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。