Трехмерные табулированные таблицы (3DLUT) используются для ускорения сложных нелинейных операций. Большой размер трехмерных таблиц налагает ограничения на их применимость, особенно на уровне аппаратной реализации: ограничение количества различных 3DLUT, следовательно, количества различных цветовых преобразований, ограничение частоты вывода кадров из-за значительного времени пересылки таблицы из ОЗУ в аппаратный модуль. В работе рассмотрен метод сжатия, позволяющий эффективно уменьшить объем 3DLUT за счет контролируемого повышения уровня сложности вычислений. Предлагаемый метод основан на канонической тензорной декомпозиции, которая показала наибольшую эффективность по сравнению с другими декомпозициями. Проведена оценка эффективности метода на примере сжатия 3DLUT для операции преобразования цветового охвата, которая необходима для любого устройства вывода. В результате сравнения установлено, что при отсутствии видимых искажений может быть достигнуто значительное сжатие (шестикратное для таблицы размера 17´17´17). Особенностью предлагаемого подхода является возможность вычисления отдельного элемента исходной таблицы на основе сжатых данных без необходимости полного восстановления 3DLUT, что существенно упрощает аппаратную реализацию.
1. Kang H.R. Color technology for electronic imaging devices // SPIE Press. – 1997. – Vol. PM28 of Press Monographs (Book 28). – 384 p.
2. Sun B., Zhou S. Study on the 3d interpolation models used in color conversion // International J. of Engineering and Technology. – 2012. – Vol. 4. – P. 57–60.
3. Aravindh Balaji, Gaurav Sharma, Mark Q. Shaw, Randall Guay. Hierarchical compression of color look up tables // 15th Color Imaging Conference Final Program and Proceedings. – 2007. – P. 261–266.
4. Yun-Tae Kim, Yang Ho Cho, Cheol-Hee Lee, Yeong-Ho Ha. Color look-up table design for gamut mapping and color space conversion // IS&Ts; International Conference on Digital Production Printing and Industrial Applications. – 2003. – P. 28–29.
5. Monga V., Bala R. Algorithms for color look-up-table (lut) design via joint optimization of node locations and output values // 2010 IEEE International Conference on Acoustics, Speech and Signal Processing. – 2010. – P. 998–1001.
6. Strang G. Introduction to linear algebra. – Wellesley: Wellesley-CambridgePress, 2016. – 584 p.
7. Tensor decomposition for signal processing and machine learning / N.D. Sidiropoulos, Li. De Lathauwer, Xiao Fu et al. // IEEE Transactionson Signal Processing. – 2016. – Vol. 65. – P. 3551–3582.
8. Kolda T., Bader B. Tensor decompositions and applications // SIAMRev. – 2009. – Vol. 51. – P. 455–500.
9. Tucker L.R. Some mathematical notes on three-mode factor analysis // Psychometrika. – 1966. – Vol. 31. – No. 5. – P. 279–311.
10. Oseledets I.V. Tensor-train decomposition // SIAM J. SCI. COMPUT. – 2011. – Vol. 33. – No. 5. – P. 2295–2317.
11. Golub G., Van Loan C. Matrixs computations. – Johns Hopkins University Press, 1996. – 728 p.
12. Morovic J. Color gamut mapping. Wiley-IS & T series in imaging science and technology. – Hoboken: John Wiley & Sons Ltd, 2008. – 302 p.
13. Tensorlab 3.0. – 2016. / N. Vervliet, O. Debals, L. Sorber et al. – URL: https://www.tensorlab.net (дата обращения: 10.07.2018).
14. Fairchild M.D. Color appearence models. Wiley-IS & T series in imaging science and Technology. – New York: John Wiley & Sons Inc, 2013. – 472 p.