ных краях: общепризнано то, что зрительная система человека очень чувстви тельна 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 расстоя ния просмотра. Альтернативно: CSF могут быть изменены для усиления неко торой 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 ло кальном и общем контрастах сравниваемых изображений. Прикладная цен ность такой обработки в реальных системах визуализации описана Толхарстом и Хигером (1997).

Текущее исполнение блока детекции локального контраста основано на не линейном маскировании, работающем по принципу усиления локального кон траста (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 еди ничным пикселом и ближайшими к нему соседними пикселами.

Карта цветовых отличий

На выходе модели отличия изображений находится т.н. карта цветовых от личий (%Im), 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 систе матических ошибок в цветовоспроизводящей системе.

Карту цветовых отличий позволительно (и даже нужно) упрощать: путем ак куратных манипуляций со статистической информацией ее данные можно пред ставлять в виде диаграммы минимальных (или максимальных) отличий или диаграммы стандартной девиации. Выбор категории статистических данных оп ределяется прикладной задачей, например: диаграмма минимальных ошибок больше подойдет для описания общего отличия между оригиналом и репродук цией, 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 пространст венно константных параметров условий просмотра и установка пространст венных фильтров на адаптирующие стимулы. Несмотря на то, что оптималь ные параметры для визуализации HDR изображений пока еще окончательно

406

Г Л А В А 2 0 МОДЕЛИ ВОСПРИЯТИЯ ИЗОБРАЖЕНИЙ

Рис. 20.3 Функциональные узлы iCAM, отвечающие за тоновый мэппинг HDR изображений.

не выработаны, вполне удовлетворительные результаты можно получить, если использовать установки, показанные на рис. 20.3 (детали см. у Джонсона и Фершильда [2003]).

iCAM успешно применяется для прогнозирования различных феноменов цветового восприятия (хроматической адаптации [согласованные цветовые стимулы], постоянства цветового тона, симультанного контраста, оконтурива ния и смазывания) и его шкалирования (Фершильд и Джонсон, 2002).

Задействованный в iCAM расчет смены хроматической адаптации такой же, что и в CIECAM02, и работает он только в отношении тех ситуаций, при кото рых меняется статус хроматической адаптации (то есть при смене белой точки). В свое время ТС8 01 потратил множество усилий на то, чтобы разработать дан ный расчет, и ясно, что не существует никакой иной модели с лучшим его ис полнением (хотя и имеются эквивалентные варианты). Таким образом, модель смены хроматической адаптации, заложенная в iCAM — это лучшее, что есть сегодня.

Шкалы восприятия

При эталонных условиях просмотра шкалы восприятия iCAM модели иден тичны IPT шкалам. Отметим также, что по сравнению с иными пространства ми восприятия IPT сегодня является лучшим по контурам постоянного цвето

407

вого тона (что радикально облегчает работу алгоритмов гамут мэппинга и по вышает их точность). К тому же, предикторы светлоты и насыщенности в iCAM весьма точны и вполне сопоставимы с таковыми у лучших моделей цветового восприятия (при работе в типичных условиях просмотра). Сказанное справед ливо также и в отношении субъективной яркости и полноты цвета.

В экстремальных условиях просмотра работа iCAM (равно как и работа иных моделей) начинает ухудшаться, однако же именно экстремальные усло вия просмотра позволяют выявить весь потенциал модели. Чтобы «научить» iCAM работать в экстремальных условиях, по этим условиям понадобятся до полнительные экспериментальные данные.

Оценка цветовых отличий

Оценка цветовых отличий в iCAM аналогична таковой в CIELAB (поскольку при эталонных условиях просмотра оба пространства весьма схожи друг с дру гом), и, таким образом, процедура вычисления цветовых отличий заурядна, но может быть улучшена за счет использования CIE94 формул (использование CIEDE2000 в iCAM не рекомендуется, поскольку эти формулы очень сложны и подогнаны под специфические недостатки CIELAB пространства, в частно сти под недостоверность контуров постоянного цветового тона).

Симультанный контраст

Симультанный контраст (или индукция) смещает восприятие стимула в ту или иную сторону (по оппонентным осям) в зависимости от цвета фона: на рис. 20.4 показан стимул, демонстрирующий светлотный симультанный кон траст (серые квадратики на всех трех фонах физически идентичны), а также его прогноз, выполненный iCAM (прогноз представлен iCAM предиктором светлоты). Отметим, что высокой точности данного прогноза содействует учет эффектов локальной адаптации.

Оконтуривание

Оконтуривание — это феномен, при котором цветовые отличия между дву мя стимулами оказываются перцепционно больше, если цвет фона подобен цве ту самих стимулов: на рис. 20.5 показан стимул, демонстрирующий оконтури вание по насыщенности и ее прогноз, выполненный iCAM (прогноз представлен предиктором насыщенности). Отметим, что точности данного прогноза содей ствует учет эффектов локальной адаптации.

Смазывание

Смазывание — это пространственный феномен цветового восприятия, при котором общий цветовой тон пространственно сложных областей изображения заполняет собой смежные участки. Рис. 20.6 предлагает пример смазывания, при котором красный цветовой тон решетки кольца «растекается» на все коль

408

Рис. 20.4 (а) — оригинальный стимул; (b) — iCAM J карта (светлотная), иллюстрирующая про гноз симультанного контраста.

Рис. 20.5 (а) — оригинальный стимул; (b) — iCAM С карта, иллюстрирующая прогноз оконту ривания по насыщенности.

Оригинал взят с www.hpl.hp.com/personal/Nathan_Moroney/.

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 HDR изображений (число которых сегодня стремительно растет) на

409

Рис. 20.6 (а) — оригинальный стимул; (b) — iCAM h карта (по цветовому тону), иллюстрирую щая прогноз смазывания.

системах с низким динамическим диапазоном. Изначально HDR изображения 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 HDR данные, благодаря чему пользователи цифровых камер в самое ближай шее время получат возможность фиксировать сцены с огромными динамиче скими диапазонами. К сожалению, визуализация и использование HDR дан ных еще долго будет затруднена, поскольку цветовоспроизводящие системы (даже высшего качества) ограничены динамическим диапазоном 2D.

Одним из подходов к решению проблемы HDR визуализации 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 HDR визуализации 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

1То есть больше, чем 6D. — Прим. пер.

410

рядность весьма желательна при прямой (то есть, не интерактивной) визуали зации HDR векторной 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 HDR изображений, 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 HDR изображений.

Рис. 20.7 иллюстрирует использование iCAM для HDR визуализации (взято с www.debevec.org). Изображения в левой колонке — линейная визуализация оригинальных HDR значений (нормированных на энергетический максимум), демонстрирующая то, насколько данные оригинального диапазона выходят за границы типичной 24 битовой (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 HDR данных с помощью т.н. интерактивного поиска оптимального степенного преобразования, именуемого также «гамма коррекцией» (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 гамма коррек ция успешно визуализирует большую часть данных HDR изображения, 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 HDR оригинала iCAM моделью, 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 HDR сцен (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