面向颜色再现的光谱降维方法研究

目的为了解决颜色信息光谱反射率的高维数给颜色再现过程带来的诸多问题。方法利用主流的光谱降维方法(主成分分析,Lab PQR,WSPCA,WSPCAplus),实现利于颜色再现的光谱信息筛选,从光谱精度、色度精度及变光源色差稳定性等3个方面评价这些降维方法。结果实验证明,主成分分析(PCA)法的光谱精度最高,光谱误差只有0.0076,但是在色度精度及变光源色差稳定性方面表现不好;Lab PQR法在光谱精度和色度精度间达到了很好的平衡,但是当变换光源时,其色差稳定性较差;WSPCA法去除了光源的影响,其变光源后色差变化不大,并且同时兼顾了色度精度,但以牺牲光谱精度为代价,WSPCAplus在其基础上将光谱精度提高为0.0081。结论研究结果对颜色再现过程中降维方法的选择具有一定的指导作用。     

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。     

基于权重的鲁棒性PCA压缩方法

为了降低具有噪声的多光谱图像在降维重建后的光谱信息和颜色信息的损失,提出一种基于权重的鲁棒性PCA压缩方法(WRPCA)。先依据人眼的视觉特征,用人类视觉敏感函数(CIE1931标准观察者的色匹配函数)对多光谱图像的光谱进行加权,然后再对加权后的光谱使用Robust PCA法进行降维,最后重构得到图像。实验中WRPCA法与WSPCA法是在同样条件下进行测试。分析实验数据可以看出,WSPCA法由于受噪声影响,其图像压缩重构效果不好,但是WRPCA法不受噪声影响,其重建图像的光谱精度和色度精度都优于WSPCA法。     

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。     

面向高保真再现的多光谱图像降维方法

目的研究满足面向高保真再现要求的多光谱图像降维方法。方法基于二进制小波对信号的分解与人类的视觉特性相匹配,以及非负主成分分析法可较好地保证降维的光谱精度,提出采用基于离散二进制小波变化与非负主成分分析法的综合降维方法,并基于多光谱图像高保真再现的光谱精度、色度精度与变光源色差稳定性的要求,提出采用CIELAB的标准色差ab?E、光谱保真度和平均梯度等3个指标来评价降维效果。结果经过多光谱图像的测试实验,基于离散小波变换和非负主成分分析法的综合降维方法相对于其他3种方法,其光谱精度、色度精度和图像清晰度保持良好。结论该方法较好地实现了多光谱图像的高保真再现问题,并且为颜色视觉的认知过程提供了新的理论解释。     

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。     

基于点集模型的LabPQR空间光谱色域映射算法

目的 针对色度色域映射中出现的同色异谱现象, 提出一种基于点集模型的光谱域映射算法。方法 以设备采样样本为基础, 在LabPQR空间内构造色度色域和PQR色域, 以此描述光谱色域; 采用分级映射方法, 在Lab和PQR等2个子空间内对目标光谱依次判断并进行映射。结果 以munsell 1269个色块为检验样本进行试验, 结果显示： 提出算法色度误差为1.0779, 光谱误差为5.12%。结论 提出算法能够有效降低同色异谱现象, 并拥有较高的光谱输出精度, 映射之后的结果能够满足在多种光源下与目标的视觉匹配。     

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。     

多色打印中基于光谱的油墨选择——最佳油墨选择

描述了从给定油墨库中选择出一组八色油墨,建立最小化同色异谱的八色光谱打印模型的油墨选择算法.对于一个含有n种油墨的油墨库,这里有Cn8种油墨组合,当n很大时,油墨组合的数量就成了几何数字.有些明显不可能的油墨组合,通过解析法可以去除.首先,使用向量相关性分析法来去除没有可行性的组合.然后,用连续调相似评估每一备选油墨组的色度和光谱精确度.选择备选油墨组中对应有光谱精确度最高的一组油墨,定为八色打印过程的最佳油墨组以获取最小同色异谱的色彩复制.     

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。     

Analytic solution for separating spectra into illumination and surface reflectance components

The measured light spectrum is the result of an illuminant interacting with a surface. The illuminant spectral power distribution multiplies the surface spectral reflectance function to form a color signal--the light spectrum that gives rise to our perception. Disambiguation of the two factors, illuminant and surface, is difficult without prior knowledge. Previously [IEEE Trans. Pattern Anal. Mach. Intell.12, 966 (1990); J. Opt. Soc. Am. A21, 1825 (2004)], one approach to this problem applied a finite-dimensional basis function model to recover the separate illuminant and surface reflectance components that make up the color signal, using principal component bases for lights and for reflectances. We introduce the idea of making use of finite-dimensional models of logarithms of spectra for this problem. Recognizing that multiplications turn into additions in such a formulation, we can replace the original iterative method with a direct, analytic algorithm with no iteration, resulting in a speedup of several orders of magnitude. Moreover, in the new, logarithm-based approach, it is straightforward to further design new basis functions, for both illuminant and reflectance simultaneously, such that the initial basis function coefficients derived from the input color signal are optimally mapped onto separate coefficients that produce spectra that more closely approximate the illuminant and the surface reflectance for any given dimensionality. This is accomplished by using an extra bias correction step that maps the analytically determined basis function coefficients onto the optimal coefficient set, separately for lights and surfaces, for the training set. The analytic equation plus the bias correction is then used for unknown input color signals.     

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。     

不同环境下移动终端显示色光谱特性研究

目的分析不同环境下移动终端显示器显示色的光谱特性,研究外界环境对移动终端颜色显示的影响。方法分别在暗室和D50光源下测量移动终端显示色的光谱值,利用高斯-马尔科夫线性回归,改进显示色与三原色之间的光谱叠加模型,并根据显示色光谱函数之间存在的线性叠加关系,建立同一显示色在2种环境下的光谱关系模型。结果外界环境对同一显示色的光谱值影响显著,但不影响各通道独立性,2种环境下移动终端都具备良好的通道独立性。模型预测值与实测值之间的光谱均方误差和DE 2000色差的结果表明,改进后的线性叠加模型较原模型的光谱计算精度提高了6倍,色差降低到0.1以下;同一显示色在2种环境下光谱关系模型的光谱预测值与实测值非常接近,色差均值小于1。结论改进后的光谱叠加模型更精确地量化了移动终端的颜色显示特征,并且光谱转换模型的建立,可以有效去除环境对移动终端颜色显示的影响,为研究移动终端显示图像效果的增强提供了方法。