Поскольку в реальных просмотровых условиях пространственно-частотной адаптации избежать нельзя, был создан ряд прикладных моделей (Джонсон и Фершильд, 2001), меняющих содержимое CSF на основе данных о предполагаемых условиях просмотра и/или информации о самом изображении.
Классическое и подробное описание пространственно-частотной адаптации дают Блэйкмо и Кэмпбелл (1989).
Блок пространственной локализации
Чувствительность зрительной системы к стимулам низкой и высокой пространственных частот обеспечивает модуляцию информации о высокочастот ных краях: общепризнано то, что зрительная система человека очень чувствительна в плане краевой детекции. Для учета данной особенности зрения был разработан блок пространственной локализации, который так же прост, как обработка изображения по т.н. ядру расширения контуров (edge-enhancing kernel). Последнее, кстати говоря, должно меняться в зависимости от расстояния просмотра. Альтернативно: CSF могут быть изменены для усиления некоторой высокочастотной информации.
Структура и прикладная ценность алгоритмов краевой детекции хорошо описана Марром (1982).
Блок детекции локального контраста
Блок детекции локального контраста отвечает за выявление отличий в локальном и общем контрастах сравниваемых изображений. Прикладная ценность такой обработки в реальных системах визуализации описана Толхарстом и Хигером (1997).
Текущее исполнение блока детекции локального контраста основано на нелинейном маскировании, работающем по принципу усиления локального контраста (Морони [2000]), то есть: низкочастотное маскирование изображения используется для генерации серии тон-репродукционных кривых, основанных как на общем контрасте изображения, так и на взаимоотношениях между единичным пикселом и ближайшими к нему соседними пикселами.
Карта цветовых отличий
На выходе модели отличия изображений находится т.н. карта цветовых отличий (Д1т), отражающая воспринимаемую величину ошибки по каждой паре пикселов данного пространственного положения в оригинале и в репродукции. Отметим, что карта весьма полезна для выявления специфических или систематических ошибок в цветовоспроизводящей системе.
Карту цветовых отличий позволительно (и даже нужно) упрощать: путем аккуратных манипуляций со статистической информацией ее данные можно представлять в виде диаграммы минимальных (или максимальных) отличий или диаграммы стандартной девиации. Выбор категории статистических данных определяется прикладной задачей, например: диаграмма минимальных ошибок больше подойдет для описания общего отличия между оригиналом и репродукцией, тогда как диаграмма максимальных лучше опишет пороговые отличия.
20.4 ВОСПРИЯТИЕ ИЗОБРАЖЕНИЙ И ИХ ВИЗУАЛИЗАЦИЯ
Рис. 20.3 демонстрирует рабочую структуру iCAM в контексте тонового мэп-пинга HDR-изображений.
Ядром процесса является инверсия IPT-модели в набор неких пространственно-константных параметров условий просмотра и установка пространственных фильтров на адаптирующие стимулы. Несмотря на то, что оптимальные параметры для визуализации HDR-изображений пока еще окончательно