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。     

基于维纳估计的光谱反射率重建优化算法研究

目的研究光谱反射率重建算法,解决各种物体颜色的光谱反射率重建精度问题。方法通过高精度多光谱成像系统获取实验样本的系统响应值,分光光度计获取样本的光谱反射率,采用Wiener估计法、自适应维纳估计法和提出的优化维纳估计法,对待测样本实验数据进行光谱重建,并评价重建结果。结果在3种光谱重建算法仿真实验中,提出算法的均方根误差平均值为0.0355,平均CIE1976色差为1.4349,优于其他2种算法。结论在光谱重建算法的研究中,基于优化的维纳估计算法可以有效提高光谱的重建精度,可应用于实际的多光谱成像复制中。     

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APSO-LSSVM模型的光谱反射率重建算法研究

目的 研究光谱反射率重建算法,提高光谱反射率重建精度.方法 首先通过多光谱相机和分光光度计分别获取Munsell色卡和SG140色卡的通道信息和光谱反射率值,经归一化后将Munsell色卡的通道信息和光谱反射率值作为训练样本的输入和输出.然后,采用APSO算法对LSSVM的最优正则化参数γ和核参数σ进行寻优,构建基于APSO-LSSVM的光谱反射率重构模型.在对模型参数进行寻优过程中,为保持粒子的活性,在粒子群算法中引入自适应惯性权重,并根据遗传算法中的变异思想,加入了变异操作,在普通粒子中引入变异因子.在每次迭代更新中,粒子以一定概率初始化,使粒子群算法可以跳出局部最优解,在较大的空间内进行优化.结果 基于APSO-LSSVM模型对SG140色卡进行光谱反射率重建实验,文中方法的平均色差为0.4677 abΔE?,平均均方根误差为0.0006.相较于最小二乘支持向量模型和反向传播神经网络模型的重构精度均有很大的提高.从显色效果来看,文中方法的显色结果更接近真实颜色,人眼基本上难以察觉到两者间的差异.结论 基于APSO-LSSVM的光谱反射率重建算法可以有效地提高光谱反射率重建精度,实现了利用多光谱相机拍摄的多通道信息重构获得精确的多光谱图像.     

基于成像条件校正的光谱重建方法

目的 提出一种基于成像条件校正的光谱重建方法,以实现数码相机面向开放环境的光谱重建应用.方法 以参考白板为成像条件校正的媒介,首先在参考成像条件下建立光谱重建矩阵,然后将开放环境下测量对象的图像向参考成像条件进行转换,最后利用参考成像条件下建立的光谱重建矩阵对测量对象进行光谱重建.结果 以仿真成像系统和开放环境常见光源为基础,利用3组实验样本对方法进行了检验.实验结果表明,3组样本的总体平均光谱误差和色差分别为2.42和2.73.结论 基于成像条件校正的光谱重建方法总体上保持了较好的光谱重建精度,验证了方法的理论有效性.     

基于颜色属性的光谱重建训练样本正交优化

选择具有代表性的颜色作为光谱重建的训练样本可以有效减少样本冗余,提高光谱重建精度。采用正交试验方法,基于色相、明度和饱和度在Munsell颜色集中选择具有代表性的颜色样本,并分析颜色三属性对光谱重建精度的影响。结果表明,采用主成分分析(PCA)法重建得到的反射率与原反射率的平均均方差(RMS)最大可达0.120 4,而采用违逆(PSE)法和R矩阵(R-matrix)法重建得到的平均RMS相对较小。三属性的优先级别R极差分析中,明度明显大于色相和饱和度。颜色三属性对P C A法的影响大于对PSE法和R-matrix法。明度对光谱重建精度的影响较大,而色相和饱和度对光谱重建精度的影响相对较小。     

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。     

基于数字成像设备的光谱测量精度评价

目的构建基于数字成像设备的光谱测量系统,获得"快速、精确、低成本"的光谱反射比测量结果。方法通过数码相机获取印刷用色表ECI2002的1485个色块的3通道RGB值,根据与待测样本的相似程度对训练样本赋予不同的权重,并引入空间向量余弦度,对可以表征颜色信息的光谱反射比进行重建;同时,针对该测色系统进行镜头畸变校正、光源均匀性校正以及重复性校正。结果在训练样本数为10时,平均色差可以控制在0.62以下,均方根误差可以控制在0.01以下,运算时间可以控制在1 min内。结论构建的数字成像测量系统既可以提高测量精度,又可以提高测量效率,具有工程应用价值。     

Optimal selection of representative colors for spectral reflectance reconstruction in a multispectral imaging system

In a multispectral color imaging system, the spectral reflectance of the object being imaged always needs to be accurately reconstructed by employing the training samples on specific color charts. Considering that the workload is heavy when all those color samples are used in practical applications, it is important to select only a limited number of the most representative samples. This is possible as the color charts are usually designed to cover the range of commonly imaged colors, and the color samples are redundant for spectral image reconstruction. We propose an eigenvector-based method and a virtual-imaging-based method for representative color selection by minimizing the total reflectance root-mean-squares errors. The effectiveness of the proposed methods is confirmed by experimental results when compared with existing techniques.     

一种基于宽度学习的高精度光谱重建方法

目的 研究一种更有效的光谱重建方法,以提升光谱重建的精度。方法 文中提出一种基于宽度学习的光谱重建方法,以包含1 269个色块的孟塞尔亚光数据集和包含289个色块的Agfa IT8.2数据集为实验样本,利用商用彩色数码相机的模拟系统对所提方法进行验证,以光谱均方根误差、光谱拟合优度系数和2种色差公式为算法评价指标,并与现有的光谱重建方法进行了对比。结果 实验结果表明,该方法可实现的平均均方根误差低至0.4%,平均光谱拟合优度系数达到99.9%,平均色差低至0.147和0.112,光谱精度和色度精度都明显优于其他2种方法。结论 基于宽度学习的光谱重建算法可以有效地提高光谱重建的精度,能够实现更高精度的光谱颜色表征和再现的要求。