CN103870689A - 一种打印印刷系统光谱预测方法 - Google Patents

Abstract

一种打印印刷系统光谱预测方法，包括在打印印刷系统的系统颜色空间中进行全局均匀采样得到CYNSN模型的建模样本，将建模样本输出并测量光谱反射率；以建模样本数据为基础，采用YNSN模型进行光谱值预测，构建CYNSN模型；随机采样得到BP神经网络的训练样本，输出并测量光谱反射率；确定各训练样本墨量值所对应的CYNSN模型最优n值，用BP神经网络拟合；对于系统颜色空间内任意点的墨量值，首先利用BP神经网络预测对应此墨量值的最优n值，随后用CYNSN模型进行光谱预测。本发明可以在提高建模效率的前提下获得较为理想的光谱预测结果，且实施方便，在基于打印印刷系统的色彩复制领域具有较强的适用性。

Description

一种打印印刷系统光谱预测方法

技术领域

本发明属于打印印刷色彩复制技术领域，具体涉及一种打印印刷系统光谱预测方法。

背景技术

打印印刷色彩复制技术具有色域宽广、层次丰富、细节清晰等特性，是国内外影像复制领域的一大主流技术。此项技术以用户输入的影像色彩信息为原始数据，依据预先建立的输入输出量之间的关联性模型，实现图像的色彩复制。在此过程中，从打印印刷墨量信息到输出色彩光谱信息之间的映射模型，称为正向光谱预测模型，其对应反向映射模型则称为反向光谱分色模型。在上述过程中，构建准确的光谱预测模型是准确描述打印印刷系统呈色特性、进而实现高保真分色复制的重要前提。因此，打印印刷系统光谱预测模型精度的高低，将直接影响打印印刷输出色彩的效果。

目前，在打印印刷呈色正向光谱预测领域，业界提出了诸多经典模型，如Murray-Davies公式，Neugebauer方程，Yule-Nielsen方程，YNSN模型，CYNSN模型等。其中，细胞分区形式的尤尔-尼尔森修正的光谱涅格伯格模型（Celluar Yule-Nielsen Spectral NeugebauerModel，简称CYNSN模型）是目前光谱预测领域精度最为理想的模型之一。该模型通过增加采样节点数的方法增加涅格伯尔基色数量，进而提高尤尔-尼尔森修正的光谱涅格伯格模型（Yule-Nielsen Spectral Neugebauer Model，简称YNSN模型）中非线性插值预测的精度。然而，由于此类模型的实质为增加采样节点数进而提高模型预测精度，当光谱预测精度无法满足要求时，其唯有大幅提高采样数量，故其建模过程较为复杂，建模成本较高。对于上述问题，目前学术界及工业界都尚未提出相应解决方法，以实现CYNSN模型建模效率与预测精度的综合提升。

发明内容

本发明的目的是为了解决背景技术中所述问题，提出一种打印印刷系统光谱预测方法。

本发明的技术方案为一种打印印刷系统光谱预测方法，包括以下步骤：

步骤1，在打印印刷系统的系统颜色空间中进行全局均匀采样，设采样得到数量为N的颜色色块样本作为CYNSN模型的建模样本，同时根据各采样节点对系统颜色空间划分细胞结构，得到CYNSN模型的细胞；

步骤2，将步骤1所得建模样本用打印印刷系统输出并测量光谱反射率，截取可见光范围内的光谱反射率数据；

步骤3，利用如下公式推导计算出CYNSN模型每一个细胞内任意原始网点面积率c_t相对应的有效网点面积率c_eff，其中c_t,upper,c_lower分别表示系统颜色空间内任意点所在细胞各墨色维度网点面积率的上限和下限，

$c_{\mathrm{eff}}=\frac{c_t-c_{\mathrm{lower}}}{c_{t,\mathrm{upper}}-c_{\mathrm{lower}}}$

步骤4，以步骤1所得N个建模样本为基础，以每个细胞内各顶点对应的光谱数据为涅格伯尔基色，结合步骤3所得每一个细胞内任意原始网点面积率相对应的有效网点面积率，采用YNSN模型对系统颜色空间内任意点对应的色彩信息进行光谱值预测，构建CYNSN模型；

步骤5，在系统颜色空间中，通过随机采样生成M个不同墨量值的颜色样本，作为BP神经网络的训练样本，M为预设取值；

步骤6，将步骤5所得BP神经网络的训练样本用打印印刷系统输出，并测量光谱反射率，截取可见光范围内的光谱反射率数据；

步骤7，令CYNSN模型中非线性修正系数n在预设区间以一定预设步长w均匀采样，以

CYNSN模型拟合光谱误差最小化为依据，枚举确定各训练样本墨量值所对应的CYNSN模型最优n值；

步骤8，用BP神经网络拟合M个训练样本的墨量值及对应最优n值之间的非线性函数关系；步骤9，对于系统颜色空间内任意点的墨量值，首先利用步骤8所构建的BP神经网络预测对应此墨量值的最优n值，随后对其利用步骤4所构建CYNSN模型进行光谱预测。

而且，设预设区间为[s,t]，预设区间下限s取值为-5，预设区间上限t取值为5，预设步长w=0.05。

本发明提出的一种打印印刷系统光谱预测方法，通过BP神经网络构建CYNSN模型中墨量信息与最优n值的关联性模型，以光谱预测过程中最优n值的动态选择实现了CYNSN模型的优化。其在建模效率与模型精度方面均明显优于包括CYNSN模型在内的其它经典模型，从而可以促进打印印刷系统更高效准确的发挥其色彩复制的能力，进而满足高保真彩色复制的需求。因此，本发明可以在提高建模效率的前提下获得较为理想的光谱预测结果，且实施方便，在基于打印印刷系统的色彩复制领域具有较强的适用性。由于本发明技术方案具有重要应用意义，受到多个项目支持：1.国家自然基金项目61275172，2.国家文物局文物保护领域科学和技术研究一般课题2013-YB-HT-034，3.国家973基础研究子项目2012CB725302。对本发明技术方案进行保护，将对我国相关行业竞争国际领先地位具有重要意义。

附图说明

图1为本发明实施例的流程图。

具体实施方式

本发明技术方案具体实施时可由本领域技术人员采用计算机软件技术实现自动运行。结合附图，提供本发明实施例具体描述如下。

如图1所示实施例提供的一种打印印刷系统光谱预测方法，一定幅度上提高了打印印刷系统光谱预测精度，获得了较为理想的光谱预测结果。实施例采用一台CMYK四色喷墨打印系统和FANTAC210克高光相纸，其中CMYK分别是青（Cyan）、品红（Magenta）、黄（Yellow）、黑（Black）四种颜色的英文简称。需要说明的是，本发明并不局限于四色打印机及特定纸张类型，对于多色打印印刷系统以及其他类型纸张介质同样适用。

实施例包括以下步骤：

1）在打印印刷系统颜色空间（即设备色空间、墨量空间）中进行全局均匀采样，采集数量为N的建模样本，同时以各采样节点将该系统颜色空间划分为一定数量和大小的细胞结构，得到CYNSN模型的细胞。

实施例对打印印刷系统的四色空间的各色维度进行5级均匀采样，包括在喷墨打印机的CMYK四色颜色空间，将CMYK各维度进行均匀5级采样，即单色墨量值范围为0—100，取0,25,50,75,100，如此可以采集到N=5×5×5×5=625个颜色色块样本作为CYNSN模型的建模样本，即625个颜色色块为采样的节点数，一共生成4⁴=256个细胞，每个细胞内有2⁴=16个节点组成。

2）将1）生成的建模样本，用打印印刷系统输出并测量其光谱反射率，截取可见光范围内的光谱反射率数据。

可见光范围一般为380nm—780nm。实施例将1)生成的建模颜色样本，用CMYK四色喷墨打印机和FANTAC210克高光相纸输出并用分光光度计测量其光谱反射率，截取380nm—780nm间隔的光谱反射数据，用作CYNSN模型建模样本数据。

3）利用如下公式推导计算出CYNSN模型每一个细胞内任意原始网点面积率c_t相对应的有效网点面积率c_eff。系统颜色空间有100⁴个点，任意网点面积率对应一个点。其中c_t,upper,c_lower分别表示系统颜色空间内任一点所在细胞各墨色维度网点面积率的上限和下限。

$c_{\mathrm{eff}}=\frac{c_t-c_{\mathrm{lower}}}{c_{t,\mathrm{upper}}-c_{\mathrm{lower}}}$

本步骤实现在1）所得CYNSN模型的每一个细胞内，对于任意理论面积率c_t，其在细胞内相对应的有效网点面积率求解。

4）以1）所述的N个建模样本为基础，以每个细胞内各节点对应的光谱数据为涅格伯尔基色，结合3）求解的每一个细胞内任意原始网点面积率相对应的有效网点面积率，采用YNSN模型对墨量空间内任意点对应的色彩信息进行光谱值预测，构建CYNSN模型。

实施例在构建CYNSN模型过程中，以625个CYNSN建模样本的墨量值数据为基础，以每个细胞内各顶点对应的光谱数据作为涅格伯尔基色，采用现有技术中的YNSN模型非线性插值的方法对颜色空间任意点进行光谱值预测。

5）在打印印刷系统色空间（墨量空间）中，通过随机采样的方法，生成M个不同墨量值的颜色样本，作为BP神经网络的训练样本。

具体实施时，建议M在300-800之间预设取值。实施例在喷墨打印机的CMYK四色颜色空间，通过随机采样的方法，即CMYK四维都分别在0～100内任意取值，生成308个不同色维度墨量值的颜色色块样本，作为建立BP神经网络的训练样本。

6）将5）采集到的BP神经网络训练样本用打印印刷系统输出，并测量其光谱反射率，截取可见光范围内的光谱反射率数据。

实施例将5）采集到的建模样本，用打印印刷系统（用CMYK四色喷墨打印机和FANTAC210克高光相纸）输出并用分光光度计测量其光谱反射率，截取380nm—780nm间隔的光谱反射数据，用作构建BP神经网络的训练样本数据。

7）令CYNSN模型中非线性修正系数n在预设区间[s-t]以一定预设步长w均匀采样，以CYNSN模型拟合光谱误差最小化为依据，枚举确定各训练样本墨量值所对应的CYNSN模型最优n值。

实施例中，预设区间下限s取值为-5，预设区间上限t取值为5,w预设取值为0.05。在利用CYNSN模型进行光谱预测时，令CYNSN模型非线性修正n值在[-5,5]，以步长0.05进行均匀采样，以CYNSN模型预测光谱精度误差最小化为依据，确定对任意颜色样本的最优n值。即在n取不同采样值的情况下，分别将CMYK带入模型预测得到光谱并与实际打印光谱进行比较，这样可以找出精度最高的情况所对应的n值，就是最优n值。

8）用BP神经网络拟合M个训练样本的墨量值及对应最优n值之间的非线性函数关系。

实施例中，以5）中随机生成的308个颜色样本光谱数据作为BP神经网络建模样本，以308个BP神经网络建模样本的各颜色维度的墨量值作为输入数据，以枚举计算308个CYNSN模型中对应最优n值为输出数据，构建BP神经网络。

9）对于系统颜色空间内任意点的墨量值，首先利用8）所构建的BP神经网络预测对应此墨量值的最优n值，随后对其利用4）所构建CYNSN模型进行光谱预测。即输入数据为任意墨量值，输出数据为预测光谱值。

利用BP神经网络，可以对任意墨量值得到对应最优n值。例如，对于C=15，M=25，Y=35，K=45的墨量组合，其BP神经网络预测CYNSN模型最优n值为1.45；对于C=45，M=35，Y=25，K=15的墨量组合，其BP神经网络预测CYNSN模型最优n值为-0.65；对于C=50，M=50，Y=50，K=50的墨量组合，其BP神经网络预测CYNSN模型最优n值为2.05。

通过本文所提出的方法，最终实现了CYNSN模型精度与效率的提升。其中，本例CYNSN模型优化方法共打印色块933个（5*5*5*5=625个建模样本和308个神经网络训练样本），其光谱预测精度显著优于打印5*5*5*5=625均匀采样色块所构建的CYNSN模型，且与打印6*6*6*6=1296均匀采样色块所构建的CYNSN模型精度基本持平。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种打印印刷系统光谱预测方法，其特征在于，包括以下步骤：

步骤1，在打印印刷系统的系统颜色空间中进行全局均匀采样，设采样得到数量为N的颜色色块样本作为CYNSN模型的建模样本，同时根据各采样节点对系统颜色空间划分细胞结构，得到CYNSN模型的细胞；

步骤2，将步骤1所得建模样本用打印印刷系统输出并测量光谱反射率，截取可见光范围内的光谱反射率数据；

步骤3，利用如下公式推导计算出CYNSN模型每一个细胞内任意原始网点面积率c_t相对应的有效网点面积率c_eff，其中c_t,_upper,c_lower分别表示系统颜色空间内任意点所在细胞各墨色维度网点面积率的上限和下限，

$c_{\mathrm{eff}}=\frac{c_t-c_{\mathrm{lower}}}{c_{t,\mathrm{upper}}-c_{\mathrm{lower}}}$

步骤4，以步骤1所得N个建模样本为基础，以每个细胞内各顶点对应的光谱数据为涅格伯尔基色，结合步骤3所得每一个细胞内任意原始网点面积率相对应的有效网点面积率，采用YNSN模型对系统颜色空间内任意点对应的色彩信息进行光谱值预测，构建CYNSN模型；

步骤5，在系统颜色空间中，通过随机采样生成M个不同墨量值的颜色样本，作为BP神经网络的训练样本，M为预设取值；

步骤6，将步骤5所得BP神经网络的训练样本用打印印刷系统输出，并测量光谱反射率，截取可见光范围内的光谱反射率数据；

步骤7，令CYNSN模型中非线性修正系数n在预设区间以一定预设步长w均匀采样，以CYNSN模型拟合光谱误差最小化为依据，枚举确定各训练样本墨量值所对应的CYNSN模型最优n值；

步骤8，用BP神经网络拟合M个训练样本的墨量值及对应最优n值之间的非线性函数关系；步骤9，对于系统颜色空间内任意点的墨量值，首先利用步骤8所构建的BP神经网络预测对应此墨量值的最优n值，随后对其利用步骤4所构建CYNSN模型进行光谱预测。

2.根据权利要求1所述实现打印印刷系统光谱预测方法，其特征在于：设预设区间为[s,t]，预设区间下限s取值为-5，预设区间上限t取值为5，预设步长w=0.05。

Images