CN107341303B - 基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 - Google Patents
基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 Download PDFInfo
- Publication number
- CN107341303B CN107341303B CN201710519670.8A CN201710519670A CN107341303B CN 107341303 B CN107341303 B CN 107341303B CN 201710519670 A CN201710519670 A CN 201710519670A CN 107341303 B CN107341303 B CN 107341303B
- Authority
- CN
- China
- Prior art keywords
- information
- color
- ink
- model
- principal component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
一种基于墨量限制样本的喷印设备光谱分色模型校正方法及系统,包括制备涅格伯尔基色梯尺并以此完成墨量限制过程;利用插值算法求取与墨量不超限样本原始墨量值对应的模型限制算法输入墨量值,将其带入原有特性化正向模型,预测其光谱反射率;利用加权主成分法分别对模型预测光谱反射率信息以及墨量限制样本真实测量反射率信息进行降维,并利用神经网络构建降维后上述主成分空间之间的关联性;针对任意待复制色彩光谱反射率,结合前述加权主成分降维方法以及所构建的神经网络模型,预测其于现有模型中的等价反射率,并以此通过现有反向模型求解最终分色墨量值。本发明有效实现墨量限制过程与分色模型校正过程的统一,且实施方便。
Description
技术领域
本发明属于喷印色彩复制技术领域,具体涉及一种基于墨量限制样本的喷印设备光谱分色模型校正方法及系统。
背景技术
喷印色彩复制技术是目前影像色彩复制领域的主流技术,其通过喷印墨点的疏密排列与叠合,实现色彩的准确复制。在此项技术中,喷印设备分色模型构建是色彩复制过程中的关键环节,其实质为构建由待复制色彩信息至喷印设备墨量信息的映射模型。
目前,在喷印色彩复制技术领域,分色模型的构建都是以喷印色彩预测模型的建立为基础的。其中,喷印色彩预测模型含义为由喷印墨量信息至样本色彩信息的映射函数。可见,分色模型以及色彩预测模型实际上互为逆向过程,在本研究领域,通常将色彩预测模型简称为正向模型,将分色模型简称为反向模型,而将二者的集合过程称为喷印设备特性化建模。在实际操作过程中,本领域技术人员通常利用喷印设备针对特定墨量信息制备色彩样本,测量其色彩信息,并以此构建正向模型。随后,利用相关最优化算法,从数学角度对正向模型求逆,从而构建反向模型,即分色模型。
其中,基于光谱反射率的分色模型构建,在颜色精度方面代表了本技术领域的最高水准,相比于传统基于色度的分色方法,其可以显著降低复制过程中存在的同色异谱问题,实现无条件的颜色匹配。然而,由于光谱反射率信息具有高维性,为实现高精度分色模型的构建,需喷印制备大量的训练样本(本领域称为特性化样本)。因此,基于光谱的高精度分色模型虽然具有色彩复制准确的优势,但也同时存在建模较为复杂的问题。
与此同时,由于喷印设备在使用过程中,不可避免的会遇到喷印介质或喷印墨盒更换的问题,其都将导致原有分色模型的预测偏差。在此种情况下,本领域人员往往需要重新构建分色模型,影响工作效率。针对此问题,目前较为便捷的方法是构建分色模型校正函数,即通过打印特定训练样本(本领域称为校正样本),构建喷印设备状态改变前后色彩样本的关联性模型,以此实现对原有模型的校正。此类方法可以有效降低新分色模型构建所需要的训练样本数量,同时有效的利用了原有分色模型,实现了工作效率的提升。
参考文献1:Wang B,Xu H,Luo MR,Guo J.Maintaining accuracy ofcellularYule–Nielsen spectral Neugebauer models for different ink cartridges usingprincipal component analysis.JOSA A.2011;28(7):1429-35.
参考文献2:Soler P,Maria M,editors.Sparse Sampling for Inter-SubstrateColor Prediction.NIP&Digital Fabrication Conference;2008:Society for ImagingScience and Technology.
由于上述方法仍需打印额外的校正样本,故仍需耗费本领域技术人员额外的时间与精力。事实上,由于在喷印墨盒及介质更换时,首先都要对新的“介质-墨盒”组合进行墨量限制,其过程也需要喷印制备特定训练样本(本领域称为墨量限制样本)。因此,若能有效利用墨量限制样本,对分色模型进行校正,则可以省去校正样本的制备过程,从而提高效率。针对以上问题,目前学术界与工业界尚未提出相应解决方法。
发明内容
本发明的目的是为了解决背景技术中所述问题,提出一种基于墨量限制样本的喷印设备光谱分色模型校正方法及系统。
本发明的技术方案为提供一种基于墨量限制样本的喷印设备光谱分色模型校正方法,包括以下步骤:
步骤1,生成涅格伯尔梯尺原始墨量信息T,并以此制备涅格伯尔基色梯尺;
步骤2,判断步骤1中涅格伯尔基色梯尺的墨量阈值H,通过颜色测量设备测量获取步骤1中T所对应的有效光谱反射率信息R;
步骤3,基于步骤2中墨量阈值H,构建基于高维线性插值的墨量限制算法,并求取墨量限制后涅格伯尔梯尺墨量信息T’;
步骤4,利用插值算法求取与步骤2所得墨量不超限样本原始墨量值对应的、步骤3中墨量限制算法的输入墨量值;
步骤5,将步骤4中所求取输入墨量值代入现有特性化正向模型F,预测其对应光谱反射率信息R’;
步骤6,利用加权主成分降维方法,分别将步骤2中有效光谱反射率信息R以及步骤5中预测光谱反射率信息R’进行降维,得对应降维主成分信息P以及P’;
步骤7,利用神经网络算法构建步骤6中降维主成分信息P以及P’的关联性模型;
步骤8,对于任意待复制光谱反射率信息Rx,利用步骤6中针对有效光谱反射率信息R的加权主成分算法将其降维至主成分空间,得降维主成分信息Px;
步骤9,利用步骤7所构建神经网络,预测与降维主成分信息Px所对应的原有模型色彩信息主成分值Px’,随后,利用步骤6中针对预测光谱反射率信息R’的加权主成分算法,将其重建至光谱反射率空间,得等价光谱反射率信息Rx’;
步骤10,利用现有特性化模型中的反向分色模型B,对步骤9中的等价光谱反射率信息Rx’进行分色,所得墨量值即为分色模型校正后墨量值,分色模型校正完成。
优选地,步骤1中涅格伯尔基色梯尺级数应大于或等于20。
优选地,步骤6中加权主成分降维的维度应大于或等于5。
一种基于墨量限制样本的喷印设备光谱分色模型校正系统,包括以下模块:
涅格伯尔梯尺制备模块,生成涅格伯尔梯尺原始墨量信息T,并以此制备涅格伯尔基色梯尺;
颜色测量模块,判断涅格伯尔梯尺制备模块中涅格伯尔基色梯尺的墨量阈值H,通过颜色测量设备测量获取涅格伯尔梯尺制备模块中T所对应的有效光谱反射率信息R;
墨量限制模块,基于颜色测量模块中墨量阈值H,构建基于高维线性插值的墨量限制算法,并求取墨量限制后涅格伯尔梯尺墨量信息T’;
墨量反向求解模块,利用插值算法求取与颜色测量模块所得墨量不超限样本原始墨量值对应的、墨量限制模块中墨量限制算法的输入墨量值;
光谱预测模块,将墨量反向求解模块中所求取输入墨量值代入现有特性化正向模型F,预测其对应光谱反射率信息R’;
数据降维模块,利用加权主成分降维方法,分别将颜色测量模块中有效光谱反射率信息R以及光谱预测模块中预测光谱反射率信息R’进行降维,得对应降维主成分信息P以及P’;
神经网络构建模块,利用神经网络算法构建数据降维模块中降维主成分信息P以及P’的关联性模型;
待分色色彩降维模块,对于任意待复制光谱反射率信息Rx,利用数据降维模块中针对有效光谱反射率信息R的加权主成分算法将其降维至主成分空间,得降维主成分信息Px;
神经网络预测模块,利用神经网络构建模块所构建神经网络,预测与降维主成分信息Px所对应的原有模型色彩信息主成分值Px’,随后,利用数据降维模块中针对预测光谱反射率信息R’的加权主成分算法,将其重建至光谱反射率空间,得等价光谱反射率信息Rx’;
最终分色模块,利用现有特性化模型中的反向分色模型B,对神经网络预测模块中的等价光谱反射率信息Rx’进行分色,所得墨量值即为分色模型校正后墨量值,分色模型校正完成。
优选地,涅格伯尔梯尺制备模块中涅格伯尔基色梯尺级数应大于或等于20。
优选地,数据降维模块中加权主成分降维的维度应大于或等于5。
本发明提出的一种基于墨量限制样本的喷印设备光谱分色模型校正方法及系统,通过利用墨量限制过程所制备的色彩样本,结合原有分色模型进行色彩校正,省去了传统校正方法所需的校正样本制备测量环节,从而有效解决了技术背景部分所述问题。因此,本发明解决了由于墨盒或介质更换所导致的分色模型出现偏差的问题,且实施方便,在喷印色彩复制领域具有较强的适用性。
附图说明
图1为本发明校正方法实施例的流程图;
图2为本发明校正方法实施例中利用插值算法求取与墨量不超限样本原始墨量值对应的墨量限制算法输入墨量值的数据示意图;
图3为本发明校正系统实施例结构框图。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
如图1所示,实施例提供的一种基于墨量限制样本的喷印设备光谱分色模型校正方法,较为理想的解决了喷印设备分色模型的色彩校正问题,且省去了传统分色模型校正过程所需的校正样本制备及测量过程,故具有较高的应用价值。实施例采用某CMYK四色打印机,以某品牌高光相纸PA以某品牌亚光相纸PB为打印介质,模拟分色模型校正过程。即,首先以PA为介质构建分色模型,随后针对PB介质构建基于PA分色模型的校正模型(即PA介质墨量限制,分色模型等步骤皆已完成,PB介质未进行墨量限制以及分色模型构建)。需要说明的是,本发明并不局限于上述喷印情况,对于其它喷印情况(如不同喷印设备、不同介质等),本方法同样适用。
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。实施例提供的方法流程包括以下步骤:
步骤1、生成涅格伯尔梯尺原始墨量信息T,并以此制备涅格伯尔基色梯尺,而且,涅格伯尔基色梯尺级数应大于或等于20。
实施例中,采取21级采样针对CMYK四色打印机生成涅格伯尔梯尺原始墨量信息,共生成16*21=336样本点。其中,涅格伯尔梯尺为本领域公知,可参见:刘强.基于光谱色域最大化的喷墨打印墨量限制方法研究.光谱学与光谱分析.2013。在本实施例中,以单色C为例,其涅格伯尔梯尺为:C=0,C=5,C=10,C=15…C=100;以双色C+M为例,其涅格伯尔梯尺为C=M=0,C=M=5,C=M=10,C=M=15…C=M=100以此类推。
步骤2、判断步骤1中涅格伯尔基色梯尺的墨量阈值H,通过颜色测量设备测量获取步骤1中T所对应的有效光谱反射率信息R;
实施例采用本领域目前最为普遍使用的视觉判断方法确定墨量阈值H;随后,利用X-rite公司生成的I1ISIS型扫描式分光光度计测量步骤1中所有梯尺色彩样本信息,并删去墨量超过阈值H样本色彩信息,得有效光谱反射率信息R,其中共包含221个颜色样本。
步骤3基于步骤2中墨量阈值H,构建基于高维线性插值的墨量限制算法,并求取墨量限制后涅格伯尔梯尺墨量信息T’;
实施例采用的高维线性插值算法为本领域公知,可参见:Urban P,editor‘Inklimitation for spectral or color constant printing.11th Congress ofAIC(Sydney,Australia,2009);2009.
步骤4、利用插值算法求取与步骤2所得墨量不超限样本原始墨量值对应的、步骤3中墨量限制算法的输入墨量值;
实施例采用线性插值算法求取与步骤2所得墨量不超限样本原始墨量值对应的、步骤3中墨量限制算法的输入墨量值。以C+M双色梯尺为例,由步骤2中可知,其墨量阈值H为C=M=60,即双色墨量超过60即会出现墨量超限情况。因此,对于PB介质,其墨量不超限样本原始墨量值(C,M)应为(0,0),(5,5),(10,10)…(60,60)。若需求取与之对应的墨量限制算法的输入墨量值,则可分别将(0,0),(5,5),(10,10)…(100,100)带入墨量限制算法,求得其输出值,建立输入值与输出值间的函数关系,如图2所示。例如,图2中对于原始墨量值(50,50),其对应墨量限制算法输入值为(70,70)。
步骤5、将步骤4中所求取输入墨量值代入现有特性化正向模型F,预测其对应光谱反射率信息R’;
实施例中,对于介质PA的特性化正向模型F的构建,采用BPnCYNSN方法。该方法为现有技术,本发明不予赘述,可参见:Liu Q,Wan X,Xie D.Optimization of spectralprinter modeling based on a modified cellular Yule Nielsen spectralNeugebauer model.J Opt Soc Am A.2014;31(6):1284-94.随后,将步骤4中所求取输入墨量值代入现有特性化正向模型F,预测其对应光谱反射率信息R’
步骤6、利用加权主成分降维方法,分别将步骤2中有效光谱反射率信息R以及步骤5中预测光谱反射率信息R’进行降维,得对应降维主成分信息P以及P’;而且,加权主成分降维的维度应大于或等于5。
实施例所采用加权主成分降维方法为现有技术,该方法可有效提高不同光源条件下主成分压缩重建的整体色度精度,而仅以牺牲可接受程度的光谱精度误差为代价。详见:Cao Q,Wan X,Li J,Liu Q,Liang J,Li C.Spectral data compression using weightedprincipal component analysis with consideration of human visual system andlight sources.Optical Review.2016;23(5):753-64.此外,实施例将上述光谱数据降至6维。因此,实施例中降维主成分信息P以及P’皆为221*6维矩阵
步骤7、利用神经网络算法构建步骤6中降维主成分信息P以及P’的关联性模型;
实施例以降维主成分信息P为输入,以降维主成分信息P’为输出,采用三层BP神经网络构建步骤6中降维主成分信息P以及P’的关联性模型,其中神经网络为本领域公知,本发明不予赘述。
步骤8、对于任意待复制光谱反射率信息Rx,利用步骤6中针对有效光谱反射率信息R的加权主成分算法将其降维至主成分空间,得降维主成分信息Px;
以某青色样本光谱反射率为例,在实施例中,若要对该色彩进行复制,则可首先利用步骤6中针对有效光谱反射率信息R的加权主成分算法将其降维至主成分空间,得特定6维向量降维主成分信息Px。
步骤9、利用步骤7所构建神经网络,预测与降维主成分信息Px所对应的原有模型色彩信息主成分值Px’,随后,利用步骤6中针对预测光谱反射率信息R’的加权主成分算法,将其重建至光谱反射率空间,得等价光谱反射率信息Rx’;
实施例中,将步骤8中对应某青色样本的6维加权主成分向量降维主成分信息Px带入实施例于步骤7所构建BP神经网络,预测其对应的原有模型色彩信息主成分值Px’。随后,利用步骤6中针对预测光谱反射率信息R’的加权主成分算法,将其重建至光谱反射率空间,得等价光谱反射率信息Rx’。其中,Rx’为31维光谱向量。等价光谱反射率信息Rx’与任意待复制光谱反射率信息Rx的关联性在于,其对应于各自介质墨量色空间的墨量值相等。其中,加权主成分光谱重建同样为现有技术,参见Cao Q,Wan X,Li J,Liu Q,Liang J,LiC.Spectral data compression using weighted principal component analysis withconsideration ofhuman visual system and light sources.Optical Review.2016;23(5):753-64.
步骤10、利用现有特性化模型中的反向分色模型B,对步骤9中的等价光谱反射率信息Rx’进行分色,所得墨量值即为分色模型校正后墨量值,分色模型校正完成。
实施例中,将待分色青色样本待复制光谱反射率信息Rx对应的PA介质空间光谱反射率信息Rx’导入PA介质反向模型B,求取的对应墨量值为(C,M,Y,K)=(87,11,2,29)。其中,实施例中反向模型B采用序列二次规划算法构建,该方法为本领域公知,详见:Liu Q,Wan X,Xie D.Optimization ofspectral printer modeling based on a modifiedcellular Yule Nielsen spectral Neugebauer model.J Opt Soc AmA.2014;31(6):1284-94.由于等价光谱反射率信息Rx’与待复制光谱反射率信息Rx的关联性在于,其对应于各自介质墨量色空间的墨量值相等,故该墨量值即为对于PB介质,待分色青色样本待复制光谱反射率信息Rx所对应的墨量值。至此,分色模型校正完成。
为进一步证实本发明方法在光谱分色模型校正精度方面的优势,实施例随机选取了100个色彩样本,利用本发明所述分色模型校正方法,构建基于PA介质分色模型B而面向PB介质的分色模型。经最终测试,PA介质分色模型构建共需制备颜色样本1640个,其模型分色色度误差1.2(CIEDE2000色差公式),光谱误差0.009(RMS);若采用传统色差校正样本方式针对PB介质构建分色模型,则需制备样本600个,其模型分色色度误差2.2(CIEDE2000色差公式),光谱误差0.017(RMS);若采用本发明所述方法针对PB介质构建分色模型,则需制备样本336个,其模型分色色度误差2.0(CIEDE2000色差公式),光谱误差0.013(RMS)。可见,本发明高效的实现了光谱分色模型的色度校正,且实施方便。尽管受采用数量的制约,其模型精度低于原始模型,但仍处于理想水平。此外,与现有分色模型校正算法比较可知,本发明方法在建模精度及效率方面均优于现有方法。
本发明提供一种基于墨量限制样本的喷印设备光谱分色模型校正系统,包括以下模块:
涅格伯尔梯尺制备模块,生成涅格伯尔梯尺原始墨量信息T,并以此制备涅格伯尔基色梯尺;
颜色测量模块,判断涅格伯尔梯尺制备模块中涅格伯尔基色梯尺的墨量阈值H,通过颜色测量设备测量获取涅格伯尔梯尺制备模块中T所对应的有效光谱反射率信息R;
墨量限制模块,基于颜色测量模块中墨量阈值H,构建基于高维线性插值的墨量限制算法,并求取墨量限制后涅格伯尔梯尺墨量信息T’;
墨量反向求解模块,利用插值算法求取与颜色测量模块所得墨量不超限样本原始墨量值对应的、墨量限制模块中墨量限制算法的输入墨量值;
光谱预测模块,将墨量反向求解模块中所求取输入墨量值代入现有特性化正向模型F,预测其对应光谱反射率信息R’;
数据降维模块,利用加权主成分降维方法,分别将颜色测量模块中有效光谱反射率信息R以及光谱预测模块中预测光谱反射率信息R’进行降维,得对应降维主成分信息P以及P’;
神经网络构建模块,利用神经网络算法构建数据降维模块中降维主成分信息P以及P’的关联性模型;
待分色色彩降维模块,对于任意待复制光谱反射率信息Rx,利用数据降维模块中针对有效光谱反射率信息R的加权主成分算法将其降维至主成分空间,得降维主成分信息Px;
神经网络预测模块,利用神经网络构建模块所构建神经网络,预测与降维主成分信息Px所对应的原有模型色彩信息主成分值Px’,随后,利用数据降维模块中针对预测光谱反射率信息R’的加权主成分算法,将其重建至光谱反射率空间,得等价光谱反射率信息Rx’;
最终分色模块,利用现有特性化模型中的反向分色模型B,对神经网络预测模块中的等价光谱反射率信息Rx’进行分色,所得墨量值即为分色模型校正后墨量值,分色模型校正完成。
其中,涅格伯尔梯尺制备模块中涅格伯尔基色梯尺级数应大于或等于20。
其中,数据降维模块中加权主成分降维的维度应大于或等于5。
各模块具体实现和各步骤相应,本发明不予赘述。
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 (6)
1.基于墨量限制样本的喷印设备光谱分色模型校正方法,其特征在于,包括以下步骤:
步骤1,生成涅格伯尔梯尺原始墨量信息T,并以此制备涅格伯尔基色梯尺;
步骤2,判断步骤1中涅格伯尔基色梯尺的墨量阈值H,通过颜色测量设备测量获取步骤1中T所对应的有效光谱反射率信息R;
步骤3,基于步骤2中墨量阈值H,构建基于高维线性插值的墨量限制算法,并求取墨量限制后涅格伯尔梯尺墨量信息T’;
步骤4,利用插值算法求取与步骤2所得墨量不超限样本原始墨量值对应的、步骤3中墨量限制算法的输入墨量值;
步骤5,将步骤4中所求取输入墨量值代入现有特性化正向模型F,预测其对应光谱反射率信息R’;
步骤6,利用加权主成分降维方法,分别将步骤2中有效光谱反射率信息R以及步骤5中预测光谱反射率信息R’进行降维,得对应降维主成分信息P以及P’;
步骤7,利用神经网络算法构建步骤6中降维主成分信息P以及P’的关联性模型;
步骤8,对于任意待复制光谱反射率信息Rx,利用步骤6中针对有效光谱反射率信息R的加权主成分算法将其降维至主成分空间,得降维主成分信息Px;
步骤9,利用步骤7所构建神经网络,预测与降维主成分信息Px所对应的原有模型色彩信息主成分值Px’,随后,利用步骤6中针对预测光谱反射率信息R’的加权主成分算法,将其重建至光谱反射率空间,得等价光谱反射率信息Rx’;
步骤10,利用现有特性化模型中的反向分色模型B,对步骤9中的等价光谱反射率信息Rx’进行分色,所得墨量值即为分色模型校正后墨量值,分色模型校正完成。
2.根据权利要求1所述基于墨量限制样本的喷印设备光谱分色模型校正方法,其特征在于:步骤1中涅格伯尔基色梯尺级数应大于或等于20。
3.根据权利要求1所述基于墨量限制样本的喷印设备光谱分色模型校正方法,其特征在于:步骤6中加权主成分降维的维度应大于或等于5。
4.一种基于墨量限制样本的喷印设备光谱分色模型校正系统,其特征在于,包括以下模块:
涅格伯尔梯尺制备模块,生成涅格伯尔梯尺原始墨量信息T,并以此制备涅格伯尔基色梯尺;
颜色测量模块,判断涅格伯尔梯尺制备模块中涅格伯尔基色梯尺的墨量阈值H,通过颜色测量设备测量获取涅格伯尔梯尺制备模块中T所对应的有效光谱反射率信息R;
墨量限制模块,基于颜色测量模块中墨量阈值H,构建基于高维线性插值的墨量限制算法,并求取墨量限制后涅格伯尔梯尺墨量信息T’;
墨量反向求解模块,利用插值算法求取与颜色测量模块所得墨量不超限样本原始墨量值对应的、墨量限制模块中墨量限制算法的输入墨量值;
光谱预测模块,将墨量反向求解模块中所求取输入墨量值代入现有特性化正向模型F,预测其对应光谱反射率信息R’;
数据降维模块,利用加权主成分降维方法,分别将颜色测量模块中有效光谱反射率信息R以及光谱预测模块中预测光谱反射率信息R’进行降维,得对应降维主成分信息P以及P’;
神经网络构建模块,利用神经网络算法构建数据降维模块中降维主成分信息P以及P’的关联性模型;
待分色色彩降维模块,对于任意待复制光谱反射率信息Rx,利用数据降维模块中针对有效光谱反射率信息R的加权主成分算法将其降维至主成分空间,得降维主成分信息Px;
神经网络预测模块,利用神经网络构建模块所构建神经网络,预测与降维主成分信息Px所对应的原有模型色彩信息主成分值Px’,随后,利用数据降维模块中针对预测光谱反射率信息R’的加权主成分算法,将其重建至光谱反射率空间,得等价光谱反射率信息Rx’;
最终分色模块,利用现有特性化模型中的反向分色模型B,对神经网络预测模块中的等价光谱反射率信息Rx’进行分色,所得墨量值即为分色模型校正后墨量值,分色模型校正完成。
5.根据权利要求4所述基于墨量限制样本的喷印设备光谱分色模型校正系统,其特征在于:涅格伯尔梯尺制备模块中涅格伯尔基色梯尺级数应大于或等于20。
6.根据权利要求4所述基于墨量限制样本的喷印设备光谱分色模型校正系统,其特征在于:数据降维模块中加权主成分降维的维度应大于或等于5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710519670.8A CN107341303B (zh) | 2017-06-30 | 2017-06-30 | 基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710519670.8A CN107341303B (zh) | 2017-06-30 | 2017-06-30 | 基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341303A CN107341303A (zh) | 2017-11-10 |
CN107341303B true CN107341303B (zh) | 2023-01-10 |
Family
ID=60218349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710519670.8A Active CN107341303B (zh) | 2017-06-30 | 2017-06-30 | 基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341303B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133271B (zh) * | 2017-12-13 | 2020-07-17 | 北京华航无线电测量研究所 | 一种基于三基色相机的颜色再现方法 |
CN109706759A (zh) * | 2018-12-29 | 2019-05-03 | 杭州智数创联科技有限公司 | 一种基于色域面积的数码印花单通道墨量限制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007060421A (ja) * | 2005-08-25 | 2007-03-08 | Canon Inc | 画像処理装置及びその方法、コンピュータプログラム及び記憶媒体 |
JP5157872B2 (ja) * | 2008-12-15 | 2013-03-06 | セイコーエプソン株式会社 | 印刷制御装置、印刷システムおよび印刷制御プログラム |
CN103870689B (zh) * | 2014-03-11 | 2016-08-31 | 武汉大学 | 一种打印印刷系统光谱预测方法 |
CN103823943B (zh) * | 2014-03-11 | 2017-01-18 | 武汉大学 | 一种用于色域最大化的多色打印印刷系统拆分式建模方法 |
-
2017
- 2017-06-30 CN CN201710519670.8A patent/CN107341303B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107341303A (zh) | 2017-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103931169B (zh) | 一种通用的色域映射及色彩管理方法 | |
CN103873736B (zh) | 一种基于多维表的颜色闭环修正方法和系统 | |
CN101022501A (zh) | 图像处理装置、图像处理方法、计算机可读介质及数据信号 | |
CN102120384B (zh) | 多原色印刷色值的修正方法 | |
US20050018226A1 (en) | Color-space transformation-matrix calculating system and calculating method | |
JP5361643B2 (ja) | 画像処理装置および画像処理方法 | |
CN107341303B (zh) | 基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 | |
JP7310402B2 (ja) | 情報処理装置、方法、およびプログラム | |
CN106464775A (zh) | 颜色模型 | |
CN107330188B (zh) | 面向复制对象的多色半色调设备拆分式建模方法及系统 | |
US8482797B2 (en) | Method and apparatus for calculating metameric colors | |
CN113506235A (zh) | 一种对抗曝光变化的自适应加权光谱重建方法 | |
JP2000278547A (ja) | 色補正方法 | |
JP4600673B2 (ja) | 色再現域算出方法及び色再現域算出装置 | |
CN108280044B (zh) | 一种基于半色调实地的纽介堡方程修正方法 | |
JP2003298862A (ja) | カラーマッチング方法およびその装置 | |
CN103862858B (zh) | 一种多色打印印刷系统光谱分色方法 | |
US20050280870A1 (en) | Method for making a dot for dot proof | |
CN107509005A (zh) | 一种半色调设备光谱分色算法优化校正方法及系统 | |
CN107357537B (zh) | 面向不同介质的半色调设备分色模型批量构建方法及系统 | |
CN110784709A (zh) | 基于感知色差最小化优化估计数码相机光谱灵敏度的方法 | |
WO2021010978A1 (en) | Color prediction | |
CN103257834A (zh) | 用于协助任意颜色再现的系统和方法 | |
US20210195065A1 (en) | Method of digital images color separation into two colored and black inks for printing with four and more inks | |
EP2227000A1 (en) | Method and apparatus for calculating metameric colors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |