Uso más efectivo del color en mapas de calor / contorno

Es bastante común usar mapas de calor / contorno cuando se presentan hallazgos de EEG de frecuencia de tiempo. El esquema de color elegido a menudo (y uno que me gusta y uso) es el esquema de color "jet" (ver, por ejemplo, EEG de frecuencia de búsqueda de imágenes de Google ). Me pregunto si hay mejores esquemas de color para presentar estos gráficos y / o pautas para la presentación de dichos mapas.

por ejemplo, de la biblioteca base R

#Volcano
x <- 10*(1:nrow(volcano))
y <- 10*(1:ncol(volcano))
image(x, y, volcano, col = terrain.colors(100), axes = FALSE)

# With Jet colours
jet.colors <-  colorRampPalette(c("midnightblue","blue", "cyan","green1", "yellow","orange","red", "darkred"), space="Lab")
image(x, y, volcano, col = jet.colors(100), axes = FALSE)

Los mapas de colores del arco iris , como se los llama a menudo, siguen siendo populares a pesar de las ineficiencias perceptivas documentadas. Los principales problemas con los mapas de colores del arco iris (y otros mapas espectrales) son:

• Los colores no están en un orden perceptual.
• La luminancia rebota: nuestros ojos son principalmente barras para la luminancia, no conos para el color.
• Vemos matices categóricamente
• Las tonalidades a menudo tienen presencias desiguales (p. Ej., Verde ancho y amarillo estrecho)

En el lado positivo:

• Los temas espectrales tienen alta resolución (valores de color más distinguibles en la escala)
• Hay seguridad en los números; tales temas siguen siendo bastante comunes

Vea el Mapa de colores del arco iris (aún) considerado nocivo para la discusión y las alternativas, incluida la radiación del cuerpo negro y la escala de grises.

Si un esquema divergente es adecuado, me gusta el esquema perceptualmente uniforme de frío a calor derivado por Kenneth Moreland en su artículo, Mapas de colores divergentes para visualización científica . Este y otros esquemas se comparan con imágenes en el wiki de ParaView , aunque con una perspectiva de colorear una superficie tridimensional, lo que significa que el esquema de color tiene que sobrevivir a los efectos de sombreado.

Publicación de blog reciente con más enlaces y alternativas de Matlab: Rainbow Colormaps: ¿para qué sirven? ¡Absolutamente nada!

Recomendación : Primero intente en escala de grises u otro gradiente monocromático. Si necesita más resolución, intente con radiación de cuerpo negro. Si los extremos son más importantes que los valores medios, intente un esquema divergente con gris en el medio, como el esquema de frío a cálido.

Imágenes de la página wiki de ParaView:

Arco iris:

Escala de grises:

Cuerpo negro:

De frío a cálido:

Estoy de acuerdo con @xan sobre las ineficiencias de los mapas de colores del arco iris. Aquí hay otro artículo que muestra que los mapas de colores del arco iris / categóricos son sustancialmente peores que los divergentes para tareas cuantitativas, de InfoVis '11:

• Michelle Borkin, Krzysztof Gajos, Amanda Peters, Dimitrios Mitsouras, Simone Melchionna, Frank Rybicki, Charles Feldman y Hanspeter Pfister. 2011. Evaluación de visualizaciones de arterias para el diagnóstico de enfermedades del corazón. IEEE Transactions on Visualization and Computer Graphics 17, 12 (diciembre de 2011), 2479-2488. DOI = 10.1109 / TVCG.2011.192 Enlace a PDF, diapositivas e imágenes.

Lo único para lo que los mapas de colores del arco iris / categóricos son buenos es mostrar valores separados de variables categóricas. Sin embargo, los colores que elijas importan. Si necesita una escala categórica, consulte este excelente artículo de CHI '12 que utiliza el conjunto de datos de la encuesta XKCD que habla sobre cómo percibimos las diferencias de color. Le permite calificar una escala de colores según lo bien que los humanos perciben las diferencias. ¡Su analizador de paleta de colores basado en la web también le permitirá evaluar su propia escala de colores!

• Jeffrey Heer y Maureen Stone. 2012. Modelos de nombres de colores para selección de colores, edición de imágenes y diseño de paletas. En Actas de la Conferencia SIGCHI sobre Factores Humanos en Sistemas de Computación (CHI '12). ACM, Nueva York, NY, EE. UU., 1007-1016. DOI = 10.1145 / 2207676.2208547 Enlace a PDF, demostraciones en línea, etc.