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。     

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。     

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。     

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。     

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。     

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LAB空间的LCD显示器CSF模型构建

目的通过心理物理学实验,在暗室下构造基于LCD显示器的人眼对比敏感度函数。方法通过测试不同颜色空间的自相关性,选择通道间相关性最小的颜色空间;选择4个颜色点制作不同空间频率、不同对比度的光栅图像;安排15人进行观测试验,得到不同空间频率下的心理对比度阈值,将得到的数据进行拟合得到对比敏感度函数模型。结果拟合得到了L通道、A通道、B通道的人眼对比敏感度函数。结论 Lab颜色空间的自相关性数值以0.1134最低,其正交性最好。得到的对比敏感度函数也符合人眼的低通特性,研究结果对图像色差模型的改进和图像压缩具有重要意义。     

基于BP神经网络的数码相机颜色特征化

以色度学理论和神经网络为基础,在综合比较数码相机颜色特征化方法之后,采用了基于BP神经网络的颜色特征化方法。利用MATLAB实现了从RGB到XYZ及Lab的颜色空间转换,比较了2种转换模型的精度,统计分析了该模型产生训练误差和测试误差的主要原因,验证了RGB→Lab转换算法是一种较优和可靠的方法。     

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。     

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网络的人脸朝向识别模型

本文基于BP神经网络建立数学模型解决人脸朝向识别这一重要问题。通过对图片压缩、标准化处理等步骤,建立了一个全新的BP神经网络。并用MATLAB对50张图片进行了实验,实验结果表明,该方法识别准确率高、识别过程速度快。最后,我们就训练样本数目的确定与更有效识别方法的探索两个方面对模型提出了改进。     

基于近红外光谱的不同产地苹果货架期鉴别方法

提出了一种基于近红外漫反射光谱技术的不同产地苹果货架期鉴别方法.从市场上购买山东和陕西的富士苹果各20个,分别对购买当日和存放1周(7d)后的样品进行光谱测试,分析表明一周后不同品种样品光谱在1 420am和1 630nm处吸光度值均有不同程度的增大.通过主成分分析研究了样品产地对不同货架期样品光谱的影响,将总贡献率为...     

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。     

基于主成分分析的多光谱相机灵敏度优化

研究了基于主成分分析的多通道光谱图像获取硬件系统即多光谱相机的灵敏度优化问题。利用多维向量空间理论和主成分分析法,系统讨论了多光谱获取系统优化灵敏度的理论和方法。提出灵敏度优化向量的概念,将滤光片透过率优化和光源辐射谱优化两种方法统一起来。利用四种灵敏度优化向量进行了仿真试验,并给出了在主成分分析算法下的实验仿真结果。结论是：多光谱系统灵敏度优化向量的正交化设计是系统光谱图像获取的必要要求;窄带灵敏度中,交叠的灵敏度优化向量具有更好的光谱反射率信息获取能力;在有限数目的宽带滤色片中,挑选滤色片透过率向量可以得到较好的多光谱相机的灵敏度向量。     

基于子空间字典偶学习的高光谱图像分类

针对高光谱高分辨率带来巨大数据量和空间分辨率引起混合像元的问题,提出了基于子空间(subspace)的字典偶学习(DPL)算法,简称DPLsub算法。DPL算法是对字典学习的改进,它通过学习得到综合字典和分析字典,在模式识别中体现了高效性,而子空间投影的方法能更好地表征噪声和高度混合的像元。将光谱和空间特征融合的方法用于分类研究试验。实验数据是两幅高光谱影像,比较了子空间字典偶学习(DPLsub)模型和其他三种分类器即最小二乘支持向量机(LS-SVM)、稀疏多分类回归(SMLR)和字典学习(DL-OMP)的分类结果。实验结果显示,DPLsub算法无论在时间上还是精度上都优于其他算法,证明了这种子空间字典偶学习方法对高光谱图像分类的可行性与高效性。     

基于PCA-BP神经网络的项目分析

项目的不确定性是客观存在的,为使决策建立在可靠的基础上,需要进行科学的分析和评估。首先建立分析项目的评价指标体系,然后用主成分分析法剔除指标的相关性、信息重叠性,得到具有代表性的主成分评价指标,并将其标准化输入到BP神经网络中建立基于主成分分析法的项目分析的神经网络模型,仿真实验表明,采用该方法能获得满意的结果。     

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。     

基于不同色块数量的光谱重构对比

分别对24色块、140色块、1 269色块3种不同颜色数量的哑光色卡光谱反射率进行主成分分析(PCA),利用分析所提取的最大6个特征向量重构光谱,并使用均方根误差值(RMSE)和CIE1976色差值对结果进行评价。实验结果表明:同等条件重构后,140色卡在累计贡献率和色差方面均优于另外2种数量的色卡,均方根误差也仅次于1 269色卡,表明不同色块数量的训练样本会影响光谱重构精度;重构后的光谱反射率均在对应黄色、绿色、蓝色等的中间波段,再现效果最好,蓝紫色相对较弱,橙色-红色表现最差。     

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。     

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。