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。     

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。     

波段分区的数码喷墨印花机光谱特性化模型

为提高数码喷墨印花技术颜色复制质量,研究了数码喷墨印花机的光谱特性化模型,提出基于光谱反射率的波段分区的数码喷墨印花机特性化模型。该模型针对31 维光谱反射率数据与喷墨印花设备驱动值间的非线性关系,按照反射率波段进行分区,在不同波段分区中使用高次多项式拟合喷墨印花设备输出驱动值与颜色光谱数据的转换,通过转换矩阵实现数码喷墨印花设备的光谱特性化,将该光谱特性化模型应用于蚕丝织物输出实验。结果表明:90%的蚕丝织物喷墨印花色样的测量结果与光谱特性化估算结果的均方根误差都小于 0.001 2,其中最大误差为0.001 9,平均误差值为0.000 8;90%的喷墨印花色样与估算结果的色差小于1.0 NBS,最大色差为 5.709 9 NBS,平均色差为0.570 0 NBS。     

颜色测量密度法与CIE L~*a~*b~*

<正> 密度测量方式一直是印刷工业最常用的客观评价质量的形式,印刷操作人员通常采用测量密度的方法来检测印张油墨厚度及浓度大小的信息,也使用密度计测量胶片、印版和确定印刷特性,例如网点扩大等。但是随着CIE L~*a~*b~*(全称CIE 1976 L~*,a~*,b~*)的应用逐渐普遍,并已遍及从印前到印刷的整个工作流程,这种状况正在发生改     

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GABP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化。实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。