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。     

液晶显示器颜色特征化的分段分空间模型

为了提高液晶显示器(LCD)颜色特征化精度,根据液晶显示器色品恒定性和通道独立性较差的特点,提出了分段分空间模型。该模型首先用分段二次多项式拟合单通道驱动值和三刺激值的关系,然后再根据不同RGB子空间的颜色特性加上适当的干扰项对液晶显示器进行颜色特征化。实验结果表明,在训练样本和检验样本数分别为91和512时分段分空间模型的CIELAB平均色差为1.5881,最大色差为6.0249;通过与三维查找表、Mask、S-Curve及TPC模型的比较研究,验证了当训练样本数不多时分段分空间模型的颜色预测精度最高。     

彩色打印机特性化多元回归模型的研究

多元回归法是彩色打印机特性化普遍采用的方法,实验对影响多元回归精度的阶数、色空间选择、以及训练样本选取进行了研究.研究结果表明:(1)二、三、四阶的特性化精度分别在10.9±0.3、6.6±0.2、6.0±0.2个CIELAB色差单位;(2)回归模型采用RGB到CIELAB或CIEXYZ的预测精度基本相同,大概相差1个...     

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。     

CRT显示器稳定性实验研究

用屏幕色度计对一台SONY-G520显示器的显色特性进行了测量,研究了其开机稳定性和短、中、长期内的色差及色度偏差。实验结果表明,开机后,显示器的亮度Y和色度x,y分别可在2h,30min和1h达到相对稳定状态,且在达到相对稳定后,在短、中、长期内的平均色差分别为0.0611,0.1469和1.2536CIELAB色差单位;在中期内,Y,x,y,L,a,b的平均偏差分别为0.0663,0.0008,0.0015,0.0695,0.4740和0.1766。通过对显示器稳定性的测量,为在对比度敏感测量和色貌模型、图像质量、图像感知模型评价等研究领域中用显示器进行实验研究奠定了基础。     

彩色视觉装置的颜色校正对比实验研究

鉴于利用彩色视觉装置进行在线测量是颜色测量在工业应用发展的趋势,而光源的光谱分布和相机响应函数与人眼的光谱响应曲线的不一致会严重影响测量的精确性,在人工D65光源和LED阵列光源照明下,利用相同的工业相机获取校正图片,采用多项式回归方法在与设备无关空间sRGB和CIEL*a*b*空间进行校正。实验结果显示在校正前平均色差分别为27.68E和16.09E,人工D65光源照明下获取的图片色差较小,校正后不同光源下获取图片的色度趋于一致,分别为2.56E和2.39E。采用sRGB颜色空间,在校正精度、校正步骤、图片显示等方面都要优于CIEL*a*b*空间。以一幅拍摄的实际图片校正为例,显示了色度校正对彩色装置的重要性。     

基于阈上小色差的色差公式权重函数研究

利用心理物理实验的恒常刺激法,测得了在CIELAB颜色空间中a*b*平面上16个颜色中心的阈上小色差(约3ΔE*ab单位)色度椭圆.基于本实验和RIT-Dupont各16个非中性色颜色中心的彩度差和色调差数据分别拟合得到相应的彩度权重函数SC_ZJU07和色调权重函数SH_ZJU07.应用获得的视觉实验数据对六个基于CIELAB的典型色差公式的彩度和色调权重函数以及SC_ZJU07和SH_ZJU07的色差预测性能进行评价,结果表明所提出的SC_ZJU07和SH_ZJU07的预测性能均为最佳.对于彩度差数据,六个色差公式彩度权重函数的预测性能表现不佳;而对于色调差数据,CIEDE2000色调权重函数的预测性能明显优于其他公式.     

基于环境光检测的场景融合系统

基于深度相机和人眼检测模型实时返回观察者眼睛的位置坐标,利用坐标转换模型计算合理的显示区域,通过颜色传感器的颜色分量数据估计环境色温和亮度;根据提前标定的显示参数映射表调整显示状态,使其最接近环境光的色彩表现。搭建了场景融合实验系统,系统分为位置监测相机、图像采集相机、颜色传感器、显示设备、处理器五部分.分别在色温为6354 K,照度为160 lx的室内场景和色温为6197 K,照度为848 lx的室外场景下进行融合实验.实验结果表明,场景融合方案能够为不同位置的观察者调整显示画面,并根据环境光信息改变显示参数,融合效果优良,单次执行仅需283 ms.     

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。     

一种色度自适应投影标记点的选取方法

近年来,对物体的颜色显现力、光源光谱功率分布和自身表面反射光谱三者的定量关系方面的研究备受大家关注。在三维扫描测量领域,由于颜色特征具有反映物体材料和纹理等丰富信息的优势,提出了一种主要由彩色相机、投点光源和PC机组成的色度自适应投点仪结构,其中数字微镜(DMD)作为投点光源的核心元件用于调制R,G,B 三个LED光源的光谱功率分布。然而主动式标记点的颜色显现力因受未知反射光谱投影接受面的影响,其颜色特征往往难以识别和区分。为了提高投影标记点与不同反射光谱的投影接收面作为背景的分辨力,描述了一种色度自适应投影标记点的选取方法。在高维线性反射光谱建模的基础上,用光谱响应的方法对彩色投点仪设备特征化,以解决三通道彩色相机设备特征化精度低的问题。并通过样本训练为高维线性反射光谱的求解提供条件约束。继而,在CIE1931色度坐标空间下,选取与投影接收面背景色度坐标欧氏矩最大的色度坐标点。根据投点仪设备特征化结果,推导其LED最优设定值。最后,采用24孟塞尔色卡作为被投影对象,主动标记点与色块的色差作为其颜色显现力的评价参数,通过与激光二极管投点仪做对比性实验。实验结果表明对各不同色度的投点接受面,提出的色度自适应投影标记点的选取方法均有较好表现。     

基于物体表面色的超大色差评价

基于物体表面色样本的视觉评价,测试了典型色差公式对超大色差的预测性能.由18名观察者按照倍率法对60组颜色样本对进行心理物理视觉评价实验,获得视觉色差的评价数据.利用实验数据对两个常用色差公式CIELAB和CIEDE2000以及基于色貌模型的最新色差公式CAM02-UCS和CAM02-LCD的超大色差预测性能进行了详细的比较和分析,结果表明基于色貌模型的两个公式性能优异.同时,使用本实验视觉数据考察了Attridge等人提出的幂指数模型,并得到了一致的结论.     

颜色视觉匹配中明度阈值的评价

为了对颜色视觉匹配中的明度阈值特性进行评价,采用在阴极射线管显示器上获得的颜色刺激,在5个不同明度的中性色背景下,标准刺激的明度L*从5到95以5个CIELAB单位为变化步长,共对19个不同明度的中性标准颜色进行视觉匹配实验。通过对实验结果的处理和分析,验证了关于颜色刺激视觉辨别明度阈值与背景明度之间相关性的韦伯法则和crispening效应,同时利用颜色视觉匹配数据对基于CIELAB的相关色差公式进行了评价和比较,CIEDE2000具有最好的明度差预测性能,CMC次之,CIELAB和CIE94最差。     

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。     

用阴极射线管显示器研究影响色差知觉的因素

利用计算机控制的阴极射线管显示器研究影响色差知觉的因素,由一组观察者采用灰标法判断以16组不同参数显示的色样对的色差,获取了大量的观察数据。初步分析处理的结果表明,在本实验研究的各种观察因素中,色样轮廊线和背景颜色对色差知觉的影响比较明显;在所比较的国际照委员会1994年推荐的色差公式（CIE94）,国际照明委员会1976年推荐的颜色空间和色差公式（CIELAB）,伯兰福特色差公式（BFD）和英国颜色测量协会色差公式（CMC）四种色差公式中,BFD预测色差知觉的结果最好,CIELAB最差。在分析比较阴极射线管模拟色样和纺织吕表面色样的色差评估数据基础上,得出了人眼对阴极射线管荧屏色的色差知觉与表面的色差知觉达到最接近的两种观察条件。     

小范围内精确控制CRT显示颜色和色差的研究

目前CRT显示器颜色特性化的最高精度大约是0.5ΔEab。一些在CRT上进行颜色和图像视觉评价的实验要求在颜色中心小范围内能更精确地控制显示颜色和色差。实验中采用了线性插值特性化方法,并提出了一种小范围三通道相互影响的颜色控制方法。实验结果表明:该方法对L,a,b控制的精度分别是0.14,0.082,0.103;对三种色差CIELAB,CIE94和CIEDE2000的控制精度分别是0.18,0.18,0.22。     

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。     

LED显示屏色域边界的快速计算

为了快速计算出LED显示屏的色域边界,提出一种迭代求解映射线与色域边界交点进而拟合每个色相面内色域边界的算法。首先根据LED显示的色度学原理给出了颜色是否在LED显示屏色域内的判断方法。然后在CIELAB均匀颜色空间中,分析了迭代算法的原理,确定了迭代计算初始值,并进行了计算精度和速度分析。最后以D65为参照,在等色相面内进行了LED显示屏色域边界的拟合实验及色差分析。实验结果表明:11次迭代运算后,拟合色域边界已非常光滑,每条映射线上的色域边界点真实值和计算值最大色差仅为0.23。与插值类计算方法相比,最大色差值和计算速度分别降低和提高了一个数量级。本文算法在计算精度和速度上能够满足对LED显示屏进行色域分析和与其他显示设备进行色域映射的要求。     

基于孟塞尔系统的阴极射线管特性化新方法

提出了一种新的阴极射线管特性化的方法。该方法的特点是采用“视觉匹配”方法,在反射体表面色和白发光体之间映射一些色貌因素,但没有使用任何复杂的色貌模型。是一种考虑了一些色貌因素的阴极射线管特性化方法。由于该问题的个性因素较多,采用BP神经网络实现色空间的非线性映射。实验结果表明,只要阴极射线管被标定,在办公室环境下,该方法可以改进在不同的阴极射线管上重现的颜色。采用3-7-7-3简单的网络结构;分色相样本训练。训练样本平均色差可以达到3．07L^*u^*v^*色差单位,测试样本平均色差可以达到4．55L^*u^*v^*色差单位,小于阴极射线管的最大可接受色差,结果是令人满意的。这在电子商务和办公自动化方面有广泛的用途。     

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。     

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。