Fundamentos da Computação Gráfica

Trabalho 1 – Cor

Eduardo Telles CarlosPaulo Ivson Netto Santos

Conteúdo

Metodologia Utilizada Conversão Adobe RGB ↔ Lab Obtenção das Amostras Funcionamento do Programa Resultados

Metodologia Utilizada

Transformações de espaços de cor Adobe RGB 1998 CIE Lab

Aproximação de uma função de correção Rede Neural

Redes Neurais Interpolador de funções

Lineares Não-lineares

Treinamento Entrada: amostras incorretas Saída: valores esperados para cada amostra

Rede utilizada só trabalha com valores [0,1] Todas as entradas e saídas foram escaladas

Mínimo: 0.1 Máximo: 0.9

Rede Neural - Funcionamento

Conversão Adobe RGB → Lab

`

`

`

0.991248 0.0752847 0.188212

0.0706879 0.627355 0.185556

0.0270328 0.297361 0.576700

B

G

R

Z

Y

X

Referências: Adobe RGB (1998) Color Image Encoding

www.brucelindbloom.com

Adobe RGB XYZ LABAdobe RGB (D65) white point0.950455, 1.000000, 1.089050

19921875,21' RR 19921875,21' GG

19921875,21' BB

2551*RR 2551*GG

2551*BB

Conversão Lab → Adobe RGB

Z

Y

X

B

G

R

1.01517 0.11836- 0.01344

0.04156 1.87597 0.96924-

0.34473- 0.56501 - 2.04159

'

'

'

Referências: Adobe RGB (1998) Color Image Encoding

www.brucelindbloom.com

Adobe RGBXYZLAB

Adobe RGB (D65) white point0.950455, 1.000000, 1.089050

19921875,21'RR

19921875,21'BB

19921875,21'GG

Obtenção de Amostras

1. Entradas incorretas para treinamento Cores e cinzas da imagem de referência

Isolar amostras de cada cor Em Adobe RGB 1998 Convertidas para Lab durante carregamento

2. Saídas corretas para treinamento Cores e cinzas dos espectros medidos

Converter para Lab e Adobe RGB 1998 Adaptação Cromática

Obtenção de Amostras1. Separação das cores de referência

• Photoshop• Recorte manual de cada cor / cinza• Salvos em imagens separadas

Adobe RGB 1998 Formato TIFF

Cores Tons de Cinza

Obtenção de Amostras

Observações Referência em JPEG Quantidades diferentes de amostras de cada

cor Color-bleeding entre uma amostra e outra Pouca variação nos tons de cinza mais escuros

Obtenção de Amostras

2. Conversão dos espectros de referência• Cores

Lab Adobe RGB

• Tons de cinza Lab Adobe RGB

Obtenção de Amostras Criação de 4 arquivos em formato texto

Gray_00 244 245 242Gray_01 223 221 216Gray_02 199 197 193Gray_03 180 178 176Gray_04 160 158 157Gray_05 145 144 142Gray_06 129 128 126Gray_07 117 116 115Gray_08 103 103 103Gray_09 95 95 94Gray_10 85 85 85Gray_11 76 76 76Gray_12 69 69 69Gray_13 62 62 62Gray_14 56 56 56Gray_15 50 50 50Gray_16 45 45 45Gray_17 41 41 41Gray_18 37 37 38Gray_19 33 33 34

Black 22.33 -2.87 -4.93Black_Light 76.80 -0.28 2.08Blue 28.80 22.53 -43.98Blue_Light 72.56 10.47 -16.62Cyan 62.73 -30.84 -41.86Cyan_Light 87.66 -11.41 -12.26Green 54.72 -67.05 31.03Green_Light 84.54 -21.20 20.62Magenta 48.83 73.94 -5.27Magenta_Light 80.38 25.41 -4.33Red 47.57 66.28 40.29Red_Light 77.92 19.67 23.10White 99.50 -0.41 2.69Yellow 92.32 -10.04 94.50Yellow_Light 96.90 -7.13 34.86

Exemplo Gray_AdobeRGB Exemplo Color_Lab

Obtenção de Amostras

Observações Conversão através de planilhahttp://www.brucelindbloom.com/downloads/SpectralCalculator10nm.xls.zip

Espectro limitado a 380nm – 730nm Lab D65 (6500K) Cores não totalmente “puras”

Tons de cinza com RGB diferentes e a*b* diferentes de zero

Funcionamento do Programa Treinamento

Abre imagens de amostras de cores / cinzas Converte pixels para Lab se necessário

Abre arquivos .txt com valores de referência Em RGB ou Lab

Treina redes neurais com estes dados Entrada: amostras de cores / cinzas Avaliação de erro (média da distância euclidiana entre

entrada e saída) Saída: valores de referência

Várias amostras correspondem a uma mesma saída!

Funcionamento do Programa Conversão da imagem

Abre imagem a ser convertida Para cada pixel

Converte para Lab se necessário Insere entradas na rede neural já treinada Obtém saída da rede Converte de volta para Adobe RGB se necessário Atualiza valores do pixel

Redes Utilizadas 8 métodos de conversão diferentes

Combinações de entradas e saídas Espaço de cor utilizado 2 técnicas de treinamento

Todas as redes possuem Três camadas

Entrada Hidden → sempre 9 neurônios Saída

REDEL* L REDELab

a REDE bLab

L* - tons de cinza Erro L: 4,999% Erro a: 2,679% Erro b: 3,114%

REDEL* L

L* - tons de cinza Erro L: 4.988%

REDEab

a REDE bab

Erro a: 2.679% Erro b: 3.114%

REDEL* L REDEa a REDE bb

L* - tons de cinza Erro L: 4.909% Erro a: 2.748% Erro b: 2.291%

REDELab

Lab

Erro Lab: 3.274%

REDERGB

R REDE G REDE BRGB

RGB

Erro R: 1.617% Erro G: 3.904% Erro B: 3.341%

REDE REDE REDER G BR G B

Erro R: 1.978% Erro G: 4.153% Erro B: 3.331%

REDERGB

RGB

Erro RGB: 4.505%

REDELab

RGB

Erro RGB: 4.013%

Conclusão Muitas variáveis a serem testadas

Função de ativação Topologia da rede Número de neurônios Estimativa de erro Número de treinamentos

Número de amostras de entrada Amostras em TIFF Cores de referência Conversão de Adobe RGB para Lab introduz erro

Bibliografia www.brucelindbloom.com

Introduction to Backpropagation Neural Networks

http://www.adobe.com/digitalimag/pdfs/AdobeRGB1998.pdf

Usui S., Arai Y., Nakauchi S. Neural networks for device-independent digital color imaging(2000) Information sciences, 123 (1), pp. 115-125.

Vrhel, M. J. and Trussell, H. J. Color Scanner Calibration via a Neural Network. IEEE ICASSP’99, Vol.6, pp. 3465-3468, 1999.