木材染色品质在线检测装置设计

为实现木材染色生产高精度的在线检测,该文设计了一款新型在线检测装置,该装置通过计算机视觉技术获取RGB空间的实验数据集,采用分光光度计获取标准数据集然后重建光谱反射率建立模型,将RGB颜色空间映射到CIEL*a*b*颜色空间,最后分析色差进行颜色质量评价。采用标准色卡采集的标准数据作为训练样本,测试色卡作为测试样本进行实验测试,实验结果表明所设计装置具有较高的测量精度。     

一种LCD显示器颜色光谱反向特征化方法

目的为了实现颜色光谱到设备相关颜色空间的特征化。方法采用一种RBF网络和立方体等级细分相结合的方法,构建LCD显示器颜色光谱到RGB数值转换模型。结果客观验证343个颜色光谱反向转换的平均色差为0.61,最大色差为2.62。结论该模型是一种精度较高的反向特征化模型。     

印刷品质量检测颜色转换模型研究

目的研究印刷品质量检测中的颜色转换模型。方法基于色靶的测量数据,采用三维查找表法和多项式回归法,分别建立RGB与CIE L*a*b*颜色空间转换模型,并实验比较了2种算法转换模型的精度。结果三维查找表法转换模型的最大色差为3,四面体插值算法精度稍高于三线性、三棱柱和金字塔插值算法,平均色差为0.64;多项式回归算法的精度随着项数的增多而提高,20项的平均色差为2.58。结论三维查找表法转换模型精度高于多项式回归法,效果理想,能判断出CCD采集到的印刷图像是否存在色偏,且随着RGB颜色空间划分越细小,转换精度会越高。     

BCC-BP算法在RGB值到LAB值色彩空间转换中的应用

目的 为了有效克服BP神经网络算法权阈值随机选取造成的模型预测精度不高、结果输出不稳定的问题.方法 提出细菌群趋药性(BCC)算法和BP神经网络算法相结合的BCC-BP神经网络算法,采用BCC算法来选取BP神经网络初始权阈值,克服初始权阈值随机选取带来的问题,并将该算法应用到RGB到LAB色彩空间转换模型中.结果 按照国家普通印刷品的允许误差范围规定在6个标准色差单位以下的要求,在色差小于6的预测区间,基于BCC-BP算法的预测准确率达到81.07％,好于BP,GA-BP和PSO-BP算法,同时对于平均色差ΔE小于6个标准色差单位的要求,BCC-BP算法10次预测结果全部低于6.结论 采用BCC算法辅助BP神经网络进行初始权阈值的选取,可以有效提高BP神经网络模型在色彩空间转换应用中值的输出精度和稳定性.     

一种数码喷墨印花机的颜色特性化方法

目的为了提升数码印花中彩色图像的复现精度,提出一种在子空间采用遗传算法优化BP神经网络的颜色特性化方法。方法介绍遗传算法(GA)优化BP神经网络的基本原理,设计一种在L*a*b*颜色子空间建立的颜色特性化模型,并对1000个色样开展GA-BP神经网络模型训练实验,最终拟合出印花色样的L*a*b*色度值和输入的印花图像RGB驱动值之间的非线性关系。结果该方法对125个测试色样的颜色特性化预测结果显示,超过90%的色样色差分布在2.0以内,光谱均方根误差(RMSE)分布在0.02以内。结论该方法较未进行遗传算法优化BP神经网络,预测精度得到明显提升,能够达到较高的数码喷墨印花彩色图像复现精度。     

基于立方体内缩的反向颜色空间转换算法

目的提出一种基于立方体内缩的反向颜色空间转换算法,实现颜色值从CIELab颜色空间到RGB颜色空间的转换。方法选取4096组建模点和512组测试点,以三维查表插值法为理论基础,设计一种基于立方体内缩的方法逐步搜索符合条件的特征点来代替测试点,计算得到测试点反向转换后的RGB值。结果通过CIELAB 1976,CIE94和CIE2000色差公式对算法的转换精度进行评价,计算测试点的Lab值和反向转换得到RGB值对应的Lab值之间的色差。测试点的平均色差分别为2.07,1.53和0.96,大部分色差的分布范围在0~3之间,算法的转换精度较高。测试点反向转换后的结果较为理想,在绿色调区域和亮度较低的红色调区域的精度可进一步提升。结论实验结果表明此算法可精准、快速、有效地实现颜色值从CIELab颜色空间到RGB颜色空间的转换。     

基于生成对抗网络的小样本颜色空间转换方法

目的 解决基于深度学习的颜色空间转换方法需求样本量大、样本采集成本高的问题。方法 以色度学和深度学习方法为基础，提出融合多通道校正的Cor−WGAN模型，设计多阶段训练方法，在小样本条件下，学习RGB到CIELab颜色空间的转换关系。先在标准颜色空间下测试模型的转换效果，再设计非标准颜色空间仿真实验和逆转换实验，并测试模型在实际应用中的效果。结果 实验结果表明，文中提出的Cor−WGAN模型的小样本学习能力较强，在64个均匀分布样本的训练条件下就可实现较好的转换效果，转换的平均色差为1.71，最小色差达到0.16，超过90%的样本点可以达到人眼无法分辨色差的转换程度。结论 文中算法在处理小样本颜色空间转换任务方面具有明显优势，为基于深度学习的色彩管理应用提供了一种新思路。     

基于GRNN神经网络的凹印专色配色模型研究

目的针对目前专色配色的现状,建立基于GRNN神经网络的凹印专色配色模型,以实现计算机配色。方法参照孟塞尔色相环将颜色空间分区,调配专色墨色样获得训练样本,并使其均匀分布在孟塞尔色谱中。分析广义神经网络的优势和凹印专色配色的特点,尝试基于GRNN神经网络构建凹印专色配色模型。采用Matlab进行仿真训练,并借助MSE函数确定平滑因子SPREAD的值,最后用检验样本的目标色和配出色的色差来检验配色模型的精度。结果通过网络仿真,确定当SPREAD为6.4时,测试样本的MSE值最小。由此确定配色模型,配出的40组色样和目标色的平均色差值为2.45,且97.5%的样本色差值小于6。结论基于GRNN神经网络的凹印专色配色模型精度较高,可用于计算机配色。     

基于iCAM的印刷品在线颜色复制质量的检测与评价

目的为了提高印刷品在线检测中颜色复制质量评价的准确性,构建基于iCAM图貌模型的印刷品在线检测色差计算模型。方法将印刷品在线检测系统中CCD相机拍摄的待检测样张按照墨区进行分区,基于iCAM图貌模型和IPT均匀颜色空间建立在线色差检测模型,并计算样张各个墨区的色差;设计视觉心理学实验评价样张各墨区颜色的复制质量;采用STRESS值评价基于iCAM的色差检测模型计算出的色差与视觉感受色差的一致性,并与基于CIELAB的色差进行比较,验证该模型的在线色差预测精度。结果基于iCAM的色差模型计算结果具有较高的视觉一致性,更符合视觉评价结果,且与传统色差模型相比,具有更高的在线色差检测精度。结论基于iCAM的印刷品在线检测色差计算模型考虑了人眼视觉的空间特性及色适应,适用于复杂观察条件,能提高印刷品在线检测中的色差检测精度,可用于实际生产中印刷品在线颜色复制质量的检测与评价。     

基于最佳立方体细分的显示器颜色再现模型

目的建立一个显示器颜色再现模型,模型以NEC显示器为实例,实现Lab到RGB的转换。方法模型以修正的立方体细分算法为基础,通过对色域外的点进行处理,并且选定一个最佳细分等级,来平衡转换精度和算法计算量,从而实现显示器的颜色再现。结果采用CIELab色差公式[1]分析实验数据,模型转换过程平均色差为1.8068,在人的视觉可接受范围内,最大色差仅有4.6051,模型的颜色再现精度高。结论文中建立的模型可以实现显示器从Lab到RGB的准确转换。     

虚拟打样的BP神经网络模型

在色彩管理中,总是要进行色空间的转换,而这种色域变换是一个非线性的复杂过程.为了更好的实现这种转换,通过对训练方法、传递函数、隐层数及隐层单元数的比较,最后得出一个较理想的CMYK到Lab色空间转换的BP神经网络模型.     

关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究

以RGB与CIEL*a*b*颜色空间转换为例,采用径向基函数(RBF)神经网络,研究了颜色值在不同颜色空间之间的转换。利用基本采样数据集建立了颜色空间转换RBF网络模型,并通过增加样本数据,采用动态规划颜色子空间的方法,提高了模型转换精度。研究结果显示,该方法的转换速度和精度都优于基于动态子空间自动划分的BP神经网络颜色空间转换方法。     

RBF神经网络在显示器色空间转换中的应用

目的研究RBF神经网络对显示器色彩空间转换预测准确性的方法。方法通过编程借助Measure Tool软件自动测量获取建模和测试数据,通过反复测试选择建模合适的函数和参数,最后用RBF神经网络模型进行仿真实验,以获取较好的RGB转换到Lab色空间的转换模型。结果 RBF神经网络模型测试得到的色块平均色差达到0.75,最大色差达到19.7。结论该方法建模简单方便,网络训练速度快,转换精度高,对显示器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。     

基于BP神经网络的CMYK到L*a*b*颜色空间转换模型

由于BP神经网络不需要充分的理论根据,利用色靶的大量数据,通过BP神经网络,建立了CMYK到L*a*b*色空间的转换关系,并评价了模型精度。研究结果表明:BP神经网络用于CMYK到L*a*b*颜色空间转换,计算速度快,转换精度较高。     

广义回归神经网络在显示器颜色空间转换中的应用

目的 研究广义回归神经网络对显示器色彩空间转换预测准确性的方法。方法 通过编程, 借助MeasureTool软件自动测量, 获取建模和测试数据, 通过反复测试选择建模合适的参数, 并用广义回归神经网络模型进行仿真实验, 以获取较好的RGB-Lab色空间转换模型。结果 经广义回归神经网络模型测试, 得到色块平均色差达到2.5275, 最大色差达到19.3620。结论 该方法建模简单方便, 网络训练速度快, 转换精度高, 对显示器颜色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。     

遗传算法优化 BP 神经网络的显示器色彩空间转换

目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器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。     

基于分区的 RBF 神经网络颜色空间转换模型的研究

根据 CMYK 颜色空间的特点,对其进行了分区处理,利用 RBF 神经网络最佳逼近性能、全局最优特性和高度非线性转换的优势,构建了基于 RBF 神经网络每个颜色空间分区转换的正向和反向模型。 通过训练样本建模和测试仿真实验,并对最后的实验数据分析处理,最终获得了一个较好的神经网络模型,并且模型的精度非常高。     

Giant Magnetoimpedance Effect: Concept and Prediction in Amorphous Materials

Giant magneto impedance (GMI) effect was experimentally measured on as-cast, post-production and coated with chemical technique amorphous wire and ribbon materials consisted of varied chemical composition over a frequency range from 0.1 to 8 MHz under a static magnetic field between ?8 and +8 kA/m. The results show that each amorphous sample has a certain operational frequency for which the GMI effect has maximum magnitude and the other parameters such as annealing and coating have a significant influence on the GMI effect. It is believed that the domain structure and wall mechanism in the material are responsible for this behaviour. A 3-node input layer, 1-node output layer artificial neural network (ANN) model with three hidden layers including 30 neurons and full connectivity between the nodes was developed. A total of 1600 input vectors obtained from varied treated samples was available in the training data set. After the network was trained, better results were obtained from the network formed by the hyperbolic tangent transfer function in the hidden layers, there was a sigmoid transfer function in the output layer and we predicted the GMI. Comparing the predicted values obtained from the ANN model with the experimental data indicates that a well-trained neural network model provides very accurate results.     

基于RBF神经网络的色空间转换模型

研究了RBF神经网络的结构及算法,应用RBF神经网络建立了打印机的色空间转换模型.根据实验数据,对网络结构进行了优化,通过比较不同参数时网络的性能,确定最优网络参数.最后对所建模型进行了仿真验证,验证结果表明,预测数据与实测数据的色差较小,说明该模型具有实用价值.     

基于饱和度优先的 BP 神经网络颜色空间转换模型研究

利用神经网络算法的非线性转换优势,构建了基于BP神经网络的颜色空间转换正向和反向仿真模型,提出了数据仿真饱和度优先的方法。通过训练样本的选取、仿真实验和数据分析,得到了较好的训练效率和转换效果。仿真结果表明,BP神经网络适合于颜色空间转换,转换精度较高。