,主容器颜色会直接使用原始主色调值,而不是自动生成的衍生色。
问题现象分析
开发者在使用 material-color-utilities 库时发现,无论使用哪种方法创建色彩方案,都无法直接复现网站上的颜色匹配效果。尝试了以下方法均未成功:
- 直接使用 themeFromSourceColor
- 使用 blend 参数设置为 true/false
- 使用 Scheme.light 和 Scheme.lightContent
- 使用 CorePalette.of 和 CorePalette.contentOf
所有这些方法生成的 primaryContainer 颜色都是 #ffdf96,而期望的是原始主色调 #ffc600。
解决方案:使用 SchemeFidelity
正确的实现方式是使用 SchemeFidelity 类,这是 Material Design 3 中专门为保持颜色保真度设计的方案类型。以下是实现代码示例:
import {
argbFromHex,
Hct,
SchemeFidelity,
} from '@material/material-color-utilities';
function getSchemeAccent(accentHex: string) {
const argb = argbFromHex(accentHex);
const hct = Hct.fromInt(argb);
const scheme = new SchemeFidelity(hct, false, 0);
return scheme;
}
实现原理
-
HCT 色彩空间转换:首先将十六进制颜色值转换为 ARGB 格式,再转换为 HCT(色调-色度-明度)色彩空间,这是 Material Design 3 使用的色彩模型。
-
SchemeFidelity 方案:这种方案类型会尽可能保持原始颜色的保真度,不会对主色调进行过多的调整和混合,因此 primaryContainer 会直接使用或非常接近原始颜色。
-
参数说明:
- 第二个参数
false表示不使用深色模式 - 第三个参数
0表示不使用色彩对比度调整
- 第二个参数
实际应用建议
在实际项目中,可以根据需要选择不同的方案类型:
- SchemeFidelity:保持颜色保真度,适合需要精确控制颜色的场景
- SchemeContent:基于内容的重要程度调整颜色
- SchemeTonalSpot:使用色调点创建协调的色彩方案
理解这些方案类型的区别对于创建符合设计意图的主题至关重要。Material Design 3 的色彩系统提供了丰富的定制选项,开发者可以根据具体需求选择最合适的实现方式。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00