基于修改的LMS曲线加权残差补偿光谱降维法

目的为了同时实现较高的光谱精度和色度精度,提出一种基于修改的LMS曲线加权残差补偿光谱降维法。方法利用Matlab软件自制由7986个色块组成的色靶,将前5986个色块作为训练样本,后2000个色块以及Munsell色卡作为测试样本。采集色靶的光谱数据后,对高维光谱数据采用基于修改的LMS曲线加权残差补偿光谱降维法进行降维,并与主成分分析法、Lab PQR非线性降维法、WSPCAplus非线性降维法、修改矩阵R降维法等方法的效果进行对比分析。结果实验结果表明,提出的基于修改的LMS曲线加权残差补偿光谱降维法重构得到的光谱数据具有较高的光谱精度,同时在色度精度上也有了明显的提高,且在观察视角变化的情况下仍具有稳定的色差精度。结论基于修改的LMS曲线加权残差补偿光谱降维法能够在保证较好光谱精度的同时具有较高的色差精度,且在不同视角下色差精度的稳定性较好,适合多种颜色样本,具有良好的实用性。     

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。     

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。     

基于样本选择的光谱重构研究

目的为了提高使用主成分分析法重构光谱反射率的重构精度。方法利用Matlab进行仿真实验,选择3种不同色卡作为训练样本,使用主成分分析法探究主成分个数和样本间隔对重构结果的影响。结果主成分个数为4时,贡献率均超过99%;样本间隔为10 nm时,RC24色卡重构效果最好,其平均色差2.37ΔE_(ab)~*平均均方根误差为0.0185。结论训练样本的选择会影响光谱重构精度,RC24色卡具有数据量小、重建精度较高的特点,在颜色复制领域可以优先选择。     

面向高保真再现的多光谱图像降维方法

目的研究满足面向高保真再现要求的多光谱图像降维方法。方法基于二进制小波对信号的分解与人类的视觉特性相匹配,以及非负主成分分析法可较好地保证降维的光谱精度,提出采用基于离散二进制小波变化与非负主成分分析法的综合降维方法,并基于多光谱图像高保真再现的光谱精度、色度精度与变光源色差稳定性的要求,提出采用CIELAB的标准色差ab?E、光谱保真度和平均梯度等3个指标来评价降维效果。结果经过多光谱图像的测试实验,基于离散小波变换和非负主成分分析法的综合降维方法相对于其他3种方法,其光谱精度、色度精度和图像清晰度保持良好。结论该方法较好地实现了多光谱图像的高保真再现问题,并且为颜色视觉的认知过程提供了新的理论解释。     

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。     

面向颜色再现的光谱降维方法研究

目的为了解决颜色信息光谱反射率的高维数给颜色再现过程带来的诸多问题。方法利用主流的光谱降维方法(主成分分析,Lab PQR,WSPCA,WSPCAplus),实现利于颜色再现的光谱信息筛选,从光谱精度、色度精度及变光源色差稳定性等3个方面评价这些降维方法。结果实验证明,主成分分析(PCA)法的光谱精度最高,光谱误差只有0.0076,但是在色度精度及变光源色差稳定性方面表现不好;Lab PQR法在光谱精度和色度精度间达到了很好的平衡,但是当变换光源时,其色差稳定性较差;WSPCA法去除了光源的影响,其变光源后色差变化不大,并且同时兼顾了色度精度,但以牺牲光谱精度为代价,WSPCAplus在其基础上将光谱精度提高为0.0081。结论研究结果对颜色再现过程中降维方法的选择具有一定的指导作用。     

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。     

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。     

基于权重的鲁棒性PCA压缩方法

为了降低具有噪声的多光谱图像在降维重建后的光谱信息和颜色信息的损失,提出一种基于权重的鲁棒性PCA压缩方法(WRPCA)。先依据人眼的视觉特征,用人类视觉敏感函数(CIE1931标准观察者的色匹配函数)对多光谱图像的光谱进行加权,然后再对加权后的光谱使用Robust PCA法进行降维,最后重构得到图像。实验中WRPCA法与WSPCA法是在同样条件下进行测试。分析实验数据可以看出,WSPCA法由于受噪声影响,其图像压缩重构效果不好,但是WRPCA法不受噪声影响,其重建图像的光谱精度和色度精度都优于WSPCA法。     

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 BP 神经网络的多基色打印机光谱特性化

目的实现多基色打印机的光谱特性化。方法结合光谱降维和光谱重构方法建立了多基色打印机光谱特性化BP神经网络模型,并提出了基于人眼视觉特性加权的目标函数。结果在基于BP神经网络的多基色打印机光谱特性化中,当目标函数未进行人眼视觉特性加权时,光谱精度和色度精度分别为0.0285和2.8614,当采用人眼视觉特性加权目标函数后,光谱精度和色度精度分别为0.0166和1.2247。结论在基于BP神经网络的多基色打印机光谱特性化中,使用基于人眼视觉特性加权的目标函数可兼顾光谱与色度2个因素,其光谱特性化效果更优。     

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。     

基于最优化维纳估计算法的多光谱图像重构

目的提高光谱反射率重构精度,更好实现图像颜色再现。方法选择4种不同的训练样本,比较不同的改进的维纳估计算法重构光谱反射率精度。分别把Color Checker Color Rendition Chart(RC-24色)和Color Checker SG(140色)以及Panton色卡、孟塞尔色卡(Munsell-1269)4种不同颜色数量的哑光色卡作为训练样本,用伪逆算法、维纳估计算法、自适应维纳估计算法和最优化维纳估计算法分别对多光谱图像进行重构,并进行精度对比。从均方根误差、色差等方面评价这些光谱重构方法。结果最优化维纳估计算法重构均方根误差为0.000 41,色差为0.7874,均小于其他几种算法。结论最优化维纳估计算法能更好实现颜色再现。