Espacio de color TSL

Espacio de color TSL (Matiz, Saturación y Luminosidad) es un espacio de color perceptual que define el color como matiz (el grado en el que un estímulo puede describirse como similar o diferente de otros estímulos que son descrito como rojo, verde, azul, amarillo y blanco, se puede considerar como un tono al que se le agrega blanco), saturación (el colorido de un estímulo en relación con su propio brillo) y luminosidad (el brillo de un estímulo en relación con un estímulo). que aparece blanco en condiciones de visualización similares). Propuesto por Jean-Christophe Terrillon y Shigeru Akamatsu, el espacio de color TSL se desarrolló principalmente con el fin de detectar rostros.

Conversión entre RGB y TSL

La conversión de valores RGB con corrección de gamma (0–1) a TSL es sencilla:

• T={}0.5− − atan2⁡ ⁡ ()g.,r.)2π π ,si g.ل ل 00,si g.=0{textstyle T={begin{cases}0.5-{frac {operatorname {atan2} {g',r'}{2pi }}}}, limitándose {mbox{if}~g'neq 0, limitándose {mbox{if}} {\\\fnMicrosoft Sans}}}}}} – el caso cero especial es mantener el comportamiento original
• S=95()r.2+g.2){fnMicrosoft Sans Serif}}}
• L=0,299R+0,5987G+0.114B{textstyle L=0.299R+0.587G+0.114B} – el Luma

donde:

• r=RR+G+B,g=GR+G+B{textstyle r={tfrac {R}{R+G+B},g={tfrac {G}{R+G+B}} – la cromática rg
• r.=r− − 13,g.=g− − 13{textstyle r'=r-{tfrac {1}{3},g'=g-{tfrac {1}{3}} – centrado en blanco

Del mismo modo, la transformación inversa es la siguiente:

• R=k⋅ ⋅ r{textstyle R=kcdot r}
• G=k⋅ ⋅ g{textstyle G=kcdot g}
• B=k⋅ ⋅ ()1− − r− − g){textstyle B=kcdot (1-r-g)}

donde:

• r=r.+13{textstyle r=r'+{frac {1}{3}}
• g=g.+13{fnK}
• r.=5S29()x− − 1+1){displaystyle {fnMicroc {fnMicroc} {9(x^{-1}}}}}}
• g.=5S29()x+1){displaystyle g'={9(x+1)}}}
• k=L0.185r+0.473g+0.114{textstyle k={frac {L}{0.185r+0.473g+0.114}} – Luma convertido a intensidad media
• x=#2⁡ ⁡ ()2π π ⋅ ⋅ ()T− − 14)){textstyle x=tan ^{2}({2picdot (T-{frac {1}{4}})}}}

Para T = 0, la conversión de TSL a RGB no es única porque el signo de r' se pierde en la conversión directa debido a la g&# 39; = 0 caso especial. La eliminación del caso especial produce un sistema que se desvía del papel original pero conserva el signo.

Ventajas de TSL

Las ventajas del espacio de color TSL residen en la normalización dentro de la transformación RGB-TSL. La utilización de r y g normalizados permite que los espacios de crominancia TSL sean más eficientes para la segmentación del color de la piel. Además, con esta normalización, la sensibilidad de las distribuciones de crominancia a la variabilidad del color de la piel se reduce significativamente, lo que permite una detección más sencilla de diferentes tonos de piel.

Comparación de TSL con otros espacios de color

Terrillon investigó la eficiencia de la detección facial para varios espacios de color diferentes. Las pruebas consistieron en utilizar el mismo algoritmo con 10 espacios de color diferentes para detectar rostros en 90 imágenes con 133 rostros y 59 sujetos (27 asiáticos, 31 caucásicos y 1 africano). TSL mostró un rendimiento superior al resto de espacios, con un 90,8% de detección correcta y un 84,9% de rechazo correcto. Se puede ver una comparación completa en la siguiente tabla.

Desventajas de TSL

El espacio TSL podría hacerse más eficiente y robusto. Actualmente no existe ningún algoritmo de corrección de color para diferentes sistemas de cámara. Además, a pesar de una mayor precisión en la detección del tono de piel, detectar el color de piel oscuro sigue siendo un desafío.

Aplicaciones

Al ser un espacio de color relativamente nuevo y tener usos muy específicos, TSL no se ha implementado ampliamente. Nuevamente, solo es muy útil en algoritmos de detección de piel. La detección de piel en sí se puede utilizar para una variedad de aplicaciones: detección de rostros, seguimiento de personas (con fines cinematográficos y de vigilancia) y filtrado de pornografía son algunos ejemplos. Se implementó un mapa autoorganizado (SOM) en la detección de piel utilizando TSL y se lograron resultados comparables a los métodos más antiguos de histogramas y modelos de mezcla gaussiana.