Värikoodaus tietojen visualisoinnissa - Color coding in data visualization

Datan visualisointi saavuttaa nykyään merkityksensä tietotekniikan ansiosta: iso data käsitellään tietokoneissa, joissa on kykenevä visualisointiohjelmisto, yhdistettynä tilastotekniikoihin ja elektronisten näyttöjen värikoodaukseen . Tämä artikkeli käsittelee värikoodausta tietojen visualisoinnissa .

Värikoodauksen alkuperää ovat rubriikat , kartografian neljän värin lause ja Jacques Bertinin 1967 kirja Sémiologie Graphique ( Semiology of Graphics ). Nykyaikainen värikoodaus tietojen visualisointiin mahdollistaa neljä tekniikkaa: tilastot, väritekniikka, näytöt ja tietojenkäsittely. Tilastot John John Tukey ja Edward Tufte määrittelivät tietojen visualisoinnin vastaavissa maamerkkikirjoissaan Exploratory Data Analysis vuonna 1977 ja The Visual Display of Quantitative Information vuonna 1982. He eivät korostaneet värin käyttöä. Toiset osoittivat värikoodauksen paremmuuden nopeuttaakseen visuaalisen haun näytettävistä tiedoista ja löytääkseen ja järjestääkseen kiinnostavia tietoja. Kolmas värikoodatun datan visualisoinnin edellytys on korkean resoluution, suuren kontrastin ja kirkkauden omaavat elektroniset värinäytöt. Honeywell Corporation ja Boeing Corporation keräsivät teknisiä tietoja, jotka ovat edelleen saksalaisia ​​värinäyttöjen käyttöön. Viime aikoina Yhdysvaltain liittovaltion ilmailuvirasto on julkaissut teknisiä ohjeita dynaamisten (ilmaliikenteen) tietojen visualisoimiseksi itsevalaisevilla värinäytöillä.

Ihmisellä on luontainen kyky suorittaa värikoodattu visuaalinen haku. Ilman koulutusta tai harjoittelua hakuaika värikoodauksella voidaan lyhentää kymmenkertaiseksi tai enemmän verrattuna saman tietonäytön hakuun ilman värikoodausta. Esimerkiksi kuvio 1a havainnollistaa pitkää hakua ilman värikoodausta, kun taas kuvio 1b esittää värikoodausta, joka tekee datasta merkittävää.

Kuvat 1a ja b. Millä luokalla on vähiten tähtiä: 32-, 24- tai 16-tähtiiset tähdet? Napsauta kuvaa nähdäksesi koko näytön tiedot.

Värikoodauksen perusteet tietojen etsimiseen ja ryhmittelyyn

Värikoodattu visualisointi

Värikoodauksella on erilaisia ​​sovelluksia tietojen visualisointiin. Yleinen periaate on kohdistaa värien merkitys näytettävän tiedon olennaisuuteen . Hakijalle voidaan antaa löydettävän kohteen väri tai hän voi tietää etsityn luokan värin kokemuksensa perusteella. Vaihtoehtoisesti heidän tehtävänsä voi vaatia sellaisen kohteen etsimistä, joka erottuu toisistaan, merkittynä värillä, ilman kohdeväriä.

Merkittäviä värejä voidaan käyttää esimerkiksi kuvioiden korostamiseen tai nopean haun mahdollistamiseen:

Toinen värikoodaussovellus on näyttää symmetriat visualisoidussa datassa. Värikoodaus voi yhdistää ja purkaa, esim. Juonen suuntauksia tai aksonien jatkuvuuden hermokytkennässä . Uusia sovelluksia, joilla on luontainen taito etsiä tai ryhmitellä värin perusteella, kehitetään edelleen, esim. Verkkoja, tievärilause , lämpökarttoja , genomia, genomista rakenteellista vaihtelua, genomiselaimia ja paikkatietoja, kuten molekyylejä varten. Värikoodeilla voidaan visualisoida vieraiden tietojen poikkeamat ja virheet.

Värikoodausta käytetään myös muihin tarkoituksiin kuin näytetyn datan visualisointiin. Tietojen visualisointi täydentää näitä käyttötapoja eikä korvaa niitä tai ole ristiriidassa niiden kanssa. Jos ristiriita on mahdollinen, esimerkiksi kun väreillä on vakiintuneet merkitykset muissa yhteyksissä, kuten merkkivaloissa, näitä merkityksiä on pidettävä arvossa, kun valitaan värejä datan visualisoinnin värikoodille.

Aika, joka tarvitaan visualisoidun tiedon löytämiseen

Visuaalinen haku suoritetaan nopeilla tahattomilla ja alitajunnallisilla silmien liikkeillä, joita kutsutaan sakadeiksi . Silmä tekee visuaalisen etsinnän aikana noin kolme sakkadia sekunnissa. Tällaiset silmien liikkeet rajoittavat ihmisen kognitiivista suorituskykyä. Haku sisältää aivojen hermoverkoston liikkeen ja sijainnin käsittelemiseksi ja sakkadeiden hallitsemiseksi. Tämä hermoverkko on herkkä väreille ja muutoksille; väri- ja salamakoodaus (väliaikaisesti vaihteleva kirkkaus) voivat täydentää toisiaan haun nopeuden parantamiseksi ilman keskinäisiä häiriöitä.

Jos näytössä on haettavissa N kohdetta, tietyn kohteen paikantamiseen tarvitaan yleensä N/2 sakkadia. Kun otetaan huomioon kolme sakkadia sekunnissa, N/(2*3) = N/6 sekuntia on arvio hakuajasta yhden kohteen löytämiseksi N: n joukosta. Arvio paranee lisäämällä reaktioaika, ehkä sekunti; odotettu hakuaika on 1 + N/6 sekuntia kohde -kohteen löytämiseksi N näytettyjen kohteiden joukosta . Tämä arvio vastaa empiirisiä hakuaikoja. Tällaisessa tilanteessa värikoodattu hakuaika kasvaa lineaarisesti näytön tietokohteiden määrän kanssa, joilla on eri tavoiteväri . Lisäksi haku on nopeampaa, kun kohdeväriset kohteet on järjestetty avaruudellisesti , esimerkiksi mutkaisilla poluilla tai esitysasettelussa tai datakuvioiden suunnittelussa.

Hakuajalla on eksponentiaalinen tilastollinen jakauma. Eräässä eksponenttijakauman , vaihtelevuus (keskihajonta) on sama kuin odotettu arvo tai keskiarvo. Kun odotettu hakuaika pitenee, myös hakuajan vaihtelevuus kasvaa. Pidempi odotettu hakuaika edellyttää muutamia erittäin pitkiä hakuja. Esimerkiksi kun näytöllä on satunnaisesti jaettu 30 eri hakua (N = 30), odotettu hakuaika on 6 sekuntia, mutta 5% hauista kestää yli 18 sekuntia. Katso vastaavat tulokset taulukosta 1.

Lyhyt odotettu hakuaika estää kohtuuttoman pitkät haut, jotka liittyvät pidempään keskimääräiseen hakuaikaan. Hakuajan lineaarisen pitenemisen ja mahdollisten kohteiden lukumäärän sekä hakuaikojen eksponentiaalisen jakautumisen perusteella (ks. Taulukko 1) kohdeväriä jakavien näytettyjen kohteiden rajoittaminen alle noin 11: een pitäisi hakuajat alle 10 sekunnissa melkein Kaiken aikaa. Lisää kohteita voisi jakaa kohdevärin, jos tavoitteena olisi ryhmitellä hajautettujen kohteiden osajoukkoja (eri värejä) johonkin muuhun tarkoitukseen kuin hakuun.

Tärkeiden värien valitseminen värikoodausta varten

Värikoodaus voi tuoda tiedot esiin (katso kuva 1b). Erotettavat värikoodit vähentävät tai poistavat hakutoiminnon kaikista kohteista, joilla ei ole merkittävää kohdeväriä. Laadulliset, subjektiiviset menetelmät eri värien valitsemiseksi koodaukseen rajoittuvat muutamaan väriin. Väritekniikka saavutti 22 maalia, joilla oli suurin mahdollinen kontrasti, ennen itsevalaisevien värinäyttöjen tuloa. Itsevalaiseva laitteita, kuten näytöt, jotka kykenevät korkeampia luminanssin (laajempi väri väriasteikko ), korkeampi resoluutio (pienempi symbolien ja kuvan segmentit) ja korkeampi kontrastit (lisää-keskeisiä eroja taustasta) kuin ovat yleensä saavutettavissa heijastavia materiaaleja, kuten maali . Nämä itsevalaisevien näyttöjen ominaisuudet luovat värikoodausmahdollisuuksia ja -ongelmia alla kuvatulla tavalla.

Objektiivista menetelmää valita erottuva värejä värikoodatut visualisointi elektronisesti näytetään tiedot on pohtia värikoordinaatit värien käytettävissä näytön kirjo . Tyypillisesti väriä edustaa kolme koordinaattia (R, G, B) , kukin alueella 0-255 8-bittisen esityksen tapauksessa. Yleisimmin käytetty värin esitys on RGB-muunnelma, joka tunnetaan nimellä sRGB , kun taas käytetään myös laitekohtaisia ​​RGB-värejä. Laitekohtaisen RGB-esityksen etuna on, että jos laite käyttää RGB-valonlähteitä, se voi määrittää kaikki värit, jotka kyseinen laite voi tuottaa. Useimmat näytöt käyttävät RGB-valoa, vaikka monivärisiä värinäyttövaihtoehtoja on olemassa, kuten Sharp Corporationin tuottamat Quattron- näytöt .

Kuva 2. Jotkut värikoodaukseen sopivat värit sijaitsevat näytön värivalikoiman ulkorajalla. Kunkin värin (R, G, B) koordinaatit näkyvät vastaavassa värillisessä kuusikulmassa.

Kuva 3. Kaavamainen yhteenveto ilmeisen värin samankaltaisuuden ja lasketun värieron välisestä suhteesta. Punainen viiva on tässä tärkein. Muita kuvion 3 rivejä käsitellään alla.

Optisilla mittauksilla voidaan laskea värikoodin kunkin väriparin välinen väriero. Tämä sisältää spektrin radiometrisen mittauksen näytöstä saatavien värien tristimulusarvot. Tristimulus-arvot (X, Y, Z) ovat laitteesta riippumattomia värikoordinaatteja, joita käytetään värieron laskemiseen. Luminanssi , harmaasävyn korrelaatti, on esimerkiksi Y -kolmivärinen arvo. CIEDE2000- tai CIECAM02-värierokaavat ovat tilastollisesti parempia suurten värierojen erottavuuden mittareina. Yleensä värierolaskelmat antavat enemmän painoa puna-vihreille eroille ja vähemmän sini-keltaisille eroille ja luminanssieroille (eli harmaasävyisille) eroille tässä tehokkuusjärjestyksessä.

Koodivärit, joilla on pienet värierot kohdeväristä, saavat häiritsevät kohteet näyttämään samanlaisilta kohdeväriltä, ​​mitattuna hakuajan tai silmien liikkeiden perusteella. Näytetyt kohteet, joiden väri eroaa suuresti kohteesta, eivät häiritse kohteen näkyvyyttä. Kuvio 3 tiivistää tämän suhteen värien samankaltaisuuden tai näkyvyyden välillä visualisoinnin aikana ja lasketun värieron välillä. Kuri tunnistaa (ja erottaa, värieroina) värikoodin eniten samankaltaisia ​​värejä on hyödyllinen riippumatta siitä, millä menetelmällä koodivärit valitaan.

Koodissa, jossa on n väriä, on n (n-1)/2 väriparia (katso kuva 4), ja jokaisella parilla on väriero. Värierojen lisääntyminen värien määrän kasvaessa edellyttää systemaattista, algoritmista ja automatisoitua värinvalintamenetelmää. Esimerkiksi ilmailukartat voivat olla värikoodattuja 28 värillä, mikä tarkoittaa 378 parinväristä eroa.

Kuva 4. Väriparien määrä ja siten väri -erot värikoodissa kasvavat nopeasti värien määrän kasvaessa.

Monien värien näkyvyys toistensa kontekstissa voidaan optimoida. Koska pienimmät värierot häiritsevät hakua, kun taas riittävän suuret värierot eivät häiritse (katso kuva 3), optimointitavoitteena on maksimoida pienin laskettu väriero, n-värikoodi, jotta saadaan suuri määrä (n) erillisiä värejä värikoodille, joka on räätälöity tietyn näytön valikoimaan. Tämä perusmenetelmä on kehitetty teolliseen käyttöön. Menetelmää on sovellettu näytöstä heijastuvan ympäristön valaistuksen huomioon ottamiseksi. Optimointimenetelmää on laajennettu koskemaan vaihtoehtoisia tavoitefunktioita. Sitä on sovellettu monimutkaisiin näyttötilanteisiin ja pieniin symboleihin. Tekninen värinmittaus ja optimoitu väriero voivat luoda useita vaihtoehtoisia yhtä tehokkaita koodeja, jotka hyödyntävät näytön koko laajuuden ja ihmisten värinerottelukyvyn. Tämä vaihtoehtoisten koodausvaihtoehtojen saatavuus mahdollistaa ennalta määritettyjen apropos-värien käytön tai sopimattomien värien välttämisen.

Käytännön ongelmat värikoodauksen kannalta

Symbolin koko vaikuttaa värin näkyvyyteen

Näennäinen väriero kohteiden välillä riippuu tarkasteltavien kohteiden visuaalisesta kulmasta. Pienemmät symbolit vähentävät värieroja. Laskettu väriero olettaa 2 asteen visuaalisen alitehon. Peukalon ja kynnen nivel (peukalokärjestä niveleen) näkyy noin kahden asteen näkökyvyssä esimerkiksi käden ulottuvilla. Tyypilliset näytön symbolit voivat kestää vain 7 minuuttia tai alle 1/16 kahdesta asteesta. Harkitse tätä näiden tosiasioiden yhteydessä

1. verkkokalvolla ei käytännössä ole lyhyen aallonpituuden (sinisiä) tunnistavia soluja 20 minuutin halkaisijalla olevan näkökentän ympärillä olevan levyn sisällä (LOS),
2. ne muodostavat vain noin 7% kaikista päivänvalon reseptoreista ja
3. sinisen tunnistavat solut ovat noin 4 minuutin päässä toisistaan ​​lähinnä (LOS-asteen sisällä), ja ne kasvavat noin 8 minuutin välein suuremmalla epäkeskisyydellä.

Näistä syistä siniset erot (jotka sisältävät värejä millä tahansa tritan -viivalla) menetetään pienille symboleille. Tätä kutsutaan pienikenttäiseksi tritanopiaksi, joka on värin puute sinisten erojen välillä pienten näkökenttien välillä, jotka ovat kaikkien alttiita. Siksi sinisyys erot olisi diskontattu (tai jopa poistaa tarkastelun) valittaessa koodaus värejä pieninä symboleina, alle noin 30 minuuttia (eli auringon ja kuun) kulmakoko . Jopa väri-erot, joissa ei ole sinisyyttä, näyttävät häipyvän (kuitenkin vähemmän kuin sininen), kun symbolit pienenevät. Esimerkiksi kohteet näyttävät tummemmilta (vähemmän valoa), kun ne suuntautuvat pienempään visuaaliseen alivalintaan; suuret alueet, joilla on sama luminanssi, näyttävät vaaleammilta kuin pienemmät alueet. On mahdollista arvioida visuaalisen alivalotuksen vaikutusta näennäiseen värieroon, mukaan lukien harmaasävyero. Pienempi symbolien visuaalinen alivalotus merkitsee vähemmän merkittäviä tai jopa erottavia värejä samassa näyttöalueessa. Koodivärit ovat merkittäviä, jos niiden värierot ovat vähintään 14 CIEDE2000-yksikköä symboleille, joilla on kahden asteen visuaalinen alivalotus, tai vastaava väriero, joka on arvioitu pienemmän osa-ajan suhteen. Esimerkiksi Williamsin käyttämien 1,5 asteen ja 0,75 asteen visuaalisen haun kohteiden näkyvyys parani niiden värierojen lisääntyessä vähintään 21 CIEDE2000-yksikköön; noin 21 vuoden jälkeen niiden merkitys ei parantunut entisestään. (Tässä annetut tärkeimpien värien vähimmäisväri-arvot vastaavat lainatun tieteellisen kirjallisuuden 95%: n luottamusvälin alarajaa .) Kuvan 3 sininen viiva ja nuoli tiivistävät pienen visuaalisen alivalon vaikutuksen (<2 astetta visuaalinen kulma) näennäisellä värien samankaltaisuudella lasketun värieron funktiona. Kuvakulma subtended näytetyn symboli tai muu kuva segmentti voidaan tarkasti mitata tai laskea.

Värinäköhäiriöt voivat vaikuttaa symbolien näkyvyyteen

Yleisimmät perinnöllisen värin puutteen muodot sisältävät puna-vihreitä sekaannuksia. Nämä värin havaitsemiseen liittyvät sekaannukset johtuvat verkkokalvon solujen puutteesta aistia pitkiä (esim. Punaisia) tai keskipitkän (esim. Vihreitä) aallonpituuksia. Punainen tai vihreä näyttäisi tummemmalta ihmisille, joilla ei ole vastaavia soluja. Symbolien pieni visuaalinen alivalotus tai harvinaisempi värinpuute (tritanopia), heikentävät sinisyyseroja (johtuen verkkokalvon lyhyen aallonpituuden tunnistavien solujen harvoista näytteistä). Yleiskäyttöinen värikoodi, jossa ei voida välttää värin puutetta tai pientä visuaalista alijäämää (esim. Etäkatselu), on valkoinen, musta, oranssi ja harmaa, joka erottuu kirkkaudesta muista koodiväristä ja taustavalosta. Tämä edellyttää, että henkilö katsoo kaukaa, jos hänellä on kyky aistia joko pitkiä tai keskipitkän aallonpituuksia. Sinistä (mutta selvästi vaaleampaa kuin musta) voitaisiin lisätä puutteellisten lyhyen aallonpituuden tunnistavien solujen harvinaisuuden vuoksi, jos katseluetäisyydet varmistavat värikoodattujen symbolien visuaalisen alivalinnan yli 30 minuuttia. (Katso kuva 1b.)

Värin puutteet voivat vaikuttaa jopa harmaasävyiseen havaintoon. Puna-vihreän värin puutteelliset tarkkailijat, jotka säilyttävät pitkän aallonpituuden tunnistavia soluja (deuteranopes), ovat tarkkoja tuomareita värin eroista lähellä punaista. Näin ollen paras värikoodi värin puutteellisille tarkkailijoille riippuisi värin puutteen tyypistä .

Värien puutteelliset tarkkailijat voivat parantaa kuvia katseltavaksi. Suositeltavia menetelmiä ovat reunojen parannus, uudelleenväritys ja kuvion päällekkäisyys värin täydentämiseksi. Kuvitellaan kolmenlaisia ​​kuvia: luonnollinen kohtaus, tieteellinen visualisointi tai toimistoasiakirja. Mikään tekniikka ei täytä kaikkien sovellusten vaatimuksia.

Kuva 5. Esitys siitä, miten symbolin ja sen taustan välinen kirkkausero vaikuttaa symbolin luettavuuteen. Vaakasuorat raidat ja pystysuorat viestisarakkeet ovat kumpikin vakioväriä.

Luettavuus värikoodauksen yhteydessä

Luettavuus on eri asia kuin edellä kuvattu. Luettavuus liittyy reunojen, muotojen ja paikkatietojen selkeään ja selkeään näkemiseen ja siten lukemiseen. Symbolin luettavuus riippuu luminanssieroista (ei värieroista) symbolin ja taustan välillä, jolla symboli esitetään. Kuva 5, jonka konseptin esitteli australialainen arkkitehti Paul Green-Armytage, osoittaa tämän luminanssierojen vaikutuksen luettavuuteen. Tästä syystä keltainen (erittäin kirkas väri) on vähemmän luettavissa kirkkaalla valkoisella taustalla ja päinvastoin valkoiset symbolit ovat vähemmän luettavissa keltaisella taustalla. Tummansiniset (heikosti kirkkaat värit) symbolit ovat vähemmän luettavissa mustalla taustalla ja päinvastoin mustat kirjaimet ovat vähemmän luettavia tummansinisellä taustalla. Tämä johtuu siitä, että keltainen on merkittävä valkoisella pohjalla ja sininen on näkyvä mustalla taustalla. Riittävä väriero visualisoitujen kohteiden välillä täydentää ja on yhteensopiva luettavuuden ja riittävän kirkkauseron kanssa kohteiden ja niiden taustan välillä. On resursseja tarvittavan kirkkauseron kvantifioimiseksi luettavuuden varmistamiseksi.

Harmaasävy, tärkeä työkalu tietojen visualisointiin

Sen kirkkauden vaikutuksesta luettavuuteen vaikuttaa myös harmaasävy. Kirkkaus- ja kirkkauserot ovat värieron harmaasävyisiä ominaisuuksia, joten ne voivat vaikuttaa symbolien näkyvyyteen. Harmaasävy on saatavilla ihmisille, joilla on värinäköhäiriöitä, ja se on vähemmän altis haalistumiselle (kuin kromaattiset erot) pienen visuaalisen heikentymisen vuoksi. Harmaasävy (kromaattisen värieron sijasta) on osoittautunut erityisen sopivaksi tavallisten tietojen, kuten lämpötilan, koodaamiseen sääkartalla.

Taustan kirkkauden muuttaminen tekee selväksi eron (mahdollisesti värikoodattujen) symbolien välillä, joiden luminanssit ovat vain suurempia ja vain pienempiä kuin jokainen valittu taustavalo. Kuvion 3 katkoviiva kattaa tämän vaikutuksen. Leon Williams havaitsi tämän ja ehdotti datan visualisointitekniikkaa, jota hän kutsui datan viipaloimiseksi, kuten esimerkki kuvassa 6.

Kuviot 6a-d. Tietojen viipalointi tai kuvan taustavalon muuttaminen voi tehdä eri tiedoista näkyvämpiä. Samoista tiedoista on neljä kopiota, joista jokaisella on erilainen taustavalo. Napsauta kuvaa nähdäksesi koko näytön tiedot.

Whittle-logaritminen harmaasävylaskenta itsevalaiseville laitteille kvantifioi näytettyjen symbolien luminanssierojen visuaaliset vaikutukset. Sen avulla voidaan laskea mikä tahansa määrä yhtä havaittavia eroja (nEPD), jotka ovat pieniä kuin näkyvyysraja, tai minkä tahansa kynnyksen ylittävän suuruuden. NEPD: n yksikkökoko on kolme tai neljä kertaa luminanssin muutoksen näkyvyyden absoluuttinen kynnys. Tämä nEPD -yksikkö on "vain havaittavissa yhdellä silmäyksellä", ja se voi katsella ilmaiseksi elektronista näyttöä.

Whittle -laskelma on epätavallinen (harmaasävykaavojen joukossa) neljällä tavalla.

1. Se sisältää taustavalon.
2. Sitä sovelletaan kaikkiin valonlähteisiin (eli päivänvaloon), kynnysarvojen ja vastaavuustietojen perusteella.
3. Sen johdannaisilla on merkitystä.
4. Se voi ottaa huomioon kontrastin tila -asteikon.

NEPD: n johdannainen (kaltevuus) suhteessa taustavaloisuuteen merkitsee optimaalista taustavaloa. Valkoista taustaa käytetään historiallisista syistä, jotka liittyvät pienten symbolien luettavuuteen. Ei kuitenkaan ole symbolikokoa tai symbolien kirkkausaluetta, jolle valkoinen tausta olisi optimaalinen siinä mielessä, että symboleilla voi olla tällä kirkkausalueella näkyvästi erilaisten harmaasävyjen määrä. Optimaalinen tausta voi kaksinkertaistaa suurempien symbolien joukossa näkyvien harmaiden sävyjen määrän. Optimaalinen taustavalon kirkkaus on aina alle 46% symbolin luminanssialueen maksimista, kun alueet ovat nolla.

Kontrastien (esim. Näytettyjen symbolien) kirkkausero eroaa taustasta. Kontrastin luminanssi olisi pienempi kuin taustavalo negatiivisilla kontrasteilla ja kontrastin luminanssi ylittää taustavalaistuksen positiivisilla kontrasteilla. NEPD: n johdannainen kontrastin kirkkauden suhteen ennustaa kontrastin näkyvyyden kynnyksen (esim. Estääkseen kaistaleiden muodostumisen digitaalisessa kuvassa) mihin tahansa päivänvalon symbolien ja taustavalon yhdistelmään. Whittle -laskelman johdannainen kontrastin luminanssin suhteen myös kvantifioi ihmisen kynnyksen yläherkkyyden luminanssieroille tai muutoksille kaikilla päivänvalon kohteen ja taustavalon yhdistelmillä. Tämä johdannainen liittyy digitaaliseen kuvankäsittelyyn ja erityisesti histogrammin spesifikaatioon, mikä viittaa soveltuvuuteen lääketieteellisten kuvien ikkunointiin. Whittle -laskelma näyttää positiivisen kontrastin suuruuden, jonka ylittyessä kontrastin kirkkaus kasvaa (kontrastin kirkkauden kasvaessa) yhtä nopeasti mitä tahansa taustaa vasten kuin valaisematonta (mustaa) taustaa vasten. Pienemmillä positiivisilla kontrasteilla ja negatiivisilla kontrasteilla symbolin vaaleus riippuu symbolin taustavalosta (Whittle -laskelmalla kuvatulla tavalla ja tunnetaan vaaleuden pysyvyytenä). Näytön luminanssikontrastin kalibrointi olisi välttämätöntä operaatiokriittisissä sovelluksissa.

Kuva 7. Piirrä Whittle-harmaasävylaskelma (CIE: n hyväksymä) itsevalaiseville laitteille, kun sitä sovelletaan optotyyppiin E, joka on alle 10 kaariminuuttia (1/3 auringon tai täysikuun halkaisijasta). Katso tekstistä lisätietoja tästä juonesta.

Kuviossa 7 on eri nEPD -käyrä kullekin taustavalolle. Kunkin käyrän jyrkin osa (suurin harmaasävyn muutos symbolin kirkkauden yksikkömuutosta kohti) on symbolien luminansseille, jotka ovat lähes yhtä suuret kuin niiden taustavalo. Toinen suhteellisen jyrkkä osa jokaista käyrää on äärimmäisellä vasemmalla, jossa symbolien luminanssi on lähellä nollaa. Negatiivinen nEPD vastaa negatiivisia kontrasteja ja positiivinen nEPD vastaa positiivisia kontrasteja. Symbolit, joiden tausta on yhtä suuri kuin nEPD, näyttävät samalta harmaalta, vaikka ne ovat eri taustoilla. (Katso kuva 8, joka havainnollistaa tätä harmaiden vastaavuutta eri taustoilla.) Whittle -laskennan logaritminen kaarevuus on järkevä. Kuvion 7 välinen taustavalovoima lisää käyrien välillä näkyvien harmaasävyportaiden määrää, mikä tekee uskottavasta optimaalisen taustavalon.

Whittle-laskelmassa itsevalaiseville laitteille on parametri k, joka liittyy symbolin tila-asteikkoon. Se (k) on osuus (0-100%) kuvan kontrastista (tavoitekirkkaus miinus taustavalovoima), joka menetetään silmänsisäisestä sironnasta matkalla verkkokalvon kuvaksi. Symbolin kulmavaikutuksen vähentäminen pienentää aina symbolin ja sen taustan välistä fyysistä kirkkauseroa (silmänsisäisen sironnan vuoksi), mikä vähentää luettavuutta ja näkyvyyttä ja lisää k: ta. Tämä parametri k voidaan laskea optisista periaatteista, kuten se oli kuvassa 7 esitetyn 10-kaariminuutin (k = 0,2) optotyypin E harmaasävyllä. myös optimaalinen taustavalo heikkenee. Whittle -laskentaan eivät vaikuta kontrastin etäisyydet, kuten kokeellisesti todennetaan. Etävalojen vaikutus harmaasävyyn johtuu silmänsisäisestä sironnasta.

Kuva 9. Identtiset seppeleet kuudesta harmaasävyisestä kuusikulmiosta, joilla on erilainen taustavalaistus. Kirkkaampi tausta tummentaa harmaasävyä.

Kuva 8. Tämä kuva havainnollistaa käsitettä harmaiden sovittamisesta eri taustavalaistuksiin. Jokaisella kuusikulmalla on erilainen kirkkaus. Tarkemmat osumat voitaisiin laskea tietylle katselutilanteelle.

Harmaasävyilmiö, joka voidaan laskea Whittle-laskelmalla itsevalaiseville laitteille, on yhteensopiva harmaiden kanssa, joilla on erilainen taustavalaistus. Sitä vastoin laskutoimituksen avulla voidaan löytää taustavalaistukset, jotka vastaavat määritettyjä kontrastivalaistuksia. Laskelman mukaan (kuten voidaan nähdä kuviosta 7) on mahdotonta yhdistää negatiiviset kontrastit positiivisiin kontrasteihin; negatiiviset kontrastit näyttävät aina tummemmilta kuin positiiviset kontrastit. Kuvan 8 kolmella vastaavalla (positiivisen kontrastin) pilvellä on suurempi luminanssi kuin niiden vastaavilla kuusikulmioilla. Kolmella (negatiivisen kontrastin pilvellä) on vähemmän kirkkautta kuin taustalla, ja ne sopivat myös toisiinsa.

Whittle-laskelman mukaan tummempia harmaita voidaan saavuttaa kirkkaammalla taustalla. Vaikutus on voimakkaampi suuremmille ala-aisteille, mutta se näkyy kuvan 7 vasemmassa alakulmassa, jossa negatiivisempi nEPD saavutetaan, kun taustavalaistus on suurempi. Kuvio 9 havainnollistaa vaikutusta; sama kuusikulmainen visuaalinen kohde nähdään tummemmanharmaana (myös musta), kun sen tausta on kirkkaampi Whittle -laskelman mukaan.

Jatkuva tutkimus ja kehitys

Tietojen visualisointiteknologioiden tutkimus ja kehitys jatkuu. Esimerkiksi parhaillaan on meneillään tutkimus- ja kehitystyötä värierolaskelmien parantamiseksi. Tämän T & K-toiminnan ensisijainen motiivi on määritellä värin erojen vähimmäisrajat, jotta voidaan valvoa teollisia väriprosesseja (esim. Elintarvikkeet, maalit, tekstiilit, muovit, painatus ja itsevalaisevat näytöt). Kun värierolaskelmia on parannettu kynnysmääritystä varten, niistä on sattumalta tullut parempia tietojen visualisointiin liittyville sovelluksille. Siitä lähtien, kun kuvion 3 suhde esitettiin ensimmäisen kerran, on ollut käytännön kiinnostusta käyrän polven (lasketun väri-eron) sijainnin tarkempaan määrittämiseen kahden asteen visuaalisessa subtense-tilassa ja pienemmissä subtensensseissä. Yleinen yhteiskunnallinen huolenaihe osallisuudesta ja erityisesti vammaisuuden huomioon ottamisesta on kannustanut tutkimaan värisovelluksia ihmisille, joilla on värin vajaatoiminta. Vilkas tutkimusalue (esimerkiksi Brian Wandell ja David Brainard ja CIE) on laskennallinen mallinnus, joka ennustaa (esim. Väri) ulkonäköä, mukaan lukien kaikki tekijät, kuten silmänsisäinen optiikka, verkkokalvon kartio-soluvaste, visuaalisen heikentymisen vaikutukset, epäkeskisyys näköyhteydestä, ilmakehän optiikasta, valaisevasta valospektristä, kontekstista ja värin sopeutumisesta. On tutkittu menetelmiä näyttöjen kalibroimiseksi, esimerkiksi värien selkeyttämiseksi näytöllä, joka sijaitsee kaukana datan visualisointia ohjelmoivasta henkilöstä, ja värien esittämiseksi näytöissä tarkemmin. HDR (High Dynamic Range) -näytöt mahdollistavat tärkeimpien värien visualisoinnin; HDR on aktiivinen tutkimusalue. Aivojen visuaalisia reittejä ja virtapiirejä koskeva tutkimus jatkuu; osa tästä liittyy tietojen visualisointiin ja ymmärtämiseen. Myös värinäyttötekniikan, tietokoneiden ja ohjelmistojen oma kehitys parantaa tietojen visualisointia. On tutkimusta taiteellisten värikoodausmenetelmien soveltamisesta visualisointiin "jotta tietämättömät voivat työskennellä todellisten tietojen kanssa kommunikoidakseen ihmiskunnan kannalta kriittisiä asioita".

Katso myös

• Väärä väri
• Mahdoton väri

Viitteet