样本特征对光谱图像重构影响的研究

目的以光谱图像作为检测样本讨论不同训练样本数量、分布对光谱图像重构的影响。方法选择ColorCheckerSG(140色)和ColorCheckerColorRenditionChart(24色)以及Munsell(1269色)等3种色卡作为训练样本,对其光谱反射率进行主成分分析,利用提取的主成分对光谱图像进行重构。结果采用ColorChecker Color Rendition Chart(24色)色卡的7个主成分重构光谱图像对图像的再现精度最高,其色差比其他2种色卡小,且最大色差小于3。结论在同一重构条件下,光谱图像的重构精度并不随着训练样本数量增多以及分布范围增大而提高,3种训练样本对红紫色的重构精度相对较低。     

一种基于子空间划分的打印机光谱预测模型

目的 实现打印机的光谱预测。方法 提出一种基于子空间划分的径向基函数（RBF）神经网络模型, 将打印机颜色空间划分成若干子空间, 在子空间中运用RBF神经网络, 对任意输入打印机驱动值根据其所在子空间实现其光谱值的预测。结果 该模型的预测精度较未进行子空间划分模型的有明显提高。结论 该模型能够满足高精度打印机光谱预测的要求。     

iPhone 4S 手机屏幕显色特性研究

对iPhone 4S 手机屏幕的时间均匀性、空间均匀性、色域覆盖率、色品恒定性、通道独立性等显色特性进行了测试,定量描述了iPhone 4S 的显色特性,并分析了iPhone 4S 的显色性能对显示彩色图片的影响以及如何在使用过程中达到最佳的显色性能,为用户使用提供依据。测试结果表明,iPhone 4S 的显色稳定性较好,但色域较小,在显示饱和度高的颜色时准确度不够,在使用过程中调节到中高亮度范围时,其显色性能较好。     

BIQI和JND相结合的图像增强客观评价方法

提出一种结合盲图像质量指标(BIQI )和临界可见偏差(JND)的图像增强 客观评价方法。方法基于Retinex理论,将测试图像分成反射图像和照度图像 ,分别对反射图像和照度图 像进行BIQI和JND评分,得到的评分之和作为图像增强客观评价得分。对原图 像失真和背景亮 度的变量控制系列的实验表明,Retinex分解得到的反射图像只受失真的种类 和失真程度影响,而照度图像代表 原图像环境光照信息具有亮度阈值效应;应用本文算法对增强后的图像评分得到Score的 最高分为 0.609,与主观评价结果一致;而PSNR、SSIM的评分都是和原图像本身比较, 不能表明图像增强效果。实验结果表明,本文算法的评价结果与主观视觉一致,能用于定量 对图像增强进行客观评价。     

基于GA-BP神经网络的彩色扫描仪光谱特征化

为了实现彩色扫描仪的光谱特征化,采用一种GA修正的BP神经网络与PCA相结合的方法对其进行研究。首先,通过主成分分析,对训练样本的光谱反射率进行降维,以RGB信号和降维后的光谱数据作为输入、输出变量进行GA-BP神经网络的建模,对任意RGB信号都可以通过模型得到其低维光谱信号;再通过主成分分析重构光谱反射率,由此实现RGB信号对光谱反射率的重构,即实现扫描仪的光谱特征化。实验结果表明,GA的优化有效地改善了BP神经网络的极值问题,提高了模型的预测精度,PCA在不影响模型精度的同时提高了模型的效率。由此说明,所提出的模型能够满足扫描仪光谱特征化的需求。     

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。     

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GABP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化。实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。     

一种基于RBF神经网络的LCD显示器光谱特征化模型

目的研究LCD显示器的光谱特征化。方法提出一种基于RBF神经网络的显示器光谱特征化模型;扩展神经网络模型输入变量的项数,以提高特征化模型的精度。结果实验结果表明:[rg rb gb]项的引入,提高了特征化模型的光谱和色度精度,以及网络的泛化能力;引入[r2 g2 b2],[r2 g2 b2],[rg2 rb2gr2 gb2 br2 bg2]均会导致模型精度下降及泛化能力降低;以[r g b rg rb gb]作为神经网络输入变量的特征化模型,在精度和泛化能力上均是最优化的,实现了平均色差为0.14的色度精度。结论选择扩展项[rg rb gb]作为输入变量的RBF神经网络模型对LCD显示器进行光谱特征化,是一种高精度显示器特征化的最优模型。     

GA-BP神经网络结合子空间划分的打印机光谱预测模型

目的为了实现打印机的光谱预测,提出一种GA-BP神经网络结合子空间划分的预测模型。方法将打印机颜色空间划分成若干子空间,在子空间中运用GA-BP神经网络,对任意输入打印机的驱动值,根据其所在子空间实现光谱值的预测;采用主成分分析对光谱反射率进行降维,在简化了神经网络结构的同时,保持了对检测样本较高的识别精度。结果模型预测精度较未进行子空间划分时有了明显提高。结论提出的模型能够满足高精度打印机光谱预测的要求。