Марк Д. Фершильд. Модели цветового восприятия
Подождите немного. Документ загружается.
20 МОДЕЛИ ВОСПРИЯТИЯ
ИЗОБРАЖЕНИЙ
КАК МОДЕЛИ
БУДУЩЕГО
З
а шесть лет, минувших с момента первого издания нашей книги, модели
цветового восприятия прошли путь бурного развития, однако общий
подход к решению задач остался прежним: модели стараются оперировать изо
лированными цветовыми стимулами, то есть максимально обособленными от
прочих визуальных факторов. Вполне вероятно, что уровень развития сего
дняшних моделей цветового восприятия уже достиг того рубежа, когда даль
нейший прогресс потребует появления моделей нового поколения.
Сравнительно недавно Фершильд и Джонсон (2002, 2003, 2004) предложи
ли новый класс моделей — «модели восприятия изображений» (image appearan
ce models), поднимающие модели цветового восприятия на такой уровень, на
котором учитываются пространственные и временные аспекты зрения, что по
зволяет прогнозировать восприятие сложных стимулов, а также измерять от
личия между изображениями (первый шаг в направлении метрики качества
изображений).
Текущая глава дает краткий обзор общей концепции моделей восприятия
изображений и представляет одну из них — модель iCAM. Предстоящий разго
вор в целом основан на материалах соответствующей статьи Фершильда
и Джонсона (2004), и завершается он размышлениями о том, что ожидается
в обозримом будущем в сферах моделирования цветового восприятия и модели
рования восприятия изображений.
Для того чтобы иметь возможность регулярно знакомиться с текущим поло
жением дел в нашей области, а также периодически обновлять библиографию
по вопросам моделирования цветового восприятия и восприятия изображений,
рекомендуем обращаться на сайты: www.cis.rit.edu/fairchild/CAM.html
и www.cis.rit.edu/mcsl/iCAM.
20.1 ОТ ЦВЕТОВОГО ВОСПРИЯТИЯ К ВОСПРИЯТИЮ
ИЗОБРАЖЕНИЙ
Опыт измерения сложных стимулов помогает нам определить контексты
формулировки и применения моделей восприятия изображений — моделей,
включающих в себя элементы естественной эволюции цветового зрения, а также
элементы моделей пространственного и временн
¢
ого восприятия зрительных сти
389
мулов (рассматриваемых как единое целое, а не как отдельные области исследо
вания).
Современные системы визуализации долгое время никак не оценивались
с научных позиций, или, если и оценивались, то в контексте методов, отрабо
танных для описания свойств самих систем, к примеру: денситометры были
разработаны для измерения количества красителя (или серебра) в слоях фото
материала или толщины красочного слоя на поверхности; в электронных сис
темах, например телевизионных, для колориметрической оценки качества
системы визуализации измеряется вольтаж сигналов и т.п. (Хант, 1995).
У визуальных измерений, выполняемых с целью оценки качества изобра
жений, воспроизведенных той или иной системой, долгая и славная история
(блестяще изложенная в работе Шэйда [1956]), однако, коль скоро сегодня сис
темы визуализации сложны и открыты, потребность в аппаратнонезависимой
оценке изображений самоочевидна.
Колориметрия изображений
Электронные системы визуализации, разработанные специально для цвет
ного телевидения — это одна из первых сфер аппаратнонезависимой оценки
изображений. Райт (1981) указывает на то, что цветное телевидение не могло
быть изобретено без колориметрии: в основу создания и стандартизации теле
визионных систем (включая новейшие цифровые) была положена классиче
ская колориметрическая система CIE.
С появлением цифровых систем визуализации CIEколориметрия стала
применяться еще шире, в частности для создания изображений, предназначен
ных к тиражированию разными способами (и получения цветопроб этих изо
бражений), а использование CIEколориметрии в аппаратнонезависимом опи
сании изображений дает надежду на решение некоторых новейших проблем
цветовоспроизведения, реализуемого открытыми цифровыми системами. На
помним, что гибкость, присущая цифровым системам, дает практическую воз
можность расчета колориметрических данных изображения, независимо от
технологических отличий между устройствами и носителями.
Научные изыскания в сфере калибровки и характеризации цветовоспроиз
водящих устройств начинаются с фундаментальных цветовых измерений и за
канчиваются спецификацией различных аппаратов: CRT, LCD и проекцион
ных мониторов, сканеров, цифровых камер, а также различных пленочных
и печатных носителей (некоторые концепции и результаты таких исследова
ний подытожены Бернсом [1997]). Исследования такого рода — это экспери
ментальный базис науки о цветовом восприятии и восприятии изображений,
дающий возможность глубже понять фундаментальные проблемы аппаратно
независимого цветовоспроизведения, а именно:
— общеконцептуальные проблемы, возникающие в данной сфере (Фер
шильд, 1994);
— проблемы разработки алгоритмов гамутмэппинга, выполняемого с це
лью воспроизведения требуемых цветовых стимулов, выходящих за границы
цветового охвата целевого устройства (Браун и Фершильд, 2000);
390
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
— проблемы визуализации средствами компьютерной графики высококаче
ственных спектральных изображений (highquality spectral images) (техноло
гия, радикально повышающая точность данных о цветовых стимулах регист
рируемой сцены [Джонсон и Фершильд, 1999]).
Процесс создания и тестирования моделей цветового восприятия в контек
сте воспроизведения изображений разными способами целиком строится на ис
следованиях данного типа.
Уравнения цветовых отличий
Итогом многолетних исследований в сфере цветовых отличий стала форму
ла CIEDE2000 (Луо и колл., 2001), в основу которой положено некое равномер
ное цветовое пространство. Напомним, что в 1976 г. CIE рекомендовала два су
губо временных и далеких от совершенства цветовых пространства — CIELAB
и CIELUV. Позднее, признав неравномерность CIELAB, комиссия разработала
усовершенствованные формулы цветовых отличий (CIE
DE
94
*
и CIEDE2000), ко
торые, несомненно, лучше и вполне способны прогнозировать перцепционные
отличия между простыми цветовыми патчами. Заметим при этом, что в истин
но равномерном пространстве цветовые отличия могут измеряться как простое
эвклидово расстояние между цветовыми координатами двух стимулов (к при
меру, CIE
DE
ab
*
).
Отличие изображений
CIEформулы цветовых отличий были разработаны с использованием про
стых цветовых стимулов в определенных условиях просмотра, однако нет ни
каких оснований полагать, что эти формулы способны прогнозировать цвето
вые отличия между пространственносложными стимулами.
Для оценки сложных цветовых стимулов, таких, как полутоновые образцы,
была разработана модель SCIELAB (Чанг и Ванделл, 1996), выступающая в
роли некоего предобработчика данных (preprocessor), предназначенных в ко
нечном итоге для стандартных CIEформул. Для аппроксимации контраст
носенситивных функций (CSF)
1
зрительной системы человека пространствен
ная предобработка задействует т.н. разделяемые ядра свертки (separable
convolution kernels).
CSF необходимы для удаления из изображения лишней информации, то
есть информации, не воспринимаемой зрительной системой человека (к приме
ру, все мы знаем, что растровые точки при определенном расстоянии просмот
ра начинают сливаться в единый цветовой стимул). Попиксельное вычисление
цветовых отличий между изображением непрерывного тона и автотипным
(растрированным. — Прим. пер.) изображением будет давать очень большие
расхождения, тогда как визуальные отличия могут быть очень маленькими.
Пространственная предобработка «размывает» автотипное изображение, при
ближая его к изображению непрерывного тона.
391
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
1
См. гл. 1. — Прим. пер.
Сравнительно недавно SCIELAB была модифицирована и расширена: поя
вилась возможность вычислять отличия между изображениями (Джонсон
и Фершильд, 2001, 2003). Модернизация (см. раздел 20.3) коснулась уравне
ний CSF: к SCIELAB были добавлены блоки пространственночастотной адап
тации, пространственной локализации, а также блоки детекции локального
и общего контрастов.
Таким образом, SCIELAB — это первый прецедент т.н. модели отличия изо
бражений, основанной на CIELABпространстве и уравнениях цветовых отли
чий.
Цветовое восприятие
К сожалению, фундаментальная CIEколориметрия не в состоянии полно
стью специфицировать изображения: природа последних такова, что, зареги
стрированные или воспроизведенные различными цифровыми системами, они
неизбежно будут рассматриваться в огромном диапазоне условий просмотра
(от условий оригинальной сцены до экранного отображения в тускло освещен
ной комнате). Таким образом, модели цветового восприятия призваны поднять
базовую CIEколориметрию с уровня цветовых соответствий (при фиксирован
ных условиях просмотра) на уровень прогнозирования цветового восприятия
(при разных способах воспроизведения и просмотровых условиях).
Возможность применения к цифровым системам визуализации результатов
исследований в области моделирования цветового восприятия весьма активно
обсуждалась еще в 90х годах прошлого века, и в 1997 г. история завершилась
созданием CIECAM97s (см. гл. 15), а спустя шесть лет вышел ее модифициро
ванный вариант — CIECAM02 (см. гл. 16). Своим развитием обе модели во мно
гом обязаны визуальным экспериментам, выполненным в целях проверки ра
боты публикуемых моделей в контексте репродуцирования изображений (Бра
ун и Фершильд, 1997).
Таким образом, исследования в области цветовосприятия, будучи основан
ными на работе с изображениями, выдвинули на передний план вопросы вос
приятия пространственносложных стимулов (изображений) и проблемы оцен
ки их качества.
Восприятие изображений и их качество
Модели цветового восприятия учитывают изменения в условиях просмотра,
но при этом ориентированы в основном на изменения в цвете осветителя (белая
точка), уровне освещенности (фотометрическая яркость) и относительной яр
кости окружения. Модели восприятия не имеют непосредственного отношения
к различным пространственным или временн
¢
ым свойствам человеческого зре
ния, в частности пространственным и временн
¢
ым свойствам восприятия изо
бражений: по сути, эти модели рассматривают каждый пиксел изображения
(и каждый кадр в видео) как полностью независимые стимулы.
Зрительная адаптация к сцене или изображению — это физиологическая ре
акция, зависящая не только от пространственнолокализованных низкочас
392
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
тотных (lowpass) атрибутов сложных цветовых стимулов, но еще и от их вре
менн
¢
ых параметров.
Для прогнозирования восприятия цифровых видеокадров (в частности,
с большим динамическим диапазоном), должны учитываться временн
¢
ые свой
ства световой и хроматической адаптаций. Для прогнозирования качества
(или отличия) изображений видеоряда к пространственным фильтрам, уда
ляющим незамечаемые пространственные артефакты (к примеру, шум или
JPEGкомпрессию), должны быть добавлены временн
¢
ые фильтры, то есть
фильтры, удаляющие невоспринимаемые высокочастотные темпоральные мо
дуляции (т.е. незамечаемое «мерцание»).
Не составит труда показать то, что адаптация имеет важную низкочастот
ную временн
¢
ую характеристику, к примеру: если неожиданно включить свет
в темной комнате (скажем, рано утром после сна), то повышенный уровень ос
вещения в первый момент ослепляет зрительную систему, то есть, по сути, «пе
реэкспонирует» ее. Однако спустя короткий период времени зрение адаптиру
ется к высокому уровню освещения, и к наблюдателю возвращается нормаль
ное зрительное восприятие. Сказанное справедливо и для обратных ситуаций,
например, когда из обстановки с высоким уровнем освещения переходят в об
становку с низким уровнем (представьте себе, что солнечным днем вы въезжае
те в темный тоннель).
Фершильд и Ренифф (1995), а также Риннер и Гегенфуртнер (2000) дают де
тальное описание временн
¢
ого компонента хроматической адаптации. Резуль
татом исследования явились т.н. темпоральноинтегративные функции, кото
рые можно использовать при моделировании восприятия движущихся изобра
жений, а также проиллюстрировать ими один из механизмов адаптации к сти
мулам низкой пространственной частоты (последнее связано с непрерывным
движением глазных яблок).
В свое время было выполнено серьезное исследование качества видеоизобра
жений (и метрики этого качества), нацеленное на создание и оптимизацию ал
горитмов кодирования/компрессии/декодирования, в частности MPEG2
и MPEG4. Аналогично модель Дэли (Дэли, 1993), прогнозирующая степень ви
димых отличий в статичных изображениях (stillimage visible differences
predictor), вполне пригодна для прогнозирования видимости артефактов, по
являющихся в статичном изображении после его JPEGкомпрессии, то есть —
модель Дэли была создана для прогнозирования вероятности визуального об
наружения артефактов.
При разработке iCAM пошли дальше, и, вместо того чтобы ориентироваться
на пороговые отличия в качестве, внимание было сосредоточено на шкалирова
нии качества изображений по их отличиям от оригинала, лежащим выше порога
различимости (к примеру, создание шкал резкости, контраста, зернистости).
Отметим, что надпороговые отличия между изображениями — это область
исследования, касающаяся именно восприятия изображений и непосредствен
но относящаяся к вопросу их качества.
Аналогичная ситуация имеет место в метрике качества видеоизображений,
которая была разработана для выявления вероятности обнаружения артефак
393
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
тов в видеоизображениях. Отметим, однако, что как таковых моделей воспри
ятия видеоизображений, способных прогнозировать величины воспринимае
мых отличий в видеоряде, не существует.
Дабы подчеркнуть отличие целей и задач iCAM от целей и задач ранее опуб
ликованных моделей, мы коротко опишем две широко известных модели каче
ства видеоизображений (модель Sarnoff JND и модель NASA DVQ).
Модель Sarnoff JND — это основа программного пакета «JNDmetrix»
(www.jndmetrix.com), предназначенного для некоего специального оборудова
ния, контролирующего качество видеоизображений. Модель кратко описана
в техническом отчете Sarnoff (2001), а более полный материал можно найти
в публикации ATIS (2001).
Модель Sarnoff JND основана на т.н. мультимасштабной модели простран
ственного зрения (Lubin, 1993, 1995), расширенной в направлении цветовой
обработки и временн
¢
ых вариаций стимулов. Модель Lubin сходна с моделью
Дэли в том, что тоже создана для прогнозирования вероятности распознавания
артефактов в изображениях, то есть для выявления пороговых изменений (час
то называемых «едва заметными отличиями», или «JNDs»).
В отличие от iCAM модель Sarnoff JND не имеет механизма учета хромати
ческой и яркостной адаптаций: на входе Sarnoff выполняется заурядная нор
мировка данных (что можно рассматривать лишь как зачаточную форму моде
ли адаптации). Отметим, что временн
¢
ые аспекты Sarnoffмодели нацелены не
на прогнозирование восприятия видеоряда, а на прогнозирование обнаруже
ния временн
¢
ых артефактов.
Во временн
¢
ой обработке стимулов модель задействует только два рабочих
окна (четыре поля), и, таким образом, несмотря на то, что она способна прогно
зировать воспринимаемость относительно высокочастотных вариаций стиму
лов в видео (мерцание), она не может предсказать различимость низкочастот
ных вариаций (последнее требует использования модели, ориентированной на
восприятие, а не на JND). Модель Sarnoff также не предназначена для видеови
зуализации.
Сказанное выше не является критикой Sarnoffмодели, но иллюстрацией
того, насколько сильно ее цели отличны от целей и задач iCAM.
Заметим, что наука о зрении утверждает, что JNDпрогнозы нелинейно со
относятся с восприятием надпороговых отличий, — это значит, что использо
вание JNDмодели в целях прогнозирования надпороговых отличий в изобра
жениях вполне возможно, и, таким образом, Sarnoff JNDмодель может с опре
деленным успехом применяться к надпороговым данным.
Подобной Sarnoff JND является DVQмодель (Digital Video Quality), разра
ботанная NASA и опубликованная в свое время Ватсоном (1998, 2001).
DVQметрика аналогична концепции Sarnoff JND, но существенно отличается
от нее по исполнению: ее пространственное деление основано на т.н. коэффици
ентах дискретного косинуспреобразования (discrete cosine transformation —
DCT), контролирующего работу аппаратов и, в частности, пригодного для рас
познавания артефактов в DCTалгоритмах видеосжатия. Модель также имеет
394
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
развитый временной фильтр, способный прогнозировать различные темпо
ральные артефакты.
Подобно Sarnoff JND, модель DVQ нацелена на прогнозирование вероятно
сти визуального обнаружения пороговых отличий между изображениями, а не
на прогноз восприятия через пространственную или временн
¢
ую адаптации
(или атрибуты восприятия), и, следовательно, не может применяться для ви
деовизуализации. И вновь мы скажем, что это не недостаток, а скорее целевая
особенность модели DVQ.
Несмотря на то, что модели цветового восприятия, будучи внедренными
в современные CMS, весьма успешно управляют процессом аппаратнонезави
симого цветовоспроизведения, еще многое предстоит сделать в плане их усо
вершенствования и расширения возможностей.
Для решения проблем описания и учета пространственных свойств зрения,
а также для описания результатов восприятия изображений и оценки их каче
ства была выдвинута концепция моделей восприятия изображений (Фершильд
и Джонсон, 2002; Фершильд, 2002): модели восприятия изображений сочетают
в себе элементы моделей цветового восприятия с элементами моделей про
странственного зрения (последние и ранее использовались в метрике качества
изображений с целью модернизации моделей восприятия).
До сего времени модели цветового восприятия, такие, как CIECAM97s
и CIECAM02, игнорировали пространственные аспекты зрения, в то время как
собственно модели пространственного зрения, предназначенные для оценки
качества изображений, игнорировали цвет (Дэли, 1993; Lubin, 1993). Опреде
ленное исключение представляют собой ранее упоминавшиеся ретинексные
модели (Лэнд, 1964, 1986; Лэнд и МакКанн, 1971; МакКанн и колл., 1976)
и их всевозможные производные (Фант и колл., 2000; Барнард и Фант, 1997;
Брайнард и Ванделл, 1986). Несмотря на то, что ретинексная модель никогда
не была ни полной моделью восприятия изображений, ни моделью оценки их
качества, ее гибкие пространственные механизмы хроматической адаптации
и цветовой константности в конечном счете служат целям визуализации изо
бражений и готовят почву для создания моделей их восприятия. Пространст
венные ATDмодель (Грэнджер, 1993) и SCIELABмодель (Чанг и Ванделл,
1996) также в какойто степени касаются обсуждаемых проблем.
Целью создания моделей восприятия изображений является объединение
двух описанных выше областей исследования, результатом чего должна стать
единая модель, способная к прогнозированию зрительного восприятия слож
ных стимулов, их специфицированию, воспроизведению и оценке качества
воспроизведения. Один из фактических прецедентов — модель iCAM, предна
значенная для работы со статичными изображениями, детально описана в те
кущей главе.
Модель iCAM была создана на основе результатов исследований, проведен
ных по следующим направлениям:
— равномерные цветовые пространства (Эбнер и Фершильд, 1998);
— значимость учета окружения (Фершильд, 1995);
395
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
— алгоритмы расчета отличий между изображениями и оценка их качества
(Джонсон и Фершильд, 2003; Фершильд, 2002);
— изучение глазных движений наблюдателя при решении им различных
зрительных задач и в условиях адаптации к естественным сценам (Бабкок
и колл., 2003; Вебстер и Моллон, 1997);
— анализ прежних моделей пространственного и цветового зрения в прило
жении к проблемам цветового восприятия и воспроизведения изображений
с большим динамическим диапазоном (highdinamicrange imaging) (Патта
найк и колл., 1998).
Модели цветового восприятия
и модели восприятия изображений
Модель цветового восприятия, способная прогнозировать цветовые отличия
между сложными стимулами (изображениями) — это хороший инструмент,
однако его возможности весьма ограничены. Если такая модель необходима
для полного описания результатов зрительного восприятия простых цветовых
стимулов, то модель восприятия изображений необходима для описания ре
зультатов восприятия стимулов со сложной пространственной структурой.
Если модели цветового восприятия позволяют дать четкое описание перцепци
онных атрибутов (светлоты, субъективной яркости, полноты цвета, насыщен
ности и цветового тона), то модели восприятия изображений (наряду с возмож
ностями моделей цветового восприятия) позволяют прогнозировать и такие ат
рибуты сложных стимулов, как резкость (sharpness), зернистость (graininess),
контраст и разрешение (resolution).
Как и в моделях цветового восприятия, в основе моделей восприятия изо
бражений лежит равномерное цветовое пространство, а заложенный в них
блочный принцип обеспечивает особую гибкость в выборе цветовых про
странств, к примеру, может быть выбрано CIELABпространство, сходное с ним
SCIELABпространство, CIECAM02 или IPTцветовое пространство (Эбнер
и Фершильд, 1998). То есть, блочный принцип вполне может быть реализован
и в iCAM (для превращения ее в полную модель восприятия изображений
и/или в модель их отличия).
Модели восприятия изображений можно использовать для создания много
мерных моделей качества изображений, к примеру: можно взять взвешенные
суммы различных атрибутов восприятия для получения метрики общего каче
ства изображений (Киелан, 2002; Энгельдрум, 2002). Такие модели могут уси
лить или даже заменить собой человеческие наблюдения за весовыми парамет
рами изображений, например, модель качества изображений может опериро
вать взвешенными суммами тонального баланса, контраста и резкости. Шаги,
которые уже сделаны в этом направлении, будут описаны ниже.
396
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
20.2 СТРУКТУРА ICAM%МОДЕЛИ
На рис. 20.1 дана поточная диаграмма общей структуры iCAMмодели
в применении к статичным изображениям.
На входе модель требует колориметрически характеризованных данных
изображения (или сцены), а также данных об окружении (в абсолютных едини
цах фотометрической яркости). Самое изображение описывается относитель
ными CIE XYZтрехстимульными значениями, тогда как в качестве адапти
рующего стимула берется CIE XYZизображение, фильтрованное по низкой
пространственной частоте, и к которому добавлена информация о его абсолют
ной фотометрической яркости (необходима для прогнозирования степени хро
матической адаптации).
Для контроля различных яркостнозависимых функций модели, отвечаю
щих за прогнозирование эффектов Ханта (рост полноты цвета стимулов по мере
роста их фотометрической яркости) и Стивенса (рост визуального контраста
изображения по мере роста яркости его элементов), используются простран
ственнонизкочастотные абсолютные яркости (Y) элементов изображения.
Наконец, для прогнозирования контраста изображения учитывается та же
пространственнонизкочастотная яркость изображения (Y), но с существенно
меньшей частотой (четко установлено, что контраст изображения — это в том
числе функция от относительной яркости окружения [формулы Бартлесона
и Бренемана]).
Адаптирующие изображения обрабатываются некими специфическими
низкочастотными фильтрами (F
L
), работа которых зависит как от дистанции
просмотра, так и от целевого назначения исследуемых изображений.
Отметим также, что во избежание падения общей насыщенности репродук
ции (возникающего порой за счет локальной хроматической адаптации) жела
тельными могут оказаться иные яркостные и хроматические характеристики
пространственнонизкочастотных адаптирующих стимулов.
Сказанное — один из примеров учета разного рода зависимостей в моделиро
вании восприятия изображений: локальная хроматическая адаптация может
соответствовать измерениям величины отличия (imagedifference) или уровня
качества изображений (imagequality) , но не соответствовать ситуациям визуа
лизации изображений (imagerendering).
Первая стадия обработки изображений по iCAM — это учет смены хроматиче
ской адаптации: iCAM задействует расчет, взятый из CIECAM02, поскольку по
следний хорошо изучен и блестяще зарекомендовал себя в работе со всеми дос
тупными визуальными данными. К тому же он является сравнительно простой
математической операцией, вполне подходящей для обработки изображений.
Модель хроматической адаптации, заложенная в iCAM (уравнения
20.1–20.6) — это линейная фонкризовская нормировка RGBсигналов изобра
жения до RGBадаптированных сигналов по каждому пикселу пространствен
нонизкочастотного адаптирующего изображения (R
W
G
W
B
W
).
RGBсигналы вычисляются с использованием линейного преобразования
XYZзначений, взятого из CIECAM02 (TC801), а полученный результат моду
397
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
398
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
Ñöåíà
(èçîáðàæåíèå)
Íèçêàÿ
÷àñòîòà
Y-íèçêàÿ
÷àñòîòà
Y-íèçêàÿ
÷àñòîòà
XYZ ñòèì. XYZ àäàïò. Y àáñ. Y îêðóæåíèÿ
M
CAT02
M
CAT02
RGB
ñòèì.
RGB
àäàïò.
CAT
RGB
àäàïòèðîâàííûå
3x3 ñòåïåííàÿ 3x3
IPT
Ïðÿìîóã. öèë.
JCH
F
L
F
L
Ñòåïåíè
Ñâåòèìîñòí.
çàâèñ.
QM
Рис. 20.1 Поточная диаграмма работы модели восприятия изображений iCAM. На вход подают
ся: CIEтрехстимульные значения (XYZ) изображения (или сцены); адаптирующий стимул,
представляющий собой то же самое изображение (сцену), но отфильтрованное по низкой про
странственной частоте; информация об абсолютной фотометрической яркости адаптирующего
стимула. Адаптированные сигналы вычислены с использованием линейного преобразования
хроматической адаптации (взятого из CIECAM02) с последующей конверсией их в оппонентное
IPTпространство (использует информацию о яркости для модуляции нелинейной компрес
сии). Прямоугольные IPTкоординаты конвертируются в цилиндрические корреляты светло
ты (J), насыщенности (С) и цветового тона (h). Для получения коррелятов субъективной ярко
сти (Q) и полноты цвета (М) светлота и насыщенность шкалируются на функцию абсолютной
яркости. При необходимости может быть вычислен коррелят чистоты цвета (отношение насы
щенности к светлоте или полноты цвета к субъективной яркости).