色の見え方モデル: コンピュータビジョンにおける知覚と表現を理解する
By Fouad Sabry
()
About this ebook
カラー アピアランス モデルとは
CAM としてよく知られるカラー アピアランス モデルは、人間の色覚の知覚要素を捉えることを目的とした数学的モデルです。 このモデルは、色の見え方が刺激源の対応する実際の測定値と一致しない表示設定を記述するために使用されます。
メリット
(I) 次のトピックに関する洞察と検証:
第 1 章: 色の見えモデル
第 2 章: 国際照明委員会 L A B 色空間
第 3 章 : 測色
第 4 章: 色順応
第 5 章: 国際照明委員会 C A M 0 2
第 6 章: カラースペース
第 7 章: 赤緑青 カラースペース
第 8 章: カラフルさ
第 9 章: 国際照明委員会 1931 色空間
第 10 章: ロングミディアムショート 色空間
(II) 色の見え方モデルに関するよくある質問。
(III) さまざまな分野での色の見え方モデルの実際の使用例。
この本の対象者
専門家、学部生および大学院生、愛好家、愛好家、およびあらゆる種類の色の外観モデルに関する基本的な知識や情報を超えたいと考えている人。
Read more from Fouad Sabry
コンピュータビジョン [Japanese]
Related to 色の見え方モデル
Titles in the series (100)
修復: コンピュータビジョンにおけるギャップを埋める Rating: 0 out of 5 stars0 ratingsコンピュータビジョン: コンピュータービジョンの深部を探る Rating: 0 out of 5 stars0 ratingsコンピュータステレオビジョン: コンピュータービジョンにおける奥行き知覚の探求 Rating: 0 out of 5 stars0 ratings画像ヒストグラム: 視覚的な洞察を明らかにし、コンピューター ビジョンの画像ヒストグラムの深さを探る Rating: 0 out of 5 stars0 ratings画像圧縮: ビジュアルデータ最適化のための効率的なテクニック Rating: 0 out of 5 stars0 ratingsノイズ減少: 明瞭度の向上、コンピュータ ビジョンのノイズ低減のための高度な技術 Rating: 0 out of 5 stars0 ratingsヒストグラム均等化: 画像のコントラストを強化して視覚認識を強化 Rating: 0 out of 5 stars0 ratings視覚: 計算による視覚処理に関する洞察 Rating: 0 out of 5 stars0 ratingsガンマ補正: コンピューター ビジョンの視覚的な鮮明さを高める: ガンマ補正技術 Rating: 0 out of 5 stars0 ratingsトーンマッピング: トーン マッピング: コンピューター ビジョンにおける視点を照らす Rating: 0 out of 5 stars0 ratings水中コンピュータビジョン: 波の下でコンピューター ビジョンの深さを探索する Rating: 0 out of 5 stars0 ratingsホモグラフィー: ホモグラフィー: コンピューター ビジョンの変換 Rating: 0 out of 5 stars0 ratings色空間: コンピューター ビジョンのスペクトルを探索する Rating: 0 out of 5 stars0 ratingsアフィン変換: 視覚的な視点を解き放つ: コンピューター ビジョンにおけるアフィン変換の探索 Rating: 0 out of 5 stars0 ratingsレティネックス: レティネックスでコンピュテーショナル ビジョンの秘密を明らかにする Rating: 0 out of 5 stars0 ratings適応フィルタ: 適応フィルタリングによるコンピュータビジョンの強化 Rating: 0 out of 5 stars0 ratingsコンピュータビジョンの基本マトリックス: 「コンピュータ ビジョン」の範囲内で、「コンピュータ ビジョン 基本マトリックス」というタイトルの本のサブタイトルを提案してください。提案されたサブタイトルには「:」を含めないでください。 Rating: 0 out of 5 stars0 ratingsバンドル調整: 正確な再構築のためのビジュアルデータの最適化 Rating: 0 out of 5 stars0 ratingsハフ変換: コンピューター ビジョンにおけるハフ変換の魔法を明らかにする Rating: 0 out of 5 stars0 ratingsラドン変換: ビジュアルデータに隠されたパターンを明らかにする Rating: 0 out of 5 stars0 ratingsフィルターバンク: コンピューター ビジョンのフィルター バンク技術に関する洞察 Rating: 0 out of 5 stars0 ratings異方性拡散: 異方性拡散による画像解析の強化 Rating: 0 out of 5 stars0 ratingsカラーマネジメントシステム: デジタル環境における視覚認識の最適化 Rating: 0 out of 5 stars0 ratings共同写真専門家グループ: 共同写真専門家グループ規格でビジュアルデータの力を解き放つ Rating: 0 out of 5 stars0 ratingsランダムサンプルのコンセンサス: コンピュータビジョンにおけるロバスト推定 Rating: 0 out of 5 stars0 ratings射影幾何学: コンピューター ビジョンにおける射影幾何学の探索 Rating: 0 out of 5 stars0 ratingsアダマール変換: コンピューター ビジョンにおけるアダマール変換の力を明らかにする Rating: 0 out of 5 stars0 ratings幾何学的ハッシュ: 画像の認識とマッチングのための効率的なアルゴリズム Rating: 0 out of 5 stars0 ratingsブロブの検出: ビジュアルデータのパターンを明らかにする Rating: 0 out of 5 stars0 ratings人間の視覚系モデル: 知覚と処理を理解する Rating: 0 out of 5 stars0 ratings
Related ebooks
カラーマッチング機能: コンピュータビジョンにおける分光感度を理解する Rating: 0 out of 5 stars0 ratings記述的な幾何学: 視覚領域のロックを解除: コンピューター ビジョンにおける記述幾何学を探索する Rating: 0 out of 5 stars0 ratingsベクターグラフィックス: コンピューター ビジョンでベクター グラフィックスをマスターする Rating: 0 out of 5 stars0 ratingsマルチビュー三次元再構成: コンピュータビジョンにおける空間認識のための高度な技術 Rating: 0 out of 5 stars0 ratingsテクスチャ マッピング: コンピュータービジョンにおける次元性の探求 Rating: 0 out of 5 stars0 ratingsアルファ合成: コンピュータビジョンにおける画像合成の技術を習得する Rating: 0 out of 5 stars0 ratingsハリスコーナーディテクター: 画像特徴検出の魔法を明らかにする Rating: 0 out of 5 stars0 ratings射影幾何学: コンピューター ビジョンにおける射影幾何学の探索 Rating: 0 out of 5 stars0 ratings三次元投影: コンピュータービジョンの奥深さを解き放つ Rating: 0 out of 5 stars0 ratingsコンピュータビジョンの基本マトリックス: 「コンピュータ ビジョン」の範囲内で、「コンピュータ ビジョン 基本マトリックス」というタイトルの本のサブタイトルを提案してください。提案されたサブタイトルには「:」を含めないでください。 Rating: 0 out of 5 stars0 ratings不等角投影法: コンピュータービジョンにおける奥行き知覚の探求 Rating: 0 out of 5 stars0 ratingsハイダイナミックレンジレンダリング: 視覚スペクトルのロックを解除: コンピューター ビジョンの高度なテクニック Rating: 0 out of 5 stars0 ratingsスケール不変特徴量変換: コンピューター ビジョンにおけるスケール不変特徴量変換の力を明らかにする Rating: 0 out of 5 stars0 ratingsデジタルラスターグラフィックス: コンピューター ビジョンにおけるデジタル ラスター グラフィックスの威力を明らかにする Rating: 0 out of 5 stars0 ratingsオブジェクト指向プログラミングの継承: 基礎と応用 Rating: 0 out of 5 stars0 ratingsシェーダ: シェーダーによる視覚領域の探索: コンピューター ビジョンへの旅 Rating: 0 out of 5 stars0 ratings境界ボリューム: コンピューター ビジョンにおける空間表現の探求 Rating: 0 out of 5 stars0 ratingsアルゴリズムの確率: 基礎と応用 Rating: 0 out of 5 stars0 ratings検索アルゴリズム: 基礎と応用 Rating: 0 out of 5 stars0 ratingsピンホールカメラモデル: 計算光学を通じて遠近法を理解する Rating: 0 out of 5 stars0 ratings等角投影: コンピュータービジョンにおける空間認識の探求 Rating: 0 out of 5 stars0 ratingsモバイルマッピング: コンピュータービジョンで空間インテリジェンスを解き放つ Rating: 0 out of 5 stars0 ratingsクアッドツリー: 画像解析のための階層データ構造の探索 Rating: 0 out of 5 stars0 ratings内側軸: コンピューター ビジョンの核心を探る: 内側軸を明らかにする Rating: 0 out of 5 stars0 ratingsカラーモデル: コンピューター ビジョンのスペクトルを理解する: カラー モデルを探索する Rating: 0 out of 5 stars0 ratings異方性フィルタリング: コンピューター ビジョンにおける視覚的な複雑性を解明する Rating: 0 out of 5 stars0 ratingsカーネルメソッド: 基礎と応用 Rating: 0 out of 5 stars0 ratings双一次補間: バイリニア補間による画像の解像度と鮮明さの向上 Rating: 0 out of 5 stars0 ratingsグーローシェーディング: グーロー シェーディング: コンピューター ビジョンを照らす Rating: 0 out of 5 stars0 ratings適応フィルタ: 適応フィルタリングによるコンピュータビジョンの強化 Rating: 0 out of 5 stars0 ratings
Reviews for 色の見え方モデル
0 ratings0 reviews
Book preview
色の見え方モデル - Fouad Sabry
第 1 章: 色の外観モデル
色外観モデル(CAM)と呼ばれる数学的モデルは、物体の知覚色が刺激源の対応する物理的測定値と異なる状況など、人間の色覚の知覚要素を特徴付けようとします。(対照的に、RGBカラーモデルやCMYKカラーモデルなどのカラーモデルは、色を表すための座標空間を確立します。
均一色空間 (UCS) の目的は、色間の見かけの違いが空間内の物理的な分離に比例するカラー モデルを作成することです。UCS は CAM を静的な表示環境に適用した結果であり、CAM は UCS を動的な表示環境に適用した結果です。このようなモデリングがなくても、UCS は粗雑な CAM として機能します。
観察者はすべての色の源です。「客観的に」、目に見えるのは光のスペクトルパワー分布だけです。
このことを念頭に置いて、 誰もが異なる色を見ます。
しかし、多くの研究者が、光のスペクトルパワー分布を人間の感覚反応に定量的に結びつけようと試み、ある程度の成功を収めています。
1931年、心理物理学の手法を利用して、CIE(国際照明委員会)によって開発されたXYZ色空間は、この感覚レベルで人間の色覚を正確に表しています。
ただし、XYZ カラー モデルには、その使用を制限する仮定が組み込まれています (刺激の網膜軌跡、目に合う光の輝度レベル、観察対象物の背景、周囲の光の輝度レベルなど)。同一のXYZ三刺激値を持つ2つの刺激は、他のすべての要因が一定に保たれている場合にのみ、人間の観察者には同じ色相を持つように見えます。初期条件が異なる場合、同じX、Y、Zの三刺激値を持つ2つの同一の刺激から異なる色が知覚されることがあります(逆の場合、XYZ三刺激値が異なる2つの異なる刺激が同じ色の外観を作成する可能性があります)。
人間の色覚を表現するには、表示環境が異なる場合、静的な XYZ カラー モデルではなく、色の外観モデルが必要です。
人間はXYZ三刺激値ではなく、外観パラメータを使用して色を知覚するため、どの色の外観モデル(色相、明度、明るさ、彩度、彩度)にも大きな問題があります。したがって、X、Y、Zの三刺激値は、(表示条件を考慮して)任意の色外観モデル(少なくとも色相、明度、彩度)の一部として、これらの外観パラメータに変換する必要があります。
色外観モデルが考慮しようとするいくつかの色の外観現象について、以下で説明します。
色順応とは、光源の白色点(または色温度)の影響を受けずに反射物を見る人間の目の能力です。白い紙は、光が青みがかっているか黄色がかっているかに関係なく、人間の目には白く見えます。これは最も基本的で根本的に重要な色の外観現象であるため、色の外観のモデルには、この動作を模倣しようとする色順応変換 (CAT) を含める必要があります。
これにより、初歩的な三刺激ベースのカラーモデルと、より複雑な色の外観モデルが明確に区別されます。照明された物体の表面の色を記述する場合、単純な三刺激ベースのカラーモデルでは光源の白色点が考慮されないため、光源の白色点が変化すると表面の色も変化します。一方、色の外観モデルでは、光源の白色点が考慮され(したがって、モデルの計算ではこの値が必要)、その結果、光源の白色点が変化しても、サーフェスに対して同じ色が報告されます。
色順応の状況では、XYZ三刺激値が異なる2つの刺激が同じ色の外観を生成する可能性があります。ホワイトペーパーの反射光は、光を当てる光の色温度(白)に応じて、異なるスペクトルパワー分布を持ち、その結果、X、Y、Zの三刺激値も異なります。
複数の要因が観察者の色覚を変化させます。
ベゾルト・ブリュッケ色相シフト: 単色光の色相は輝度によって変化します。
アブニー効果:白色光を加えると、単色光の色が変化します(色は中立であると予想されます)。
複数の要因が観察者のコントラスト知覚を変化させます。
スティーブンス効果:明るさはコントラストを改善します。
Bartleson-Breneman効果は、周囲光レベルが上昇すると、発光画像(LCD画面画像など)の知覚コントラストが上昇することを示しています。
人間の目は、知覚される色の鮮やかさを変える効果の影響を受けます。
ハント効果:光量が多いほど、色が鮮やかになります。
人間の目は、光の知覚方法を変える衝撃を受けます。
ヘルムホルツ・コールラウシュ効果:彩度に依存した輝度の増強。
人間の脳は各ピクセルに固有のコンテキスト上の意味を割り当てるため、空間現象は画像内で実際に発生する場所(たとえば、灰色ではなく影として)にのみ色に影響を与えます。「目の錯覚」という用語は、これらのイベントを説明するために使用される場合があります。それらは、その文脈上の性質のためにモデル化が難しいことで有名です。これを試みるモデルは、ピクチャー カラー アピアランス モデル (iCAM) と呼ばれます。
色の外観の要因や現象は非常に多様であり、手元のタスクの固有の難しさも考慮されるため、単一の色の外観モデルが普遍的に適用できると見なすことはできません。
以下では、いくつかの色覚モデルについて説明します。これらのモデルの色順応変換の一部は、LMS 色空間で表示されます。
1976年、古いシステムを更新するために、CIEは、下位互換性のある新しい色差モデルによって、色のコントラストの統一理論を確立しました。
これを達成するために、彼らは知覚的に一貫した色空間(UCS)を確立しようとしました。
任意の 2 つの色の間の知覚距離が、それらの色間の物理的な距離と同じである色空間。
しかし、彼らの成功は部分的なものに過ぎず、それによって、最初のカラーアピアランスモデルになるために必要なすべての機能を備えたCIELAB(「L*a*b*」)色空間が作成されました。
CIELABは、色がどのように「見える」かを説明するためのかなり単純なアプローチであり、ICCプロファイルベースのカラーコントロールの基礎となり、人気のある選択肢となっています。
そのため、デジタル写真で広く使用されています。
CIELAB の制限の 1 つは、より正確な結果を得るために最初に LMS 色空間に頼るのではなく、XYZ 色空間で直接フォン クリース変換法を実行するという点で、本格的な色順応を提供しないことです (「間違ったフォン クリース変換」と呼ばれることがよくあります)。
CIELAB と LMS 色空間への Bradford 変換行列 (LLAB カラー外観モデルで導入) により、ICC プロファイルはこの制限を回避できます。
CIELABは、入力が限られている場合でも、「間違った」変換のために非基準白色点が利用されると、うまく機能しないことが知られています。この UCS は、L が変化すると、誤った変換によって青色が紫色にシフトするため、完全ではありません。
演色性と照明工学は、Nayatani et al. の色外観モデルの中核をなすものです。
ハントのカラーアピアランスモデルは、視覚的な色を正確に表現することに特化しています(その作成者はコダック研究所で働いていました)。このモデルの開発は1980年代に始まり、1995年までに、さまざまな視覚的発生(桿体細胞の反応など、他の色彩外観モデルにはない特徴を含む)を予測できる複雑さのレベルに達しました。ハントモデルはCIECAM02の設計に不可欠でしたが、その複雑さゆえに実際に使用するのは困難です。
RLABは、より良い画像再生を目指して、CIELABの大きな欠点に対処しようとしています。うまく機能し、この特定の目的には使いやすいですが、その機能は制限されています。
RLABは適切なvon Kriesステップを実装していますが、CIELABは実装していません。Dの値を調整することで、適応性のレベルを微調整できます。定数値 1.0 を使用すると、「光源の割引」を使用できます。
RLABと同様に、LLABはシンプルさを優先しますが、より広い分野をカバーすることも目的としています。全体的には、より徹底するために単純ではありませんでしたが、その点では不十分でした。CIECAM97sはLLABの直後に公開されたため、LLABは広く採用されることはありませんでした。
1997年にCIELABで将来のカラー外観モデルの基礎を築いた後、CIEはより包括的なモデルを開発することを意図していました。CIECAM97sは最終製品であり、徹底したものでしたが、複雑で必ずしも使いやすいものではありませんでした。CIECAM02が出版されるまで、カラーアピアランスモデルのデファクトスタンダードとなりました。
色のグラデーションの問題は、エブナーとフェアチャイルドがIPTと呼ぶ色空間で取り組んだ問題です。
IPT カラー外観モデルでは、一定の色相値は、明るさと彩度の値に関係なく、一定の知覚色相に対応します (これは、どの色外観モデルでも一般的な理想ですが、達成は困難です)。これにより、色域マッピングシステムでの使用に最適です。
ICtCpは、ITU-R BT.2100に含まれる色空間で、ダイナミックレンジと色域の点で元のIPTを拡張しています。