Rozdział monografii: `Bazy Danych: Struktury, Algorytmy, Metody

Transkrypt

Rozdział monografii: 'Bazy Danych: Struktury, Algorytmy, Metody', Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red.), WKŁ 2006
Rozdział 15
w
Analiza histogramów dla realizacji zapytań
w graficznych bazach danych
w
da
.b
w
Streszczenie. Wzrost ilości danych multimedialnych przechowywanych
w systemach bazodanowych wymusza opracowywanie nowych metod ich
przetwarzania. Wyszukiwanie oparte o dane tekstowe, wprowadzone przez
użytkownika w momencie wstawiania plików multimedialnych do bazy, jest
dalece niewystarczające. Rozdział prezentuje podejście dotyczące realizacji
pewnych zapytań dla danych graficznych. Zaprezentowano metody realizacji
zapytań na podstawie zawartości danych graficznych, poprzez porównywanie
histogramów kolorów dla obrazów.
1 Wstęp. Zapytania w multimedialnych bazach danych
pl
s.
Metody manualnego wprowadzania danych tekstowych opisujących obiekt multimedialny
jest dalece niewystarczająca i nieefektywna. Wynika to z kilku powodów. Po pierwsze, dane tego typu mają charakter złożony, stąd trudność w precyzyjnym ich opisie. Przeszukiwanie opisów tekstowych dotyczących plików multimedialnych samo w sobie stanowi trudność, ponieważ do opisu takich plików poszczególni użytkownicy mogą wykorzystywać
różnorodne słownictwo. Wymusza to konieczność stosowania słowników przechowujących
zbiory określeń opowiadających za charakteryzowanie poszczególnych cech obiektu. Niezbędne jest jednak nieustanne uzupełnianie słowników o nowe elementy, ponieważ nowo
wprowadzone dane zwierać mogą cechy, których precyzyjne określenie wymagać będzie
szerszego zasobu słów. Co więcej, zachodzić może sytuacja, w której aktualnie wykorzystywane elementy słownika wymagać będą dookreślenia, ze względu na konieczność
bardziej precyzyjnego kategoryzowania obiektów. Operacja taka pociąga za sobą konieczność ponownego przeglądnięcia wszystkich dotychczas wprowadzonych plików multimedialnych i powtórnego ustalenia ich opisów. Manualne wykonanie takiej czynności byłoby
z jednej strony niezwykle czasochłonne i kosztowne, szczególnie przy dużych zbiorach danych, z drugiej strony wymuszałoby czasowe wyłączenie systemu lub jego funkcjonowanie
w formie nie do końca spójnej, aż do czasu ukończenia całego uaktualnienia. Poza tym,
gdyby zaistniała konieczność wykonywania zapytań w oparciu o inne cechy plików, naleMieczysław Drabowski: Politechnika Krakowska, Samodzielne Laboratorium Informatyki
Technicznej, ul. Warszawska 24, 31-155 Kraków, Polska
email: [email protected]
Krzysztof Czajkowski, Politechnika Krakowska, Zakład Technologii Informacyjnych,
ul. Warszawska 24, 31-155 Kraków, Polska
email: [email protected]
(c) Copyright by Politechnika Śląska, Instytut Informatyki, Gliwice 2006
M. Drabowski, K. Czajkowski
w
żałoby stworzyć nowe słowniki oraz powtórnie skategoryzować obiekty. Takie tworzenie
opisów do obiektów multimedialnych jest wysoce nieefektywne.
Znacznie lepsze wyniki dają metody zautomatyzowanej ekstrakcji cech. Istnieją dwie
możliwości, każda posiadająca zarówno zalety, jak i wady. Obiekt może podlegać procesowi opisywania w momencie, gdy jest wstawiany do bazy. Wydłuża to proces wprowadzania
obiektu do systemu. Rozwiązanie to nie powoduje jednak opóźnienia podczas wyszukiwania danych, ponieważ w procesie wyszukiwania bazuje się tylko i wyłącznie na danych
alfanumerycznych. Wadami są natomiast, poza dodatkowym czasem przy wprowadzaniu,
konieczność ponownego przetwarzania całego zbioru danych w przypadku, gdy rozszerzonych lub uszczegółowiony zostanie słownik wykorzystywany do ich charakteryzowania.
Również dodanie nowego słownika i w ten sposób rozszerzenie możliwości wyszukiwania
pociągać będzie za sobą wykonanie takiego czasochłonnego procesu.
Druga możliwość zakłada wstawianie danych do bazy bezpośrednio, bez dodatkowej ich
analizy. Dane są analizowane dopiero w chwili wykonywania zapytania. Skraca się wtedy
czas wprowadzania danych. Znacznemu wydłużeniu ulega natomiast czas realizacji zapytań. Jednak rozwiązanie to posiada jeszcze jedną, istotną zaletę. Nie jest mianowicie obarczone ograniczeniami wynikającymi z wykorzystywanie słowników o wciąż rosnącej liczbie elementów. Nie wymaga się wówczas czasochłonnej analizy zbiorów w przypadku ich
modyfikacji.
da
.b
w
w
2 Realizacja zapytań dla danych graficznych
pl
s.
Bez względu na to, którą z metod realizacji zapytań dla zbiorów danych multimedialnych
się wybierze, oczywistym jest, iż musi być ona zautomatyzowana. Dlatego też niezbędne są
algorytmy umożliwiające ekstrakcję konkretnych cech. Nie wydaje się możliwe stworzenie
w pełni uniwersalnego systemu wyszukiwania danych multimedialnych. Nawet w obrębie
jednego medium, np. obrazu, system ogólnego przeznaczenia może mieć ograniczone zastosowania. Można wyróżnić tylko pewną liczbę cech, które mogą mieć znaczenie bez
względu na przeznaczenie konkretnej aplikacji: wymiary obrazu, liczba kolorów itp. Bardziej zaawansowane zastosowania wymuszają konstruowanie metod specjalizowanych [6].
Obok podstawowych danych dotyczących pliku graficznego, bardzo istotną rolę mogą odgrywać informacje o kształtach występujących na obrazie. Jednak algorytmy wykorzystywane w tym podejściu są jeszcze dalekie od doskonałości. Nadają się raczej do rozpoznawania kształtów elementarnych niż do zastosowań, w których obrazy przestawiają obiekty
złożone lub występują problemy oświetlenia, cieni itp. Analizowanie fotografii, które nie
zostały uprzednio przygotowane (np. poprzez usunięcie tła, obiektów zbędnych) jest zagadnieniem trudnym [7]. Istniejące algorytmy są stosunkowo powolne i w przypadku dużych
zbiorów danych nie są w stanie sprostać wymaganiom użytkowników, więc nadają się bardziej dla systemów weryfikacji (np. kontrola dostępu) niż do wyszukiwania w dużych bazach.
Znacznie lepsze efekty, jeżeli chodzi o efektywność wyszukiwania przy dużej liczbie
obrazów, można uzyskać wykorzystując jako cechę charakteryzującą poszczególne obrazy
ich kolor. Jednak sam procentowy udział średnich wartości kolorów w obrazie niesie ze sobą ilość informacji niewystarczającą do identyfikacji złożonych, wielobarwnych zdjęć.
Rozwiązaniem w znacznym stopniu poprawiającym skuteczność jest wykorzystanie histogramów kolorów.
146
Analiza histogramów dla realizacji zapytań w graficznych bazach danych
3 Histogramy dla realizacji zapytań
3.1 Histogram
w
Histogram tworzony jest poprzez zliczanie ilości pikseli o poszczególnych kolorach reprezentując w ten sposób częstości ich występowania w obrazie. Formalnie, histogram można
zdefiniować jako [9]:
hA,B ,C (a, b, c) = N ⋅ Prob( A = a, B = b, C = c)
(1)
da
.b
w
w
gdzie: A, B, C oznaczają trzy składowe w modelu kolorów (R, G, B lub H, S, V), natomiast N reprezentuje liczbę pikseli w obrazie.
Histogram koloru może być traktowany, jako zbiór wektorów. Dla obrazów w skali szarości są to wektory dwuwymiarowe. Jeden wymiar podaje wartość poziomu szarości, drugi
natomiast prezentuje liczbę pikseli o danym poziomie szarości. Dla obrazów wielobarwnych, histogram składa się z wektorów czterowymiarowych (4-D). Czyni to histogram trudnym do wizualizacji. Możliwe jest zaprezentowanie trzech osobnych histogramów, dla każdej składowej koloru (w danym modelu, np. RGB) z osobna. Przy niedużej liczbie kolorów
występujących w obrazie, lub jeśli obraz został skwantowany, na jednej osi można podać
bezpośrednio wartości kolorów.
Przykład histogramu prezentującego zawartość procentową poszczególnych kolorów dla
jednego z obrazów Claude Moneta [11], przedstawiono poniżej (rys. 1).
3.2 Wykorzystanie histogramu
pl
s.
Rys. 1. Histogram po kwantyzacji do ośmiu kolorów
Algorytm wykorzystania histogramów w procesie porównywania obrazów może wyglądać następująco [10]:
1) Wybór przestrzeni kolorów
2) Kwantyzacja przestrzeni kolorów
3) Obliczanie histogramów
4) Wyznaczenie funkcji odległości histogramów
Każdy z tych etapów może mieć decydujące znaczenie dla skuteczności tego podejścia.
Istnieje kilka problemów związanych z wyszukiwaniem opartym o wykorzystanie histogramów. Zaliczyć do nich należy kwestię dużej liczby wymiarów dla histogramów kolorów. Nawet zakładając wysoki poziom kwantyzacji przestrzeni kolorów, przestrzeń cech
histogramu kolorów może zajmować ponad 100 wymiarów w rzeczywistej przestrzeni wartości [10]. Tak duża wymiarowość powoduje, że niezbędne jest implementacja mechaniz147
w
mów redukcji cech, wstępnego filtrowania oraz hierarchicznego indeksowania. Konsekwencją wielkiej liczby wymiarów jest zwiększenie złożoności obliczeniowej przy wyznaczaniu funkcji odległości. W szczególności utrudnia to wyznaczenie krzyżowych funkcji
odległości, które zawierają postrzegalną odległość pomiędzy elementami histogramu [9].
Ze względu na fakt, że zazwyczaj obrazy charakteryzują się dużą ilością kolorów, niezbędne jest przeprowadzenie procesu kwantyzacji. Przestrzeń barw dzielona jest na równe części i wszystkim kolorom wchodzącym w skład poszczególnych części przypisywany jest jeden (średni) kolor. Uzyskuje się w ten sposób uproszczenie obliczeń, traci się natomiast
pewną część informacji.
Model RGB jest najbardziej rozpowszechnionym modelem kolorów dla fotografii. Niestety ta przestrzeń kolorów nie jest jednolita. Aby uzyskać dobrą reprezentację kolorów
w obrazie poprzez jednolite próbkowanie przestrzeni RGB, niezbędne jest wybranie rozmiaru kroku kwantyzacji wystarczającego, żeby zasadniczo różnym kolorom nie była przyznawana ta sama barwa. Wadą jest tworzenie większego zbioru barw niż jest to konieczne.
Zwiększa to ilość elementów histogramu obniżając wydajność procesu wyszukiwania. Histogramy o dużym rozmiarze stają się zbyt złożone obliczeniowo, szczególnie przy dużej
liczbie obrazów.
Przestrzeń barw HSV charakteryzuje się większą jednolitością, ponieważ nawiązuje do
sposobu, w jakim widzi ludzki narząd wzroku, gdzie wszystkie barwy postrzegane są jako
światło pochodzące z oświetlenia. Według tego modelu wszelkie barwy wywodzą się
z światła białego, gdzie część widma zostaje wchłonięta a część odbita od oświetlanych
przedmiotów. Model jest rozpatrywany jako stożek, którego podstawą jest koło barw. Kolory są w tej przestrzeni charakteryzowane poprzez trzy parametry: H – częstotliwość
światła (ang. Hue) wyrażona kątem na kole barw, S – nasycenie koloru (ang. Saturation) jako promień podstawy oraz składowa V – (ang. Value) oznaczana również przez B – moc
światła białego (ang. Brightness) jako wysokość stożka. Taki opis jest korzystny, ponieważ
proces kwantyzacji nie powoduje błędnego przypisywania kolorów. Ponadto uzyskuje się
zmniejszenie niekorzystnego wpływu oświetlenia, ponieważ obszary jasno oświetlone i zacienione są zazwyczaj izolowane w składowej V. Problem może jednak stanowić nieliniowość transformacji RGB->HSV i HSV->RGB.
Istnieje kilka metod wyznaczania podobieństwa pomiędzy histogramami kolorów. Techniki porównywania rozkładu prawdopodobieństwa nie są odpowiednie do tego zastosowania. Jest to spowodowane faktem, że o podobieństwo jest determinowane poprzez postrzeganie wizualne a nie bliskość rozkładów prawdopodobieństwa. Do wyrażeń umożliwiających wyznaczenie podobieństwa w oparciu o postrzeganie zawartości koloru zaliczyć można odległość euklidesową, przecięcie histogramów, odległość kwadratową (krzyżową) [9].
Odległość euklidesowa pomiędzy dwoma histogramami h i g:
da
.b
w
w
pl
s.
(2)
W tym przypadku następuje tylko porównanie pomiędzy odpowiadającymi sobie elementami w obu histogramach. Brak jest w tym podejściu porównywania krzyżowego, chociaż różne elementy histogramu mogą przecież reprezentować podobne kolory. Wszystkie
elementy są traktowane w równy sposób.
Przecięcie histogramów h i g można wyznaczyć jako:
(3)
148
gdzie |h| i |g| wyrażają rozmiar każdego histogramu, który jest równy ilości elementów
(próbek). Kolory, które nie występują w obrazie podawanym jako przykładowy do porównania, nie są brane pod uwagę podczas wyznaczania odległości. Redukuje to wpływ kolorów tła. Suma jest normalizowana przez histogram z mniejszą liczbą próbek.
Dystans kwadratowy obliczany jest z wyrażenia:
(4)
w
Brane są w tym przypadku pod uwagę krzyżowe zależności pomiędzy elementami histogramów w oparciu o podobieństwo perceptualne reprezentowanych przez nie kolorów.
Zbiór wszystkich krzyżowo korelowanych wartości jest reprezentowany jako macierz A
(macierz podobieństwa). Jej element aij, dla przestrzeni RGB, jest następujący:
w
(5)
gdzie dij jest odległością L2 pomiędzy kolorami i oraz j w przestrzeni RGB. Natomiast
dla przestrzeni HSV:
w
(6)
Co odpowiada bliskości w przestrzeni kolorów HSV.
da
.b
4 Wykorzystanie histogramów
4.1 SQL/MM
pl
s.
SQL/MM jest rozszerzeniem języka SQL opartym na obiektowych typach SQL. Dzięki temu funkcjonalność bibliotek jest w sposób naturalny dostępna z poziomu poleceń języka
SQL, np. poprzez wywołania metod bibliotecznych typów obiektowych w wyrażeniach języka SQL [13].
W ramach standardu SQL Multimedia (SQL/MM) utworzona została osobna część
SQL/MM Part 5: Still Image, która miała na celu ujednolicenie metod przechowywania,
manipulowania i wyszukiwania danych graficznych [12]. Do przechowywania obrazów
zdefiniowany jest w ramach standardu specjalny typ danych SI_StillImage, który zawiera,
obok samego obrazu, zestaw funkcji przeznaczonych do manipulowania plikiem i uzyskiwania podstawowych informacji na jego temat. Dodatkowo zdefiniowany został interfejs
dla przeszukiwania w oparciu o zawartość pliku. Funkcje wchodzące w jego skład umożliwiają wyszukiwanie poprzez: średni kolor, położenie koloru, teksturę oraz histogram koloru [6].
Możliwe jest tworzenie zapytań, wykorzystujących składnię języka SQL oraz funkcje
SQL/MM, wyszukujące obrazy podobne do przykładowego.
Typ SI_StillImage, tak jak pozostałe typy, które reprezentują obrazy, posiada metodę
SI_Score. Metoda ta służy do wyznaczania odległości pomiędzy danymi obrazami, pod kątem danej własności (w rozpatrywanym przypadku – histogramu). Odległości może przyjmować wartość 0 lub wartości dodatnie. Wartość 0 oznacza, że obrazy są identyczne, pod
kątem zadanego kryterium. Większa wartość oznacza większą różnicę między obrazami
[13].
149
Poniższy przykład zawiera polecenie tworzące tabelę, w której do przechowywania
obrazów wykorzystano typ SI_StillImage, oraz polecenie znajdujące wszystkie obrazy, dla
których wartość wyliczona przez funkcję SI_Score jest mniejsza od 1.1. Funkcja użyta
w klauzuli WHERE polecenia SELECT, SI_findClrHstgr wyznacza histogram dla obrazu
(typu SI_StillImage), w postaci wartości typu SI_ColorHistogram na które wykonywana
jest metoda SI_Score wyznaczająca odległość pomiędzy histogramami dwóch obrazów.
w
CREATE TABLE tab_obrazy
(obraz_id NUMBER(10),
obraz_nazwa VARCHAR2(40),
obraz SI_StillImage);
w
SELECT obraz_nazwa FROM obrazy
WHERE SI_findClrHstgr((SELECT obraz FROM tab_obrazy
WHERE obraz_id = 1)).SI_Score(obraz) < 1.1
4.2 MPEG-7
da
.b
w
Problemem pozostaje interpretacja wartości progowej. Jej ustalenie jest sprawą kluczową,
a odbywa się metodą prób i błędów.
Właściwości obrazu, takie jak histogram, mogą być wyliczane online w sytuacji, gdy porównujemy obraz przykładowy z pozostałymi obrazami. Możliwe jest również ich przechowywanie w bazie w kolumnach odpowiednich typów np. SI_ColorHistogram dla histogramów kolorów.
Standard SQL/MM jest częściowo realizowany w niektórych rozwiązaniach komercyjnych, ale implementacja nie jest pełna, a sposób posługiwania się interfejsem jest często
odmienny.
pl
s.
MPEG-7 jest standardem definiującym język opisu zawartości obiektów multimedialnych.
Standard składa się z siedmiu części: Systems, Description Definition Language, Visual,
Audio, Multimedia Description Schemes, Reference Software oraz Conformance. Językiem
opisu deskryptorów jest XML a językiem definiowania ich składni jest XML Schema.
W standardzie tym, koloru mogą być stosowane w wyszukiwaniu zarówno obrazów jak
i sekwencji video. Przewidziano cały szereg deskryptorów umożliwiających określenie podobieństwa [15]. Jednym z nich jest SCD (Scalable Color Descriptor) opisujący rozkład kolorów w obrazie. W MPEG-7 histogram kolorów otrzymywany jest dla przestrzeni kolorów
HSV. W domyślnym ustawieniu przeprowadzana jest jednorodna kwantyzacja do 255 elementów. Zależnie od potrzeb możliwe jest otrzymanie reprezentacji przy kwantyzacja
w zakresie od 16 elementów (dla reprezentacji przybliżonej) do ponad 1000 elementów (dla
zastosowań wymagających dużej precyzji). Histogram kodowany jest z wykorzystaniem
dyskretnej transformaty Haara.
Innym deskryptorem wykorzystywanym w ramach tego standardu jest GoF/GOP (Group
-of-Frames/Group-of-Pictures). Definiuje on struktury niezbędne do reprezentacji
charakterystyki zbiorów podobnych obrazów lub zbiorów klatek video. Składa się on z histogramów dla grupy klatek: wartości średniej, mediany oraz części wspólnej wyznaczonych
na podstawie histogramów poszczególnych obrazów.
150
5 Przykłady implementacyjne
W rozdziale tym zaprezentowano przykłady, w której mechanizm wyszukiwania oparty jest
na zastosowaniu histogramów kolorów. Jako obiekty przedstawiane na fotografiach i następnie wyszukiwane wybrano ryby egzotyczne, ze względu na dużą różnorodność kolorystyczną. Schemat blokowy wyszukiwania przedstawiono na rys. 2.
w
da
.b
w
w
Rys. 2. Proces wyszukiwania obrazów z zastosowaniem histogramów
Podczas wstawiania obrazów do bazy przeprowadzany jest proces konwersji przestrzeni
kolorów do modelu HSV, następnie wykonywana jest kwantyzacja (rys. 3) oraz wyznaczanie histogramu i uzyskane w ten sposób dane wstawiane są do bazy. Podczas procesu wyszukiwania poprzez podanie przykładu, dla przykładowego obrazu przeprowadzany jest
analogiczny proces i wyznaczony histogram porównywany jest z histogramami umieszczonymi w bazie celem znalezienia obrazów podobnych.
pl
s.
Rys. 3. Przykładowy rysunek ryby przed i po procesie kwantyzacji kolorów
6 Podsumowanie
W rozdziale zaprezentowano metody realizacji zapytań do graficznych baz danych, które
swoje działanie opierają na porównywaniu histogramów kolorów. Ze względu na problemy
z opisem tego typu danych poprzez słowa kluczowe, automatyczne metody wyszukiwania,
w szczególności takie, które umożliwiają wprowadzanie przykładów podczas formułowania
zapytań, będą z pewnością rozwijane w przyszłości. Wyniki uzyskane w eksperymentach
z wykorzystaniem histogramów kolorów, okazały się obiecujące i stanowią motywację do
dalszych prac w tym kierunku.
151
Literatura
1.
2.
w
Brown, L., L. Gruenwald: Performing Color-Based Similarity Searches in Multimedia Database
Management Systems Augmented with Derived Images, Proceedings of the 21st British National
Conference on Databases (BNCOD), Lecture Notes in Computer Science 3112 - Key
Technologies for Data Management, Edinburgh, Scotland, 2004, p. 178-189.
Kosch H.: Multimedia Database Systems: Where are we now?, IASTED International
Conference on Databases And Applications, Innsbruck, Austria, 2005.
Stanescu L., Burdescu D. D., On-Line Software System For Content-Based Visual Query Of A
Color Medical Imagery, IADIS International Conference Applied Computing, Algarve, Portugal
2005, p. 284-294.
Brunelli R., Mich O.: On the Use of Histograms for Image Retrieval, Proceedings of IEEE
International Conference on Multimedia Computing and Systems, ICMCS 1999, Florence, Italy,
Volume II. IEEE Computer Society, 1999, p. 143-147.
Brunelli R., Mich O.: Histograms analysis for image retrieval, Pattern Recognition vol. 34:8,
2001, p. 1625-1637.
Drabowski M., Czajkowski K.: Zapytania do graficznych baz danych oparte na zawartości próba klasyfikacji, w: S. Kozielski, B. Małysiak, P. Kasprowski, D. Mrozek (red.) "Bazy Danych
- Model, technologie, narzędzia - Architektura, metody formalne, bezpieczeństwo",
Wydawnictwa Komunikacji i Łączności, Warszawa 2005, s. 241-249.
Czajkowski K., Drabowski M.: Multimedialne zapytania do baz danych, w: "Metody i systemy
komputerowe w badaniach naukowych i projektowaniu inżynierskim", Kraków 2003, s. 501506.
Drabowski M., Kafel R.,: Multimedialne bazy danych. Raport TR-CE-5/2005.
Jeong S., " Histogram-based color image retrieval," Psych221/EE362 Project Report, 2001.
Smith, J. R., and Chang, S. F.: Automated Image Retrieval Using a Color and Texture, IEEE
Transactions on Pattern Analysis and Machine Intelligence (PAMI), 1996.
http://www.owlnet.rice.edu/~elec301/Projects02/artSpy/color.html.
ISO/IEC 13249-5:2001, Information Technology – Database Languages – SQL Multimedia and
Application Packages – Part 5: Still Image. ISO, 2001.
Jankiewicz K., Wojciechowski M.: Standard SQL/MM: SQL Multimedia and Application
Packages, Materiały IX Seminarium PLOUG, Warszawa, 2004.
Kosch H.: MPEG-7 and Multimedia Database Systems, , ACM SIGMOD Record, v.31 n.2, 2002
Sikora T.: The MPEG-7 visual standard for content description - An overview. IEEE
Transactions on Circuits and Systems for Video Technology, 11(6):696-702, Jun 2001.
Avaro O., Salembier P.: MPEG-7 Systems: Overview. IEEE Transactions on Circuits and
Systems for Video Technology, 11(6):760-764, Jun 2001.
3.
4.
6.
7.
11.
12.
13.
14.
15.
pl
s.
16.
da
.b
8.
9.
10.
w
w
5.
152

Rozdział monografii: `Bazy Danych: Struktury, Algorytmy, Metody

Transkrypt

Podobne dokumenty

PALETA KOLORÓW Typ MH12 - Chod

TCPDF Example 001

Zmiana koloru tekstu

Stanowisko technik plastyk kolorysta

Paleta Kolorów - Garaże blaszane, garaże blaszaki, garaże

Papier A4 Coloraction Niebieski/Lisbon

Papier A4 Coloraction Mix pastelowy