CN107367464A

CN107367464A - 印刷品原色油墨光谱预测方法

Info

Publication number: CN107367464A
Application number: CN201710430237.7A
Authority: CN
Inventors: 何颂华; 李玉梅
Original assignee: Shenzhen Polytechnic
Current assignee: Shenzhen Polytechnic
Priority date: 2017-06-09
Filing date: 2017-06-09
Publication date: 2017-11-21

Abstract

本发明实施例公开了一种印刷品原色油墨光谱预测方法，包括：获取印刷品光谱数据；将所述印刷品光谱数据转换成线性空间中的目标光谱数据；根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目；根据所述目标光谱数据和所述印刷原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱。本发明实施例能够最大限度上消除同色异谱现象，实现印刷品与原稿颜色的一致性，主要应用于印刷复制领域中最佳原色油墨的选取、光谱复制以及光谱配色等方面。

Description

印刷品原色油墨光谱预测方法

技术领域

本发明涉及印刷复制领域，尤其涉及一种印刷品原色油墨光谱预测方法。

背景技术

随着印刷行业的发展，人们对于印刷品质量的要求也有越来越高，针对印刷行业技术问题的研究也越来越多，越来越重要，其中应用于印刷复制领域中最佳原色油墨的选取、光谱复制以及光谱配色等方面的印刷品原色油墨光谱预测方法成为很多人研究的热点。如何实现印刷光谱复制对于印刷品质量的提高非常重要。解决这个问题就需要提出一种能够最大限度消除同色异谱现象，实现印刷品与原稿颜色的一致性的印刷品原色油墨光谱预测方法。

现阶段适合于印刷品原色油墨光谱预测的方法还没有，而用于连续调图像色料的光谱预测方法不能够准确预测半色调印刷品原色油墨数目和原色油墨的光谱，而且印刷品原稿的光学特性不同于连续调不透明或透明色料作品，印刷品是半色调网点呈色，半色调单元内既包含油墨网点也包含纸基，且油墨层是半透明的，故半色调单元整体对光的吸收散射不同于连续调作品色料，所以用于连续调图像色料的光谱预测方法不适合于印刷品原色油墨光谱预测。

发明内容

为了解决以上问题，本发明实施例提供了一种印刷品原色油墨光谱预测方法，实现最大限度上消除同色异谱现象，以及实现印刷品与原稿颜色的一致性的技术效果。

本发明实施例提供了一种印刷品原色油墨光谱预测方法，包括：获取印刷品光谱数据；将所述印刷品光谱数据转换成线性空间中的目标光谱数据；根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目；以及根据所述目标光谱数据和所述印刷品原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱。

在本发明的一个实施例中，所述方法还包括：根据所述印刷品光谱数据建立所述线性空间。

在本发明的一个实施例中，所述根据所述印刷品光谱数据建立所述线性空间包括：建立光谱反射率空间到所述线性空间的转换模型；将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值；以及根据所述印刷品光谱数据、所述转换模型和所述线性程度指数目标值建立所述线性空间。

在本发明的一个实施例中，所述转换模型为：Ф＝R_纸 ^1/n-R_测 ^1/n，其中，所述n表示线性程度指数且n≥2，Ф表示所述线性空间，R_纸表示印刷品纸张的光谱反射率空间，R_测表示印刷品油墨区的光谱反射率空间。

在本发明的一个实施例中，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值的步骤中，所述约束条件包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。

在本发明的一个实施例中，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值的步骤中，所述有约束条件的非负矩阵分解算法使用以下表达式：Ψ＝Σa_i*y_i；0<a_i<1；0<y_i<1；Σy_i＝1；其中Ψ表示预测线性空间，a_i表示所述预测线性空间中的第i个基向量，y_i表示浓度系数。

在本发明的一个实施例中，所述指定误差要求为：所述线性空间和所述预测线性空间的差值的二范数平方的最小值收敛。

在本发明的一个实施例中，所述根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目包括：在所述线性空间中，将满足累计贡献率和增长速度要求的基向量数目作为所述印刷品原色油墨数目。

在本发明的一个实施例中，所述误差要求为：所述累计贡献率和增长速度要求为所述累计贡献率大于99.9％且所述增长速度小于0.02％。

在本发明的一个实施例中，在根据所述目标光谱数据和所述印刷品原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱的步骤中，所述约束条件包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。

上述技术方案中的一个技术方案具有如下优点或有益效果：根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的光谱反射率空间到线性空间的转换模型的参数，进而根据转换模型建立线性空间，在线性空间中，利用主成分分析法预测印刷品原色油墨数目，并结合有条件约束的非负矩阵分解算法预测印刷品原色油墨光谱。克服了现有技术不能够准确预测印刷品原色油墨数目和原色油墨光谱的问题，因此能够最大限度消除同色异谱现象，实现印刷品与原稿颜色的一致性，最终实现比较好的光谱复制，提高印刷品质量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明第一实施例提供的一种印刷品原色油墨光谱预测方法的流程图。

图2为本发明第二实施例提供的一种印刷品原色油墨光谱预测方法的流程图。

图3A-3D为本发明第二实施例中以印刷IT8.7/3色标为例的原色油墨光谱预测实例的光谱预测效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一实施例

如图1所示，本发明第一实施例中提供一种印刷品原色油墨光谱预测方法，其包括：

步骤S11：获取印刷品光谱数据；

步骤S13：将所述印刷品光谱数据转换成线性空间中的目标光谱数据；

步骤S15：根据所述目标光谱数据在所述线性空间中利用主成分分析法预测印刷品原色油墨数目；

步骤S17：根据所述目标光谱数据和所述印刷品原色油墨数目在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱。

具体地，所述方法在步骤S13之前例如还包括：根据所述印刷品光谱数据建立所述线性空间。

具体地，根据所述印刷品光谱数据建立所述线性空间例如包括：建立光谱反射率空间到所述线性空间的转换模型；将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值；根据所述印刷品光谱数据、所述转换模型和所述线性程度指数目标值建立所述线性空间。

具体地，所述转换模型例如为：Ф＝R_纸 ^1/n-R_测 ^1/n，其中，所述n表示线性程度指数且n≥2，Ф表示所述线性空间，R_纸表示印刷品纸张的光谱反射率空间，R_测表示印刷品油墨区的光谱反射率空间。

具体地，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值的步骤中，所述约束条件例如包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。

具体地，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足误差要求的线性程度指数目标值的步骤中，所述有约束条件的非负矩阵分解算法例如采用以下表达式：Ψ＝Σa_i*y_i；0<a_i<1；0<y_i<1；Σy_i＝1；其中Ψ表示预测线性空间，a_i表示所述预测线性空间中的第i个基向量，y_i表示浓度系数。

具体地，所述指定误差要求例如为：所述线性空间和所述预测线性空间的差值的二范数平方的最小值收敛。

具体地，步骤S15例如包括：在所述线性空间中，将满足累计贡献率和增长速度要求的基向量数目作为所述印刷品原色油墨数目。

具体地，所述累计贡献率和增长速度要求例如为所述累计贡献率大于99.9％且所述增长速度小于0.02％。

具体地，步骤S17中所述约束条件例如包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。而有约束条件的非负矩阵分解算法例如采用如下表达式：Ψ＝Σa_i*y_i；0<a_i<1；0<y_i<1；Σy_i＝1；其中Ψ表示预测线性空间，a_i表示所述预测线性空间中的第i个基向量，y_i表示浓度系数。

第二实施例

如图2所示，本发明第二实施例中提供一种印刷品原色油墨光谱预测方法，其包括：

首先，获取印刷品的光谱数据，例如包括印刷品原稿纸张的光谱反射率和印刷品原稿油墨区的光谱反射率，并建立相应的光谱反射率空间。印刷品纸张的光谱反射率空间例如表示为R_纸，印刷品油墨区的光谱反射率空间例如表示为R_测。

其次，建立光谱反射率空间到线性空间的转换模型，其中所述线性空间例如表示为Ф，所述转换模型例如为Ф＝R_纸 ^1/n-R_测 ^1/n，其中n表示线性程度指数且n≥2。

然后，将所述印刷品光谱数据和线性程度指数n初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，对所述线性程度指数进行迭代优化，直至得到满足所述误差要求的线性程度指数n目标值；其中，所述约束条件例如是基向量和浓度系数的非负约束和浓度系数的加和为1约束。具体地，所述有约束条件的非负矩阵分解算法例如采用如下表达式：Ψ＝Σa_i*y_i；0<a_i<1；0<y_i<1；Σy_i＝1；其中Ψ表示预测线性空间，a_i表示预测线性空间中的第i个基向量，y_i表示浓度系数。所述误差要求例如是所述线性空间和所述预测线性空间的差值的二范数平方的最小值Min||Φ-Ψ||²收敛。

接着，根据所述印刷品光谱数据、所述转换模型和所述线性程度指数目标值建立所述线性空间。

其次，将所述印刷品光谱数据转换成所述线性空间中的目标光谱数据。

然后，根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目；例如将满足累计贡献率和增长速度要求的基向量数目作为所述印刷品原色油墨数目；所述累计贡献率和增长速度要求例如为累计贡献率大于99.9％且增长速度小于0.02％。

最后，根据所述目标光谱数据和所述印刷品原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱；其中，所述约束条件例如是基向量和浓度系数的非负约束和浓度系数的加和为1约束。

为便于更清楚地理解本实施例，下面给出一个以印刷IT8.7/3色标为例的原色油墨光谱预测实例。

根据本实施例的前述步骤建立线性空间，具体建立步骤参考本实施例前述步骤，在此不再赘述。在建立的线性空间中，用主成分分析法预测印刷品原色油墨数目，获得线性空间中基向量数目及其累计贡献率如表1所示。

表1基向量数目及其累计贡献率

根据累计贡献率大于99.9％且增长速度小于0.02％时的最少的基向量数目作为印刷品原稿所用的原色油墨数目。如上表所示，可知当基向量数目为4时，其累计贡献率大于99.9％且基向量数目为5时的累计贡献率相对于其的增长速度小于0.02％。基向量数目为4也是满足累计贡献率大于99.9％且增长速度小于0.02％时的最少的基向量数目。因此，将4作为预测印刷品原色油墨数目。

接着，在所述线性空间中，根据有约束条件的非负矩阵分解算法进行印刷品原色油墨光谱预测。具体步骤参考本实施例前述步骤，在此不再赘述。印刷品原色油墨光谱预测效果图如图3A-3D所示。其中，C表示青色，M表示品红色，Y表示黄色，K表示黑色。由图可见，印刷品原色油墨实际光谱反射率值和预测光谱实现了很好的一致性。

综上所述，本发明实施例的印刷品原色油墨光谱预测方法根据有约束条件的非负矩阵分解算法和优化算法，得到满足误差要求的光谱反射率空间到线性空间的转换模型的参数，进而根据转换模型建立线性空间，在线性空间中，利用主成分分析法预测印刷品原色油墨数目，并结合有条件约束的非负矩阵分解算法预测印刷品原色油墨光谱。克服了现有技术不能够准确预测印刷品原色油墨数目和原色油墨光谱的问题，因此能够最大限度消除同色异谱现象，实现印刷品与原稿颜色的一致性，最终实现比较好的光谱复制，提高印刷品质量。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多路单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多路网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种印刷品原色油墨光谱预测方法，其特征在于，包括：

获取印刷品光谱数据；

将所述印刷品光谱数据转换成线性空间中的目标光谱数据；

根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目；

根据所述目标光谱数据和所述印刷品原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：根据所述印刷品光谱数据建立所述线性空间。

3.如权利要求2所述的方法，其特征在于，所述根据所述印刷品光谱数据建立所述线性空间包括：

建立光谱反射率空间到所述线性空间的转换模型；

将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值；

根据所述印刷品光谱数据、所述转换模型和所述线性程度指数目标值建立所述线性空间。

4.如权利要求3所述的方法，其特征在于，所述转换模型为：

Ф＝R_纸 ^1/n-R_测 ^1/n，其中，所述n表示线性程度指数且n≥2，Ф表示所述线性空间，R_纸表示印刷品纸张的光谱反射率空间，R_测表示印刷品油墨区的光谱反射率空间。

5.如权利要求3所述的方法，其特征在于，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值的步骤中，所述约束条件包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。

6.如权利要求3所述的方法，其特征在于，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值的步骤中，所述有约束条件的非负矩阵分解算法使用以下表达式：

Ψ＝Σa_i*y_i；0<a_i<1；0<y_i<1；Σy_i＝1；

其中Ψ表示预测线性空间，a_i表示所述预测线性空间中的第i个基向量，y_i表示浓度系数。

7.如权利要求6所述的方法，其特征在于，所述指定误差要求为：所述线性空间和所述预测线性空间的差值的二范数平方的最小值收敛。

8.如权利要求1所述的方法，其特征在于，所述根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目包括：

在所述线性空间中，将满足累计贡献率和增长速度要求的基向量数目作为所述印刷品原色油墨数目。

9.如权利要求8所述的方法，其特征在于，所述累计贡献率和增长速度要求为所述累计贡献率大于99.9％且所述增长速度小于0.02％。

10.如权利要求1所述的方法，其特征在于，在根据所述目标光谱数据和所述印刷品原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱的步骤中，所述约束条件包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。