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。     

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。     

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。     

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。     

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。     

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。     

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。     

基于独立成分分析的掌纹识别

本文研究了独立成分分析(ICA)两种不同的结构ICA I和ICAII在掌纹识别中的应用.为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣(ROI)区域进行特征提取和匹配.为了减少计算量,运用ICA算法之前,先采用主成分分析(PCA)算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离.对于PolyU掌纹图像库,基于ICA模型的预测误差平方和(SPE)小于PCA,而且重构的原始图像优于PCA.为了比较两种算法识别性能,本丈分别用PCA、ICA I、ICAII提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配.实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAII在性能上优于ICA I.     

同色异谱黑在光谱降维中的应用研究

目的研究同色异谱黑在光谱降维中的应用。方法基于同色异谱黑光谱特性提出MBPCA光谱降维法。该方法将颜色光谱分解为基本光谱和同色异谱黑光谱,基本光谱的基向量由原始光谱通过PCA法得到的前3个基向量构成,原始光谱与基本光谱之间的残余光谱作为同色异谱黑光谱,其基向量由残余光谱通过PCA法推导。结果当降维光源与实际光照光源一致时,只要基向量数目超过3个,其低维模型的色度精度皆为0,当用6个基向量重构光谱时,在4种标准光源下的平均色差接近于1。结论 MBPCA法与PCA法相比,其光谱重构精度与PCA法接近,色度精度比PCA法有明显提高,其六维模型能有效满足光谱颜色复制的需要。     

基于独立成分分析的掌纹识别

本文研究了独立成分分析（ICA）两种不同的结构ICAⅠ和ICAⅡ在掌纹识别中的应用。为了提高识别准确性和可靠性,该方法首先对掌纹图像进行预处理,提取掌纹感兴趣（ROI）区域进行特征提取和匹配。为了减少计算量,运用ICA算法之前．先采用主成分分析（PCA）算法去除掌纹图像的二阶统计特征相关性,其余的高阶统计特征由ICA分离。对于PolyU掌纹图像库,基于ICA模型的预测误差平方和（SPE）小于PCA,而且重构的原始图像优于PCA。为了比较两种算法识别性能,本文分别用PCA、ICAⅠ、ICAⅡ提取特征掌纹子空间,然后将待识别图像投影到低维子空间上,最后用余弦距离进行掌纹匹配。实验结果表明,ICA算法两种结构的识别率均高于PCA,ICAⅡ在性能上优于ICAⅠ。     

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。     

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。     

基于光谱解混的选择性波段子集高光谱异常检测

由于高光谱图像具有高阶性和背景分布特性复杂的特点,这使得现有的算法在解决异常检测问题时存在一些不足。通过分析高光谱图像的光谱特性和空间特性,基于统计学习理论,利用光谱解混技术和子空间划分方法,提出了基于光谱解混的选择性波段子集高光谱图像异常检测算法。该算法首先利用光谱解混技术提取出对背景分布特性有严重影响的端元光谱,由此降低背景干扰突出异常目标信息;在此基础上,利用子空间划分方法将整个波段空间划分为大小不等的多个子空间,并在每个子空间内利用非高斯程度度量准则提取出富含异常目标信息的特征波段;最后,采用KRX算法作为异常检测算子完成异常目标检测。利用真实的高光谱图像对提出的算法进行实验验证,结果表明该算法是有效和合理的,具有良好的异常检测性能。     

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。     

基于三维模型的多姿态人脸识别

提出了一种利用三维人脸模型匹配二维人脸图像的分层人脸识别方法和基于模糊数学的人脸姿态角度估计算法.对多姿态二维图像进行姿态空间划分,利用主成分分析方法(PCA)形成多姿态特征脸.识别过程首先估计测试图像姿态和模糊姿态角,在估计的姿态空间内采用基于PCA的方法进行第一层识别得到候选个体,然后利用候选个体的三维模型结合模糊姿态角产生虚拟图像,利用相关进行第二层识别.实验结果表明,该方法对姿态的变化有较好的鲁棒性.     

基于子空间划分的多项式回归多色分色算法

提出了一种新的分色算法。方法首先对多色打印机进行色域分区,再将每个分区划分成若干个子空间,在每个子空间内运用最小二乘法建立多项式模型,对目标色度值进行分色时,搜索目标色度值所在最优子空间,求解对应的多项式方程,即可得到分色结果。实验表明,这种分色算法具有较高的精度和稳定性,能够满足多色高精度印刷的要求。     

基于二维Fisher线性判别的人耳识别

针对传统二维Fisher线性判别(2DFLD)方法只使用图像矩阵的行向量作子模式的局限性,结合人耳图像的特点,提出了一种基于列向量作子模式的2DFLD的人耳识别方法.首先利用训练样本图像矩阵的列向量作子模式进行训练以提取特征人耳子空间,再将测试图像投影到该子空间上,最后用最近邻欧式距离方法进行匹配.实验结果表明,以列向量作子模式时的识别率达98.333%,比行向量作子模式时提高了3.333%,与同样基于多元统计分析的PCA、2DPCA和PCA+FLD方法相比,识别效果最优,是一种有效的人耳识别方法.     

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。