基于人眼视觉和残差补偿的光谱降维模型的研究（英文）

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。     

加权视觉特性的PCA空间内光谱域映射模型

针对跨媒体光谱颜色复制过程中出现的设备光谱域不一致问题,在加权人眼视觉特性的主成分分析(PCA)光谱降维空间内构建了一种光谱域映射模型。利用标准色度观察者匹配函数构造权重系数,对高维光谱进行加权,采用PCA提取加权光谱的前三个主元,以构造低维加权PCA空间,在加权PCA空间内引入分区最大化色域边界描述算法描述设备光谱域,对超设备光谱域的颜色光谱进行裁切以映射到设备光谱域内。实验证明,新模型相比于常用的PCA空间内的光谱域映射模型而言,更能达到视觉感受的匹配,可以更为有效地解决设备光谱域不一致的问题。     

基于人眼视觉特性的光谱降维模型研究

针对传统光谱降维方法其降维重构后的光谱数据仅是对原始光谱的数学逼近,会出现光谱误差较小但颜色色差较大的缺点,创新性的提出三种将人眼视觉特性与光谱降维相结合的方法。其中,VPCA法直接将光谱光视效率函数加权到原始光谱上再进行降维,LMSPCA方法用LMS视稚响应构建加权矩阵对原始光谱加权后再进行降维,在LMSPCA法中加权矩阵的构建有两种方式,其主要区别在于视稚响应偏差的求取方式不同。方式一中,L,M,S视稚响应偏差是各对应波长上的偏差取绝对值,而方式二中,其偏差是各对应波长上的偏差平方。LMSPCAs法在LMSPCA法基础上再采用PCA(主成分分析)方法对损失的光谱进行降维。实验结果表明VPCA法降维效果较差,LMSPCA法的两种加权矩阵降维效果接近,皆可显著提高降维模型的色度精度,但会降低模型的光谱精度,LMSPCAs法由于针对LMSPCA法因光谱加权引起的光谱损失再进行光谱补偿,其在光谱精度、色度精度以及变光照条件下的色差稳定性这三个方面都能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。     

色彩再现的多光谱图像压缩

针对多光谱图像在色度高保真再现等领域的应用,为提高压缩效率,进一步存储传输,提出了WF系列编码方法,设计了APWS_RA算法,进而提出了一种低复杂度、光照稳定性好且支持跨设备再现的WF_APWS_RA压缩算法。首先研究了现有的基于光谱均方误差的小波嵌入编码原理,提出了色感应失真准则和视觉特性矩阵W;同时,优化了APWS编码算法的码率分配,形成APWS_RA编码算法;最后,结合以上技术,以色度误差准则指导编码,对视觉加权后的多光谱图像数据进行aPWS_rA编码,命名为WF_APWS_RA。WF_APWS_RA算法融合人眼视觉特性矩阵W,利用吸引力传播(Affinity Propagation)聚类挖掘加权图像的谱间冗余,小波变换去除其空间冗余,最后结合误差补偿机制和码率分配策略进行小波编码。实验表明,在相同比特率下,较现有低复杂度经典编码算法,WF系列编码方法能更有效地保留光谱中的色度信息,APWS_RA算法的重建光谱误差最小,WF_APWS_RA算法的重建色度精度优势明显。     

色彩再现的多光谱图像压缩

针对多光谱图像在色度高保真再现等领域的应用, 为提高压缩效率, 进一步存储传输, 提出了WF系列编码方法, 设计了APWS_RA算法, 进而提出了一种低复杂度、光照稳定性好且支持跨设备再现的WF_APWS_RA压缩算法。首先研究了现有的基于光谱均方误差的小波嵌入编码原理, 提出了色感应失真准则和视觉特性矩阵W;同时, 优化了APWS编码算法的码率分配, 形成APWS_RA编码算法;最后, 结合以上技术, 以色度误差准则指导编码, 对视觉加权后的多光谱图像数据进行aPWS_rA编码, 命名为WF_APWS_RA。WF_APWS_RA算法融合人眼视觉特性矩阵W, 利用吸引力传播(Affinity Propagation)聚类挖掘加权图像的谱间冗余, 小波变换去除其空间冗余, 最后结合误差补偿机制和码率分配策略进行小波编码。实验表明, 在相同比特率下, 较现有低复杂度经典编码算法, WF系列编码方法能更有效地保留光谱中的色度信息, APWS_RA算法的重建光谱误差最小, WF_APWS_RA算法的重建色度精度优势明显。     

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。     

基于视觉感知的光谱评估尺度（英文）

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。     

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。     

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.     

具有颜色恒常性的光谱反射率重建

给定物体三刺激值,重建物体反射率在跨媒体颜色复制领域有着重要应用.常见的重建反射率算法包括基向量法、维纳估计法、加权伪逆方法等,这些方法大多都是为了建立由低维度三刺激值或者RGB向高维度光谱反射率的映射关系,以重建的反射率与原始反射率的接近程度为评价指标,并且需要光谱反射率数据进行训练.但是很多工业领域在产品设计时都需...     

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.     

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。     

基于主成分分析的光谱重建训练样本选择方法研究

训练样本构成是影响光谱重建精度的一个重要因素,针对学习型光谱重建算法中训练样本选择问题,提出了一种基于主成分分析的训练样本选择方法。为了保证训练样本与重建样本的相似度,首先根据欧式距离最小原则从待选样本集中选择与重建样本相机响应值相似的样本,并去掉其中的重复样本;然后进行主成分分析;设定阈值筛选各主成分系数较大的样本作为训练样本,最后得到与主成分个数相同的训练样本子集。为验证该方法的有效性,通过在镜头前加载宽带滤色片搭建多通道图像获取系统采集多通道图像信息,将得到的各样本子集用作训练样本,利用伪逆法重建光谱信息,最后将重建的光谱精度与常用的训练样本及训练样本选择方法得到的重建光谱精度进行比较。实验结果表明：提出的方法显著提高了光谱重建的色度精度和光谱精度,优于常用的样本选择方法,能较大程度满足高精度颜色复制要求。     

基于遗传算法选择多光源下的光谱反射率重构研究

为解决基于RGB三通道信息值重构光谱反射率精度不理想的问题,提出了一种优化的基于RGB三通道信息的光谱反射率重构算法。首先编码产生随机选择多个光源的个体,RGB三通道值通过多项式回归算法预测多个光源下的三刺激值,并采用伪逆法进行多光源下的光谱反射率重构,然后将样本的重构精度作为个体的适应度评估值,以优胜劣汰,适者生存为原则对个体进行选择、交叉、变异操作,最后得到适用于颜色样本光谱重构的多个光源与基于这些光源重构得到的光谱反射率。实验选用Munsell颜色集作为训练样本集,RC24色卡、SG140色卡作为检测样本集,8个标准光源和82个发光二极管光源作为实验光源,采用该算法从90个光源中选取最优的光源组合并重构得到样本的光谱数据,并与Zhang提出的基于穷举法选择的多光源下的光谱重构方法和A光源下的伪逆法进行了重构精度对比。实验结果显示该研究提出的方法随着光源个数的增加,光谱反射率重构精度提高,特别是光源个数增加到3时,光谱重构精度提高的幅度最大。在三种重构方法中,该方法重构RC24的平均色差和平均光谱均方根误差分别为0.332 4和0.002 9,而Zhang的方法与伪逆法的平均色差分别为0.429 3和3.266,平均光谱均方根误差分别为0.029 7和0.004 8;该文方法重构SG140的平均色差和平均光谱均方根误差分别为0.486 2和0.007 3,而Zhang的方法与伪逆法的平均色差分别为0.544 8和3.821 9,平均光谱均方根误差分别为0.035 6和0.013 3。结果表明基于多光源下的光谱反射率重构精度明显优于基于单个光源下的重构精度,而基于遗传算法的多光源选择方法又优于穷举法,它能够根据颜色样本自动寻找到最优光源组合,从而基于最优多光源下的三刺激值重构样本的光谱反射率,提高了光谱反射率重构的精度。     

Recovery of reflectance spectra from colorimetric data using principal component analysis embedded regression technique

The classical principal component analysis technique is enhanced for reconstruction of reflectance spectra of surface colors from the corresponding tristimulus values under a given set of viewing conditions, i.e., D65 illuminant and 1964 standard observer. In this paper, the number of implemented eigenvectors has been virtually extended from three to six by estimation of another set of tristimulus values under illuminant A and 1964 standard observer. The second set of colorimetric data was predicted by the conventional non-linear regression method and used in the spectral reconstruction to produce a fully determined system in the case of six eigenvectors. The improvement obtained from the proposed modification was examined for the recovery of the reflectance spectra of Munsell color chips as well as ColorChecker DC samples. The performance is evaluated by the mean, maximum and standard deviation of color difference values under other sets of light sources. The values of mean, maximum and standard deviation of root mean square (RMS) errors between the reproduced and the actual spectra were also calculated. Results are compared with those obtained from traditional methods using the principal component analysis (PCA) routine. All metrics show that the suggested method leads to considerable improvements in comparison with the standard PCA approach.     

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.     

基于非线性光谱字典学习的单幅RGB图像光谱重建方法研究

针对单幅RGB图像重建光谱图像中的病态问题,提出一种基于非线性光谱字典学习的非线性重建方法。为了适应线性和非线性数据,该方法首先改进了基于自联想神经网络模型的非线性主成分分析算法,并利用其从训练光谱集中学习低维光谱字典,用于光谱重建的求逆方程中,以缓解病态状况。再在此光谱字典基础上,利用阻尼高斯牛顿法结合截断奇异值分解的正则化方法,进一步缓解该非线性反演的病态问题,实现单幅RGB图像重建光谱图像。在实验中,采用Munsell以及Munsell+Pantone两个光谱训练集学习光谱字典,同时利用CAVE和UEA光谱图像库进行光谱重建测试。该方法测试结果与现有方法比较发现,该方法在不同光谱训练集下重建CAVE和UEA两库光谱图像的均方根差的平均值最低,分别为0.212 4, 0.255 4, 0.229 4和0.294 9,均方根差的标准偏差接近最好方法的效果,分别为0.068 5, 0.084 7, 0.066 8和0.087 0。此结果表明该方法针对单幅RGB图像重建光谱图像在重建精度和稳定性上均存在优势。