论文部分内容阅读
人们的日常生活和科技进步都离不开色彩。人们期望通过设备能够反映出更加真实与丰富的色彩。基于颜色空间转换的颜色复原算法是颜色复原、颜色一致性传播以及颜色管理的关键技术。本课题在参考前人研究成果的基础上,对常用方法中的多项式回归法以及神经网络法进行了深入的研究。通过彩色图像采集设备采集数据,借助多项式回归以及神经网络的相关算法对这些数据建立一个颜色复原修正模型,对采集到的图像色彩进行修正,以实现颜色的精确复原。研究内容如下:(1)对基于多项式回归法的颜色复原进行了研究,分析了影响颜色失真的主要原因、给出了颜色复原方案。在研究传统多项式回归的RGB-L*a*b*颜色空间转换方法的基础上,对多项式回归用色调分区的方法进行了改进。采用色调分区的方法降低函数的非线性,减少多项式项数,简化计算。潘通色卡对比实验中,基于BP(back propagation反向传播)神经网络、基于全局多项式回归的颜色复原得到的最小色差分别为2.8476、2.857,而经过色调分区后的多项式回归颜色复原得到的平均色差为2.206,能比以上两种方法降低23%左右,能更有效地提高颜色复原精度。(2)对基于BP神经网络的颜色复原进行研究,在对基于传统BP神经网络以及基于遗传算法改进的BP神经网络的RGB-L*a*b*颜色空间转换进行分析与研究、找出各算法优劣的基础上,用强预测器与思维进化法结合对BP神经网络进行改进。将颜色图像采集设备所获取到的标准色卡的颜色数据作为输入信号,再将色卡的标准颜色数据作为输出值,最后利用基于强预测与思维进化法改进的BP神经网络算法建立输入与输出之间的映射。为了验证算法的广泛性,选择了IT8.7/2和IT8.7/4两种色靶进行实验。标准色靶IT8.7/2实验结果表明,强预测与思维进化算法结合后对BP神经网络进行优化,5次训练的平均色差从未经修正的21.108降到了3.49,比其它算法的平均色差小0.6-1.5,而且每次训练的结果都非常良好。色靶IT8.7/4实验结果表明,基于强预测与思维进化算法的BP神经网络颜色复原方法修正后,色差从未经修正的18.919降到了4.949,比其它算法的平均色差小0.2以上,色差D<5 E从0%提高到了53%,比其它算法高3个百分点以上。5次训练的结果相差不大,效果均优于其他的方法。由此证明,基于强预测与思维进化算法的BP神经网络颜色复原方法能更有效地提高颜色复原精度,同时减少了实验次数。