基于一维查找表的LCD特性化方法的研究

针对LCD显示器的颜色还原问题,根据一维查找表(1-Dimension Look-up Table,1D-LUT)方法,建立显示器设备颜色空间(RGB空间)与标准颜色空间(CIE XYZ空间)之间的颜色特性转换模型,采用CIE LAB色差评价方法,得到平均色差为1.56。并与GOG(Gain-Offset-Gamma)模型特性化结果对比分析,经GOG模型特性化后得到的平均色差为8.87。分析对比1D-LUT与GOG模型对LCD显示器特性化的适用性,为设备颜色的精确复现提供必要的依据。结果表明,1D-LUT相对于GOG模型特性化精度高,具有较好的颜色复现能力,适用于LCD显示器的特性化,而GOG模型不适用于LCD的特性化。     

基于一维查找表的LCD特性化方法的研究

针对LCD显示器的颜色还原问题,根据一维查找表(1-Dimension Look-up Table,1D-LUT)方法,建立显示器设备颜色空间(RGB空间)与标准颜色空间(CIE XYZ空间)之间的颜色特性转换模型,采用CIE LAB色差评价方法,得到平均色差为1.56。并与GOG(Gain-Offset-Gamma)模型特性化结果对比分析,经GOG模型特性化后得到的平均色差为8.87。分析对比1D-LUT与GOG模型对LCD显示器特性化的适用性,为设备颜色的精确复现提供必要的依据。结果表明,1D-LUT相对于GOG模型特性化精度高,具有较好的颜色复现能力,适用于LCD显示器的特性化,而GOG模型不适用于LCD的特性化。     

GA-BP神经网络结合PCA的多基色颜色预测模型

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(△Eab*)为1.669,光谱均方根误差(RMSE)为0.7％,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均△Eab*分别为3.267,2.776,2.175,光谱RMSE为0.97％,0.79％,0.76％)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.     

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LabPQR降维的多色打印机光谱特征化模型研究（英文）

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1.016NBS,模型的运行时间为2.03和9.05s。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。     

液晶显示器(LCD)光谱特征化

显示器特征化是颜色管理的关键问题之一,早期人们关注的是建立显示器驱动信号RGB和色度值XYZ之间的相互转换关系,文献中讨论最多的是GOG和PLCC模型。最近,为了实现同色同谱再现,显示器的光谱特征化成为研究的热点,而且显示器的光谱特征化在多光谱图像的再现有着重要应用。提出采用常用的GOG和PLCC模型进行光谱特征化。虽然GOG和PLCC模型是常用的显示器特征化模型,但文献还没有用这两个模型进行光谱特征化的讨论。首先基于通道独立性和各通道色品坐标恒定性的假设证明了GOG和PLCC模型均可用于显示器光谱特征化。然后基于目前常采用的专业显示器EIZO CG277和BENQ PG2401进行了比较研究,同时也分别探讨了采用纯色和灰阶数据进行训练GOG和PLCC模型。比较结果表明,采用灰阶数据训练的GOG和PLCC模型分别好于采用纯色数据训练的GOG和PLCC模型;不论从正向还是从逆向的角度考虑采用灰阶训练的PLCC模型的精度要比SRPPM和GOG模型高,而且PLCC模型的逆向远比SRPPM的逆向简单。因此建议采用灰阶数据训练的PLCC模型对液晶显示器进行光谱特征化。     

喷墨打印系统多光谱特征化正向模型的建立

随着光谱技术的发展,打印系统的光谱特征化模型成为研究热点。基于光谱匹配的特征化模型通过直接预测设备基色的光谱反射比数据,可以有效的减少同色异谱现象的发生,为实现高保真印刷提供条件。主要基于Yule-Nielsen修正的Neugebauer光谱模型,开展了关于12色打印系统光谱特征化模型如何提高模型精度的研究。首先通过对颜色测量仪器及测量条件、喷墨打印机打印系统进行稳定性及精确度验证,为后续样本设计和测量提供可行性依据。然后,建立该研究设备适用的正向YNSN模型。依据CIELAB颜色空间中明度值L*均匀分布的原则,设计并输出了1 331个测试样本,抽取部分样本做训练样本,对所建立的光谱的特征化正向模型进行验证。结果表明,基于光谱的特征化模型预测精度较高,具有明显的优势。经验证,通过引入Yule-Nielsen修正参数n值,可进一步改善光谱预测精度。     

基于多项式回归模型的扫描仪色度特征化

为了实现扫描仪精确的色度特征化,详细研究了多种不同项数、不同变换类型多项式回归模型,多项式的项数分别为3,5,9,11,18和20,变换类型包括扫描仪RGB空间到CIEXYZ或CIELAB空间的多种变换。以ANSIIT8.7/2标准色卡为色靶,对同一台扫描仪进行了色度特征化。实验结果表明,多项式项数小于11时,不同类型模型间的精度差异大,且线性化RGB能提高模型精度;项数大于11时,模型间精度差异缩小,而线性化RGB反而会降低模型精度。实验中,多项式项数为20时的RGB到CIEXYZ变换模型特征化精度最好,平均色差和最大色差分别为0.832和2.988 CIELAB色差单位。     

LCD液晶显示器的颜色特性研究

定量描述了液晶显示器的颜色特性以及对显示彩色图像的影响。在实验测量的基础上,得到了LCD液晶显示器的颜色特性数据。以3D LUT方法建立了设备颜色空间RGB与标准颜色空间L a b 之间的近似转换模型。通过分析比较它们的色域边界特性,了解了与CRT显示器颜色色域的差异以及影响显示彩色图像时颜色失真的特点。     

基于BP神经网络的数码相机特性化

由于数码相机的颜色空间是依赖于设备的,对于一个具体的数码相机,其光谱响应与设备独立的CIE标准观察者颜色匹配函数是一个非线性关系,因此不能真实复制场景的颜色。特性化彩色图像设备是提高图像的颜色复制质量的一个重要方法。介绍一种基于BP神经网络数码相机特性化方法。采用Munsell颜色系统作为目标色,大样本训练空间。测试了不同的网络结构和样本空间分布。训练样本平均色差为1.75CMC(1∶1)色差单位,测试样本为2.16。该方法在数码相机颜色测量、光谱重建等领域有广泛的应用前景。     

基于多项式模型法的低端数码相机的颜色特性化

近年来随着数字技术,以及彩色数字图像输入输出设备的不断发展和广泛使用,颜色在不同的设备之间精确的传递或再现成为该领域的重要课题。本论文以彩色数码相机特性化为研究内容,采用多项式转换方法,研究了多项式回归模型不同系数矩阵、不同训练样本对数码相机特性化精度的影响,得出了系数矩阵为11×3多项式模型时误差较小(2.874ΔE*ab)的结论,达到了实用水平。     

粉末涂料电脑配色的人工神经网络模型

提出一种基于多层BP人工神经网络的粉末涂料配方预测模型;用BP算法人工神经网络建立粉末涂料反射样品的标准色度参数与配方浓度参数之间的映射关系。把人工神经网络的配方预测模型应用到典型的粉末涂料样品的测配色实验过程中。实验结果表明,基于多隐层BP网的模型可以实现粉末涂料样品的配方浓度空间与标准三刺激值颜色空间的相互映射,对64个节点的平均训练精度达到了1个CIELAB色差单位。     

色貌模型的人工神经网络方法的研究

色貌模型(CAM)主要解决不同观察条件、不同背景和不同环境下的颜色真实再现问题。采用人工神经网络(ANN)的方法来实现目前最新的色貌模型CIECAM02的预测,包括正向预测(从色度参数到色貌属性参数)和逆向预测(从色貌属性参数到色度参数),应用自然色系统(NCS)中的部分色样作为神经网络的训练和测试样本。由于正向输出色貌属性参数空间不是均匀的,对于网络预测精度用特殊方法评估,而对于逆向模型则可直接利用LAB色差公式评价。测试的结果表明:用神经网络对CIECAM02模型的预测达到了较高的精度。     

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。     

基于分段色域颜色模型的高动态范围图像获取与合成

针对普通彩色相机采用多次曝光获取高动态范围图像的技术,提出了一种基于相机分段色域颜色模型的高动态范围图像获取及颜色合成的理论模型和实现方法.介绍了相机分段色域颜色模型的基本结构和建立方法.用NikonD70s彩色相机和修正的sRGB标准颜色转换模型对所提出的理论和方法进行了实验验证.结果表明,所提出的方法可以在普通彩色...     

基于墨量限制样本的打印机光谱特性化模型修正方法

打印机色彩特性化是打印色彩管理技术的关键。打印机特性化模型修正,是指针对因打印介质及墨盒更换等原因而造成的特性化模型精度下降问题,借助特定修正样本实现原始模型精度校正的过程。为进一步提高此类修正方法的建模精度与效率,提出了一种基于墨量限制样本的打印机光谱特性化修正方法,该方法充分利用新介质墨量限制过程所制备的墨量限制样本,在无需额外修正样本的条件下,实现了原始特性化模型的有效修正。研究以三类不同类型打印介质为例,以现有典型特性化模型修正方法为对照,通过实验对本文方法的有效性进行了验证。结果显示,该方法相较现有方法展现出更为优异的修正效果,在无需额外修正样本的条件下,其光谱修正精度可提升15%～20%,色度修正精度可提升10%～20%,实现了修正精度与效率的同步优化。     

CIECAM02-UCS based evaluation of colorimetric characterization modeling for a liquid crystal display using a digital still camera

A method for characterizing a liquid crystal display (LCD) was developed using a characterized digital still camera (DSC). Prediction accuracy of the method was evaluated through calculating the Euclidean distance between prediction and the corresponding reference in the most lately standardized color appearance model CIECAM02 with rescaled lightness. This paper describes a framework for obtaining a device-independent representation of displayed colors on the monitor with a less time-consuming method for accurate characterization. A DSC was first characterized using a polynomial model and then an LCD was characterized using two instruments: a tele-spectroradiometer and the characterized DSC. In total, five characterization methods were tested of which PLCC predicted the results most accurately.     

Recovery of spectral data using weighted canonical correlation regression

The weighted canonical correlation regression technique is employed for reconstruction of reflectance spectra of surface colors from the related XYZ tristimulus values of samples. Flexible input data based on applying certain weights to reflectance and colorimetric values of Munsell color chips has been implemented for each particular sample which belongs to Munsell or GretagMacbeth Colorchecker DC color samples. In fact, the colorimetric and spectrophotometric data of Munsell chips are selected as fundamental bases and the color difference values between the target and samples in Munsell dataset are chosen as a criterion for determination of weighting factors. The performance of the suggested method is evaluated in spectral reflectance reconstruction. The results show considerable improvements in terms of root mean square error (RMS) and goodness-of-fit coefficient (GFC) between the actual and reconstructed reflectance curves as well as CIELAB color difference values under illuminants A and TL84 for CIE1964 standard observer.