Марк Д. Фершильд. Модели цветового восприятия
Подождите немного. Документ загружается.
цо. Отметим, что прогноз смазывания — это интегральная картина прогнозов
цветовых тонов по всем элементам изображения.
Точности прогноза смазывания способствует пространственная фильтра
ция, выполняемая iCAM.
Визуализация HDR%изображений
Одной из наиболее интересных областей применения iCAM является воспро
изведение HDRизображений (число которых сегодня стремительно растет) на
409
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
Рис. 20.4 (а) — оригинальный стимул; (b) — iCAM Jкарта (светлотная), иллюстрирующая про
гноз симультанного контраста.
Рис. 20.5 (а) — оригинальный стимул; (b) — iCAM Скарта, иллюстрирующая прогноз оконту
ривания по насыщенности.
Оригинал взят с www.hpl.hp.com/personal/Nathan_Moroney/.
системах с низким динамическим диапазоном. Изначально HDRизображения
были получены путем компьютерной имитации, то есть были рассчитаны с по
мощью т.н. алгоритма общей освещенности (методы трассировки луча или мо
делирования световых потоков) или с помощью регистрации изображений пу
тем многократного экспонирования (диапазон яркостей реальных сцен, осо
бенно тех, в которых виден источник освещения, часто превышает шесть по
рядков).
1
Следует отметить, что в последнее время стали широко доступны промыш
ленные цифровые системы, способные сравнительно легко регистрировать
HDRданные, благодаря чему пользователи цифровых камер в самое ближай
шее время получат возможность фиксировать сцены с огромными динамиче
скими диапазонами. К сожалению, визуализация и использование HDRдан
ных еще долго будет затруднена, поскольку цветовоспроизводящие системы
(даже высшего качества) ограничены динамическим диапазоном 2D.
Одним из подходов к решению проблемы HDRвизуализации является
т.н. интерактивная визуализация изображения, предполагающая оператив
ный выбор тех его областей, что должны быть оптимально отображены данной
системой. Отметим, однако, что метод применим лишь к мониторам, но нико
им образом не к отпечаткам.
Еще одним ограничением HDRвизуализации является необходимость ра
боты с данными, разрядность кодирования которых превышает 24 бит (8 бит на
канал. — Прим. пер.) и которые часто имеют плавающую точку. Высокая раз
410
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
(a)
(b)
Рис. 20.6 (а) — оригинальный стимул; (b) — iCAM hкарта (по цветовому тону), иллюстрирую
щая прогноз смазывания.
1
То есть больше, чем 6D. — Прим. пер.
рядность весьма желательна при прямой (то есть, не интерактивной) визуали
зации HDRвекторной графики, дабы обеспечить восприятие, сходное с вос
приятием реальных сцен; если же предполагается визуализация реалистич
ных изображений на отражающих носителях (печать) — высокая разрядность
кодирования не просто желательна, но крайне необходима.
Паттанайк (1998) дает краткий обзор некоторых алгоритмов визуализации
HDRизображений, и стоит отметить, что ряд страниц посвящен весьма инте
ресной системе SIGGRAPH 2002 (Фатталь и колл., 2002; Дуранд и Дорси, 2002;
Рейнхард и колл., 2002).
Поскольку iCAM содержит блоки учета локальной адаптации и контроля
локального контраста, и поскольку кодирование в зрительной системе челове
ка имеет довольно низкий динамический диапазон, модель может быть исполь
зована для визуализации HDRизображений.
Рис. 20.7 иллюстрирует использование iCAM для HDRвизуализации (взято с
www.debevec.org). Изображения в левой колонке — линейная визуализация
оригинальных HDRзначений (нормированных на энергетический максимум),
демонстрирующая то, насколько данные оригинального диапазона выходят за
границы типичной 24битовой (8 бит на канал RGB) визуализации. К примеру,
изображения верхнего ряда имеют динамический диапазон, превышающий 6D,
т.к. через оконные витражи пробивается солнце.
Изображения средней колонки представляют результат стандартной визуа
лизации HDRданных с помощью т.н. интерактивного поиска оптимального
степенного преобразования, именуемого также «гаммакоррекцией» (идею ло
гарифмирования мы отметаем, поскольку результат будет почти таким же, как
в первой колонке). К изображениям пришлось применить преобразование со
степенью (гаммой), равной примерно 1/6 (в отличие от типичных 1/1.8 или
1/2.2), дабы «вытащить» детали из теней. Несмотря на то, что гаммакоррек
ция успешно визуализирует б
¢
ольшую часть данных HDRизображения, она
имеет ряд существенных недостатков, а именно:
— требует обязательного участия пользователя;
— «выбеливает» (wash out) репродукцию, лишая ее достоверности и визу
альной соотносимости с оригинальной сценой;
— способствует появлению в тенях изображения артефактов квантования
(теневых шумов. — Прим. пер.).
Правая колонка демонстрирует результат обработки HDRоригинала
iCAMмоделью, выполнившей учет локальной адаптации и контроль локаль
ного контраста (см. рис. 20.3): на обоих изображениях динамический диапазон
сцены сжат, дабы сделать ее тени видимыми и сохранить полноту цвета объек
тов. То есть, мы видим, что iCAM воспроизвела изображения как вполне прием
лемые репродукции HDRсцен (что эквивалентно результатам селективного
недо/переэкспонирования, от века применявшегося в традиционной фотопе
чати). Любопытно также и то, что изображения, визуализированные при помо
щи iCAM, были обсчитаны по автоматическому алгоритму, имитирующему че
ловеческое восприятие, но исключающему интерактивное участие пользовате
ля (Джонсон и Фершильд, 2003).
411
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
20.5 МЕТРИКА ОТЛИЧИЙ И МЕТРИКА КАЧЕСТВА
ИЗОБРАЖЕНИЙ
Когда возникает необходимость оценить качество изображения, в структуре
iCAMмодели требуются небольшие изменения, для того чтобы она могла соз
дать специальную карту величины перцепционных отличий между двумя изо
бражениями. При создании такой карты, в рамках линейного IPTпростран
ства выполняется пространственная фильтрация, зависящая от дистанции
просмотра. Сами же отличия при этом вычисляются в обычном нелинейном
IPTпространстве. В качестве общей карты отличия изображений может быть
использована эвклидова сумма отличий по осям IPTпространства с последую
щей итоговой статистической обработкой данных (позволяющей прогнозиро
412
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
Рис. 20.7 Три HDRизображения, взятых с www.debevec.org: изображения левой колонки ил
люстрируют результат линейной визуализации HDRданных; изображения средней колон
ки — результат ручной оптимизации путем степенного преобразования; изображения правой
колонки иллюстрируют результат, полученный при автоматическом расчете, выполненном
iCAMмоделью (см. рис. 20.3).
вать различные атрибуты отличия изображений и атрибуты их качества). Схе
матично данный процесс показан на рис. 20.8, а его детальное описание
см. у Джонсона и Фершильда (2003).
Из метрики отличия изображений (основанной на обычных уравнениях цве
товых отличий, примененных к пространственнофильтрованным сложным
стимулам) может быть получена метрика их качества, и отметим, что данный
подход был успешно использован для получения величин, характеризующих
качество изображений (Джонсон и Фершильд, 2001). Такой вариант решения
эквивалентен, а в целом даже лучше, чем тот, что получен с использованием
иных цветовых пространств, оптимизированных для решения данной задачи
(Джонсон и Фершильд, 2001).
Рис. 20.9 демонстрирует прогноз отличий в визуальной резкости (Джонсон
и Фершильд, 2000) и визуальном контрасте (Калабрия и Фершильд, 2002).
По контрасту: результаты, показанные на рис. 20.9 (а), получены путем
шкалирования визуального контраста разносюжетных изображений, подвер
гавшихся различным преобразованиям (Фершильд и Джонсон, 2003). По осям
абсцисс отложены величины визуального контраста (усредненные данные), по
осям ординат — предикторы визуального контраста, рассчитанные iCAM. Иде
альный результат должен четко укладываться в Vобразную фигуру с одинако
вым наклоном обоих «крыльев», и фактический график свидетельствует о том,
413
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
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
Èç RGB â IPT
Ïðîñòðàíñòâåííàÿ
ôèëüòðàöèÿ
Ëîêàëèçàöèÿ è
ëîêàëüíûé êîíòðàñò
Èç ëèíåéíîãî IPT â RGB
Ñòåïåííûå ôóíêöèè
Èç íåëèíåéíîãî RGB â IPT
DI DP DT
DIm = Ýâêëèäîâà ñóììà
Ñòàòèñòèêà:
ìèíèìóì, ñðåäíåå, ïðîöåíòû,
ñðåäíåêâàäðàòè÷åñêîå
îòêëîíåíèå
Рис. 20.8 Функциональные узлы iCAM, отвечающие за метрику отличия и метрику качества
изображений.
что iCAM весьма успешно справляется с задачей прогнозирования визуальных
контрастов.
По резкости: результаты, демонстрируемые рис. 20.9 (b), были получены
аналогичным образом, но с использованием существенно большего числа раз
носюжетных изображений и вариантов манипуляций с ними (Джонсон и Фер
шильд, 2000): наблюдателей просили прошкалировать визуальную резкость,
а результаты конвертировались в интервальную шкалу, в нулевой позиции ко
торой находилась резкость оригинала. Данные оказались весьма вариабельны
ми, но как видно из рис. 20.9 (b), результаты вновь оказались хорошо спрогно
зированными.
Детали, исходную программу и текущие усовершенствования iCAMмодели
можно найти на www.cis.rit.edu/mcsl/iCAM.
414
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
Рис. 20.9 Отличие изображений, подвергшихся различным преобразованиям, как функция от
визуального контраста (а) и от визуальной резкости (b). Отметим, что коль скоро по оси абсцисс
отложены визуальные данные, а по оси ординат — предикторы iCAM, то при идеально точном
прогнозе точки распределились бы строго Vобразно.
20.6 ТЕКУЩЕЕ ПОЛОЖЕНИЕ ДЕЛ И НАПРАВЛЕНИЯ РАЗВИТИЯ
Как уже было сказано, в течение шести лет, прошедших с момента первого
издания нашей книги, конструкции, методики тестирования и методики при
менения моделей цветового восприятия прошли путь интенсивного развития.
Несмотря на то, что моделирование цветового восприятия остается областью ак
тивного научного исследования, общей стратегией дальнейшего развития явля
ется моделирование восприятия изображений (о котором идет речь в текущей
главе): традиционные модели цветового восприятия (такие, как CIECAM02) дос
таточно развиты и дальнейший прогресс требует появления моделей нового
типа.
В текущем разделе мы будем говорить о том, как будут разворачиваться со
бытия в обозримом будущем (они будут рассмотрены по тем же параметрам, что
и в первом издании нашей книги).
Единая модель цветового восприятия?
Вопрос: Появится ли когданибудь единая модель цветового восприятия, ко
торая будет абсолютно универсальной и пригодной для всех мыслимых ситуа
ций?
Ответ: Однозначно — никогда! Проблема моделирования цветового вос
приятия слишком сложна, чтобы одна общая модель могла стать решением
всех возможных задач: даже спецификация цветовых отличий и та предпола
гает использование двух цветовых пространств (CIELAB и CIELUV), то есть: не
смотря на то, что для метрики цветовых отличий явно предпочтительнее
CIELAB , одной общей формулой не обойтись, и уж тем паче нет оснований ожи
дать единой спецификации на модель цветового восприятия.
Мы знаем, что усилия CIE по созданию CIECAM97s и CIECAM02 были весь
ма успешны и, обеспечив методическое единство промышленной оценки цвето
вого восприятия, явились серьезным шагом к утверждению общего стандарта
его спецификации. Благодаря деятельности CIE использование моделей цвето
вого восприятия существенно упростилось, однако, конечно же, никто не гово
рит о том, что для специфических ситуаций не должны разрабатываться (и ис
пользоваться) иные модели. Есть все основания ожидать, что использование
моделей цветового восприятия рано или поздно достигнет уровня сегодняшней
спецификации цветовых отличий или уровня цветовых координатных систем.
Прочие модели цветового восприятия
Наша книга основана на моделях Ханта, Наятани, CIELAB, RLAB
и CIECAM97s/CIECAM02 как на ключевых моделях цветового восприятия,
доступных для широкого употребления. Перечисленные модели охватывают
весь диапазон сегодняшних целевых сфер и тех, что могут появиться в обозри
мом будущем. Крайне маловероятно, что в ближайшее время будут созданы
и опубликованы какието иные модели цветового восприятия (скорее всего упо
мянутые модели будут вовлечены в процесс дальнейшего развития и сравни
415
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
тельного тестирования CIECAM02), а новым поколением моделей, как уже
было сказано, явятся модели восприятия изображений, такие, как, к примеру,
iCAM.
Текущее научное тестирование моделей
В последнее время интерес к моделям цветового восприятия, и особенно
к применению их на практике, существенно возрос. Возросло и число исследо
ваний, посвященных оценке качества этих моделей: работа ведется по грантам,
корпоративным заказам и выполняется как академическими исследователя
ми, так и отраслевыми специалистами (а также различными техническими ко
митетами CIE [см. гл. 17]).
В ближайшие годы интерес ученых, вероятнее всего, сместится в сторону
оценки эффективности применения моделей цветового восприятия в реальных
ситуациях (в первую очередь таких, как ICCаппаратнонезависимое цветовос
произведение), а результатом тестирования моделей должен явиться практи
ческий стандарт на моделирование цветового восприятия. Вполне возможно,
что самый простой уровень моделирования, например, фонкризовский расчет
смены адаптации, окажется вполне удовлетворительным, если имеют место
четкий контроль и спецификация условий просмотра, а также достаточная
точность аппаратной характеризации. Вместе с тем сказанное является непо
средственной предпосылкой к использованию развитых моделей цветового
восприятия.
Аналогия дальнейшего развития моделей цветового восприятия усматрива
ется в спецификации функций цветового соответствия для Стандартного коло
риметрического наблюдателя CIE 1931: кривые сложения появились более
70 лет назад и вполне успешно применяются в промышленности по сей день. Од
нако исследования по выявлению более точных функций соответствия (а также
их вариабельности) продолжаются и сейчас: сравнительно недавно в классиче
ских CIEфункциях были обнаружены некоторые систематические ошибки,
критичные для ряда ситуаций (в которых пока вынужденно используются некие
альтернативные кривые), но выявленные недостатки, как мы знаем, не послу
жили поводом к отказу от классических кривых сложения. Вполне возможно,
что подобный путь уготован и моделям цветового восприятия: если CIECAM02
получит широкое признание и начнет активно применяться, ее критическое ис
следование (а также исследование прочих моделей, описанных в данной книге)
будет продолжаться. И если ктото предложит модификацию, реально улуч
шающую практическую работу модели, эта модификация будет незамедлитель
но принята. Впрочем, радикальных изменений не произойдет до тех пор, пока не
будет решен ряд других основополагающих проблем, в первую очередь таких,
как точность характеризации и контроль за условиями просмотра.
Текущее положение дел
В первом издании нашей книги утверждалось: «Интересным направлением
развития моделей цветового восприятия в ближайшем будущем, вероятно,
416
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
явится учет пространственных и временных эффектов восприятия. Ряд про
блем, с которыми придется столкнуться, описан у Ванделла (1993), Поирсона
и Ванделла (1993, 1996), а также Бёмля и Ванделла (1996)». Так в итоге и про
изошло (о чем свидетельствуют предыдущие разделы данной главы): исследо
вания по описанным направлениям продолжаются, а модели цветового воспри
ятия — совершенствуются.
В первом издании также шла речь об использовании нейронных сетей:
«Другим подходом к прогнозированию феноменов цветового восприятия явля
ется использование моделей нейронных сетей: Куртни и колл. (1995) дают ин
тересный пример такого подхода». Сегодня, как мы видим, от идеи нейронных
сетей практически отказались.
Общая схема действий
Статус моделей цветового восприятия сегодня таков, что при решении той
или иной практической задачи неизбежно возникает вопрос: «Как следует по
ступать в данном случае?». Ответ базируется на описанных в нашей книге со
стоянии моделей восприятия и методиках их тестирования.
Первое, о чем нужно помнить, — это то, что модель цветового восприятия
используется тогда, когда она однозначно необходима: если имеется возмож
ность уравнять условия просмотра оригинала и репродукции для того, чтобы
уйти от какихлибо расчетов смены восприятия, то такой возможностью непре
менно стоит воспользоваться; если же необходимость в использовании полной
модели цветового восприятия очевидна, то лучшим выбором, вероятно, явится
хантовская модель; однако когда высокий уровень организации модели не тре
буется — показано использование CIECAM02 (а в некоторых ситуациях в каче
стве модели цветового восприятия успешно выступит даже CIELAB).
Наилучшей общей рекомендацией явится цепь шагов от простого к слож
ному: движение продолжается до тех пор, пока текущая цветорепродукцион
ная задача не будет решена. Стоит отметить также, что поскольку между мо
делями цветового восприятия имеются существенные идеологические
и функциональные отличия, нельзя даже пытаться смешивать или согласо
вывать их между собой.
Ниже мы приводим общую схему действий (расположенных в порядке воз
растания сложности), но прежде отметим, что чем выше уровень организован
ности используемой модели, тем более тщательным должен быть контроль ус
ловий просмотра.
ð
Если имеется возможность, то крайне желательно уравнять условия
просмотра оригинала и его репродукции, дабы соответствия по трех
стимульным значениям явились бы соответствиями по восприятию.
ð
Если необходимо изменить белую точку носителя, то в качестве первого
приближения модели восприятия может быть использовано CIELAB.
ð
Если обнаружится, что CIELAB неадекватно поставленной задаче, оно
417
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ
может быть усовершенствовано за счет фонкризовского преобразова
ния колбочковых ответов по фактическим условиям просмотра в кол
бочковые ответы по эталонным условиям просмотра. Оптимальным
вариантом преобразования является M
CAT02
матрица.
ð
Если возникает необходимость в использовании более гибкой модели
(к примеру, при переходе от экранного изображения к его твердой ко
пии) и/или необходимость в изменении окружения, то показано ис
пользование оригинальной версии RLAB. Для оптимизации результа
тов расчет смены адаптации, «зашитый» в RLAB, также может быть
заменен на M
CAT02
.
ð
Если условия просмотра (и сам стимул) требуют использования полной
модели цветового восприятия (или же прогнозирования субъективной
яркости и полноты цвета) — показано использование CIECAM02.
ð
Наконец, если прогноз всех известных феноменов цветового воспри
ятия необходим в широком диапазоне условий просмотра (к примеру,
очень высокая или низкая яркости, палочковый ответ) — должна при
меняться модель Ханта.
ГЛАВА 20 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ