基于矩阵R理论的光谱降维方法研究

针对传统光谱降维方法的缺点,提出一种基于矩阵珟R理论的线性光谱降维方法。该方法在Cohen定义的矩阵R理论基础上提出修正矩阵珟R,可将物体光谱反射率分解为基本光谱和同色异谱黑光谱,再分别对两者进行线性降维。基本光谱的三个基向量由颜色匹配函数与光源的乘积再进行正交化得到,其三个基向量的累积贡献率可达100%。同色异谱黑光谱的基向量由主成分分析推导,取前三个特征向量作为同色异谱黑光谱的基向量。实验结果表明,使用该方法构建的六维线性模型能在光谱和色度两个方面较好地表征原始高维光谱反射率,满足光谱颜色复制的要求。     

基于视感知特征的多光谱高保真降维方法研究

为解决多光谱数据在降维压缩过程中的颜色精度保持问题,提出一种基于人眼视觉感知特征的多光谱数据高保真降维压缩方法(VPCM)。研究首先依据人眼视觉响应的非线性解析特征,成功构建了同时综合人眼光谱特征与色度特征的变换函数,并通过进一步构造的优化函数对其进行修正,以针对不同的样本集找到最佳变换方向,而后利用修正后的视觉特征变换函数对光谱样本集进行空间变换(Γ(S)=C),然后利用主成分分析方法对经视觉特征函数变换后样本集光谱数据进行降维压缩处理,并通过逆变换重构出样本集光谱数据(Γ-1(C)=^S),进行降维评价。实验选取四类具有典型代表性的数据集作为测试样本,分别以D50/2°条件下的CIELab色差和75组典型照明光源(钨丝灯、荧光灯和LED灯)下的平均同色异谱指数(MMI)作为色度主要评价指标,同时对比了Lab-PQR和2-XYZ两种较为先进的光谱降维算法。实验结果为VPCM方法的MMI值最小,其次是LabPQR,而2-XYZ的表现较差;VPCM方法在75组光源下对四组样本集的平均重构色差ΔEab也为最小,且最大样本平均色差及方差均要小于其他两种方法;VPCM方法的重构光谱精度介于Lab-PQR和2-XYZ之间,Lab-PQR的重构光谱精度最高。实验结果显示新方法色度压缩精度整体优于对比的两种方法,在变换参考条件下具有良好的色差稳定性,能够较好的应用于多光谱数据色度高保真压缩。     

基于人眼视觉和残差补偿的光谱降维模型的研究

传统主成分(PCA)光谱降维方法利用数学的方法,保证降维后的重构光谱与原光谱在形状上尽可能相似, 但是传统PCA降维过程中无差别的对待每一个波段的光谱数据,而人眼视觉对不同波段的光谱敏感程度不同,会造成有时候虽然光谱误差较小,但是人眼看上去色差较大的情况。在保证光谱误差的同时,为了能够有效的减少源光谱与重构光谱的色度误差,提出了两种基于人眼视觉的加权函数对传统PCA降维方法进行优化,并利用残差光谱对模型进行补偿。实验过程以Munsell色卡作为训练样本,Munsell色卡和多光谱图像“young girl”作为测试样本,然后利用本文提出的加权函数进行PCA降维并重构,并与相关文献提出的方法进行了对比。实验结果表明, 提出的两种加权算法,与其他算法相比,无论是色度精度还是在变光源的稳定性方面,都有显著地提高。     

基于二阶多项式回归和权重主成分分析法的多光谱降维算法研究北大核心CSCD

基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换,但低维空间数据含有大量负值,不能和色度空间如CIELAB等连接起来,给光谱颜色复制的后续研究带来困扰;建立XYZ三刺激到多光谱数据的转换,在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息;通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系,实现XYZ三刺激值到多光谱数据转换;在不同的训练样本,不同的测试样本时,相对于主成分和权重主成分,推荐的方法在多种照明条件下色度重建精度得到提高,可以较好地应用到多光谱图像的高保真降维和压缩。     

基于光谱连接空间的彩色相机光谱重构研究

针对彩色相机三通道响应值重构光谱反射率精度低的问题,提出了基于光谱连接空间的彩色相机光谱反射率重构方法。首先通过光谱反射率已知的训练样本集和多项式拟合方法建立相机响应值到光谱连接空间的转换矩阵,然后利用该矩阵将待重构样本的相机响应值映射到光谱连接空间,最后选用合适的光谱重构算法在光谱连接空间内实现光谱反射率重构,并利用色度误差和光谱误差两个指标对重构结果进行评价。在上述过程中,鉴于转换矩阵的重要性,采用了基于反距离加权的最小二乘法计算转换矩阵以提高相机响应值到光谱连接空间的转换精度。实验结果表明:本文方法切实可行且精度可靠,与基于彩色相机三通道响应值的光谱重构方法相比,色度重构精度和光谱重构精度均显著提高,平均色差和谱差分别为1.145 2和0.010 3,可在较大程度上满足数字典藏、高保真颜色复制等的需要。     

基于视觉感知的光谱评估尺度

光谱颜色复现和色度精度是评价光谱重建算法准确的基础。简单而直观的评价指标对颜色复现控制是必不可少。该指标需要同时表征复现颜色的光谱差和色度差。在研究光谱匹配评估的方法基础上,提出基于颜色视觉感知的三种光谱评估指标,通过加权人眼视觉匹配函数,实现颜色光谱差与色度的评估。通过孟塞尔颜色系统的光谱数据,该论文分析与验证三种视觉加权的评估指标的有效性。通过孟塞尔颜色系统数据,这些指标在CIELab均匀色空间中分布均匀而稳定,从而证明加权算法的评估指标是既表征到颜色感知又反映出颜色的光谱相似度。实证结果表明,加权的指标可以实现同时表征实际人眼的颜色感知和颜色光谱差异。基于人眼视觉感知的评估指标解决了颜色的原始光谱和重建光谱的光谱匹配精度的定量评价问题。所提出评价指标通过一个简单而直观的数值实现对复现颜色光谱与色度评估。     

基于压缩感知的反射光谱重构算法研究

光谱反射率描述物体的表面颜色特征,为了能够获取物体自身更加精确的颜色信息,在图像处理领域光谱反射率重构成为了关注的话题。反射光谱重构算法是对实验物体表面在可见光范围内每一波长处的光谱反射率进行重构,以达到提高物体自身颜色准确复制的精度,最后建立相应的反射光谱。尝试将压缩感知(CS)理论应用到光谱实验中,对光谱反射率进行重构。首先是介绍了压缩感知理论知识,然后把压缩感知理论与光谱反射率原理相结合,根据基于压缩感知的光谱反射率重构的理论框架,选取合适的采样值,压缩感知的采样值即压缩值,小波基作为正交矩阵,高斯随机矩阵作为测量矩阵,正交矩阵与测量矩阵需要保证具有不相关性,将原始光谱反射率从高维到低维进行线性投影,得到低维的观测信号,运行简单的正交匹配追踪算法(OMP)对低维的观测信号进行由低维到高维的高精度重构,重构得到的光谱反射率与原始光谱反射率具有相同的维度,最后将压缩感知重构算法与传统的光谱反射率重构算法伪逆法与多项式回归法进行比较。经过压缩感知重构算法得到的色差值与均方根误差值都小于伪逆法和多项式回归法重构的结果,经压缩感知的重构精度明显提高;经压缩感知重构的光谱曲线可以达到或者更接近原始光谱曲线的峰值,整体效果更接近原始光谱曲线;经多项式回归法和伪逆法重构的光谱曲线达不到原始峰值,整体上存在偏差。可以认为压缩感知用低采样的数据达到了全采样的效果,提高了光谱反射率重构的精度。基于压缩感知的光谱反射率重构算法效果明显优于传统的多项式回归法和伪逆法,可以将压缩感知理论应用到实际的多光谱成像系统中。     

基于PCA和ICA的多光谱数据降维方法

提出了一种结合主成分分析(PCA)和独立成分分析(ICA)的多光谱数据降维方法,实现了用低维基向量的线性组合来表示高维的光谱数据。首先用PCA方法对多光谱数据进行重构,为了提高色度精度,重建中引入了物体的色度信息;然后用ICA方法对因引入色度信息所造成的剩余光谱误差进行修正。从实验结果来看,所提出的方法均方根误差的平均值较PCA法降低了34.48%,GFC的平均值也达到了95%以上,其降维精度优于基于PCA的光谱降维方法。     

彩色扫描仪的光谱反射率估计方法

为从扫描仪获取精确的、设备无关的颜色描述,必须对扫描仪进行颜色表征(Characterization)。考虑到实际扫描仪的成像过程往往偏离线性反射模型,并且训练样本在颜色空间中的不同分布对颜色估计的精度有较大影响,提出了一种基于有限样本加权训练的彩色扫描仪光谱表征方法,从而可以从低维的RGB颜色值计算得到精确的光谱反射率。 实验结果表明,该方法在色度及反射率精度方面均明显优于先前的方法。     

基于LabPQR降维的多色打印机光谱特征化模型研究

研究多色打印机的光谱特征化,提出了一种基于降维的光谱特征化模型,保证了多色打印机颜色转换的精度,同时也提高了特征化的运行效率。该模型结合颜色分区理论和LabPQR非线性降维方法,首先将高维光谱数据降低至LabPQR六维空间中,然后通过胞元搜索算法查找目标颜色所属的胞元空间,最后利用反向四面体插值算法对目标的LabPQR值进行计算,得到打印机最终的通道信号输出值。检测颜色样本的实验数据表明,正向模型和反向模型的平均色差达到0.714和1.016 NBS,模型的运行时间为2.03和9.05 s。新算法能够实现多色打印机光谱数据与通道信号值间的准确转换。     

基于迭代Tikhonov正规化的三刺激值重建光谱方法研究

光谱图像中的反射率光谱数据维数高,且与光源、设备均无关,能够比较全面、真实、客观地描述图像中物体的颜色信息。针对三色相机的光谱图像获取系统中三维色度数据重建多维光谱数据产生的光谱信息丢失、以及伴随而生的颜色信息丢失问题,提出了迭代Tikhonov正规化的光谱重建方法。首先依据色度学理论中色度值与反射率光谱之间的关系,构建反射率光谱重建方程建立起相机所获三维色度数据与高维反射率光谱数据的映射关系;然后,通过反射率光谱重建方程的病态分析,在Moore-Penrose伪逆矩阵求解思想的基础上构建迭代Tikhonov正规化方法求解反射率光谱,并利用训练样本数据通过L-曲线方法训练获取迭代Tikhonov正规化的最优正规化参数,以有效控制并改善反射率光谱重建方程求解的病态、减少重建光谱的光谱信息丢失。实验通过选取样本数据对光谱重建方法进行验证。验证实验的结果表明所提出的光谱重建方法改善了三色相机的光谱图像获取系统中重建光谱的光谱信息丢失程度,使得重建光谱的光谱误差和色度误差较其他光谱重建方法均有明显降低。     

Spectral data compression using weighted principal component analysis with consideration of human visual system and light sources

This paper proposed two weight functions based on principal component analysis (PCA) to reserve more colorimetric information in spectral data compression process. One weight function consisted of the CIE XYZ color-matching functions representing the characteristic of the human visual system, while another was made up of the CIE XYZ color-matching functions of human visual system and relative spectral power distribution of the CIE standard illuminant D65. The improvement obtained from the proposed two methods were tested to compress and reconstruct the reflectance spectra of 1600 glossy Munsell color chips and 1950 Natural Color System color chips as well as six multispectral images. The performance was evaluated by the mean values of color difference under the CIE 1931 standard colorimetric observer and the CIE standard illuminant D65 and A. The mean values of root mean square errors between the original and reconstructed spectra were also calculated. The experimental results show that the proposed two methods significantly outperform the standard PCA and another two weighted PCA in the aspects of colorimetric reconstruction accuracy with very slight degradation in spectral reconstruction accuracy. In addition, weight functions with the CIE standard illuminant D65 can improve the colorimetric reconstruction accuracy compared to weight functions without the CIE standard illuminant D65.     

兼顾色度和光谱精度的多光谱图像LabW2P编解码

针对可见光多光谱图像在通用领域的应用,为提高压缩效率,有效提升重建光谱曲线的色度及光谱精度,进一步存储传输,提出了一种非线性光谱反射率模型,并基于此设计了复杂度适中、光照稳定性好且支持光谱跨设备再现的LabW2P编解码算法。首先根据多光谱图像物理特性,提出非线性光谱反射率模型,将光谱数据表示为线性成分和差别光谱,线性成分由六维变换空间及光谱投影系数组成,差别成分为非线性表示成分,该模型用于光谱数据至不同基变换空间的分解及表示,为算法的构建,光谱及色度重建性能的提升,提供了理论基础;然后,根据人眼视觉系统特征、光照条件,借助CIE标准色度空间转换函数,提取光谱反射率中的三维色度信息Lab,保证重建图像的色度精确性;基于光谱非线性表示模型,采用类视觉曲线的三角函数基,提取线性成分前两维投影系数作为光谱编码的后两维W₁和W₂,用于近似描述CIERGB色度空间中R和G通道,同时有效提高光谱数据的色度和光谱还原度;利用误差补偿机制生成预测差别光谱,采用主成分分析（PCA）法提取其第一维主成分作为编码值P,补偿了线性光谱重建误差,并进一步提升了光谱精确性;最后,组合提取的三部分数据,形成LabW2P编码。LabW2P解码即编码的逆过程。首先,根据Lab及W₁和W₂,结合CIELAB至CIEXYZ色度空间转换函数、光照条件、CIE标准观察者色匹配函数、及三角函数基,采用最小二乘回归,获得变换空间上的重建投影系数,进而重建线性光谱数据;然后,根据P值,采用PCA逆变换,获取重建预测差别数据,最后,结合两部分重建数据,获得光谱重建图像。实验分析显示,LabW2P算法的平均色度精度为0.207 6,较经典的PCA,LabPQR和LabRGB法分别提升了81.54%,55.48%,32.29%,最大平均色差为0.507 0,此外均处于0～0.5之间,达到了视觉难以辨认的可忽略色差的色彩重建水平;平均光谱精度为0.012 7,较PCA性能稍弱,较LabPQR和LabRGB法分别提升了13.01%,6.62%,表明LabW2P编码法的色度和光谱重建性能优势明显。此外该算法可直接用于物体色估计,较PCA和LabPQR法,传输附加信息少,可达压缩比更高。     

Initialization of nonnegative matrix factorization by Gaussian primaries for reconstruction of spectral data

The Gaussian and Gaussian-sigmoidal primaries are introduced as initialization functions in the nonnegative matrix factorization (NNMF) method to achieve more consistent error statistics. The proposed NNMF method with multiplicative update algorithm is employed for reconstruction of spectral data of Munsell and Colorchecker DC datasets from the corresponding CIEXYZ tristimulus values and the resultant achievements are compared with those obtained from PCA and the classical NNMF techniques. Both colorimetric and spectrophotometric errors between the original and the reconstructed spectra are used for the evaluation of reconstruction methods. While run to run variability of the classical NNMF method with multiplicative update algorithm is significantly remarkable, the stability of the suggested technique is fairly high, similar to the PCA method. The ensuing findings show that the embedding of Gaussian initializing vectors in NNMF method provide the all positive bases that enhance both the accuracy of Gaussian method and the reliability of NNMF technique.     

基于同色异谱黑理论的非线性复合模型光谱重建研究

同色异谱现象是光谱反射率重建与颜色再现中的一个重要问题。采用三基色CCD相机采集CIE标准光源D65下的颜色样品信号,建立非线性复合模型,使用主成分分析结合神经网络的方法(PCA-NET)改进基于同色异谱黑理论的R矩阵算法,对标准Munsell色卡光谱重建进行研究。在保证给定照明条件下的色度精度同时,对光谱重建的结果进行了实验评价和讨论。实验结果表明,在给定的照明条件下,PCA-NET算法能够准确的拟合相机输出信号与主成分系数之间的非线性关系, 将其代替线性算法应用于R矩阵算法中时,测试集的平均均方根值是未改进R矩阵算法的0.76,平均标准差是R矩阵算法的0.85,可有效提高光谱反射率的重建精度。改进后的R矩阵算法具有精度较高、操作简单易实现的特点, 可用于对重建色度精度及光谱精度均要求较高的领域。     

Adaptive non-negative bases for reconstruction of spectral data from colorimetric information

The positive basis functions of the reflectance spectra of Munsell color chips are extracted by using the classical nonnegative matrix factorization method. Different numbers of basis, i.e., 3 to 5, are determined and used as projection spaces. The spectral reflectances of samples are defined in the desired compact spectral spaces and the performances of the spaces are evaluated through the cost of the “lost data” by computing of the root mean square error between the actual and the reconstructed spectra as well as the corresponding color difference values under different viewing conditions. The method is also compared with the most welcomed technique, i.e., principal component analyzing, and its priority is shown to some extent in the three dimensional space. To show the importance of the spectral behaviors of samples in the dataset on the extracted basis and consequently the error of the spectral reconstruction trial, the adaptive non-negative matrix factorization method is introduced and examined in the reconstruction of spectral data from the colorimetric tristimulus values. The suggested method weights the samples in the database proportional to the colorimetric differences between the specimens in the dataset and the sample whose spectral has been aimed, prior to the extraction of all positive bases. The root mean square errors between the actual and the reconstructed spectra as well as the metamerism indices under A and F11 illuminants are calculated and the results show considerable improvement over the classic non-negative matrix factorization method as well as the principal component analyzing technique.     

基于宽色域色彩光谱样本集的色度校正方法研究

在跨媒体色彩再现流程中,受色彩再现场景光源及设备呈色机理等因素的影响,同一色彩信息在不同数字媒介之间进行传递时,往往存在色彩传递失真现象,该问题严重影响了现阶段影像色彩复制与传递的客观准确性。色度校正旨在克服上述色彩失真问题,进而提升影像色彩信息传递品质。现有色度校正方法主要可分为色适应变换类算法以及回归校正算法两大类,目前由于此两类方法所采用的训练样本普遍色域过小,故其往往导致在高饱和度色彩区域色度校正误差较大。为此,研究提出了一种基于宽色域色彩光谱样本集的新型色度校正方法。通过各类典型色彩光谱样本的收集与制备,构建了具有广阔色域范围的典型色彩光谱样本集,并在此基础上结合色域划分及色纯度寻优方法实现了现有回归校正模型建模样本的扩充与优化,显著提升了现阶段色度校正算法的校正精度。实验结果显示,在各类照明组合条件下,相比于现有色适应变换类方法以及回归校正类方法,所提出的色度校正方法可将以CIEDE2000色差公式表示的色度校正误差降低15%左右,对于高饱和度色彩区域其对应降幅可达40%左右。该方法的提出,将为未来数字影像色彩复制领域色彩再现技术的发展,提供有效的理论与方法支撑。