Kuva 1: Näkyvän valon spektrin approksimaatio. Tarkkaa spektriä on mahdotonta toistaa tietokoneen näytöllä, kuten myöhemmin todetaan.

Samankaltaiset tiedostot
Bijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio.

VÄRI ON: Fysiikkaa: valon osatekijä (syntyy valosta, yhdistyy valoon)

7 Vapaus. 7.1 Vapauden määritelmä

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi

JAKSO 2 KANTA JA KOORDINAATIT

1 Kannat ja kannanvaihto

Kanta ja Kannan-vaihto

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

MS-C1340 Lineaarialgebra ja

802320A LINEAARIALGEBRA OSA I

1 Lineaariavaruus eli Vektoriavaruus

(1.1) Ae j = a k,j e k.

Kuvaus. Määritelmä. LM2, Kesä /160

Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Lineaarikuvauksen R n R m matriisi

Kantavektorien kuvavektorit määräävät lineaarikuvauksen

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

802320A LINEAARIALGEBRA OSA III

Tehtäväsarja I Kerrataan lineaarikuvauksiin liittyviä todistuksia ja lineaarikuvauksen muodostamista. Sarjaan liittyvät Stack-tehtävät: 1 ja 2.

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

2.8. Kannanvaihto R n :ssä

13. Värit tietokonegrafiikassa

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

Ratkaisuehdotukset LH 3 / alkuvko 45

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Ortogonaalisen kannan etsiminen

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

Matemaattinen Analyysi / kertaus

Päättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Insinöörimatematiikka D

Insinöörimatematiikka D

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Tilkkuilijan värit. Saana Karlsson

Kanta ja dimensio 1 / 23

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)

Osoita, että täsmälleen yksi vektoriavaruuden ehto ei ole voimassa.

Insinöörimatematiikka D

Lineaarialgebra ja matriisilaskenta I

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Insinöörimatematiikka D

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

2.5. Matriisin avaruudet ja tunnusluvut

Matematiikan tukikurssi

Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia

Ortogonaaliprojektio äärellisulotteiselle aliavaruudelle

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

3 Suorat ja tasot. 3.1 Suora. Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta.

Vektoreiden virittämä aliavaruus

8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151

Insinöörimatematiikka D

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

Johdatus lineaarialgebraan

2 / :03

Kuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2

Insinöörimatematiikka D

Lineaarinen yhtälöryhmä

MS-C1340 Lineaarialgebra ja

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo

Tekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).

MATEMATIIKAN PERUSKURSSI I Harjoitustehtäviä syksy Millä reaaliluvun x arvoilla. 3 4 x 2,

Jatkuvat satunnaismuuttujat

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi

Avaruuden R n aliavaruus

Johdatus lineaarialgebraan

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Lineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.

Derivaatta: funktion approksimaatio lineaarikuvauksella.

l 1 2l + 1, c) 100 l=0

Talousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi

Taso 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste, suora

Lineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila

3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 1: Moniulotteiset integraalit

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

l 1 2l + 1, c) 100 l=0 AB 3AC ja AB AC sekä vektoreiden AB ja

Insinöörimatematiikka D

Ratkaisuehdotukset LH 7 / vko 47

802320A LINEAARIALGEBRA OSA II

Insinöörimatematiikka D, laskuharjoituksien esimerkkiratkaisut

1 Sisätulo- ja normiavaruudet

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )

Johdatus lineaarialgebraan

5 Lineaariset yhtälöryhmät

Ominaisvektoreiden lineaarinen riippumattomuus

Oletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U

Matemaatiikan tukikurssi

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

Lineaarialgebra ja matriisilaskenta I

Matriisit ja vektorit Matriisin käsite Matriisialgebra. Olkoon A = , B = Laske A + B, , 1 3 3

Transkriptio:

Värinäkö Värit ovat silmän ja aivojen muodostama tulkinta valon aallonpituuksista. Eri aallonpituuksia on äärettömän paljon eikä niillä ole keskenään mitään laadullista eroa, mutta ihminen havaitsee esimerkiksi osan aallonpituuksista punaisina, osan sinisinä ja niin edelleen. Värejä voi myös yhdistellä ja sekoittaa, ja esimerkiksi punaisen ja vihreän valon sekoittaminen tuottaa keltaista valoa. Lisäksi ihminen pystyy havaitsemaan esimerkiksi sinipunaisen (purppuran) värin, vaikka sitä vastaavaa aallonpituutta ei ole olemassa. Nämä ilmiöt voidaan selittää matemaattisesti väriavaruuksien teorialla. Väriavaruudet ovat erilaisia vektoriavaruuksia, ja värien havaitseminen voidaan esittää lineaarikuvauksena avaruudesta toiseen. Spektrivärien avaruus Kuva 1: Näkyvän valon spektrin approksimaatio. Tarkkaa spektriä on mahdotonta toistaa tietokoneen näytöllä, kuten myöhemmin todetaan. Näkyvä valo on sähkömagneettista aaltoliikettä, jonka aallonpituus on suunnilleen arvojen λ = 380 nm ja µ = 750 nm välillä. Luonnollinen valonlähde lähettää valoa useilla eri aallonpituuksilla. Valon aallonpituuksien jakaumaa voi kuvata funktiolla C : [λ, µ] R, missä C(x) kertoo aallonpituutta x vastaavan aallonosan intensiteetin. Monokromaattisella valolla tarkoitetaan valoa, jonka intensiteettijakauma on hyvin kapea. Tällaisen valon väriä kutsutaan puhtaaksi spektriväriksi. Spektrivärit ulottuvat lyhytaaltoisista punaisista oranssien, keltaisten, vihreiden, sinivihreiden ja sinisten kautta pitkäaaltoisiin violetteihin. Vakiofunktiot vastaavat harmaan eri sävyjä, nollafunktio mustaa ja korkea-arvoinen vakio valkoista. Kuva 2: Keltaista puhdasta spektriväriä esittävä intensiteettijakauma. Intensiteettijakaumia voidaan laskea yhteen ja kertoa vakiokertoimilla kuten mitä tahansa funktioita, ja ne muodostavat vektoriavaruuden V. Avaruus V on ääretönulottei- 1

nen (funktioavaruus). Otetaan yksinkertaisuuden vuoksi mukaan ainoastaan jatkuvat ja rajoitetut jakaumat, jolloin avaruudessa V voidaan määritellä sisätulo kaavalla f, g = µ λ f(x)g(x) dx. Kaikki avaruuden V jakaumat eivät ole fysikaalisesti mahdollisia, koska esimerkiksi minkään aallonpituuden intensiteetti ei voi olla negatiivinen. Silmän toiminta Silmä aistii valoa tappisoluilla, joita on kolmea tyyppiä: L, M ja S. Eri tyypin solut ovat herkkiä eri aallonpituuksille, ja herkkyyshuiput ovat yksilöstä riippuen suunnilleen 570 nm (L), 545 nm (M) ja 445 nm (S). Tarkemmin herkkyysjakaumat näkyvät seuraavasta kuvasta. Kuva 3: Tappisolujen herkkyysjakaumat. Herkkyysjakaumat voidaan tulkita avaruuden V vektoreiksi. Merkitään niitä symbolein l, m ja s. Nämä vektorit ovat toisistaan lineaarisesti riippumattomia, mutta eivät toisiaan vastaan kohtisuorassa. Valon aiheuttama väriaistimus silmässä voidaan kuvata kolmiulotteisena vektorina, jonka komponentit vastaavat kunkin tyyppisen tappisolun vastetta. Aistimukset muodostavat täten avaruuden R 3 osajoukon. Olkoon C jokin valon intensiteettijakauma. Tämän jakauman tuottama väriaistimus A(C) saadaan laskemalla intensiteettijakauman sisätulo kunkin herkkyysjakauman kanssa: A(C) = ( C, l, C, m, C, s ) R 3. Ei ole vaikea tarkistaa, että kuvaus A: V R 3 on lineaarinen. Koska lähtöavaruus on ääretönulotteinen ja maaliavaruus äärellisulotteinen, nähdään että kuvaus ei voi olla injektiivinen. Tämä tarkoittaa, että jokainen väriaistimus voi aiheutua äärettömän monesta erilaisesta intensiteettijakaumasta. 2

Kromaattisuus LMS-väriavaruus on kolmiulotteinen ja siksi siitä on vaikea piirtää kuvaa. Väri-informaatio voidaan kuitenkin jakaa valoisuuteen ja kromaattisuuteen. Esimerkiksi harmaalla ja valkoisella värillä on sama kromaattisuus, mutta valkoinen on valoisampi. Valoisuus on yksiulotteinen, kromaattisuus kaksiulotteinen suure. Määritellään aluksi vektorin v = (v 1, v 2, v 3 ) kokonaisvaloisuus k( v) = v 1 + v 2 + v 3. Sen avulla voidaan määritellä kuvaus χ: R 3 R 3, χ( v) = v/k( v). Nimitetään arvoa χ( v) vektorin v kromaattisuudeksi. Kuvaus χ ei ole lineaarikuvaus, ja kuva-avaruus ei siksi ole vektoriavaruus. Itse asiassa kuva-avaruus, eli kromaattisuusavaruus, on projektiivinen taso. Projektiivinen taso muodostuu, kun jokainen kolmiulotteisen avaruuden vektori samastetaan kaikkien skalaarimonikertojensa kanssa. Näin onkin kromaattisuuden laita, sillä kaikilla a R pätee χ(a v) = a v k(a v) = a v av 1 + av 2 + av 3 = v v 1 + v 3 + v 3 = χ( v). Vektorilla ja sen skalaarimonikerroilla on siis sama kromaattisuus. Vektorin v kromaattisuus voidaan ymmärtää myös niin, että se on suoran span( v) ja yhtälön x 1 + x 2 + x 3 = 1 määrittämän tason T leikkauspiste. Tälle leikkauspisteelle x nimittäin pätee x = a v jollain a R ja lisäksi x 1 + x 2 + x 3 = 1. Näin saadaan av 1 + av 2 + av 3 = 1, josta ratkeaa a = 1/k( v) ja edelleen x = v/k( v). Kuva 4: Näkyvän valon alue CIE 1931 -avaruuden kromaattisuustasossa. Kaikkia värejä ei voi esittää tarkasti tietokoneen näytöllä, joten ne on tyydytty approksimoimaan. 3

Seuraavassa esitettävä kromaattisuuskaavio perustuu vuonna 1931 ihmisen värinäköä tutkittaessa kehitettyyn CIE 1931 XYZ-väriavaruuteen. XYZ-avaruus saadaan LMSavaruudesta siirtymällä tiettyyn uuteen kantaan, jota merkitään tässä yksinkertaisuuden vuoksi kirjaimella B. Kromaattisuutta kuvaavat xy-koordinaatit saadaan sen jälkeen tarkastelemalla kannassa B ilmoitetun vektorin v kromaattisuutta χ( v), ja jättämällä pois viimeinen koordinaatti. Kuvassa 4 on esitetty näkyvän valon alue kromaattisuustasossa. Kaaviosta voidaan tehdä muutamia huomioita. Tarkastellaan ensinnäkin kahden intensiteettijakauman C 1 ja C 2 lineaarikombinaatiota ac 1 + bc 2, missä a, b R. Koska sekä väriaistimuskuvaus A että kannanvaihto M B kantaan B ovat lineaarikuvauksia, vastaa lineaarikombinaatiota XYZ-avaruudessa vektori am B A(C 1 )+bm B A(C 2 ). Merkitään v = M B A(C 1 ) ja w = M B A(C 2 ). Tason span( v, w) ja tason T leikkausjoukko on eräs suora L. Tämä suora kulkee pisteen χ(a v + b w) kautta, sillä kyseinen kromaattisuus sisältyy sekä tasoon T että tasoon span( v, w). Sama pätee tietysti myös kromaattisuuksille χ( v) ja χ( w). Tämä tarkoittaa, että kahden intensiteettijakauman yhdistelmä löytyy kromaattisuuskaaviosta alkuperäisten intensiteettijakaumien kromaattisuuksien kautta kulkevalta suoralta. Tarkempi analyysi itse asiassa osoittaisi, että mikäli kertoimet a ja b ovat positiivisia, yhdistelmän kromaattisuus sijaitsee alkuperäisten jakaumien kromaattisuuksien välissä. Kuva 5: Kahden vektorin lineaarikombinaation kromaattisuus sijaitsee alkuperäisten vektorien kromaattisuuksia yhdistävällä suoralla. 4

Värien kannalta edellinen havainto tarkoittaa, että kahta valonlähdettä sekoittamalla saatavat värit sijaitsevat kromaattisuuskaaviossa alkuperäisten valonlähteiden värien välissä niitä yhdistävällä janalla. Esimerkiksi punaista ja vihreää sekoittamalla saadaan kaavion mukaan keltaista. Toinen merkitys havainnolla on, että näkyvän valon alue on välttämättä konveksi eli se sisältää minkä tahansa kahden alueeseen kuuluvan pisteen välisen janan kokonaisuudessaan. Vielä voidaan todeta, että puhtaat spektrivärit sijaitsevat näkyvän valon alueen reunalla, sillä niitä ei määritelmän mukaisesti voi saada yhdistelemällä mitään muita valonlähteitä. Kaaviossa puhtaat spektrivärit sijaitsevat alueen hevosenkengän muotoisella reunalla. Niiden aallonpituudet on merkitty näkyviin. Jäljelle jäävä suora alareuna on niin kutsuttu sinipunainen suora (line of purples). Nämä värit syntyvät silmässä, kun yhdistetään punaista ja sinistä aallonpituutta, mutta niitä ei vastaa mikään puhdas spektriväri. Yhdistämällä kaikkia taajuuksia tasapuolisesti saadaan vakiointensiteettijakauma, jota CIE 1931 -avaruuden kromaattisuustasossa vastaa valkoinen piste (1/3, 1/3). Kaavion muodosta voidaan vielä päätellä se, että mitkään kolme valonlähdettä eivät riitä tuottamaan kaikkia silmän aistimia värejä, sillä niitä sekoittamalla saatavat värit sisältyisivät kolmioon, jonka kärkipisteinä olisivat noiden kolmen valonlähteen kromaattisuudet. Sama pätee mille tahansa äärelliselle määrälle valonlähteitä. Tämän vuoksi esimerkiksi tietokoneen näytön värit, jotka yleensä perustuvat kolmen päävärin, punaisen, sinisen ja vihreän, sekoittamiseen, eivät riitä kaikkien näkyvän valon värien esittämiseen. Erityisesti puhtaat spektrivärit jäävät yleensä värialueen ulkopuolelle. Laskuesimerkki Lasketaan esimerkin vuoksi kahden spektrivärin sekä niiden lineaarikombinaation koordinaatit edellä esitellyssä kromaattisuustasossa. Tarkastellaan punaista ja vihreää monokromaattista valoa, joita vastaamaan käytetään tässä vakiofunktioita C P = { 1, kun 650 x 660, 0, muulloin, ja C V = { 1, kun 500 x 510, 0, muulloin. Määritetään yksinkertaisuuden vuoksi spektrivärien koordinaatit LMS-avaruuden sijaan suoraan koordinaatit XYZ-avaruudessa. Tähän tarvitaan tappisolujen herkkyysjakaumien sijaan XYZ-värinsovitusfunktioita, jotka löytyvät esimerkiksi Lontoon University Collegen värinäön tutkimuslaitoksen sivuilta (www.cvrl.org/ciexyzpr.htm). Värinsovitusfunktiot x, ȳ ja z ovat avaruuden V alkioita. Valonlähteen C tuottaman väriaistimuksen XYZ-koordinaatit saadaan nyt sisätulon avulla suoraan seuraavasti: [A(C)] B = ( C, x, C, ȳ, C, z ). Tässä on siis käytännössä yhdistetty kuvaus A: V R 3 sekä kannanvaihto kantaan B. Käytetään edellä mainitulta Lontoon University Collegen sivulta saatavaa tiedostoa lin2012xyz10e_1_7sf.csv (10 havaitsijan energiajakauma 1 nm välein). Tämän tiedoston voi ladata Matlabiin muuttujaksi xyz komennolla >> xyz = csvread('lin2012xyz10e_1_7sf.csv'); 5

Tämän jälkeen muuttujaan xyz on tallennettuna matriisi, jonka ensimmäinen sarake sisältää näkyvän valon aallonpituudet yhden nanometrin välein, ja sarakkeet 2 4 sisältävät värinsovitusfunktioiden arvot eri aallonpituuksilla järjestyksessä x, ȳ, z. Värinsovitusfunktioiden kuvaajat on esitetty kuvassa 6. Kuva 6: XYZ-avaruuden värinsovitusfunktiot. Edellä määriteltyjen spektrivärien XYZ-koordinaatit saadaan integroimalla. Esimerkiksi C P, x = µ λ C P (w) x(w) dw = 660 650 x(w) dw. Määritellään Matlabissa ensin integroimisalueet. Matriisin xyz ensimmäisessä sarakkeessa on lueteltuna aallonpituudet. Luodaan eri värejä vastaavat vektorit komennoilla >> red_range = xyz(:,1) >= 650 & xyz(:,1) <= 660; >> green_range = xyz(:,1) >= 500 & xyz(:,1) <= 510; Tuloksena on kaksi vektoria, joilla on arvo 1 niissä kohdissa, joissa matriisin xyz ensimmäisen sarakkeen luku on halutulla välillä. Muut vektorin komponentit ovat nollia. Integroidaan nyt numeerisesti komennolla trapz, käyttäen edellä määriteltyjä vektoreita valitsemaan matriisista xyz oikeat rivit: >> v = trapz(xyz(red_range, 2:4)).' >> w = trapz(xyz(green_range, 2:4)).' Komennon lopussa.' tarkoittaa transpoosia, jotta tuloksena saadaan sarakkeita rivien sijaan. Tuloksena ovat xyz-avaruuden vektorit v = (2,0805; 0,8240; 0) ja w = (0,1769; 5,4990; 1,4235). Lasketaan sitten värien xy-koordinaatit kromaattisuustasossa: 6

>> ch_red = v / sum(v) >> ch_green = w / sum(w) jolloin tulokseksi saadaan χ( v) = (0,7163; 0,2837; 0) ja χ( w) = (0,0249; 0,7746; 0,2005). Näiden vektorien kaksi ensimmäistä koordinaattia ilmaisevat sijainnin kromaattisuuskaaviossa. Määritetään vielä vertailun vuoksi lineaarikombinaation 2C P + C V sijainti kromaattisuuskaaviossa. Koska kuvaus A ja kannavaihto ovat lineaarisia kuvauksia, tiedetään jo valmiiksi, että XYZ-avaruudessa kyseistä lineaarikombinaatiota vastaa vektori 2 v + w. Tämän kromaattisuus saadaan komennolla >> ch_comb = (2*v+w) / sum(2*v+w) ja tulos on χ( v + 2 w) = (0,3361; 0,5537; 0,1103). Seuraavaan kuvaan on merkitty spektrivärit C P ja C V sekä niiden lineaarikombinaatio 2C P + C V kromaattisuuskaavioon. Huomaa, että kombinaatio löytyy spektrivärejä yhdistävältä janalta, niin kuin pitääkin. Kuva 7: Punainen ja vihreä spektriväri sekä eräs näiden lineaarikombinaatio kromaattisuustasossa. Vastavärit Edellä on selvitetty, miten eri valonlähteiden intensiteettijakaumat tuottavat väriaistimuksen erilaisissa matemaattisissa väriavaruuksissa. Avoimeksi on kuitenkin jäänyt, 7

miksi värit näyttävät siltä miltä näyttävät. Vaikuttaa siltä, että tietyt värit toimivat eräänlaisina pääväreinä muiden ollessa enemmän tai vähemmän näiden sekoituksia. Pääväreinä toimivat sininen, keltainen, punainen ja vihreä. Muita värejä voi kuvailla sanoilla sinivihreä, sinipunainen, punakeltainen tai kellanvihreä (tai vaaleanvihreä), vaikka sinipunaista nimitetäänkin usein purppuraksi tai violetiksi ja punakeltaista yleensä oranssiksi. Spektrissä pääväreillä ei kuitenkaan ole mitään erityisominaisuutta muihin väreihin nähden, ja sinipunainen ei edes esiinny spektrissä. Kromaattisuuskaavio päävärit taas tuntuvat muodostavan neljä pääilmansuuntaa, joiden väleistä löytyvät sekoitetut värit. Mistä tämä johtuu? Vastaus löytyy hermoston toiminnasta. Tappisolujen vasteet eivät siirry sellaisinaan aivoihin, vaan aistimusta siirtävät gangliosolut mittaavat tappisolujen vasteiden erotuksia. Eräs joukko soluja (jatkossa joukko A) mittaa L- ja M-solujen vasteiden erotusta, ja toinen joukko (joukko B) mittaa S-solujen vasteen erotusta L- ja M-solujen vasteiden yhdistelmästä. Lisäksi on soluja, jotka mittaavat kokonaisvaloisuutta. L- ja M-solujen vastehuiput ovat melko lähellä toisiaan (ks. kuva 3) ja hyvin kaukana S-solujen vastehuipusta. Näin ollen voidaan yksinkertaistaen arvioida, että joukon B solut antavat suurimman positiivisen arvon lähellä S-solujen vastehuippua, joka on syvänsininen tai violetti. Negatiivinen huippuarvo saavutetaan jossain L- ja M-solujen vastehuippujen välissä, mikä vastaa keltaista väriä. Nämä ovat vain arvioita, mutta niiden avulla voi ymmärtää, miksi sininen ja keltainen näyttävät niin erilaisilta, ja miksi on mahdotonta kuvitella sinikeltaista väriä. Joukon B solut nimittäin antavat sinisen ja keltaisen yhdistelmälle arvon 0. Joukko A puolestaan erottelee L- ja M-solujen vasteet, jotta kromaattisuusavaruus ei jää yksiulotteiseksi. Näiden tappisolujen vastehuiput ovat lähempänä toisiaan, joten erotuksen huippuarvoja on vaikeampi arvioida. Joka tapauksessa erotuksen huippuarvot ovat hieman etäämmällä toisistaan kuin tappisolujen vastehuiput, ja tällöin ne osuvat kutakuinkin punaisen ja vihreän spektrialueen tienoille. Tämän vuoksi punavihreä väri on mahdottomuus. Tarkemmin A-solujen huippuarvoja voi arvioida määrittämällä kaikkien spektrivärien L- ja M-vasteet. Käytetään edellisen luvun XYZ-värinsovitusfunktioita ja määritellään spektrivärit yhden nanometrin levyisiksi vakiojakaumiksi. Tällöin esimerkiksi aallonpituusväliä [a, a + 1] vastaavan spektrivärin X-koordinaatiksi saadaan a+1 x(w) dw. a Koska aallonpituusväli on niin pieni, voidaan arvioida että funktio x(w) on lähes vakio kyseisellä välillä, jolloin integraaliksi saadaan yksinkertaisesti x(w) 1 = x(w). Tällöin taulukko xyz itse asiassa sisältää kaikkien spektrivärien koordinaatit XYZ-avaruudessa. Kannanvaihtomatriisi LMS-koordinaateista XYZ-koordinaatteihin löytyy myös edellä mainitulta sivustolta: 1,940 1,347 0,430 M B = 0,693 0,350 0. 0 0 2,147 Spektrivärien koordinaatit LMS-avaruudessa saadaan siis kirjoittamalla komennot 8

>> M = [ 1.940-1.347 0.430 ; 0.693 0.350 0 ; 0 0 2.147 ] >> lms = [ xyz(:,1) (inv(m) * xyz(:,2:4).').' ]; Lopulta komennoilla >> w = lms(:,1); >> plot(w,lms(:,2), w,lms(:,3), w,lms(:,2)-lms(:,3)) voidaan piirtää seuraava kuva, jossa näkyvät L- ja M-herkkyysfunktiot sekä näiden erotus. Kuvasta näkyy, että erotuksen huippuarvot osuvat suunnilleen 610 ja 520 nanometrin tienoille. Nämä vastaavat tiettyjä punaisen ja vihreän sävyjä. Kuva 8: L- ja M-tappisolujen herkkyysvasteet eri spektriväreille sekä niiden erotus. Loppuhuomio Kaikki väreihin liittyvä teoria on jossain määrin epämääräistä, sillä värien aistiminen on hyvin subjektiivinen kokemus. Siihen liittyvät fysiologiset erot, kuten tappisolujen ja hermoston toiminnan vaihtelu, sekä lisäksi myös kulttuurivaikutukset. Esimerkiksi eri ihmiset ovat tarkoittaneet violetilla värillä eri aikoina hyvin eri asioita. Kuvaavaa on, että englanninkielisen Wikipedian violetti-aiheisella sivulla on runsaasti esimerkkikuvia violetin eri sävyistä, mutta toisaalta siellä todetaan, että tietokoneen näytöllä ei voida toistaa todellista spektriviolettia, vaan sitä approksimoidaan sinipunaisella. Tällaisten seikkojen vuoksi edellä esitettyjä laskuesimerkkejä ei pidä ottaa kirjaimellisina, vaan enemmänkin suuntaa antavina. Jokke Häsä, syksyllä 2015 9