Perceptually Optimized Color Selection for Visualization

Dit paper introduceert het Equilibrium Distribution Model (EDM), een methode voor het automatisch selecteren van kleuren met optimale perceptuele contrasten in wetenschappelijke visualisaties, die zelfs bij honderden unieke kenmerken superieure resultaten biedt ten opzichte van bestaande harmonische kleurschema's.

De kern

Stel je voor dat je een enorme, kleurrijke taart moet bakken, maar dan niet voor een verjaardag, maar voor een wetenschappelijke presentatie. Deze taart heeft niet 8 of 10 stukjes, maar wel 50, 75 of zelfs 100 stukjes. Elk stukje vertegenwoordigt een ander onderdeel van je data, zoals een spier in een lichaam of een stad in een landkaart.

Het probleem? Als je al die stukjes met verschillende kleuren probeert te maken, wordt het een rommel. Je ogen raken in de war. Sommige stukjes zien er bijna hetzelfde uit, en je kunt ze niet meer van elkaar onderscheiden. Het is alsof je probeert 100 verschillende tinten blauw te vinden, maar je hersenen zien ze allemaal als één groot, saai meer.

Het oude probleem: De "Harmonische" aanpak
Vroeger gebruikten wetenschappers een methode die ze "Harmonische kleuren" noemden. Dit werkt als een muzikale akkoord. Je kiest kleuren die mooi bij elkaar passen, zoals een mooi gitaarakkoord. Dit werkt prima als je maar een paar stukjes hebt (bijvoorbeeld 20). Maar zodra je meer stukjes toevoegt, moet je de akkoorden zo klein maken dat ze bijna niet meer te horen zijn. De kleuren worden zo op elkaar gelijkend dat je ze niet meer kunt zien.

De nieuwe oplossing: Het "Evenwicht" (EDM)
De auteurs van dit paper, Subhrajyoti Maji en John Dingliana, hebben een nieuwe manier bedacht: het Equilibrium Distribution Model (EDM).

Stel je voor dat je een grote, onzichtbare bal hebt (een bol) in een ruimte waar alle mogelijke kleuren zitten. In het midden van die bal zit een neutraal grijs punt.

1. De Magische Bol: Ze plaatsen alle kleuren die ze nodig hebben op het oppervlak van die bol. Zo zorgen ze ervoor dat elke kleur even ver van het grijze middenpunt verwijderd is.
2. De Elektrische Deeltjes: Nu komt de creatieve analogie: Stel je voor dat elke kleur een klein, elektrisch geladen balletje is. Als je deze balletjes op de bol legt, stoten ze elkaar af (net als twee magneten met dezelfde pool). Ze willen zo ver mogelijk van elkaar af blijven.
3. Het Evenwicht: De computer laat deze balletjes bewegen tot ze een perfect evenwicht hebben bereikt. Ze zitten dan zo ver mogelijk van elkaar verwijderd, zonder dat ze de rand van de bol raken.

Waarom is dit beter?
In de praktijk betekent dit:

• Bij de oude methode: Als je 37 stukjes in een taart hebt, lijken veel stukjes op elkaar. Het is moeilijk om te zien welk stukje bij welk onderdeel hoort.
• Bij de nieuwe methode: Zelfs als je 100 stukjes hebt, ziet elk stukje er nog steeds heel anders uit. De kleuren zijn zo ver uit elkaar gedreven dat je oog ze makkelijk kan onderscheiden.

De test
De onderzoekers hebben dit getest op twee manieren:

1. Een 3D-scan van een menselijk lichaam met 75 verschillende onderdelen. Met de oude methode waren sommige groene spieren onzichtbaar; met de nieuwe methode springen ze eruit.
2. Een taartdiagram met 37 stukjes. De oude methode maakte het onmogelijk om de stukjes te tellen; de nieuwe methode maakte het kristalhelder.

Conclusie
Kortom: Als je een wetenschappelijke visualisatie maakt met heel veel verschillende onderdelen, moet je niet zoeken naar "mooie" kleuren die bij elkaar passen. In plaats daarvan moet je de kleuren "uit elkaar duwen" alsof het afstotende magneten zijn. Zo zorg je ervoor dat je publiek elk detail kan zien, zelfs als er honderden details zijn. Het is de kunst van het creëren van ruimte tussen de kleuren, zodat je ogen nooit hoeven te gissen.

Technische samenvatting

Probleemstelling

In wetenschappelijke visualisatie is het toewijzen van waarneembaar onderscheidende kleuren aan verschillende data-aspecten essentieel voor het verkrijgen van inzichten. Bestaande methoden, zoals handmatige selectie, standaardpaletten of tools zoals ColorBrewer, werken goed voor een klein aantal functies. Echter, wanneer visualisaties een groot aantal functies omvatten (bijvoorbeeld 50 tot 100), worden deze methoden inefficiënt.

Traditionele benaderingen zoals kleurenharmonieën en kleur-opponeerbaarheid benutten niet het volledige bereik van de perceptuele kleerruimte. Hierdoor neemt het perceptuele contrast tussen kleuren snel af naarmate het aantal kleuren toeneemt. Voor grote aantallen unieke functies (tot 100) is er vaak geen duidelijk onderscheid meer waarneembaar voor de gebruiker, wat de leesbaarheid van de visualisatie ernstig belemmert.

Methodologie: Het Evenwichtsverdelingsmodel (EDM)

De auteurs stellen een nieuwe aanpak voor, het Equilibrium Distribution Model (EDM), dat automatisch kleuren selecteert met een geoptimaliseerd perceptueel contrast. De kern van de methode is gebaseerd op de volgende principes:

1. Perceptuele Ruimte: De methode werkt in de CIELAB-kleerruimte, omdat deze ruimte ontworpen is om perceptuele verschillen lineair weer te geven.
2. Evenwicht met het Midden-Grijs: Het menselijk visuele systeem reageert op contrast. De eerste stap is het selecteren van kleuren die equidistant zijn van de midden-grijswaarde (mid-gray) in de CIELAB-ruimte. Dit wordt gemodelleerd als een hypothetische bol met het midden-grijs als centrum; alle kleuren op het oppervlak van deze bol creëren dezelfde sensatie tegen een grijze achtergrond.
3. Optimalisatie van Afstand: De tweede stap is het gelijkmatig verdelen van deze punten over het boloppervlak. Hiervoor wordt een analogie gebruikt van geladen deeltjes in een statisch evenwicht. De deeltjes (kleurpunten) worden verplaatst totdat de netto potentiaal (en dus de interactiekracht) geminimaliseerd is, wat resulteert in een configuratie waarbij de onderlinge afstanden tussen de punten maximaal zijn.
4. Validatie: De methode wordt vergeleken met de randlengtes van Platonische lichamen (zoals tetraëders en icosaëders) om te verifiëren dat de punten maximaal van elkaar verwijderd zijn.

Belangrijkste Bijdragen

• Automatisering voor Schaalbaarheid: Een algoritme dat automatisch een set van evenwijdig verdeelde kleuren genereert voor willekeurig grote aantallen functies (tot 100), zonder dat de perceptuele kwaliteit inboet.
• Superieur Contrast: Het aantonen dat EDM significant beter presteert dan bestaande harmonische kleurschema's, vooral bij hoge aantallen functies.
• Wiskundige Onderbouwing: Het koppelen van kleureselectie aan een fysiek model van geladen deeltjes in evenwicht om de maximale Euclidische afstand in de CIELAB-ruimte te garanderen.

Resultaten en Evaluatie

De auteurs hebben hun aanpak getest op twee scenario's:

1. 3D Volume Dataset: Een gesegmenteerde CT-scan met 75 zichtbare functies (waarvan 19 transparant zijn gemaakt om de interne structuur te tonen). Visuele inspectie toonde aan dat groene functies in het harmonische schema moeilijk te onderscheiden waren, terwijl ze in het EDM-schema duidelijk gescheiden waren.
2. 2D Data Visualisatie: Een taartdiagram met 37 segmenten. Het harmonische schema leverde segmenten op die moeilijk te onderscheiden waren, terwijl het EDM-schema een consistent hoog perceptueel contrast bood.

Kwantitatieve Evaluatie:
De prestaties werden gemeten aan de hand van twee maatstaven voor perceptueel contrast:

• CIE76 ($\Delta E^*_{ab}$): Gebaseerd op Euclidische afstand. De drempel voor een "Just Noticeable Difference" (JND) is hier $\approx 5$.
• CIEDE2000 ($\Delta E^*_{00}$): Een geavanceerdere maatstaf waarbij de JND-drempel $\approx 1$ is.

Conclusie van de metingen:

• Bij het harmonische schema daalt het contrast onder de JND-drempel bij ongeveer 20 functies.
• Bij het EDM-schema blijft het contrast zelfs bij 100 functies significant boven de JND-drempel (zowel voor CIE76 als CIEDE2000).

Betekenis en Toekomstperspectief

De betekenis van dit werk ligt in het oplossen van het probleem van "kleurvervuiling" bij complexe datasets. Het EDM-model biedt een robuuste oplossing voor wetenschappers en data-analisten die grote hoeveelheden categorische data moeten visualiseren zonder dat de leesbaarheid verloren gaat.

De auteurs erkennen dat de huidige studie geen rekening houdt met de impact van transparantie (opacity) en verlichting in de uiteindelijke rendering, aangezien dit ook uitdagingen zijn voor bestaande technieken. Toekomstig werk zal gericht zijn op het uitbreiden van de experimenten met andere contrastmaten en het uitvoeren van gebruikersstudies om de perceptuele voordelen verder te valideren.