目前大多数小型印刷厂的油墨配色仍然是以人工配色作为其主要的配色方式,人工配色对配色师有很大的依赖性,而且配色周期长,油墨浪费现象严重。现阶段对计算机配色的研究主要是以KM理论和纽介堡方程为主。但是它们存在一些缺点:基于纽介堡方程的配色算法的配色精度较差;基于KM理论的油墨配色算法配色精度比较高,广泛应用于配色软件中,但是其配色过程中涉及大量的矩阵运算,而且配色过程中需要测量每种油墨和基底的光谱反射率,通常这种仪器价格都比较高,这对于一些小型的印刷厂来说,无疑造成了配色成本的增加。因此提出精度高成本低的油墨配色算法刻不容缓。本文首先对现在常用的油墨配色算法以及其修正方法做了实验验证,之后根据现有算法的一些缺点与不足,提出了将智能仿生算法应用到油墨配色中去。在智能仿生算法的选择上选用近几年应用非常广泛的BP神经网络,将其应用到油墨配色中去,由于初始化的权值和阈值对网络性能至关重要,所以采用遗传算法和粒子群算法分别对网络训练时初始的权值和阈值进行优化,这样BP神经网络在训练初期,不再使用随机地权值和阈值,从而改善了配色效果。本文取得的实验结果如下:(1)首先对基于KM理论和纽介堡方程的油墨配色算法进行实验验证。对基于新双常数KM理论的油墨配色算法进行实验验证。实验结果表明基于新双常数的配色精度可以满足印刷品对颜色精度的要求,但是经过分析可知道计算过程中涉及大量的矩阵运算,在循环逼近最优解的过程中,要经过多次迭代才能满足实验要求,运算过程比较复杂,而且实验过程中需要测量每种油墨和基底的光谱反射率,通常这种仪器价格比较高,这直接导致配色成本加大。对于一些没有该类设备的小型印刷厂来说无疑增大了对配色成本的投资。基于纽介堡方程的修正方法很多,在实验验证过程中分别对基于一阶线性回归修正、二阶曲线修正和指数修正的纽介堡方程的配色方法进行了实验验证。实验结果表明,基于一阶线性回归和二阶曲线回归修正的纽介堡配色方法的配色效果不能满足印刷品对颜色精度的要求,基于指数修正的纽介堡方程的配色方法可以满足印刷品对颜色精度的需要,但是它对色相的依赖性很强,即在同一色相下配色准确性很高,但是在不同色相下,配色准确性降低。因此在实际的生产应用中会使计算机配色系统变得比较复杂。(2)根据常见的配色算法存在的缺点与不足,本文提出使用BP神经网络对配色算法进行改进。选用五种改进的BP神经网络进行油墨配色,这五种配色方法结果虽有差异,但是基本上都能满足印刷品对颜色精度的要求。其中,BFGS拟牛顿算法的配色效果最好。只是在最初训练时,BP神经网络的初始权值和阈值是随机确定的,而初始权值和阈值的选择对网络性能至关重要,尤其对网络的稳定性至关重要。(3)根据上述原因,使用遗传算法和粒子群算法对BP神经网络分别进行优化,它们的优化原理实质上都是对训练初期的权值和阈值进行优化,在神经网络的训练初期不再使用随机的权值和阈值,而是使用优化后的权值和阈值。实验结果表明,优化后的BP神经网络的配色算法的配色效果要优于仅使用BP神经网络的配色算法。但是遗传算法优化的BP神经网络存在一个致命的缺点,就是训练时间比较长,这对于一些要求高效的企业来说是不允许的。粒子群算法克服了这一缺点,而且算法精确性和稳定性都可以满足实际生产的需要。