随着社会的进步与发展,人们对于物体颜色的复现精度要求越来越高。像RGB、XYZ或Lab等色度值已经很难准确表示物体颜色信息,而光谱反射比是光线经过物体反射之后所呈现颜色的一种性质,用其可准确表示物体颜色。在日常生活中,人类皮肤光谱反射比已经广泛应用于人脸识别,动画渲染和化妆品制造等行业中,但是国内在该方面研究较少,本文将对皮肤光谱反射比的重建算法进行研究。传统上,人们利用分光光度计去测量物体的光谱反射比,这种方法虽然结果精确,但是也有很多缺点,比如该仪器为接触式测量仪器,一次只能测量一个色块,并且要求测试样品表面必须为均匀表面,而且价格昂贵。近些年,人们利用数码相机获取物体的颜色信息的方式很好的弥补了分光光度计的不足,但其测量精度要低于分光光度计,所以如何利用数码相机RGB响应值准确地重建光谱反射比成为了当今研究热点之一。本文致力于利用数码相机RGB响应值重建人类皮肤光谱反射比。根据重建算法中输入颜色信息不同,从直接重建(即相机RGB响应值)和间接重建(即通过特征化模型获得XYZ三刺激值)两个角度去重建光谱。由于间接重建过程中需要建立相机RGB响应值和XYZ三刺激值之间的特征化模型,本文中利用多项式模型法获得特征化矩阵,比较了普通多项式模型和根多项式模型的转换精度,实验结果表明,多项式模型与模型阶次、扩展项数和训练样本都有关,两种模型在3阶和4阶时可以给出较好的表现。在直接重建法中,由于很多情况下相机敏感度函数信息是未知的,所以本文比较了不同重建算法在已知和未知相机敏感度时的光谱重建精度。结果表明,在真实场景(存在噪声)中,已知相机敏感度的维纳估计表现最好,其次是相机敏感度未知的伪逆法和主元分析法。本文利用多光源技术结合传统三通道相机模拟多通道相机成像,验证了合理的光源组合而成的多通道相机可提高光谱重建精度,同时验证了更小的采样间隔和更高图像位数可以获得更好的光谱重建精度。光谱重建的过程往往都会用到标准色卡,但由于标准色卡往往数目较大且存在冗余,大大增加了计算量。为了可以用少量的样本去表示全部光谱和色度信息,本文提出了一种基于色差大小进行样本选择的方法。首先,计算原始训练样本与某个测试样本之间的色差大小并升序排列,然后,选出色差小于某一限定值的样本作为该测试样本的优化的训练样本集,接着,利用优化的训练样本集去重建该测试样本。以此类推,可以得到每一个测试样本的重建光谱。与现有方法相比,本文提出的样本优化方案有着更好的均方根误差以及色差表现。