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.     

一种基于RBF神经网络的打印机光谱预测模型

本文提出一种基于RBF(Radial Basis Function,径向基函数)神经网络的打印机光谱预测模型,通过扩展神经网络模型输入变量的项数提高模型的预测精度,扩展项多采用通道驱动值的交叉值、平方值.实验结果表明[1cmy]项的引入能够有效提高模型的预测精度,同时提高网络的泛化能力.而引入[cm² cy² mc² my² yc² ym²]项会导致模型预测精度以及泛化能力降低.[1 cmy]、[c²m²y²]和[cm cy my]项的组合在预测精度和模型泛化能力上均是最优化的,对总样本预测的色度精度为0.475ΔE₀₀,光谱精度RMSE为0.43%.因此选择[1 cmy c²m²y² cm cy my c m y]作为输入变量的RBF神经网络训练模型是满足高精度光谱预测的最优模型.     

基于主成分分析的彩色扫描仪光谱特性化

为了实现扫描仪在不同光源、不同观察者条件下准确获取颜色信息,最大程度的避免同色异谱现象,本文采用光谱的方法对扫描仪进行特性化处理,通过多项式回归和BP神经网络分别与主成分分析法结合,首先对检测样本的光谱反射率进行主成分分析,提取主成分与主成分系数,通过实验得到主成分系数与多项式回归、BP神经网络结构之间的转换模型,实现了扫描仪低维RGB信号对原始光谱反射率信息的重构,进而实现扫描仪的光谱特性化.实验结果表明,多项式项数为19项时,达到训练样本的均方根误差为1.7%,检测样本的均方根误差为1.9%.而包含15个隐层节点的单隐层BP神经网络结构为比较合理的网络结构,达到训练样本的均方根误差为1.3%,检测样本的均方根误差为1.5%.对彩色扫描仪的特征化处理,采用多项式回归法得到光谱特性化精度较低,采用BP神经网络模型能够实现更高的光谱特性化精度.     

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。