[论文解读] Improving Perceptual Color Difference using Basic Color Terms

Ofir Pele, Michael Werman|arXiv (Cornell University)|Nov 23, 2012

Color Science and Applications参考文献 43被引用 12

一句话总结

本文提出了一种新的感知颜色差异度量方法 COL_DIST，通过结合基本颜色术语与地球移动距离（Earth Mover's Distance）并应用S型函数以抑制由微小感知差异引起的虚假边缘，从而在CIEDE2000的基础上实现改进。该方法在中等和大范围颜色差异下，显著提升了颜色边缘检测的清晰度与感知准确性，优于当前最先进方法。

ABSTRACT

We suggest a new color distance based on two observations. First, perceptual color differences were designed to be used to compare very similar colors. They do not capture human perception for medium and large color differences well. Thresholding was proposed to solve the problem for large color differences, i.e. two totally different colors are always the same distance apart. We show that thresholding alone cannot improve medium color differences. We suggest to alleviate this problem using basic color terms. Second, when a color distance is used for edge detection, many small distances around the just noticeable difference may account for false edges. We suggest to reduce the effect of small distances.

研究动机与目标

• 解决现有颜色差异度量方法（如 CIEDE2000）在准确表示中等和大范围感知颜色差异方面的局限性。
• 克服阈值化与单调变换在处理中等范围颜色差异时的失败问题，因为此时感知相似性无法被保持。
• 通过使用S型函数抑制小范围、仅可察觉的差异的影响，从而减少颜色边缘检测中由这些差异引起的虚假边缘。
• 通过跨桶距离度量方法整合人类可识别的基本颜色术语（如红色、蓝色、绿色），提升感知准确性。
• 开发一种可扩展的框架，使其不仅适用于英语的基本颜色术语，还能推广至其他语言的颜色术语系统。

提出的方法

• 所提出的 COL_DIST 将 CIEDE2000 距离与基于 van de Weijer 等人颜色命名方法获得的颜色名称概率向量相结合。
• 采用地球移动距离（EMD）度量颜色名称概率向量之间的距离，以捕捉基本颜色术语之间的语义与感知关系。
• 对 CIEDE2000 分量应用 S 型函数，以降低微小、仅可察觉差异的影响，从而减少边缘检测中的虚假边缘。
• 最终的颜色距离是 CIEDE2000 项与基于 EMD 的颜色名称距离的加权组合，最优权重通过实验确定。
• 通过在真实图像上使用广义罗盘边缘检测方法进行评估，与负指数（NE）和阈值化 CIEDE2000（TC）基线方法进行比较。
• 颜色命名基于从自然图像中学习到的模型，使其对真实世界场景的泛化能力优于校准的 CIEDE2000 训练数据。

实验结果

研究问题

• RQ1 能否设计一种感知颜色差异度量方法，使其在全范围颜色差异下表现良好，特别是在 CIEDE2000 失效的中等与大范围差异区域？
• RQ2 基本颜色术语是否能超越色调与饱和度，提升对感知颜色差异的表示能力，特别是对仅靠色调无法区分的颜色（如灰色、棕色）？
• RQ3 通过 S 型函数抑制小范围感知差异，是否能有效减少颜色边缘检测中的虚假边缘，同时保持对真实边界的敏感性？
• RQ4 将颜色命名模型与类似 EMD 的跨桶距离度量相结合，是否能产生更鲁棒且更具感知意义的颜色差异度量？
• RQ5 所提出的方法是否可推广至其他语言的颜色术语系统，例如俄语中对两种蓝色的区分？

主要发现

• 所提出的 COL_DIST 方法在所有测试图像中均显著优于负指数（NE）和阈值化 CIEDE2000（TC）基线方法，尤其在检测真实边界（如篮子边缘）时无虚假响应。
• 在所有测试图像中，COL_DIST 成功保持了感知相似性——例如，正确将 DarkSkyBlue 视为与 Blue 更相似而非与 HotPink 更相似，而阈值化 CIEDE2000 因单调变换的局限性而失败。
• S 型函数的使用有效降低了微小、仅可察觉差异的影响，最大限度减少了虚假边缘，同时保持对大范围感知变化的敏感性。
• CIEDE2000 与基于 EMD 的颜色名称距离的组合优于所有消融变体（如无 S 型函数、无颜色校正或无 CIEDE2000 项），证实了各组件之间的协同增效作用。
• 该方法在真实世界图像上表现出优越性能，尤其在检测复杂边界（如灌木丛和毛发）时，NE 和 TC 方法产生噪声大、过度检测的响应。
• 结果表明，感知颜色差异度量必须超越简单的阈值化或单调缩放，必须整合语义颜色类别，才能实现完整的感知对齐。