Дослідження методів колірної адаптації графічних користувацьких інтерфейсів

Ключові слова: кольорова сліпота, пришвидшений GPU-конвеєр, CUDA, CuPy, матриці Мачадо, CLAHE, GUI, інклюзивність

Анотація

Проаналізовано підходи до колірної адаптації графічних користувацьких інтерфейсів для осіб із порушеннями кольорового зору. З'ясовано, що для практичного використання найдоцільнішими є алгоритмічні методи, здатні забезпечувати не тільки корекцію кольорів, а й прийнятну швидкодію під час оброблення зображень високої роздільної здатності. На відміну від повної втрати зору, кольорова сліпота не потребує створення нових програмно-апаратних рішень, а вимагає адаптації наявних графічних користувацьких інтерфейсів до конкретних типів порушення кольорового сприйняття, що робить проведене дослідження актуальним. У роботі досліджено особливості реалізації трьох алгоритмів колірного перетворення, а саме наївного попіксельного, матричного та гібридного методу на основі фізіологічно обґрунтованої моделі Machado і CLAHE. Розроблено пришвидшений GPU-конвеєр колірного перетворення елементів графічного інтерфейсу з використанням CUDA та CuPy. Проведено порівняльний аналіз продуктивності реалізацій на CPU та GPU для зображень з роздільною здатністю HD, FHD і 4K за умов протанопії, дейтеранопії та тританопії. Встановлено, що результати для різних типів порушень кольорового зору відрізняються незначно, тому репрезентативні дані подано для протанопії. Показано, що перенесення попіксельного алгоритму на GPU скорочує тривалість оброблення 4K-зображення від 81,51 с до 0,234 с, тобто приблизно у 349 разів. Визначено, що матричний метод забезпечує найменшу тривалість оброблення на GPU для 4K-зображень, однак гібридний підхід, у якому поєднано модель Machado та CLAHE, забезпечує краще збереження локального контрасту та візуальної виразності елементів інтерфейсу. Показано, що для HD-зображень перевага GPU є менш помітною через витрати на передавання даних, тоді як для FHD і особливо 4K використання графічного процесора є доцільним. Запропонований підхід можна використати під час розроблення інклюзивних програмних систем адаптації графічних інтерфейсів. Отже, запропонований гібридний підхід поєднує ефективну корекцію кольору зі збереженням контрасту завдяки використанню адаптивного вирівнювання гістограми CLAHE, що визначає його потенціал для інклюзивних систем дизайну графічного інтерфейсу користувача. Подальший розвиток цієї роботи передбачає інтеграцію результатів у широко використовувані програмні системи для забезпечення більш доступної та ефективної адаптації графічних інтерфейсів користувача.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

О. Ю. Барковська, Харківський національний університет радіоелектроніки, м. Харків

канд. техн. наук, доцент, кафедра електронних обчислювальних машин

М. М. Щолкін, Харківський національний університет радіоелектроніки, м. Харків,

магістрант, кафедра електронних обчислювальних машин

Я. Б. Соколов, Харківський національний університет радіоелектроніки, м. Харків,

магістрант, кафедри електронних обчислювальних машин

Посилання

Hashemi, H., Shahidi, A., Hashemi, A., Jamali, A., Mortazavi, A., & Khabazkhoob, M. (2023). The prevalence of red-green color vision deficiency and its related factors in an elderly population above 60 years of age. International journal of ophthalmology, 16(9), article ID 1535. https://doi.org/10.18240/ijo.2023.09.22

Barkovska, O., Shulinus, O., Rosinskiy, D., Lebodkin, Y., & Serdechnyi, V. (2023, September). Research on Model Rendering Performance in Blender 3D Using Massively Parallel Systems. In 2023 IEEE East-West Design & Test Symposium (EWDTS) (pp. 1–5). IEEE. https://doi.org/10.1109/EWDTS59469.2023.10297046

Barkovska, O., Korniienko, V., Filippenko, I., Adamovych, V., & Filippenko, O. (2023, October). Evaluation of the Performance of a Computing Cluster Based on Single Board Raspberry Pi 3B+ Computer. In 2023 IEEE 4th KhPI Week on Advanced Technology (KhPIWeek) (pp. 1–6). IEEE. https://doi.org/10.1109/KhPIWeek61412.2023.10312863

Machado, G. M., Oliveira, M. M., & Fernandes, L. A. (2009). A physiologically-based model for simulation of color vision deficiency. IEEE transactions on visualization and computer graphics, 15(6), 1291–1298. https://doi.org/10.1109/TVCG.2009.113

Yan, Q., Feng, Y., Zhang, C., Pang, G., Shi, K., Wu, P.,… & Zhang, Y. (2025). Hvi: A new color space for low-light image enhancement. In Proceedings of the computer vision and pattern recognition conference (pp. 5678–5687). URL: https://openaccess.thecvf.com/content/CVPR2025/papers/Yan_HVI_A_New_Color_Space_for_Low-light_Image_Enhancement_CVPR_2025_paper.pdf

Alcaraz Martínez, R., Turró, M.R., & Granollers Saltiveri, T. (2022). Methodology for heuristic evaluation of the accessibility of statistical charts for people with low vision and color vision deficiency. Universal Access in the Information Society, 21, 863–894. https://doi.org/10.1007/s10209-021-00816-0

Zhang, Y., Hu, Y., Tan, J., Ma, R., Si, F., & Yang, Y. (2024). Do color enhancement algorithms improve the experience of color-deficient people? An empirical study based on smartphones. Frontiers in neuroscience, 18, article ID 1366541. https://doi.org/10.3389/fnins.2024.1366541

Zhou, H., Huang, W., Zhu, Z., et al. (2024). Fast image recoloring for red – green anomalous trichromacy with contrast enhancement and naturalness preservation. The Visual Computer, 40, 4647–4660. https://doi.org/10.1007/s00371-024-03454-8

Male, S. R., Shamanna, B. R., Bhardwaj, R., Bhagvati, C., & Theagarayan, B. (2022). Color vision devices for color vision deficiency patients: A systematic review and meta-analysis. Health science reports, 5(5), article ID e842. https://doi.org/10.1002/hsr2.842

AlHumaidan, B., Alghofaily, S., Al Qhahtani, M., Oudah, S., & Nagy, N. (2024). Parallel Image Processing: Taking Grayscale Conversion Using OpenMP as an Example. Journal of Computer and Communications, 12, 1–10. https://doi.org/10.4236/jcc.2024.122001

Chase, P., & Vondran, G., (2011). GPU color space conversion. Parallel Processing for Imaging Applications, vol. 7872, article ID 78720D. https://doi.org/10.1117/12.876678

Li, C., & Jiao, Z. (2024). Deep Learning-Optimized CLAHE for Contrast and Color Enhancement in Suzhou Garden Images. International Journal of Advanced Computer Science & Applications, 15(12), 805–814. https://doi.org/10.14569/IJACSA.2024.0151281

Basak, A., & Roy, S. T. (2022). Visual ergonomics for colourblindness: Applying universal design principles in graphical user interface to provide affordance to the colourblind users. Proceedings of the Design Society, 2, 2055–2066. https://doi.org/10.1017/pds.2022.208

Sharif, R., Azam, M., Hashmi, M. U., & Naseem, Ch. (2024). The Usability of Mobile Devices for Individuals with Vision Impairments and Color Blindness, as well as Image Correctness. Journal of Computing & Biomedical Informatics, 7(01), 666–677. URL: https://jcbi.org/index.php/Main/article/view/527

Almustanyir, A. (2025, August). A Global Perspective of Color Vision Deficiency: Awareness, Diagnosis, and Lived Experiences. Healthcare, 13(16), article ID 2031. https://doi.org/10.3390/healthcare13162031

Опубліковано
2026-04-30
Як цитувати
Барковська, О. Ю., Щолкін, М. М., & Соколов, Я. Б. (2026). Дослідження методів колірної адаптації графічних користувацьких інтерфейсів. Scientific Bulletin of UNFU, 36(2), 125–131. https://doi.org/10.36930/40360214
Розділ
Інформаційні технології