Im heutigen Zeitalter der Digitalisierung gewinnen Daten immer mehr an Bedeutung. Beim Prozess Daten besser verstehen zu können verhelfen Visualisierungen die Datensätze anhand von mehreren Datendimensionen zu verbildlichen. Die Farbe definiert solch eine Datendimension. Um einer Farbe einen Datenwert zuzuordnen, kann anhand dieses Datenwerts und anhand einer Farbskala interpoliert werden. Da es nicht trivial ist, welche Interpolationsmethode für diesen Zweck verwendet werden kann, analysieren wir anhand der linearen Interpolation, der quadratischen B-Spline Interpolation und der quadratischen Spline Interpolation wie stark die interpolierten Werte voneinander abweichen. Des weiteren können Visualisierungen durch Beleuchtung beeinflusst werden. Durch die Wahl der Farbskala kann gesteuert werden, inwieweit die Beleuchtung die Oberfläche verfälscht. Deshalb untersuchen wir für die Farbskalen: "Divergent Moreland", "Divergent Kovesi", "Isoluminant", "Regenbogen" und "Linear", welche für diese Aufgabe am Besten geeignet ist. Zu guter Letzt wird ein Algorithmus präsentiert, der die Farbpunkte einer beleuchteten Visualisierung versucht auf ihre ursprüngliche Bedeutung zurückzurechnen. Dabei wird angenommen, dass die Farben ausschließlich in ihrer Helligkeit verfälscht werden.

Weiterführende Arbeit kann geleistet werden, indem der Einfluss weiterer Farbskalen auf eine Oberfläche, die durch eine Störquelle beeinflusst wird, ermittelt wird. Des Weiteren kann die Beleuchtung durch weitere Störquellen ausgetauscht werden. Schließlich könnte man den vorgestellten Algorithmus so erweitern, dass vollständige Datensätze aus einer Visualisierung extrahiert werden können.