一种基于LMS加权的残差补偿光谱降维模型研究

目的在PCA算法的基础上提出一种基于LMS锥响应加权的残差补偿光谱降维模型。方法介绍以LMS为加权函数对源光谱加权以及用残差光谱对模型补偿的基本框架。以Munsell色卡作为训练样本,以多光谱图像和SG色卡为检测样本,用文中算法与主成分分析算法分别对其进行降维、重构。结果在不同维数下,采用文中算法重构都具有较高的色度精度,该算法有效提高了主成分分析算法的色度精度,且在变光源情况下仍具有较高的色度稳定性。结论该降维算法采用LMS加权并对残差光谱补偿是一种精度较高的光谱降维模型。     

修改LMS加权特性的PCA空间内光谱色域映射模型

目的针对跨媒体光谱颜色复制中不同颜色媒介光谱色域不一致的问题,在LMS-PCA光谱空间下构建一种修改LMS加权特性的PCA空间内光谱色域映射模型。方法利用调整后的修改LMS加权函数对高维光谱数据进行加权,采用主成分分析法提取其加权光谱的前3个主成分,用以构建LMS-PCA光谱链接空间。在LMS-PCA空间内引入分区成熟SMGBD算法描述设备的光谱色域,对超出设备光谱色域的图像颜色点进行LSLINce Lmax色域压缩以映射到设备光谱域内,LSLINce Lmax色域压缩基于传统LSLIN算法优化得到。结果新模型相比于利用其他色域映射方向的光谱色域映射模型,以及普通加权视觉特性的PCA空间内光谱域映射模型,拥有更高的光谱精度和色度精度,且在变观察环境下具有稳定的色差精度。结论修改LMS加权特性的PCA空间内色域映射模型能够基本解决变观察环境下,不同颜色媒介光谱色域不一致的问题,具有较好的实用性。     

一种基于宽度学习的高精度光谱重建方法

目的 研究一种更有效的光谱重建方法,以提升光谱重建的精度。方法 文中提出一种基于宽度学习的光谱重建方法,以包含1 269个色块的孟塞尔亚光数据集和包含289个色块的Agfa IT8.2数据集为实验样本,利用商用彩色数码相机的模拟系统对所提方法进行验证,以光谱均方根误差、光谱拟合优度系数和2种色差公式为算法评价指标,并与现有的光谱重建方法进行了对比。结果 实验结果表明,该方法可实现的平均均方根误差低至0.4%,平均光谱拟合优度系数达到99.9%,平均色差低至0.147和0.112,光谱精度和色度精度都明显优于其他2种方法。结论 基于宽度学习的光谱重建算法可以有效地提高光谱重建的精度,能够实现更高精度的光谱颜色表征和再现的要求。     

同色异谱黑在光谱降维中的应用研究

目的研究同色异谱黑在光谱降维中的应用。方法基于同色异谱黑光谱特性提出MBPCA光谱降维法。该方法将颜色光谱分解为基本光谱和同色异谱黑光谱,基本光谱的基向量由原始光谱通过PCA法得到的前3个基向量构成,原始光谱与基本光谱之间的残余光谱作为同色异谱黑光谱,其基向量由残余光谱通过PCA法推导。结果当降维光源与实际光照光源一致时,只要基向量数目超过3个,其低维模型的色度精度皆为0,当用6个基向量重构光谱时,在4种标准光源下的平均色差接近于1。结论 MBPCA法与PCA法相比,其光谱重构精度与PCA法接近,色度精度比PCA法有明显提高,其六维模型能有效满足光谱颜色复制的需要。     

基于点集模型的LabPQR空间光谱色域映射算法

目的 针对色度色域映射中出现的同色异谱现象, 提出一种基于点集模型的光谱域映射算法。方法 以设备采样样本为基础, 在LabPQR空间内构造色度色域和PQR色域, 以此描述光谱色域; 采用分级映射方法, 在Lab和PQR等2个子空间内对目标光谱依次判断并进行映射。结果 以munsell 1269个色块为检验样本进行试验, 结果显示： 提出算法色度误差为1.0779, 光谱误差为5.12%。结论 提出算法能够有效降低同色异谱现象, 并拥有较高的光谱输出精度, 映射之后的结果能够满足在多种光源下与目标的视觉匹配。     

基于密度的凹版专色叠印色光谱预测模型的研究及应用

目的 建立一种基于密度与光谱反射率关系的专色叠印色光谱预测模型。方法 首先建立前景色、后景色密度与其光谱反射率关系;基于此建立叠印色光谱反射率的计算方法;其次对模型进行优化,完成专色叠印色光谱预测模型的建立;再通过凹版印刷实打样30张专色叠印色样张,基于Malab利用色差以及拟合决定系数R²对预测模型进行验证;最后在相同工艺条件下实打样专色叠印色样张进行预测,通过色差完成对模型的精度检验。结果 验证表明,不同专色叠印色在同一网点面积率下与其对应的前景色、后景色密度之间存在较强相关关系,其拟合决定系数R²均大于0.9;模型精度检验中,73.7%的模型预测值与样张实测值色差为0~2.5个CIE1976色差单位,大部分色块色差为0~2个CIE1976色差单位,占总频率的60.54%,整体平均色差为1.92个CIE1976色差单位。结论 本文所建模型具有较高的预测精度,能基本满足对颜色预测的需求。     

基于权重因子的光谱配色的研究

目的研究专色油墨的配色方法。方法在K-M理论的基础上,结合光谱配色法,引入权重因子,推导得出胶印油墨的配色模型。通过计算目标色块与匹配色块的色差对配色模型进行验证。结果验证色块的色差均小于6,符合忠实复制的要求。结论采用此种方法建立的模型精度较高,可用于配色。     

基于视觉特性的LCD显示器光谱特征化方法

目的实现LCD显示器RGB颜色空间到颜色光谱高效的特征化。方法利用主成分分析法对光谱数据进行降维处理以及借助RBF神经网络研究输入变量数据范围、视觉加权函数和颜色数量对特征化模型的精度影响。结果主成分个数为6时可以很好地保留光谱原来的信息;输入变量范围为0到2.55,CIE1931视觉函数作为加权函数,颜色数量为364时特征化精度高,客观验证99个颜色转换的平均色差为0.36,最大色差为1.59,总样本的平均色差为0.17。结论输入变量数据范围对模型影响最大,视觉加权函数和颜色数量次之,因此在特征化时要考虑输入变量范围、视觉加权函数和颜色数量,这样可以提高模型的精度。文中提出的模型是一种精度较高的特征化模型,具有一定实际应用价值。     

不同算法模型对光谱重构精度的影响

目的研究光谱颜色复制中原稿图像的光谱信息,并对目标色的光谱反射率进行重构,探究影响重构光谱精度的因素。方法通过选取Munsell Color Matt(1269色块)和Color Checker Classic(24色块)2种色卡作为光谱反射率数据样本,建立不同的主成分分析线性重构模型,选取不同的基向量个数分别重构光谱,并对其精度进行评价,取Classic色卡模拟多光谱图像中重建光谱反射率的目标色,研究比较光谱重构模型和基向量数目对重构精度的影响。结果实验表明,降维模型1最终恢复的数据在RMSE,GFC和色差上均优于模型2,随着基向量数目的增加,2种降维模型差距在减小,当基向量数目达到13以后,2种模型基本没差异。结论文中提到光谱重建模型1和7个基向量是重构光谱图像的最佳方案。     

基于模拟退火算法优化BP神经网络的色彩空间转换

目的研究基于模拟退火算法优化BP神经网络对喷墨打印机色彩空间转换预测准确性的方法。方法通过数据归一化处理、模拟退火算法优化BP神经网络的权值和阈值,以获取它们的全局最优解,再用BP神经网络法进行色差预测。结果模拟退火算法优化BP神经网络预测模型测试15次得到色块平均色差达到2.3067,最小平均色差达到0.7892。结论该方法优化BP神经网络精度非常高,对喷墨打印机色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。