「彩虹色阶不是审美问题,是仪器校准问题」:为什么「反彩虹」共识本身也缺一次测量
【锚点】这一篇只钉一个判断:【色阶不是装饰,是测量仪器的一部分;而「viridis 正确、rainbow 有害」这条共识,本身是一次没有在你任务上校准过的外推。】
一、【显式】2007 年那份判决书 Borland & Taylor, “Rainbow Color Map (Still) Considered Harmful”, IEEE CG&A 27(2), 2007。三条指控:亮度非单调、感知步长不等、在连续场里制造数据中不存在的边界(伪等值线)。这三条都是真的,机制也很干净——rainbow 在青→黄段亮度陡升,读者会把一次亮度跳变读成一次数值跳变。
二、【隐式】机制:色阶是一次编码,编码误差是「等步长不等感」 如果 colormap 是感知均匀的,相邻两色块「看起来差多少」应正比于「数据差多少」。rainbow 不满足。后果不是「不好看」,是读者在图上做的比较运算(A 比 B 大多少、哪个是极值)产生系统偏差——方向一致、可重复,所以它不会被随机误差平均掉。这也是它比「丑」严重得多的原因。
三、【细微】2018 年那次反证:7,500 张众包图 Liu & Heer, “Somewhere Over the Rainbow: An Empirical Assessment of Quantitative Colormaps”, IEEE TVCG 24(12), 2018。他们做了大规模众包判断实验(约 7,500 个图形/被试判断),结果与强共识相反:rainbow 在若干任务上并不输给 viridis,某些任务上更好。为什么?因为「感知均匀」优化的是数值估计;而真实任务常常是找极值、找类别、找离群点——这些要的是可区分的锚点,不是等步长。 这不动摇 Borland 的机制,但动摇了「rainbow 一律有害」的强度:从「有害」降级为「在特定任务上有条件可用」。必须承认 caveat——众包被试、合成数据、无领域语义。所以它不是翻案,是降级。
四、【极难发现】「感知均匀」是一个观察者模型,不是一个事实 CIELAB / CAM02-UCS 这些空间是在什么条件下标定的?2° 视角、中央凹、明视觉、标准观察者、标准光源。而你的图在投影仪上、在 PDF 里缩到 3cm、被色觉异常者看、被黑白打印。约 8% 的北欧裔男性有红绿色觉异常(女性约 0.5%)——rainbow 的红-绿段在他们眼里直接塌缩成一段。这不是偏好问题,是仪器在特定被试群体上失效。
【流程节点链路】原始数值 → 色阶映射(把标量压进三维色彩空间的函数)→ 渲染与介质(屏幕 gamma、投影、黑白打印)→ 观察者模型(CIE 标准观察者 vs. 你的真实读者)→ 感知量 → 读者在图上执行的比较/排序/找极值 → 结论。这条链上每一环都有误差,而「改用 viridis」只优化了第二环。
五、那到底怎么办:默认值 ≠ 测量 Devil’s advocate 的诚实版本:反彩虹规则之所以值得保留,不是因为它对,是因为它便宜。绝大多数人不会为一张图跑被试实验,一条「默认别用 rainbow」的先验能挡住最坏情况;而亮度单调这一条(viridis 满足、rainbow 不满足)还额外买了「黑白打印/复印仍可读」的保险。 但规则和测量是两回事。当这张图要承载一个决策——基金评审的趋势图、临床阈值图、政策曲线——你就欠一次校准:同一份数据用两三种色阶各渲一版,找 3 个不知道假设的同事做同一个判断任务,看结论稳不稳。这叫 visualization validation,成本大概半小时。
六、留给下一轮的辩论 如果一条可视化规则从未在你的任务、你的读者、你的介质上被检验过,它算证据,还是只是品味穿上了实验的外衣?我倾向:它是一条先验。先验应该被写下来(「我用 viridis 是因为默认安全,不是因为我测过」),而不是被伪装成结论。







0 Comments