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。     

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。     

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。     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

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。     

基于加权欧氏距离的光谱重构训练样本选择

目的研究光谱反射率重建过程中训练样本的选取,以提高光谱反射率的重建精度。方法根据检验样本与训练样本间的欧氏距离判断两者的相似度,并将样本向量各维度分量"标准化"到均值、方差相等,使得各维度分别满足标准正态分布,同时将其方差的倒数作为权重赋予训练样本。实验以Munsell色卡为总的训练样本集,经Mohammadi方法、Cao方法以及文中方法选择出的样本作为最终的训练样本,用Color Rendition Chart 24色卡为检验样本,采用伪逆法分别对选择出来的训练样本进行光谱反射率重建。结果通过Matlab软件仿真实验,文中方法的平均色差为0.7918△E_(ab)~*,最大色差为1.7148△E_(ab)~*,平均均方根误差为0.0060,最大光谱均方根误差为0.0127。结论基于加权欧氏距离的训练样本选择可以有效地提高光谱的重建精度,能更好地实现颜色再现。     

基于聚类分析的光谱重建样本分析

目的 解决目前光谱重建中因数量大而出现的冗余和繁重等问题,证明聚类算法可以很好地应用在光谱选择样本分析中,并可以实现较高的重构色度精度和物理精度。方法 采用主成分分析法进行仿真实验,首先探究主成分个数,再确定聚类个数,然后比较聚类方法和3种常用的样本选择方法,最后分析比较光源种类对重构结果的影响。结果 通过实验确定主成分个数为6且聚类个数为20时,在A光源下使用KFCM算法的重构效果最好,此时平均色差为0.35ΔE00,平均RMSE为0.0078,平均GFC为99.94%。结论 聚类方法可以应用于光谱成像过程中训练样本选择过程,且有助于提高光谱重构的运算速度和精度。     

基于向量夹角样本选择的光谱反射率重建

目的研究一种更有效的训练样本选择方法,以提高光谱反射率的重建精度。方法提出将样本看做向量,根据测试样本与训练样本之间的夹角判断两者间的相似度,然后把该夹角大小作为相似度权重赋予该训练样本,实验以孟塞尔色卡为样本集,训练样本分别为经过Mohammadi方法选择的样本和经过文中提出的向量夹角方法选择的样本,以色差和光谱均方根误差为评价指标,从重构精度和样本选择的有效性等2个方面对2种样本筛选方法进行比较和验证。结果通过Matlab软件仿真实验,文中所提方法的平均色差能降低到0.7945,最大色差为2.1569,平均光谱均方根误差降低到0.011 42,最大光谱均方根误差为0.0218。结论基于向量夹角选择样本具有简单且精确的优势,能够满足高精度颜色复制的要求,可以为快速准确地选择样本和提高颜色复制精度提供参考。     

基于双层动态筛选训练样本的光谱重建算法

目的研究光谱重建过程中训练样本筛选方法对光谱重建精度的影响。方法利用违逆的方法对测试样本Munsell样本和Color Checker SG样本进行光谱重构,训练样本分别选择未经筛选的Munsell样本集、经过动态聚类筛选的和经过文中提出的双重动态筛选的Munsell样本集,然后比较3种样本筛选方法得到的光谱重构精度。结果实验结果表明,经过双层动态筛选的训练样本重构精度无论是均方根误差(RMSE)、拟合优度(GFC)还是不同光源下(A,D50和F2)的色差,明显高于动态聚类分析的样本和未经筛选的样本。结论提出了一种新的样本筛选方法,该筛选方法效果良好,具有一定的先进性。     

基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

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。