Machine Translated by Google

Métodos para calcular anaglifos de color

David F. McAllistera , Ya Zhoub , Sophia Sullivanc
aUniversidad Estatal de Carolina del Norte, Departamento de Ciencias de la Computación, Raleigh, Carolina del Norte, EE. UU. 27695;
bBeijing Institute of Technology, Haidian District, Beijing 100081, PR China;
Instituto de Tecnología Rose-Hulman, Terre Haute, Indiana, EE. UU. 47803

RESUMEN

Se presenta una nueva técnica de cálculo para calcular los colores de los píxeles en las imágenes de anaglifo. El método depende
de conocer las distribuciones espectrales RGB del dispositivo de visualización y las funciones de transmisión de los filtros en las gafas de
visualización. Requiere la solución de un programa de mínimos cuadrados no lineal para cada píxel en un par estéreo y se basa en
minimizar las distancias de color en el espacio de color uniforme CIEL*a*b*. El método se compara con varias técnicas para calcular
anaglifos, incluida la aproximación en el espacio CIE utilizando las métricas Euclidiana y Uniforme, el método Photoshop y sus variantes,
y un método propuesto por Peter Wimmer. También discutimos los métodos de desaturación y corrección gamma para reducir la rivalidad
retiniana.

INTRODUCCIÓN

Se han propuesto varios métodos para calcular anaglifos [14,15], imágenes estéreo que requieren filtros de colores sobre cada ojo
para ver la imagen. Los filtros se utilizan para bloquear las longitudes de onda producidas por el dispositivo de visualización para que
cada ojo vea una imagen diferente. El bloqueo se basa en las distribuciones espectrales de los primarios en la pantalla y las funciones de
transmisión de los filtros. El bloqueo perfecto requeriría filtros que subdividieran las longitudes de onda visibles en dos regiones separadas
para que cada ojo recibiera colores únicos, evitando así las imágenes fantasma o la mezcla de las vistas del ojo izquierdo y derecho.
Sin embargo, el fantasma es un problema común en la visualización estéreo. Para una discusión sobre el efecto fantasma en un entorno
de anaglifo, consulte Andrew Woods, et. Alabama. [01]. Otro problema con los anaglifos es la rivalidad binocular o retiniana. Este
fenómeno ocurre cuando se presentan diferentes colores a cada ojo. La rivalidad distrae y contribuye a la fatiga visual y otros efectos
secundarios extraños. En consecuencia, la minimización de la rivalidad también ha recibido una atención considerable en la práctica. Ver
por ejemplo [02] y [03].
En [04], McAllister, et. Alabama. compare varias técnicas comunes para calcular los colores de píxeles en anaglifos, incluido el
método Photoshop (PS abreviado), el método Photoshop modificado (MPS), el método de mínimos cuadrados de Dubois [05] donde la
norma euclidiana se minimiza en la Comisión Internacional de l'Eclairage (CIE) espacio de color (LS), y el método de aproximación
Uniforme donde la norma uniforme o Chebychev se minimiza en el espacio CIE (UN). En [04], se demostró que la ONU es superior a las
demás en la representación del color. PS y MPS no dependen de las características de los filtros o de las propiedades del dispositivo de
visualización. Wimmer [06] ha propuesto dos métodos para calcular anaglifos. Damos ejemplos de su técnica mejorada en el apéndice.

El método CIELab descrito en este documento es similar a LS y UN en que minimiza una métrica o norma en un espacio de color,
pero en este caso usamos la norma euclidiana y pasamos al espacio de color CIEL*a*b*. El espacio de color es uniforme.
donde distancias euclidianas iguales representan cambios de color y luminancia perceptualmente iguales. Nuestro método fue desarrollado
para mejorar la representación del color en anaglifos. Al convertir las coordenadas RGB a CIEL*a*b*, primero convertimos RGB a CIE.
Las matrices que se utilizan dependen de las propiedades del dispositivo de visualización y los filtros de anaglifo. Se aplica una
transformación no lineal para pasar del espacio de color CIE a CIEL*a*b*. Por lo tanto, el cálculo de un color de píxel requiere la
minimización de una función de mínimos cuadrados no lineal, normalmente mediante un proceso iterativo que puede ser
computacionalmente intensivo. Dado que el espacio de color CIEL*a*b* no es lineal y las distancias se miden con la norma euclidiana, no
se consideró la aproximación con la norma uniforme.
En la Sección 2, revisamos la conversión a CIEL*a*b* y el problema de mínimos cuadrados no lineales que resulta. En la Sección 3
analizamos el comportamiento del método y lo comparamos con UN. En la Sección 4 consideramos métodos para reducir la rivalidad.
La sección 5 contiene un resumen con conclusiones y áreas para futuras investigaciones. Las referencias están a continuación y los
ejemplos de anaglifos están al final, en el Apéndice.
Machine Translated by Google

2. EL MÉTODO CIELAB

En 1931, la Comisión Internacional de l'Eclairage, en un intento de crear un sistema de color estándar, creó el espacio CIE XYZ, también llamado
sistema de color norma [07]. Los colores en este espacio son una función de los valores triestímulo X, Y y Z, y se convierten fácilmente hacia y desde el
espacio RGB mediante transformaciones lineales (multiplicaciones de matriz) que dependen de las propiedades de las distribuciones espectrales de los
primarios RGB de la pantalla. dispositivo. Las funciones de transmisión de las gafas anaglifo rojo/cian y las descomposiciones espectrales RGB para
pantallas LCD utilizadas en este documento se dan en [04].

Las operaciones requeridas para calcular los valores de matriz para el filtro y las distribuciones espectrales RGB del dispositivo de visualización
se describen en [04] y [05]. Esto último es particularmente importante porque las distribuciones RGB pueden ser muy diferentes, especialmente para
pantallas de proyección, un inconveniente particular ya que la mayoría de los fabricantes no compartirán esta información.

La matriz C utilizada para convertir RGB a CIE en un tubo de rayos catódicos, o sistema de visualización CRT, se puede encontrar en [08].
En una pantalla LCD, la matriz C es la siguiente:

Normalizamos X, Y y Z dividiendo cada uno por la suma. Entonces solo necesitamos dos coordenadas para representar un color, . Esto es
equivalente a cortar el color sólido con un plano que interseca
los puntos (1,0,0), (0,1,0) y (0,0,1).
La conversión CIEL*a*b* involucra coordenadas CIE usando funciones de raíz cúbica. Los valores Xn, Yn y Zn son valores triestímulo normalizados
que dan cuenta de la reflectancia del objeto y la luz que brilla sobre el cuerpo [09]. Los valores utilizados en esta investigación son (Xn, Yn, Zn) =
(11.144, 100, 35.201). Las ecuaciones de conversión CIEL*a*b* son las siguientes [09]:

Se usa un spline lineal f para calcular L* para valores por debajo de 0.008856: si . Excepto
por valores pequeños, la fórmula para la luminancia es la misma en la conversión al espacio de color CIELuv, también un espacio uniforme
[18].
El objetivo es entonces encontrar los valores RGB rojo (r), verde (g) y azul (b) cuando se convierten a coordenadas CIEL*a*b* que minimizan la
distancia euclidiana (mínimos cuadrados) al CIEL*a*b * colores del píxel del ojo izquierdo y del píxel del ojo derecho simultáneamente. Las matrices Al
y Ar convierten los valores RGB a valores CIE cuando se ven a través de los filtros. dejar hendidura
denote los valores RGB para un píxel en la imagen de la izquierda y Cright el color para el mismo píxel en la imagen del ojo derecho. Para las pantallas
LCD y los lentes rojo/cian usados en esta investigación tenemos:
Machine Translated by Google

Las matrices anteriores son las mismas que las utilizadas en [04]. El problema es entonces encontrar r, g y b para minimizar la siguiente función objetivo. En cuanto
a LS y UN, el mapa está normalizado para que la solución óptima para el blanco (255, 255, 255) sea el blanco.

Este es un problema de mínimos cuadrados no lineales sin restricciones que requiere un método iterativo para optimizarlo. Los autores utilizaron la función
FindMinimum de Mathematica con el algoritmo de Levenberg-Marquardt para calcular los valores de cada píxel. Los valores iniciales se eligieron para ser los valores L*,
a*, b* del ojo izquierdo. Al igual que en LS y UN, el problema sin restricciones produce valores r, g y b que se encuentran fuera del sólido de color RGB. El recorte se
utiliza para garantizar que todos los colores se encuentren dentro del cubo RGB. Discutimos esto a continuación.

3. RESULTADOS

3.1 Comparaciones de color cuando hendidura = hendidura

Para ganar intuición sobre cómo cambiaban los colores según la aproximación, se realizó un estudio inicial para examinar los colores que se producían cuando los
colores del ojo izquierdo y derecho eran iguales. Creamos imágenes a partir de secciones transversales del cubo RGB variando el componente verde de {0, 50, 100,...
250} y azul y rojo de {0, 1, 2,... 255}. Los resultados fueron suficientes para concluir que el enfoque CIELab es superior a las otras dos técnicas de aproximación en la
fidelidad del color, particularmente en el área roja. La aplicación de la misma técnica a secciones transversales azules o rojas produjo conclusiones similares. En la Tabla
1 mostramos los resultados para las secciones transversales verdes. Tenga en cuenta que deben verse a través de las gafas en una pantalla LCD para comparar. Los
resultados de los métodos de Wimmer y LS fueron inferiores a los de UN y CIELab y no están incluidos. Daremos ejemplos de todos los métodos en el apéndice.

Tabla 1: Secciones transversales verdes del cubo RGB

GRAMO 0 50 100 150 200 250

Cruz
Sección

Naciones Unidas

CIE
Laboratorio
Machine Translated by Google

Aunque este método conserva el color "mejor" que los otros métodos de aproximación discutidos, señalamos anteriormente que
los tonos son modificados por todos los métodos de aproximación.
Se recomienda paralelizar el cálculo, así como encontrar buenos valores iniciales para la iteración. Debe tenerse en cuenta el valor óptimo para los
píxeles adyacentes, ya que las imágenes suelen tener concurrencia de colores. No hemos probado esto.
Se pueden agregar restricciones, como la limitación de las intensidades de color, la saturación de los límites, etc. En nuestros ejemplos, no se consideraron
las restricciones.

3.2 Recorte

Para comprender mejor el comportamiento del método y considerar el problema del recorte, calculamos campos vectoriales que muestran cómo se
asignan los colores en el espacio RGB. En la Figura 1 presentamos diagramas vectoriales que ilustran el comportamiento de la cara G = 0. El cubo interior
es el cubo RGB. La esquina negra se indica con un punto.

Figura 1: Mapas vectoriales de modificaciones de color CIELab para colores en la cara G = 0.

En una optimización sin restricciones, algunos colores se asignan fuera del cubo RGB (este fenómeno también ocurre en LS y UN). Una forma
simple y efectiva de forzar que todos los colores se encuentren en el cubo RGB es recortar después de la optimización: todos los colores mapeados fuera
del cubo se modifican para que se encuentren en la superficie del cubo: si alguna coordenada es mayor que 255, la establecemos en 255 Si alguna
coordenada es menor que 0, la establecemos en 0. Esto puede crear "pliegues" o discontinuidades de color en el segmento de color.
Esto se puede observar en los cuadrados de color CIELab en la Tabla 1.
Para el caso g = 0, la esquina superior izquierda del cuadrado de color en la Tabla 1 es el (0, 0, 0) o punto negro en el cubo RGB.
A medida que nos movemos hacia arriba en la cara del cubo hacia b = 255 o hacia la derecha en el cuadrado de color en la Tabla 1, vemos que los
colores se asignan por encima del plano b = 255. El recorte establecerá el componente azul en 255. En la Figura 2, la comparación del cuadrado de color
y el plan b = 255 ilustran esta discontinuidad de color causada por el recorte. Los colores en la esquina superior izquierda del plano b = 255 coinciden con
los colores en la esquina superior derecha del mapa CIELab para g = 0.

(a) (b)
Figura 2: Ejemplo de recorte, (a) CIELab g = 0 plano, (b) b = 255 plano

Observe que recortar no es equivalente a "afeitar", que asigna un color a la primera cara penetrada por un vector. Si un componente es mayor que
255, el vector se afeita. Si dos componentes son mayores que 255, el color se asigna a un borde del cubo RGB. Si todos los componentes son mayores
que 255, el color se asigna a blanco. El orden de recorte no es importante. Las afirmaciones equivalentes son válidas para los componentes que son
menores que cero. Aunque agregar restricciones de límite en r, g y b en la aproximación puede evitar el recorte, aumenta el tiempo de cálculo. El recorte
es una alternativa más rápida.
Machine Translated by Google

4. RIVALIDAD RETINIANA

De la Unión Estereoscópica Internacional: “La rivalidad retinal [binocular] es la transmisión simultánea de imágenes incompatibles de
cada ojo” [03]. Se mostró en [08] y en la Figura 3 a continuación que la gama producida por los filtros oculares izquierdo y derecho para las
gafas rojo/cian y las pantallas LCD utilizadas en este estudio es disjunta y, por lo tanto, la rivalidad retiniana está garantizada. No es posible
hacer coincidir los colores entre las vistas del ojo izquierdo y derecho para eliminar totalmente la rivalidad binocular, contrariamente a lo que
afirman algunos autores [16]. De hecho, en este caso, los colores producidos al ver una pantalla LCD a través de cualquiera de los filtros
oculares no se pueden reproducir en la pantalla, por lo que es problemático un examen mediante la comparación de colores del color
percibido por la mayoría de las personas al ver un color a través de los filtros, especialmente cuando teniendo en cuenta el ciclado que
puede darse en la rivalidad binocular [03].

b 200 L
80
100 60
4020

0
0
50

RGB 0

100

a
L 50

50

Correcto 100

izquierda
0
150
50 0 50 100 150
200
a 100
0

(a) (b)

Figura 3: (a) Color sólido en CIEL*a*b*, para RGB, filtros de ojo izquierdo y derecho, (b) Ejes de filtro en el espacio CIEL*a*b*

Sin embargo, la peor forma de rivalidad retiniana ocurre cuando la diferencia de brillo percibida por el ojo izquierdo frente al derecho
es grande, por ejemplo, un ojo ve un color cercano al negro y el otro ve un color brillante, o un ojo ve un color cercano. a blanco y el otro ve
un color brillante. Para ver un ejemplo, consulte la Figura 5(a). El color está bloqueado por el filtro rojo y el ojo izquierdo ve negro. En la
Figura 4(a), ver la placa de color cerrando cada ojo secuencialmente ilustra este fenómeno. Llamaremos a este fenómeno disparidad de
brillo. En el espacio de color CIEL*a*b*, L* es la luminosidad métrica, mientras que a*, b* se refieren a la cromaticidad métrica. Proponemos
una medida de disparidad de brillo usando la siguiente función:

1 Matiz 360
100

S
1

(a) Placa de color (b) ÿL*

Figura 4: Placa de color (Tono=1~360ÿ, Saturación=1~100, Valor=100)

Mapeamos la placa en el espacio CIELab para los valores del ojo izquierdo y del ojo derecho. El valor ÿL* refleja la luminosidad
disparidad percibida por el ojo derecho vs. el ojo izquierdo.
En el Apéndice damos un ejemplo de un coche de carreras (Figura 10 (a) a (f)) donde se produce una considerable disparidad de brillo
para algunos de los tonos. Las técnicas de anaglifo que producen una buena representación del color a menudo conservan la disparidad
de brillo y, de hecho, pueden empeorarla. El objetivo es modificar todos los colores que producen una gran disparidad de brillo. No se ha
estudiado si modificar antes o después de calcular el anaglifo. Entendiendo cómo el
Machine Translated by Google

El algoritmo CIELab afecta los valores de HSV, descrito en 4.2 también es importante. A continuación mencionamos dos formas de abordar esto.
Primero describimos un método propuesto por Peter Wimmer para calcular anaglifos que intenta reducir la rivalidad.

4.1 Mapas de Wimmer

En [06] Peter Wimmer sugiere los siguientes mapas para reducir la rivalidad, a los que llama "anaglifo optimizado".
El método de Wimmer descarta el componente rojo de las imágenes originales y lo reemplaza con un canal rojo derivado de los componentes
verde y azul.

El anaglifo optimizado de hecho redujo la rivalidad retiniana, pero obviamente la reproducción del color es deficiente, especialmente para
los colores de tono rojo. En el método mejorado de Wimmer [10], se aplica una corrección gamma para iluminar el canal rojo final ra
que asigna parcialmente los canales rojos a verde y azul antes de aplicar la fórmula anterior usando lo siguiente:

Los valores f1 y f2 son parámetros de asignación de rojo, mientras que se utiliza un valor gamma para iluminar el canal rojo. Los valores de
estos parámetros no dependen de las propiedades de transmisión de los filtros ni de las propiedades espectrales de la pantalla. Se pueden
ajustar según la imagen. Usamos los valores f1 = .45, f2 = .25 y = 1.6 como lo sugiere Wimmer [11]. Damos ejemplos en el Apéndice del método
Wimmer con corrección gamma.

4.2 Desaturación

En un entorno rojo/cian, la disparidad de brillo ocurre cuando un filtro bloquea un color y se percibe como oscuro mientras que el otro filtro
transmite un color más brillante. Para ajustar la disparidad de brillo percibida sin modificar el color, se sugiere pasar al sistema de color Tono (h),
Saturación (s) y Valor (v) (HSV). Las ecuaciones de conversión son las siguientes. Las conversiones suponen que r, g y b están normalizados
entre 0 y 1. El valor de h se mide en grados. Los valores de syv suelen darse en porcentajes .
Machine Translated by Google

El mapa inverso se convierte en

Como ejemplo, considere el cuadrado HSV en la Figura 5(a) donde la saturación total está en el borde derecho y la desaturación total (escala
de grises) está en el borde izquierdo. El brillo o v se mide verticalmente y disminuye a medida que nos movemos desde el borde superior al borde
inferior (negro). Cuando uno mira el cuadrado cerrando cada ojo mientras usa las gafas, y cuando uno se aleja horizontalmente del borde derecho,
el tono h permanece constante, el brillo v permanece constante y la saturación s se reduce; el color se desatura y se reduce la disparidad de brillo.
Tenga en cuenta que la función ÿL* dada en la Figura 5(b) no es lineal.

(a) (b)
Figura 5: (a) Hue = 180, (b) ÿL* para Hue = 180

Este comportamiento de ÿL* que se muestra arriba no es válido para todos los matices. La desaturación a veces puede hacer que ÿL* sea
mayor. Como ejemplo, en la Figura 6(a) mostramos el cuadrado de matiz para H = 288 y la gráfica de ÿL* es la Figura 6(b). Para estudiar el
comportamiento de ÿL*, trazamos la superficie para cada matiz de 0 a 360, 0ÿ s ÿ 100 y 0 ÿ v ÿ 100. El comportamiento de las superficies a medida
que desaturamos de s = 100 a s = 0 es como sigue:
Para tonalidades entre 0 y 81 la superficie aumenta. Es decir, la desaturación hace que la disparidad de brillo sea mayor (L* para el filtro
derecho es mayor que L* para el filtro izquierdo).
Para tonalidades entre 0 y 18 la función ÿL* es negativa para s cerca de 100. Esto también es válido para tonalidades entre 302 y 360.

Para tonalidades entre 82 y 230 la superficie disminuye. Esto significa que la desaturación reduce la disparidad de brillo y reduce la rivalidad.

Para tonalidades entre 231 y 245 la superficie disminuye y luego aumenta. Por lo tanto, la desaturación reduce la disparidad de brillo para
valores de S cercanos a 100. El punto en el que la superficie comienza a aumentar se acerca a 100 a medida que aumenta el valor del matiz.

Para todos los tonos de 246 a 360, la superficie aumenta y la desaturación empeora la disparidad de brillo.
Una reducción en v siempre reduce ÿL*. Sin embargo, la reducción de v puede afectar la señal de profundidad del sombreado en tres
entorno dimensional.
Machine Translated by Google

(a) (b)
Figura 6: (a) Hue = 288, (b) ÿL* para Hue = 288

No está claro si se debe aplicar la desaturación a las imágenes del ojo izquierdo y derecho antes del cálculo del anaglifo o al anaglifo. La aplicación
en la etapa anterior requiere un conocimiento de cómo se verá afectado el tono por la optimización. Por otro lado, el estéreo puede verse afectado si el
anaglifo está desaturado.
La desaturación también puede acentuar las imágenes fantasma debido al aumento de las intensidades de los primarios complementarios. Nosotros
busque un algoritmo que automatice este proceso y brinde resultados consistentes sin destruir el estéreo o el sombreado.

4.3 Corrección gamma

Ver un sujeto a través de filtros de colores reducirá la gama de colores observada del sujeto, como se muestra en la Figura 3(a). Como resultado
del bloqueo de color por parte de los filtros, el rojo puede parecer casi negro cuando se ve a través del filtro cian (que transmite luz verde y azul). Por otro
lado, los tonos cian pueden parecer negros cuando se ven a través de un filtro rojo.

Inspirándonos en el método mejorado de Wimmer, en el que se aplica una corrección gamma para iluminar el canal rojo,
construir un algoritmo modificado basado en la corrección gamma.
La corrección gamma, también conocida como no linealidad gamma, codificación gamma o, a menudo, simplemente gamma, es una operación no
lineal utilizada para codificar y decodificar valores de luminancia o triestímulo en video y en sistemas de imágenes fijas [17]. Normalmente, se aplica el
mismo valor de corrección gamma a todos los canales RGB. En nuestro algoritmo, elegimos diferentes valores de gamma para cada canal de RGB en la
imagen del anaglifo.

Elegimos un valor de gamma superior a 1 para iluminar el canal rojo y un valor de gamma inferior a 1 para oscurecer el canal verde, de modo que
el color cian en una imagen de anaglifo sea más brillante a través del filtro rojo y más oscuro a través del filtro cian. La corrección gamma tiene poca
influencia en la disparidad de brillo para el canal azul y asignamos un valor gamma de 1 para este canal. En este documento, se utiliza r = 1,6, = 0,8, b =
1. Los valores se determinaron experimentalmente y dependen de las propiedades de las gafas y de la pantalla.
gramo

Aplicamos los métodos de corrección gamma descritos anteriormente a la placa de color en la Figura 4 (a). Una gráfica de ÿL* después de la
corrección es similar a la Figura 4(b). Por lo tanto, para mostrar los cambios en la disparidad de brillo de manera más efectiva, representamos la figura 10.
Los resultados muestran que la disparidad de brillo se reduce para la mayoría de los colores, excepto algunos tonos
rojos. Notamos que la corrección gamma utilizada en las pantallas de las computadoras por diferentes fabricantes de PC también puede afectar los
resultados.
Machine Translated by Google

Figura 7:

El valor v del color se conserva pero la tonalidad varía. La figura 8 muestra el cambio de tono después de la corrección gamma.

Figura 8: Diferencia de la superficie Hue antes y después de la corrección gamma:

Desafortunadamente, la corrección gamma no afecta los colores en las esquinas del cubo RGB con componentes 0 o 1. Esto
sugiere que la aplicación de desaturación cuando sea apropiado junto con la corrección gamma puede ayudar a reducir la rivalidad.

5. RESUMEN Y CONCLUSIONES

Hemos presentado y analizado un método para calcular anaglifos basado en la aproximación en el sistema de color CIEL*a*b*. Los colores son más
fieles que los producidos por los métodos LS o UN. Un aspecto negativo es el esfuerzo computacional requerido. Sin embargo, el método se puede paralelizar
fácilmente y los valores iniciales se pueden seleccionar mejor. Buscamos un método de búsqueda de tabla simple mediante el estudio del mapa inverso
(colores en el cubo RGB que se asignan a un color de anaglifo).
Estas son áreas para futuras investigaciones.
Presentamos un examen superficial de las soluciones al problema de la rivalidad retiniana. Automatización de desaturación y gamma
corrección son temas para futuras investigaciones.
Nos gustaría agradecer a Lee Filters de Burbank, CA por su ayuda al proporcionar funciones de transmisión para anteojos anaglifos.
Machine Translated by Google

REFERENCIAS

[01] Woods, SJ y Tan, SSL, “Caracterización de fuentes de imágenes fantasma en video estereoscópico secuencial en el tiempo
Exhibiciones.” Procedimientos Electronic Imaging 4660, 21-23 (2003).
[02] “rivalidad retinal”. Diccionario médico Merriam-Webster. 2009. Merriam-Webster en línea. 12 de octubre de 2009
<http://www.merriam-webster.com/medical/retinalrivalry>.
[03] “rivalidad retinal”. Un glosario de términos estereoscópicos. 1997. Unión Estereoscópica Internacional. 15 de octubre de 2009
<http://www.stereoscopy.com/isu/glossary-r.html>.
[04] Zhang, Z. y McAllister, DF, "Una métrica uniforme para el cálculo de anaglifos". Actas Electrónica de Imágenes
6055, (2006).
[05] Dubois, E., "Un método de proyección para generar imágenes estereoscópicas de anaglifo", Procedimientos IEEE Int. Conf. Acústica
Procesamiento de señales de voz, vol. 3, págs. 1661-1664, (2001).
[06] Wimmer, P. (2005). Comparación de métodos de anaglifo. <http://3dtv.at/Knowhow/AnaglyphComparison_en.aspx>.
[07] "Espacio de color CIE". Administración Federal de Aviación. 21 de febrero de 2006
<http://www.hf.faa.gov/Webtraining/VisualDisplays/HumanVisSys2c4.htm>.
[08] Sanders, W. y McAllister, DF, "Producción de anaglifos a partir de imágenes sintéticas", Proceedings Electronic Imaging 5006, 348 – 358 (2003).

[09] Malacara, D., [Visión del color y colorimetría: teoría y aplicaciones], Bellingham: The International Society for
Ingeniería Óptica, 52 – 69 (2002).
[10] Wimmer, Peter. Comunicación personal. “Anaglifos”.
[11] Charles A. Poynton (2003). Video Digital y HDTV: Algoritmos e Interfaces. Morgan Kaufman. págs. 260, 630.
[12] Rychlik, W. “Cerezas”, Foto de Pikes Peak. <http://www.pikespeakphoto.com/cgi-bin/3Dviewer.cgi?pic=18>.
[13] Hannisian, R. “Pit”, Imágenes estereoscópicas. <http://www.ray3d.com/pit_jpg.html>.
[14] McAllister, DF (Ed.) Stereo Computer Graphics y otras tecnologías True 3D, Princeton U. Press, Princeton,
Nueva Jersey, octubre de 1993

[15] McAllister, DF "Pantallas 3D", Wiley Encyclopedia on Imaging, enero de 2002, págs. 1327-1344
[16] Ramstad, MJ, "Visualización de anaglifos generalizados sin rivalidad retiniana". Patente de EE. UU. 20,080,278,574, presentada
13 de noviembre de 2008.
[17] Artigas, JM y Felipe, A., “Sobre la variación de las coordenadas CIELAB con la luminancia”, Revista de Óptica 18,
81 (1987).
Machine Translated by Google

APÉNDICE: EJEMPLOS

Sección I: Fidelidad del color

Observamos que CIELab da una mejor representación de los rojos. Aquí comparamos los métodos PS (a), MPS (b), Wimmer (c), LS
(d), UN (e) y CIELab (f) para la siguiente imagen de una cereza. El par estéreo se puede encontrar en [12]. Observamos que mientras PS
produce un rojo brillante, el estéreo es deficiente porque las cerezas parecen planas o sin forma. No hemos aplicado corrección de
desaturación o gamma a ninguna imagen en esta sección.

Par estéreo original

(a) (b) (C)

(d) (mi) (F)

Figura 9
Machine Translated by Google

Sección II: Rivalidad

En la figura final, comparamos los métodos PS (a), MPS (b), Wimmer (c), LS (d), UN (e) y CIELab (f) para la siguiente
imagen de un auto de carreras. La imagen se puede encontrar en [13]. Mientras usa las gafas, mirar con cada ojo por
separado cerrando el ojo opuesto muestra claramente qué colores producen rivalidad en cada método.

Par estéreo original

(a) (b) (C)

(d) (mi) (F)

Figura 10