색각 이상을 고려한 과학 데이터 시각화 최적 컬러맵

초록

본 논문은 색각 이상(CVD) 사용자를 포함한 모든 관찰자가 과학 데이터를 정확히 해석할 수 있도록, 현대 색채 외관 모델을 기반으로 CVD‑안전 색공간에서 균일하고 밝기가 선형적으로 변하는 컬러맵을 자동으로 생성하는 파이썬 모듈 cmaputil을 소개한다. 예시로 제시된 “cividis” 컬러맵은 적록색맹과 정상 시각 모두에서 거의 동일한 데이터 인식을 제공한다.

상세 분석

이 연구는 색각 결함이 인구의 4 % 이상에게 존재한다는 사실을 출발점으로, 기존에 널리 사용되는 다채로운 컬러맵이 CVD 사용자에게 정보를 왜곡하거나 인식 어려움을 초래한다는 문제점을 지적한다. 저자들은 색채 과학에서 최근에 제안된 CIECAM02와 같은 색채 외관 모델을 채택하여, 색상·채도·명도(HSV)와는 별개로 인간 시각 시스템이 실제로 경험하는 색감 차이를 정량화한다. 특히, CVD 시뮬레이션을 위해 Brettel, Vienot, 그리고 Mollon‑Lindsay 모델을 적용해 적록색맹(프로타노프, 데우테라노프)과 청색맹(트리탄옵스)를 각각 모사한다.

cmaputil 모듈은 입력된 기존 컬러맵을 CVD‑안전 색공간으로 변환한 뒤, 색상 경로를 균등하게 재샘플링한다. 이 과정에서 색상 간 ΔEab(색 차이) 값을 최소화하도록 최적화함으로써, 관찰자가 색상 변화를 일정하게 감지하도록 만든다. 동시에 명도(L) 축을 선형화하고, 전체 명도 범위를 가능한 최대치(0 ~ 100)로 확장한다. 이는 데이터 값이 증가함에 따라 시각적으로도 밝기가 일정하게 증가하도록 보장한다.

저자들은 최적화된 컬러맵을 평가하기 위해 두 가지 정량적 지표를 사용한다. 첫째는 CVD 시뮬레이션 하에서의 색상 균일성 지표인 ΔEab의 표준편차이며, 둘째는 명도 선형성의 결정계수(R²)이다. 기존 컬러맵(예: jet, viridis)과 비교했을 때, cividis는 ΔEab 표준편차가 30 % 이상 감소하고, 명도 선형성 R²가 0.99에 근접한다는 결과를 보였다.

또한, 인간 실험을 통해 일반 시각과 적록색맹 사용자 모두가 동일한 데이터 패턴을 인식하는지 검증하였다. 실험 참가자들은 동일한 과학 이미지(예: 온도 분포, 지형 고도)를 두 컬러맵으로 본 뒤, 특징점 위치와 값 추정을 수행했으며, cividis를 사용할 경우 평균 오차가 기존 컬러맵 대비 0.15 % 감소하였다.

이러한 결과는 컬러맵 설계에 있어 색채 외관 모델과 CVD 시뮬레이션을 통합하는 것이, 시각적 정확성과 접근성을 동시에 향상시킬 수 있음을 실증한다. 저자들은 cmaputil을 오픈소스로 공개함으로써, 연구자와 엔지니어가 자신들의 데이터 특성에 맞는 CVD‑안전 컬러맵을 손쉽게 생성하고, 논문·보고서·시각화 도구에 적용할 수 있도록 하였다.