La couleur, depuis le crible

Simple

Pourquoi un nouvel espace de couleur ?

Avant d’expliquer SCS, il faut comprendre où en sont les espaces existants — leurs forces, et surtout leurs limites structurelles. Sans ce contexte, on ne saisit pas pourquoi la PT propose un nouvel espace.

95 ans d’histoire en 6 jalons

Standard

Six limites structurelles des espaces actuels

Les meilleurs espaces actuels (Oklab, ICtCp) résolvent l’uniformité perceptuelle en moyenne, mais avec des coefficients fittés. Cette dépendance aux datasets crée cinq problèmes industriellement visibles.

Simple

L’idée centrale en une phrase

Cette idée n’est pas un postulat sorti du chapeau. La PT prédit que partout où une structure se construit par persistance sous contrainte (chimie, biologie, perception…), les trois primaires actifs {3, 5, 7} doivent réapparaître. La perception couleur est un test naturel de cette prédiction.

Ce que SCS emprunte à PT — et ce qu’il n’emprunte pas

Standard

SCS en quatre couches

1. 1

   Stimulus → LMS

   Réponses des trois cônes (Long, Medium, Short) selon Stockman & Sharpe (2000) — étape standard, identique à tous les espaces modernes.

2. 2

   LMS → 3 canaux opposants pondérés par γ_p

   L-M (rouge-vert) avec poids γ_3, S-LM (bleu-jaune) avec γ_5, L+M (achromatique) avec γ_7. C’est l’unique étape PT-spécifique.

3. 3

   Métrique pythagorienne

   ΔE_SCS = √[(ΔL-M)² + (ΔS-LM)² + (ΔLum)²]. Justifiée par CRT (orthogonalité des cercles ℤ/3ℤ × ℤ/5ℤ × ℤ/7ℤ), pas par fit. La saturation correspond à la norme du plan opposant ; la luminance au canal achromatique. Leur couplage devient donc calculable.

4. 4

   Compatibilité avec gamut existants

   Conversion sRGB / Rec.709 / Rec.2020 / DCI-P3 directe. Pas de table tabulée : les transformations préservent la pondération γ_p sur chaque axe.

Standard

Pourquoi SCS répond aux problématiques actuelles

Simple · pratique

Comment SCS change la logique d’un coloriste

Pour un coloriste vidéo ou un étalonneur, l’enjeu n’est pas philosophique : c’est « combien de contrôles dois-je manipuler simultanément pour obtenir la couleur que je veux ? » SCS change radicalement cette équation.

Standard

Six secteurs industriels concernés

Standard

Premiers résultats expérimentaux

Ce 3,2 % d’écart est de l’ordre de grandeur des variations inter-sujet en perception couleur. Il est notable que la prédiction PT — calculée avant toute mesure — soit dans cette plage. Pour comparer, Oklab obtient une excellente fidélité, mais ses coefficients sont fittés sur le même type de données. SCS arrive au même niveau d’accord avec un seul théorème.

Technique

Trois scripts pour vérifier soi-même

Le code SCS est public — vous pouvez tout vérifier. Pour exécuter, cloner le repo : git clone https://github.com/Igrekess/SieveColorSpace

1. Dériver le poids L-M depuis γ_p

# derive_lm_weight.py
# Poids du canal L-M dérivé directement des γ_p PT,
# sans paramètre ajusté.

from scs.gamma import gamma_p_at_mu_star

mu_star = 15
gammas = {p: gamma_p_at_mu_star(p) for p in (3, 5, 7)}

# Le poids du canal L-M = part du canal p=3 dans la somme totale
lm_weight = gammas[3] / sum(gammas.values())
print(f"γ_3 (canal L-M)        = {gammas[3]:.4f}")  # 0.808
print(f"γ_5 (canal S-LM)       = {gammas[5]:.4f}")  # 0.696
print(f"γ_7 (canal achromat.)  = {gammas[7]:.4f}")  # 0.595
print(f"L-M weight (PT)         = {lm_weight:.4f}")  # 0.385
print(f"L-M weight (SCPT 118 obs) = 0.373")
print(f"Écart (PT vs mesure)    = {abs(lm_weight - 0.373) / 0.373 * 100:.1f} %")  # 3.2 %

2. Décomposition LMS → SCS d’une couleur

# opponent_channels.py
# Construire les trois canaux opposants depuis l'espace LMS,
# avec vérification Pythagore CRT.

from scs.opponent import scs_from_lms
import numpy as np

# Couleur d'entrée : rouge cinabre (proche de la peau humaine)
lms = np.array([0.62, 0.42, 0.13])

# Décomposition SCS
result = scs_from_lms(lms)
print(f"L-M  (rouge-vert)        : {result['L_M']:+.3f}")
print(f"S-LM (bleu-jaune)        : {result['S_LM']:+.3f}")
print(f"L+M  (achromatique)      : {result['lum']:+.3f}")

# Pythagore CRT : la norme totale est conservée modulo γ_p
norm_scs = np.sqrt(
    result['L_M']**2 + result['S_LM']**2 + result['lum']**2
)
print(f"\nNorme pythagorienne SCS : {norm_scs:.4f}")
# Cette norme correspond à la luminance perçue (linéaire).

3. Comparaison ΔE_SCS vs ΔE_Lab vs ΔE_Oklab

# delta_e_comparison.py
# Compare ΔE_SCS, ΔE_Lab, et ΔE_Oklab sur les ellipses de MacAdam.
# SCS doit donner les ΔE les plus proches de 1 partout (uniformité).

from scs.metric import delta_e_scs
from colorspace import delta_e_lab, delta_e_oklab
from datasets.macadam import macadam_pairs

results = {'SCS': [], 'Lab': [], 'Oklab': []}
for c1, c2 in macadam_pairs():
    results['SCS'].append(delta_e_scs(c1, c2))
    results['Lab'].append(delta_e_lab(c1, c2))
    results['Oklab'].append(delta_e_oklab(c1, c2))

import numpy as np
for name, dEs in results.items():
    arr = np.array(dEs)
    cv = np.std(arr) / np.mean(arr)  # coefficient de variation
    print(f"{name:6} : moyenne {arr.mean():.2f} | "
          f"écart-type {arr.std():.2f} | CV {cv:.3f}")
# Lecture : plus le CV est petit, plus l'espace est uniforme.
# Attendu sur ce dataset : SCS CV ≈ 0.18, Oklab CV ≈ 0.21, Lab CV ≈ 0.42

Standard · précision

Et les oiseaux tétrachromates ?

Une objection naturelle : « si SCS prédit trois canaux opposants, que faire des oiseaux, des reptiles, de certains poissons qui ont un quatrième cône (UV ou bleu profond) ? »

Technique · falsifiabilité

Ce qui détruirait SCS (et donc PT)

Aller plus loin

Approfondir