- общеконцептуальные проблемы, возникающие в данной сфере (Фер-шильд, 1994);
- проблемы разработки алгоритмов гамут-мэппинга, выполняемого с целью воспроизведения требуемых цветовых стимулов, выходящих за границы цветового охвата целевого устройства (Браун и Фершильд, 2000);
- проблемы визуализации средствами компьютерной графики высококачественных спектральных изображений (high-quality spectral images) (технология, радикально повышающая точность данных о цветовых стимулах регистрируемой сцены [Джонсон и Фершильд, 1999]).
Процесс создания и тестирования моделей цветового восприятия в контексте воспроизведения изображений разными способами целиком строится на исследованиях данного типа.
Уравнения цветовых отличий
Итогом многолетних исследований в сфере цветовых отличий стала формула CIEDE2000 (Луо и колл., 2001), в основу которой положено некое равномерное цветовое пространство. Напомним, что в 1976 г. CIE рекомендовала два сугубо временных и далеких от совершенства цветовых пространства - CIELAB и CIELUV. Позднее, признав неравномерность CIELAB, комиссия разработала усовершенствованные формулы цветовых отличий (CIE ДЕ9*4 и CIEDE2000), которые, несомненно, лучше и вполне способны прогнозировать перцепционные отличия между простыми цветовыми патчами. Заметим при этом, что в истинно равномерном пространстве цветовые отличия могут измеряться как простое эвклидово расстояние между цветовыми координатами двух стимулов (к примеру, CIE ДЕ*).
Отличие изображений
CIE-формулы цветовых отличий были разработаны с использованием простых цветовых стимулов в определенных условиях просмотра, однако нет никаких оснований полагать, что эти формулы способны прогнозировать цветовые отличия между пространственно-сложными стимулами.
Для оценки сложных цветовых стимулов, таких, как полутоновые образцы, была разработана модель S-CIELAB (Чанг и Ванделл, 1996), выступающая в роли некоего предобработчика данных (pre-processor), предназначенных в конечном итоге для стандартных CIE-формул. Для аппроксимации контрастно-сенситивных функций (CSF)1 зрительной системы человека пространственная 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 примеру, все мы знаем, что растровые точки при определенном расстоянии просмотра 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, приближая его к изображению непрерывного тона.
Сравнительно недавно S-CIELAB была модифицирована и расширена: появилась возможность вычислять отличия между изображениями (Джонсон и Фершильд, 2001, 2003). Модернизация (см. раздел 20.3) коснулась уравнений CSF: к S-CIELAB были добавлены блоки пространственно-частотной адаптации, пространственной локализации, а также блоки детекции локального и общего контрастов.