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。     

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。     

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 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。     

基于胞元搜索的显示器颜色特征化模型

为提高显示器颜色转换模型的精度,提出了一种基于胞元搜索的四面体插值特征化模型。该模型首先对查找表数据进行胞元划分,通过胞元搜索的方法,找到目标颜色所属的立方体子空间,然后运用四面体反向插值,实现颜色从CIE Lab空间到RGB空间的转换。检测样本的试验数据表明:所提模型的预测精度较高,平均色差达到0.95 CIE Lab色差单位,94%的样本色差值小于3 CIE Lab色差单位。新模型的数据结果优于已有文献算法的,因而,所提颜色特征化模型可实现显示器颜色空间的准确转换。     

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。     

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。     

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。     

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。     

On estimation of the number of image principal colors and color reduction through self‐organized neural networks

A new technique suitable for reduction of the number of colors in a color image is presented in this article. It is based on the use of the image Principal Color Components (PCC), which consist of the image color components and additional image components extracted with the use of proper spatial features. The additional spatial features are used to enhance the quality of the final image. First, the principal colors of the image and the principal colors of each PCC are extracted. Three algorithms were developed and tested for this purpose. Using Kohonen self‐organizing feature maps (SOFM) as classifiers, the principal color components of each PCC are obtained and a look‐up table, containing the principal colors of the PCC, is constructed. The final colors are extracted from the look‐up table entries through a SOFM by setting the number of output neurons equal to the number of the principal colors obtained for the original image. To speed up the entire algorithm and reduce memory requirements, a fractal scanning subsampling technique is employed. The method is independent of the color scheme; it is applicable to any type of color images and can be easily modified to accommodate any type of spatial features. Several experimental and comparative results exhibiting the performance of the proposed technique are presented. © 2002 Wiley Periodicals, Inc. Int J Imaging Syst Technol 12, 117–127, 2002; Published online in Wiley InterScience (www.interscience.wiley.com). DOI 10.1002/ima.10019     

Perceiving color across scale: great and small, discrete and continuous

We generalize, to images with continuously varying colors, our previously published model for comparing color differences of spatially discrete visual fields (icons, symbols) of disparate sizes. Our model is structural, including scattering of light by the intraocular media, followed by sparse retinal cone cell sampling of each physiological color primary. We use our model to show that small subtense of less than half a degree drastically reduces the number of discriminable colors available within a color gamut. The proposed generalization predicts and explains appearance of color fields having a wide range of subtenses (from 1/8 deg to 44 deg in examples given).     

基于FICA的色彩信号宽带多光谱空间研究

目的利用快速独立成分分析法,实现有效利用色彩光谱信息进行色彩精度复制的关键技术。方法利用快速独立成分分析法对孟塞尔colormatt光谱数据集进行光谱空间降维,并利用选用的独立成分进行光谱空间重建;从累积空间覆盖率和表色精度等方面对该方法进行评价。结果随着选用独立成分个数的增加,累积空间覆盖率和表色精度数据逐步增大,当选用8个独立成分时,累积空间覆盖率和表色精度逐步处于平稳状态;根据需求选用5个基矢量对颜色进行准确光谱重建,最终累积空间覆盖率达到97%,99.92%的重构光谱拟合度达0.9以上,100%的样品色差小于0.5。结论利用快速独立成分分析法进行光谱空间降维,能够高精度地表示原始光谱空间。     

基于视觉显著性和感知相似性的全参考图像质量评价方法

目的 图像质量评价（IQA）旨在使用计算模型自动衡量和评价图像质量,以代替人类视觉系统的主观意见,并应用到相关实际问题中。方法 首先将参考图像与失真图像进行输入,使用视觉显著性模型计算图像局部相似度的特征映射,并在质量得分池化阶段作为加权函数,同时,针对视觉显著性图作为单一特征映射的不足,增加了梯度幅度,然后将图像进行颜色空间的转化提取颜色特征,最后分配相应的权重来计算图像相似度。结果 在4个大型数据集上的对比测试显示,在保持适度计算复杂度的同时,VSPSI相比其他有代表性的模型在预测精度上得到了一定的提升,特别是在TID2013数据集上的SROCC达到了0.9055。结论 研究结果表明,VSPSI是一个性能优良的IQA方法,在不同数据集和不同失真类型中都有良好的表现,具有较强的鲁棒性,可胜任多类失真图像的客观质量评价,同时可通过优化视觉显著性模型进一步提升VSPSI的性能。