Modelo de aparência de cor

Um modelo de aparência de cor (abreviado CAM ) é um modelo matemático que procura descrever os aspectos perceptivos da visão de cores humana, isto é, condições de visualização sob as quais a aparência de uma cor não coincide com a medição física correspondente da fonte de estímulo. (Em contraste, um modelo de cores define um espaço de coordenadas para descrever as cores, como os modelos de cores RGB e CMYK.)

Aparência de cor
A cor se origina na mente do observador; “Objetivamente”, existe apenas a distribuição de potência espectral da luz que encontra o olho. Nesse sentido, qualquer percepção de cores é subjetiva. No entanto, tentativas bem-sucedidas foram feitas para mapear a distribuição de energia espectral da luz para a resposta sensorial humana de forma quantificável. Em 1931, usando medições psicofísicas, a Comissão Internacional de Iluminação (CIE) criou o espaço de cor XYZ que modela com sucesso a visão de cores humanas neste nível sensorial básico.

No entanto, o modelo de cores XYZ pressupõe condições específicas de visualização (como o locus de estimulação da retina, o nível de luminância da luz que encontra o olho, o fundo por trás do objeto observado e o nível de luminância da luz circundante). Somente se todas essas condições permanecerem constantes, dois estímulos idênticos com valores tristimulares XYZ, portanto, idênticos, criarão uma aparência de cor idêntica para um observador humano. Se algumas condições mudarem em um caso, dois estímulos idênticos com valores tristimulares XYZ, portanto, idênticos, criarão diferentes aparências de cor (e vice-versa: dois estímulos diferentes com valores XYZ tristimulares diferentes podem criar uma aparência de cor idêntica).

Portanto, se as condições de visualização variarem, o modelo de cores XYZ não é suficiente e um modelo de aparência de cores é necessário para modelar a percepção de cores humanas.

Parâmetros de aparência de cor
O desafio básico para qualquer modelo de aparência de cor é que a percepção da cor humana não funciona em termos dos valores tristimulares XYZ, mas em termos de parâmetros de aparência (matiz, luminosidade, brilho, croma, colorido e saturação). Portanto, qualquer modelo de aparência de cor precisa fornecer transformações (que fatoram nas condições de visualização) dos valores tristimulares XYZ para esses parâmetros de aparência (pelo menos matiz, leveza e croma).

Fenômenos de aparência de cor
Esta seção descreve alguns dos fenômenos de aparência de cor com os quais os modelos de aparência de cor tentam lidar.

Adaptação cromática
A adaptação cromática descreve a capacidade da percepção de cores humanas abstrair a partir do ponto branco (ou temperatura de cor) da fonte de luz iluminante ao observar um objeto reflexivo. Para o olho humano, um pedaço de papel branco parece branco, não importa se a iluminação é azulada ou amarelada. Esse é o fenômeno mais básico e mais importante de todas as aparências de cores e, portanto, uma transformação de adaptação cromática (CAT) que tenta emular esse comportamento é um componente central de qualquer modelo de aparência de cor.

Isso permite uma distinção fácil entre modelos de cores baseados em tristimulares e modelos de aparência de cores. Um modelo de cores baseado em tristimulares simples ignora o ponto branco do iluminante quando descreve a cor da superfície de um objeto iluminado; se o ponto branco do iluminante mudar, o mesmo acontece com a cor da superfície, conforme relatado pelo modelo de cores baseado em tristimulares simples. Em contraste, um modelo de aparência de cor leva em conta o ponto branco do iluminante (razão pela qual um modelo de aparência de cor requer esse valor para seus cálculos); Se o ponto branco do iluminante mudar, a cor da superfície, conforme relatado pelo modelo de aparência de cor, permanece a mesma.

A adaptação cromática é um excelente exemplo para o caso de que dois estímulos diferentes com valores XYZ tristimulares diferentes criam uma aparência de cor idêntica. Se a temperatura de cor da fonte de luz de iluminação muda, o mesmo acontece com a distribuição de potência espectral e, portanto, com os valores tristimulares XYZ da luz refletida do papel branco; a aparência da cor, no entanto, permanece a mesma (branca).

Matiz aparência
Vários efeitos mudam a percepção de matiz por um observador humano:

Bezold-Brücke hue shift: A tonalidade da luz monocromática muda com a luminância.
Efeito Abney: A tonalidade da luz monocromática muda com a adição de luz branca (que seria esperada cor neutra).

Aparência de contraste
Vários efeitos alteram a percepção do contraste por um observador humano:

Efeito Stevens: O contraste aumenta com a luminosidade.
Efeito Bartleson-Breneman: O contraste da imagem (de imagens emissivas, como imagens em um display LCD) aumenta com a luminosidade da iluminação surround.

Aparência de colorido
Há um efeito que altera a percepção de colorido por um observador humano:

Efeito de caça: o colorido aumenta com a luminosidade.

Aparência brilho
Há um efeito que altera a percepção do brilho por um observador humano:

Efeito Helmholtz – Kohlrausch: O brilho aumenta com a saturação.

Fenômenos espaciais
Os fenômenos espaciais afetam apenas as cores em um local específico de uma imagem, porque o cérebro humano interpreta esse local de maneira contextual específica (por exemplo, como uma sombra em vez de uma cor cinza). Esses fenômenos também são conhecidos como ilusões de ótica. Por causa de sua contextualidade, eles são especialmente difíceis de modelar; Os modelos de aparência de cores que tentam fazer isso são chamados de modelos de aparência de cores da imagem (iCAM).

Modelos de aparência de cor
Como os parâmetros de aparência de cor e os fenômenos de aparência de cor são numerosos e a tarefa é complexa, não existe um modelo de aparência de cor única que seja universalmente aplicado; em vez disso, vários modelos são usados.

Esta seção lista alguns dos modelos de aparência de cor em uso. As transformações cromáticas de adaptação para alguns desses modelos estão listadas no espaço de cores LMS.

CIELAB
Em 1976, o CIE decidiu substituir os muitos modelos de diferença de cor incompatíveis existentes por um novo modelo universal de diferença de cor. Eles tentaram alcançar esse objetivo criando um espaço de cores perceptualmente uniforme, isto é, um espaço de cores em que a distância espacial idêntica entre duas cores é igual à quantidade idêntica de diferença de cor percebida. Embora tenham conseguido apenas parcialmente, criaram o espaço de cor CIELAB (“L * a * b *”) que tinha todos os recursos necessários para se tornar o primeiro modelo de aparência de cor. Embora o CIELAB seja um modelo de aparência de cores muito rudimentar, ele é um dos mais usados ​​porque se tornou um dos elementos básicos do gerenciamento de cores com perfis ICC. Portanto, é basicamente onipresente em imagem digital.

Uma das limitações do CIELAB é que ele não oferece uma adaptação cromática completa, pois realiza o método de transformação de von Kries diretamente no espaço de cores XYZ (muitas vezes chamado de “transformação de von Kries errada”), em vez de se transformar em o espaço de cor LMS antes para resultados mais precisos. Os perfis do ICC contornam essa falha usando o Bradford matriz de transformação para o espaço de cor LMS (que apareceu pela primeira vez no modelo de aparência de cor LLAB) em conjunto com o CIELAB.

Nayatani et al. modelo
O Nayatani et al. O modelo de aparência de cor foca na engenharia de iluminação e nas propriedades de renderização de cores de fontes de luz.

Modelo de caça
O modelo de aparência de cores da Hunt foca na reprodução de imagens coloridas (seu criador trabalhou nos Laboratórios de Pesquisa da Kodak). O desenvolvimento já começou nos anos 80 e, em 1995, o modelo tornou-se muito complexo (incluindo recursos que nenhum outro modelo de aparência de cor oferece, como incorporar respostas de bastonetes) e permitiu prever uma ampla gama de fenômenos visuais. Ele teve um impacto muito significativo no CIECAM02, mas devido à sua complexidade, o modelo Hunt em si é difícil de usar.

RLAB
O RLAB tenta melhorar as limitações significativas do CIELAB com foco na reprodução de imagens. Ele funciona bem para essa tarefa e é simples de usar, mas não abrangente o suficiente para outros aplicativos.

LLAB
O LLAB é semelhante ao RLAB, também tenta permanecer simples, mas adicionalmente tenta ser mais abrangente que o RLAB. No final, trocou alguma simplicidade pela abrangência, mas ainda não era totalmente abrangente. Desde que o CIECAM97s foi publicado logo depois, o LLAB nunca ganhou uso generalizado.

CIECAM97s
Depois de iniciar a evolução dos modelos de aparência de cor com CIELAB, em 1997, a CIE queria seguir-se com um modelo abrangente de aparência de cor. O resultado foi o CIECAM97s, que foi abrangente, mas também complexo e parcialmente difícil de usar. Ele ganhou ampla aceitação como um modelo de aparência de cor padrão até que o CIECAM02 fosse publicado.

IPT
Ebner e Fairchild abordaram a questão das linhas não constantes de matiz em seu espaço de cores apelidado de IPT. O espaço de cores IPT converte dados XYZ adaptados por D65 (XD65, YD65, ZD65) a dados de resposta de cone (LMS) longa-média-curta usando uma forma adaptada da matriz Hunt-Pointer-Estevez (MHPE (D65)).

O modelo de aparência de cor do IPT se destaca por fornecer uma formulação para matiz em que um valor de matiz constante é igual a uma tonalidade percebida independente dos valores de luminosidade e croma (que é o ideal geral para qualquer modelo de aparência de cor, mas difícil de alcançar). Portanto, é bem adequado para implementações de mapeamento de gama.

ICtCp
O ITU-R BT.2100 inclui um espaço de cores chamado ICtCp, que melhora o IPT original, explorando um alcance dinâmico mais alto e gamas de cores maiores.

CIECAM02
Após o sucesso do CIECAM97s, o CIE desenvolveu o CIECAM02 como seu sucessor e o publicou em 2002. Ele funciona melhor e é mais simples ao mesmo tempo. Além do modelo rudimentar do CIELAB, o CIECAM02 é o que mais se aproxima de um “padrão” acordado internacionalmente para um modelo (abrangente) de aparência de cor.

iCAM06
O iCAM06 é um modelo de aparência de cor da imagem. Como tal, não trata cada pixel de uma imagem independentemente, mas no contexto da imagem completa. Isso permite incorporar parâmetros de aparência de cores espaciais como contraste, o que o torna adequado para imagens HDR. É também um primeiro passo para lidar com fenômenos de aparência espacial.