CN104918030A - 基于elm极限学习机的色彩空间转换方法 - Google Patents

Abstract

本发明公开了一种基于ELM极限学习机的色彩空间转换方法，其特征在于，包括如下步骤：步骤1：采用专业测量仪器测得不同RGB驱动值经过显示器输出的XYZ的参数值，建立样本集；步骤2：根据所述步骤1所述的样本集，以及输出期望值，建立单隐层神经网络模型，给定隐层输出函数及隐层节点个数，随机生成隐层节点参数，计算隐层输出矩阵，最后得到单隐层神经网络最优权值；步骤3：根据步骤2获得的神经网络训练结果，建立RGB到XYZ色彩空间的转换模型。本发明实现了神经网络结构的优化以及简化，使得训练得到的网络能够快速重建，用于实际工程中实现RGB到XYZ转换的计算。

Description

基于ELM极限学习机的色彩空间转换方法

技术领域

本发明涉及一种基于ELM极限学习机的色彩空间转换方法，属于数字图像处理技术领域。

背景技术

色彩空间转换是对同一个对象以不同的描述方式之间的映射。有一些转换，较为简单，如设备无关的色彩空间转，RGB到YUV，这种映射主要是一个线性变化，最为简单，另外如RGB到HSL的转换就相对较为复杂，计算中涉及多个非线性运算符，转换本身不具备可逆性，而另外一些转换甚至只能是一个非线性拟合的过程，尤其是针对测量设备。测量设备本身并不具备人眼那样的色彩分辨能力，而且在色彩数据量化过程中与色彩本身的真实数组不具备线性对应关系，测量数据可以认为是另外一种色彩空间。相同的色彩，设备不同、测量方法不同都会得到不同的结果。

以上原因导致测量数据和实际色彩数值(可以用不同的色彩空间表征)之间无法通过简单的算数表达式予以表述。因此需要建立色彩空间之间的转换模型，一般常用的算法包括：3D查找表法，多项式回归算法，神经网络算法，模糊逻辑算法。

对比几种色彩空间的转换方法，其中转换精度较高的是3D查找表法，但是高精度是用不断增加样本集数目换取的，样本集的增加同时也意味着查找需要的时间较长；多项式回归方法实现起来较为简单，但是转换精度较低，满足不了对色彩空间转换精度的要求。模糊逻辑方法的优势是适用性较强，但是内部结构以及内部规则很难确定，确定不当反而会降低转换精度。神经网络方法同样也具有适用性强的优势，同时方便对转换精度进行验证。

发明内容

为提高色彩空间转换的效率，使转换模型能在整个色彩空间范围内有较好的转换精度，会尽可能地增加样本集的数量，随着训练样本的增加，神经网络在色彩空间转换过程中的主要缺陷也会慢慢体现出来，一是会造成训练时间过长，二是收敛速度较慢。而且色彩空间转换是一个多输入多输出的网络模型，网络结构相对复杂，各输出端之间互相也会有一定的影响，使整体的转换精度下降。所以我们改进的目标是优化网络结构，加快神经网络的收敛速度，提高收敛的精度，并且缩短训练时间。

本发明的目的是克服现有技术存在的缺陷，提出一种基于ELM极限学习机的色彩空间转换方法，实现神经网络结构的优化以及简化，使得训练得到的网络能够快速重建，用于实际工程中实现RGB到XYZ转换的计算。

本发明采用如下技术方案：基于ELM极限学习机的色彩空间转换方法，其特征在于，包括如下步骤：

步骤1：采用专业测量仪器测得不同RGB驱动值经过显示器输出的XYZ的参数值，建立样本集；

步骤2：根据所述步骤1所述的样本集，以及输出期望值，建立单隐层神经网络模型，给定隐层输出函数及隐层节点个数，随机生成隐层节点参数，计算隐层输出矩阵，最后得到单隐层神经网络最优权值；

步骤3：根据步骤2获得的神经网络训练结果，建立RGB到XYZ色彩空间的转换模型。

优选地，步骤1还包括：显示器的R、G、B的取值范围都是0到255，可以形成1677万种色块，以N为步长，将0～255分割成N+1部分，按照RGB排列组合生成(N+1)*(N+1)*(N+1)个待测量样本；用CA-310色彩分析仪对(N+1)*(N+1)*(N+1)个色块进行测量，采集不同RGB值所对应的测得XYZ的参数值。

优选地，步骤2所述的单隐层神经网络包括输入层、隐层、输出层，输入层、隐层、输出层之间的输出关系可以通过下式来表示：

y＝f(net)

其中，y为输出，net为输入，f表示的是所述单隐层神经网络的激励函数；

net＝x₁w₁+x₂w₂+…+x_nw_n

优选地，激励函数包括线性函数、阀值函数、S型函数；线性函数为：

f(net)＝k·net+c

阀值函数为：

$f\left(\mathrm{net}\right)=\left\{\begin{array}{c}\mathrm{\β},\mathrm{net}\≥\mathrm{\θ}\\ -\mathrm{\γ},\mathrm{net}\≤\mathrm{\θ}\end{array}\right.$

其中，β,γ,θ为非负实数；当β＝λ＝1,θ＝0时，阀值函数变为阶跃函数。

优选地，S型函数包括对数S型函数、双曲正切S型函数；对数S型函数为：

$f\left(\mathrm{net}\right)=\frac{1}{1+e^{-\mathrm{net}}}$

双曲正切S型函数为：

$f\left(\mathrm{net}\right)=\frac{e^{\mathrm{net}}-e^{-\mathrm{net}}}{e^{\mathrm{net}}+e^{-\mathrm{net}}}=\frac{2}{1+e^{-2\mathrm{net}}}-1$

其中，对数S型函数的值域为(0，1)，双曲正切S型函数的值域为(-1，1)。

优选地，单隐层神经网络最优权值的计算公式如下：

$\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(x_j\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i(w_i\·x_j+b_i)=y_i$

其中，L为隐层神经元的个数，f为激励函数，β为输出层权值。

优选地，步骤3具体包括：利用ELM神经网络的权值w、阈值b以及输出层权值β，根据公式来构建色彩空间转换模型。

本发明所达到的有益效果：实现神经网络结构的优化以及简化，使得训练得到的网络能够快速重建，用于实际工程中实现RGB到XYZ转换的计算。

ELM：Extreme Learning Machine极限学习机器，神经网络研究中的一种算法，是一种泛化的单隐层前馈神经网络(Single-hiddenlayer feedforward network)。

附图说明

图1是本发明的ELM极限学习机的网络示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1是本发明的ELM极限学习机的网络示意图，本发明采用如下技术方案：基于ELM极限学习机的色彩空间转换方法，包括如下3个步骤。

步骤1：采用专业测量仪器测得不同RGB驱动值经过显示器输出的XYZ的参数值，建立样本集；显示器的R、G、B的取值范围都是0到255，可以形成1677万种色块，以N为步长，将0～255分割成N+1部分，按照RGB排列组合生成(N+1)*(N+1)*(N+1)个待测量样本；用CA-310色彩分析仪对(N+1)*(N+1)*(N+1)个色块进行测量，采集不同RGB值所对应的测得XYZ的参数值。

作为一种优选地实施例，以16为步长，将0～255分割成17部分，按照RGB排列组合生成4913个待测量样本。

步骤2：根据所述步骤1所述的样本集，以及输出期望值，建立单隐层神经网络模型，给定隐层输出函数及隐层节点个数，随机生成隐层节点参数，计算隐层输出矩阵，最后得到单隐层神经网络最优权值。

步骤2所述的单隐层神经网络包括输入层、隐层、输出层，输入层为d个点，输出层为m个点，输入层、所隐层、输出层之间的输出关系可以通过下式来表示：

y＝f(net)

其中，y为输出，net为输入，f表示的是所述单隐层神经网络的激励函数；

net＝x₁w₁+x₂w₂+…+x_nw_n

激励函数包括线性函数、阀值函数、S型函数；线性函数为：

f(net)＝k·net+c

阀值函数为：

$f\left(\mathrm{net}\right)=\left\{\begin{array}{c}\mathrm{\β},\mathrm{net}\≥\mathrm{\θ}\\ -\mathrm{\γ},\mathrm{net}\≤\mathrm{\θ}\end{array}\right.$

其中，β,γ,θ为非负实数；当β＝λ＝1,θ＝0时，阀值函数变为阶跃函数。

S型函数包括对数S型函数、双曲正切S型函数；对数S型函数为：

$f\left(\mathrm{net}\right)=\frac{1}{1+e^{-\mathrm{net}}}$

双曲正切S型函数为：

$f\left(\mathrm{net}\right)=\frac{e^{\mathrm{net}}-e^{-\mathrm{net}}}{e^{\mathrm{net}}+e^{-\mathrm{net}}}=\frac{2}{1+e^{-2\mathrm{net}}}-1$

其中，对数S型函数的值域为(0，1)，双曲正切S型函数的值域为(-1，1)。

单隐层神经网络最优权值的计算公式如下：

$\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(x_j\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i(w_i\·x_j+b_i)=y_i$

其中，L为隐层神经元的个数，f为激励函数，β为输出层权值。

步骤3：根据步骤2获得的神经网络训练结果，建立RGB到XYZ色彩空间的转换模型，具体包括：利用ELM神经网络的权值w、阈值b以及输出层权值β，根据公式来构建色彩空间转换模型。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.基于ELM极限学习机的色彩空间转换方法，其特征在于，包括如下步骤：

步骤1：采用专业测量仪器测得不同RGB驱动值经过显示器输出的XYZ的参数值，建立样本集；

步骤2：根据所述步骤1所述的样本集，以及输出期望值，建立单隐层神经网络模型，给定隐层输出函数及隐层节点个数，随机生成隐层节点参数，计算隐层输出矩阵，最后得到单隐层神经网络最优权值；

步骤3：根据步骤2获得的神经网络训练结果，建立RGB到XYZ色彩空间的转换模型。

2.根据权利要求1所述的基于ELM极限学习机的色彩空间转换方法，其特征在于，所述步骤1还包括：显示器的R、G、B的取值范围都是0到255，可以形成1677万种色块，以N为步长，将0～255分割成N+1部分，按照RGB排列组合生成(N+1)*(N+1)*(N+1)个待测量样本；用CA-310色彩分析仪对(N+1)*(N+1)*(N+1)个色块进行测量，采集不同RGB值所对应的测得XYZ的参数值。

3.根据权利要求1所述的基于ELM极限学习机的色彩空间转换方法，其特征在于，所述步骤2所述的单隐层神经网络包括输入层、隐层、输出层，所述输入层、所述隐层、所述输出层之间的输出关系可以通过下式来表示：

y＝f(net)

其中，y为输出，net为输入，f表示的是所述单隐层神经网络的激励函数；

net=x₁w₁+x₂w₂+…+x_nw_n

4.根据权利要求3所述的基于ELM极限学习机的色彩空间转换方法，其特征在于，所述激励函数包括线性函数、阀值函数、S型函数；所述线性函数为：

f(net)＝k·net+c

所述阀值函数为：

$f\left(\mathrm{net}\right)=\left\{\begin{array}{c}\mathrm{\β},\mathrm{net}\≥\mathrm{\θ}\\ -\mathrm{\γ},\mathrm{net}\≤\mathrm{\θ}\end{array}\right.$

其中，β,γ,θ为非负实数；当β＝λ＝1,θ＝0时，所述阀值函数变为阶跃函数。

5.根据权利要求4所述的基于ELM极限学习机的色彩空间转换方法，其特征在于，所述S型函数包括对数S型函数、双曲正切S型函数；所述对数S型函数为：

$f\left(\mathrm{net}\right)=\frac{1}{1+e^{-\mathrm{net}}}$

所述双曲正切S型函数为：

$f\left(\mathrm{net}\right)=\frac{e^{\mathrm{net}}-e^{-\mathrm{net}}}{e^{\mathrm{net}}+e^{-\mathrm{net}}}=\frac{2}{1+e^{-2\mathrm{net}}}-1$

其中，所述对数S型函数的值域为(0，1)，所述双曲正切S型函数的值域为(-1，1)。

6.根据权利要求1所述的基于ELM极限学习机的色彩空间转换方法，其特征在于，所述单隐层神经网络最优权值的计算公式如下：

$\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(x_j\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i(w_i\·x_j+b_i)=y_i$

其中，L为隐层神经元的个数，f为激励函数，β为输出层权值。

7.根据权利要求1所述的基于ELM极限学习机的色彩空间转换方法，其特征在于，所述步骤3具体包括：利用ELM神经网络的权值w、阈值b以及输出层权值β，根据公式 $\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(x_j\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i(w_i\·x_j+b_i)=y_i$ 来构建色彩空间转换模型。