CN108133271B - 一种基于三基色相机的颜色再现方法 - Google Patents

一种基于三基色相机的颜色再现方法 Download PDF

Info

Publication number
CN108133271B
CN108133271B CN201711325413.7A CN201711325413A CN108133271B CN 108133271 B CN108133271 B CN 108133271B CN 201711325413 A CN201711325413 A CN 201711325413A CN 108133271 B CN108133271 B CN 108133271B
Authority
CN
China
Prior art keywords
spectral
principal component
color
standard observer
response
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
Application number
CN201711325413.7A
Other languages
English (en)
Other versions
CN108133271A (zh
Inventor
王佳佳
孙长燕
廉黎
朱亮
王敬洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Beijing Huahang Radio Measurement Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huahang Radio Measurement Research Institute filed Critical Beijing Huahang Radio Measurement Research Institute
Priority to CN201711325413.7A priority Critical patent/CN108133271B/zh
Publication of CN108133271A publication Critical patent/CN108133271A/zh
Application granted granted Critical
Publication of CN108133271B publication Critical patent/CN108133271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Color Image Communication Systems (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了一种基于三基色相机的颜色再现方法，包括如下步骤：建立标准观察者光谱表色系统，计算标准观察者对训练样本光谱反射率的响应，对其进行主成分分析，获得标准观察者对训练样本光谱反射率响应的主成分基向量与主成分系数；建立神经网络，拟合训练样本相机响应值与标准观察者对训练样本光谱反射率响应主成分系数之间的关系；利用训练好的神经网络和目标相机响应值获得目标的主成分系数，与主成分基向量一起获取标准观察者对目标的光谱响应，得到目标在标准观察者光谱表色系统下的表示方法，获得不同光照环境下目标的颜色三刺激值，实现颜色再现。

Description

一种基于三基色相机的颜色再现方法
技术领域
本发明属于颜色再现领域，涉及一种基于三基色相机的颜色再现方法。
背景技术
为了解决同色异谱问题，出现了光谱表色系统。光谱表色技术能通过增加颜色传感器的通道数来提高光谱反射率的重建精度进行颜色再现，但专业设备成本昂贵，且未将光照环境独立出来，算法数据处理耗时复杂，限制了光谱表色系统的应用和普及。
发明内容
鉴于上述的分析，本发明提出了一种基于三基色相机的颜色再现方法，采用低成本三基色相机作为图像采集工具，并将标准观察者与光谱反射率结合，独立于光照影响，减少了颜色再现数据处理的复杂程度。
本发明的目的是通过以下技术方案实现的：
一种基于三基色相机的颜色再现方法，包括以下步骤：
步骤1、建立标准观察者光谱表色系统，计算标准观察者对采集的m×n阶训练样本光谱反射率Rtrain的响应PR-train，m表示采集的光谱波段数，n表示采集训练样本的个数；
步骤2、计算标准观察者对训练样本光谱反射率响应PR-train的主成分E与主成分系数A；
步骤3、利用训练样本图像集D和主成分系数A训练神经网络：
步骤4、根据训练后神经网络、目标图像集
Figure BDA0001505555200000012
与主成分E，获得标准观察者对目标光谱反射率响应
Figure BDA0001505555200000011
步骤5、通过标准观察者光谱表色系统，计算目标的颜色三刺激值，实现颜色再现。
进一步地，所述标准观察者光谱表色系统建立了颜色三刺激值
Figure BDA0001505555200000021
与标准观察者光谱响应PR的关系，其公式为
Figure BDA0001505555200000022
其中，k是白光三刺激值调整因子，L表示光源相对光谱分布功率，PR表示标准观察者对光谱反射率R的响应。
进一步地，所述标准观察者对训练样本光谱反射率Rtrain的响应
Figure BDA0001505555200000023
Rtrain；式中
Figure BDA0001505555200000024
Figure BDA0001505555200000025
为标准观察者色匹配函数。
进一步地，所述训练样本光谱反射率Rtrain是通过分光光度计采集的。
进一步地，所述主成分基向量E为标准观察者对训练样本光谱反射率响应PR-train的协方差矩阵
Figure BDA0001505555200000026
的全部非零特征值对应的特征值向量(e1,e2,,er)，r＝rank(C)；
所述主成分系数A与所述主成分基向量E相对应，根据公式A＝ETPR-train求得。
进一步地，神经网络训练采用的训练样本图像集D和所述目标图像集
Figure BDA0001505555200000027
是采用相同的三基色相机在同一照明环境下拍摄的。
进一步地，所述拍摄环境采用标准照明体MultiLight灯箱；照明观察条件为45°/垂直，照明环境为D65。
进一步地，所述神经网络为单隐层前馈网络NET(·)；表达式为：
A＝f2(lw·f1(iw·D+b1)+b2)＝NET(D)；其中，f1(·)为第一层函数，iw是第一层的权重，b1表示第二层的偏置；f2(·)为第二层函数，lw是第二层的权重，b2表示第二层的偏置；
进一步地，所述f1(·)为双曲正切函数；所述f2(·)为线性函数。
进一步地，计算标准观察者对目标光谱反射率响应
Figure BDA0001505555200000031
包括：
1)将获取目标图像
Figure BDA0001505555200000032
代入训练好的神经网络NET(·)得到目标的主成分系数
Figure BDA0001505555200000033
2)将主成分系数
Figure BDA0001505555200000034
和步骤1得到的主成分基向量E代入公式
Figure BDA0001505555200000035
获取标准观察者对目标光谱反射率响应
Figure BDA0001505555200000036
本发明有益效果如下：
1.采用低成本三基色相机作为图像采集工具进行颜色再现；
2.采用标准观察者光谱表色系统，将光照对图像三刺激值的影响独立出来，使不同光照环境下图像颜色再现的计算简单方便；
3.采用主成分分析法建立图像与标准观察者光谱响应之间的关系，减少了数据处理的复杂程度；
4.采用非线性神经网络算法提高了图像与标准观察者光谱响应之间的拟合精度。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为基于三基色相机的颜色再现方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个具体实施例，公开一种基于三基色相机的颜色再现方法，如图1所示，包括以下步骤：
步骤1、建立标准观察者光谱表色系统，计算标准观察者对采集的m×n阶训练样本光谱反射率Rtrain的响应PR-train
所述标准观察者光谱表色系统通过公式
Figure BDA0001505555200000041
建立三刺激值
Figure BDA0001505555200000042
与标准观察者光谱响应PR的关系，其中，k是白光三刺激值调整因子，L表示光源相对光谱分布功率，PR表示标准观察者对光谱反射率R的响应。
所述标准观察者对光谱反射率R的响应PR是利用公式
Figure BDA0001505555200000043
求得的，其中，P为标准观察者色匹配函数矩阵，
Figure BDA0001505555200000044
Figure BDA0001505555200000045
为标准观察者色匹配函数。
所述标准观察者对采集的m×n阶训练样本光谱反射率Rtrain的响应为
Figure BDA0001505555200000046
所述m×n阶训练样本光谱反射率Rtrain是通过分光光度计采集的，m表示采集的光谱波段数，n表示采集训练样本的个数。
步骤2、计算标准观察者对训练样本光谱反射率响应PR-train的主成分E与主成分系数A
所述主成分分析是利用标准观察者对训练样本光谱反射率响应PR-train的协方差矩阵
Figure BDA0001505555200000047
进行的，所述主成分基向量E为协方差矩阵
Figure BDA0001505555200000048
的全部非零特征值对应的特征值向量(e1,e2,…,er)，r＝rank(C)；
所述主成分系数A与所述主成分基向量E相对应，根据公式A＝ETPR-train求得；
步骤3、利用训练样本图像集D和主成分系数A训练神经网络
步骤301、获取训练样本图像集D
所述训练样本图像集D的获取是通过三基色相机拍摄位于标准照明体照明环境下的训练样本实现的，照明观察条件为45°/垂直，所述标准照明体为MultiLight灯箱，照明环境为D65。
步骤302、采用训练样本图像集D和主成分系数A训练神经网络
主成分系数A与训练样本相机响应值D的非线性关系可用单隐层前馈网络NET(·)表示，表达式为：
A＝f2(lw·f1(iw·D+b1)+b2)＝NET(D)；其中，f1(·)为第一层函数，iw是第一层的权重，b1表示第二层的偏置；f2(·)为第二层函数，lw是第二层的权重，b2表示第二层的偏置；所述f1(·)为双曲正切函数；所述f2(·)为线性函数；
所述训练过程为将训练样本图像集D和主成分系数A带入公式A＝f2(lw·f1(iw·D+b1)+b2)＝NET(D)中，通过数据拟合，得到系数iw、lw、b1和b2。
步骤4、获得重建目标的光谱反射率
步骤401、获取目标图像集
Figure BDA0001505555200000051
所述目标图像集
Figure BDA0001505555200000052
的获取是通过三基色相机拍摄位于标准照明体照明环境下的目标实现的，照明观察条件为45°/垂直，所述标准照明体为MultiLight灯箱，照明环境为D65。
步骤402、计算标准观察者对目标光谱反射率响应
Figure BDA0001505555200000053
1)将获取目标图像
Figure BDA0001505555200000054
代入训练好的神经网络NET(·)得到目标的主成分系数
Figure BDA0001505555200000055
2)将主成分系数
Figure BDA0001505555200000061
和步骤1得到的主成分基向量E代入公式
Figure BDA0001505555200000062
获取标准观察者对目标光谱反射率响应
Figure BDA0001505555200000063
步骤5、通过标准观察者光谱表色系统，计算目标的颜色三刺激值，实现颜色再现；
所述标准观察者光谱表色系统颜色三刺激值的计算公式为
Figure BDA0001505555200000064
Figure BDA0001505555200000065
为再现后的目标颜色三刺激值，根据不同的光照环境，取与光照环境对应的L值，实现不同的光照环境下的颜色再现。
综上所述，本实施例公开的基于三基色相机的颜色再现方法，采用低成本三基色相机作为图像采集工具与颜色再现；采用标准观察者光谱表色系统，将光照对图像三刺激值的影响独立出来，使不同光照环境下图像颜色再现的计算简单方便；采用主成分分析法建立图像与标准观察者光谱响应之间的关系，减少了数据处理的复杂程度；采用非线性神经网络算法提高了图像与标准观察者光谱响应之间的拟合精度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于三基色相机的颜色再现方法，其特征在于，包括以下步骤：
步骤1、建立标准观察者光谱表色系统，计算标准观察者对采集的m×n阶训练样本光谱反射率Rtrain的响应PR-train，m表示采集的光谱波段数，n表示采集训练样本的个数；
所述标准观察者光谱表色系统建立了颜色三刺激值
Figure FDA0002387419150000011
与标准观察者光谱响应PR的关系，其公式为
Figure FDA0002387419150000012
其中，k是白光三刺激值调整因子，L表示光源相对光谱分布功率，PR表示标准观察者对光谱反射率R的响应；
标准观察者对训练样本光谱反射率Rtrain的响应
Figure FDA0002387419150000013
式中
Figure FDA0002387419150000014
为标准观察者色匹配函数；
步骤2、计算标准观察者对训练样本光谱反射率响应PR-train的主成分基向量E与主成分系数A；
所述主成分基向量E为标准观察者对训练样本光谱反射率响应PR-train的协方差矩阵
Figure FDA0002387419150000015
的全部非零特征值对应的特征值向量(e1,e2,...,er)，r＝rank(C)；
所述主成分系数A与所述主成分基向量E相对应，根据公式A＝ETPR-train求得；
步骤3、利用训练样本图像集D和主成分系数A训练神经网络：
所述神经网络为单隐层前馈网络NET(·)；表达式为：
A＝f2(lw·f1(iw·D+b1)+b2)＝NET(D)；其中，f1(·)为第一层函数，iw是第一层的权重，b1表示第二层的偏置；f2(·)为第二层函数，lw是第二层的权重，b2表示第二层的偏置；
所述f1(·)为双曲正切函数；所述f2(·)为线性函数；
训练过程为将训练样本图像集D和主成分系数A带入公式A＝f2(lw·f1(iw·D+b1)+b2)＝NET(D)中，通过数据拟合，得到系数iw、lw、b1和b2；步骤4、根据训练后神经网络、目标图像集
Figure FDA0002387419150000021
与主成分基向量E，获得标准观察者对目标光谱反射率响应
Figure FDA0002387419150000022
计算标准观察者对目标光谱反射率响应
Figure FDA0002387419150000023
包括：
1)将获取目标图像集
Figure FDA0002387419150000024
代入训练好的神经网络NET(·)得到目标的主成分系数
Figure FDA0002387419150000025
2)将主成分系数
Figure FDA0002387419150000026
和主成分基向量E代入公式
Figure FDA0002387419150000027
获取标准观察者对目标光谱反射率响应
Figure FDA0002387419150000028
所述训练样本图像集D和所述目标图像集
Figure FDA0002387419150000029
是采用相同的三基色相机在同一照明环境下拍摄的；
步骤5、通过标准观察者光谱表色系统，计算目标的颜色三刺激值，实现颜色再现；
所述标准观察者光谱表色系统颜色三刺激值的计算公式为
Figure FDA00023874191500000210
Figure DEST_PATH_BDA0001505555200000064
Figure FDA00023874191500000211
为再现后的目标颜色三刺激值，根据不同的光照环境，取与光照环境对应的L值，实现不同的光照环境下的颜色再现。
2.根据权利要求1所述的颜色再现方法，其特征在于，
所述训练样本光谱反射率Rtrain是通过分光光度计采集的。
3.根据权利要求1所述的颜色再现方法，其特征在于，所述拍摄环境采用标准照明体MultiLight灯箱；照明观察条件为45°/垂直，照明环境为D65。
CN201711325413.7A 2017-12-13 2017-12-13 一种基于三基色相机的颜色再现方法 Active CN108133271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711325413.7A CN108133271B (zh) 2017-12-13 2017-12-13 一种基于三基色相机的颜色再现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711325413.7A CN108133271B (zh) 2017-12-13 2017-12-13 一种基于三基色相机的颜色再现方法

Publications (2)

Publication Number Publication Date
CN108133271A CN108133271A (zh) 2018-06-08
CN108133271B true CN108133271B (zh) 2020-07-17

Family

ID=62390217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711325413.7A Active CN108133271B (zh) 2017-12-13 2017-12-13 一种基于三基色相机的颜色再现方法

Country Status (1)

Country Link
CN (1) CN108133271B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5771311A (en) * 1995-05-17 1998-06-23 Toyo Ink Manufacturing Co., Ltd. Method and apparatus for correction of color shifts due to illuminant changes
WO2004012442A1 (en) * 2002-07-30 2004-02-05 Canon Kabushiki Kaisha Image processing system, apparatus, and method, and color reproduction method
CN103528968A (zh) * 2013-11-01 2014-01-22 上海理工大学 基于迭代阈值法的反射率光谱重建方法
CN104168475A (zh) * 2014-08-15 2014-11-26 浙江大学 一种数码相机参数可变的成像式获取颜色三刺激值的方法
CN106408619A (zh) * 2016-09-13 2017-02-15 齐鲁工业大学 一种基于光谱域来实现跨媒体颜色再现的方法
CN106896069A (zh) * 2017-04-06 2017-06-27 武汉大学 一种基于彩色数码相机单幅rgb图像的光谱重建方法
CN107341303A (zh) * 2017-06-30 2017-11-10 武汉大学深圳研究院 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5771311A (en) * 1995-05-17 1998-06-23 Toyo Ink Manufacturing Co., Ltd. Method and apparatus for correction of color shifts due to illuminant changes
WO2004012442A1 (en) * 2002-07-30 2004-02-05 Canon Kabushiki Kaisha Image processing system, apparatus, and method, and color reproduction method
CN103528968A (zh) * 2013-11-01 2014-01-22 上海理工大学 基于迭代阈值法的反射率光谱重建方法
CN104168475A (zh) * 2014-08-15 2014-11-26 浙江大学 一种数码相机参数可变的成像式获取颜色三刺激值的方法
CN106408619A (zh) * 2016-09-13 2017-02-15 齐鲁工业大学 一种基于光谱域来实现跨媒体颜色再现的方法
CN106896069A (zh) * 2017-04-06 2017-06-27 武汉大学 一种基于彩色数码相机单幅rgb图像的光谱重建方法
CN107341303A (zh) * 2017-06-30 2017-11-10 武汉大学深圳研究院 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多光谱图像色彩再现关键技术研究;王莹;《中国博士学位论文全文数据库（信息科技辑）》;20101015(第10期);正文第二章至第七章 *

Also Published As

Publication number Publication date
CN108133271A (zh) 2018-06-08

Similar Documents

Publication Publication Date Title
JP3829238B2 (ja) 色再現システム
CN108020519B (zh) 一种基于颜色恒常性的虚拟多光源光谱重建方法
CN101933321A (zh) 用于估测场景光源的图像传感器装置及方法
CN109373918B (zh) 一种用于二维材料薄膜厚度测量的高效光学测量方法
CN111047539A (zh) 一种基于光谱反射率重建的织物图像颜色校准算法
CN104574371A (zh) 高动态彩色数字相机特性化标定方法
CN105588642A (zh) 色度计的校准
CN107424197B (zh) 一种基于光谱域映射来实现跨媒体颜色再现的方法
JP2978615B2 (ja) カラーバランス調整装置及び方法
CN113506235B (zh) 一种对抗曝光变化的自适应加权光谱重建方法
CN108051376A (zh) 一种基于rgb彩色相机图像的光谱重建方法
CN112082738B (zh) 彩色夜视相机性能评价测试系统及测试方法
CN104902153A (zh) 一种多光谱相机色彩校正方法
CN106895916B (zh) 一种单次曝光拍摄获取多光谱图像的方法
CN108133271B (zh) 一种基于三基色相机的颜色再现方法
CN113487681A (zh) 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法
CN110702615B (zh) 一种彩色数码透射显微镜颜色校正方法
CN108225731A (zh) 彩色面阵相机mtf测试方法及装置
JP7206878B2 (ja) 分光画像推定システム、分光画像推定方法、及びプログラム
JP4174707B2 (ja) 分光測定システム、色再現システム
CN106896068B (zh) 解决网购颜色失真的商品颜色获取与再现方法及其系统
CN110926608A (zh) 一种基于光源筛选的光谱重建方法
Fang et al. Colour correction toolbox
JP2006090897A (ja) ２種類の光源を用いた分光反射率推定方式
Yamakabe et al. Tunable color correction between linear and polynomial models for noisy images

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