CN109992928A - 一种建立书画纸输出质量预测模型的方法 - Google Patents
一种建立书画纸输出质量预测模型的方法 Download PDFInfo
- Publication number
- CN109992928A CN109992928A CN201910359848.6A CN201910359848A CN109992928A CN 109992928 A CN109992928 A CN 109992928A CN 201910359848 A CN201910359848 A CN 201910359848A CN 109992928 A CN109992928 A CN 109992928A
- Authority
- CN
- China
- Prior art keywords
- value
- china picture
- character
- model
- parameter
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明提供一种建立书画纸输出质量预测模型的方法,包括以下步骤:测量书画纸表面性能参数;测量书画纸表面帘纹参数;在MATLAB环境下建立总变差模型;确定总变差模型参数中的σ值;测量书画纸去帘纹处理后的色度值,并计算与标准设定值间的色差值;建立GRNN预测模型;构建GRNN预测模型训练数据样本;获得最优平滑因子;验证预测准确性。本发明能够运用总变差模型去除书画纸帘纹,得到更符合视觉特征的色差评定方式,构建打印输出质量预测模型,预测结果准确可靠。
Description
技术领域
本发明主要涉及印刷适应预测领域,尤其涉及一种建立书画纸输出质量预测模型的方法。
背景技术
当前有关纸张印刷适性预测模型的研究,多采用测量纸张的粗糙度、白度、不透明度、定量、光泽度等表面物理参数来预测最终输出质量,而对书画纸印刷适性预测的研究较少。书画纸在抄造成型过程中,采用了独特的竹帘捞纸成型工艺,纸张表面产生明暗相间的帘纹,且该纹理具有明显的周期性与方向性。帘纹作为书画纸特有属性,其纹理深浅与疏密程度,最终都会影响纸张的输出质量。帘纹间隙可视作图像背景噪声,会干扰书画纸色差评价,造成结果准确性不佳、与视觉感官不符等问题。
基于纹理信息对色差评价影响的研究,研究对象多为织物、皮革、版材等,由于书画纸中的帘纹在色差评定中属于需要消隐的一类信号,且针对帘纹对书画纸打印质量研究的详细报道较少。且现有技术中FFT和Gabor滤波器相结合的织物纹理提取方法,该方法纹理提取效果较好,但不适合色差评定所需的多通道颜色特征提取。
发明内容
本发明提供一种建立书画纸输出质量预测模型的方法,针对现有技术的上述缺陷,提供一种建立书画纸输出质量预测模型的方法,包括以下步骤:
S1:测量书画纸表面性能参数:参数包括多种书画纸的粗糙度X1、白度X2、不透明度X3、定量X4、光泽度X5,共采集n份书画纸,第1-m份作为模型训练用数据,第m-n份作为模型检测用数据;
S2:测量书画纸表面帘纹参数,包括深浅和密度,所述深浅是指灰度图中明暗条纹的平均明度差值ΔL,所述密度是指每厘米内帘纹的数量;
S3:在MATLAB环境下建立总变差模型,数学模型如下:
式中
q以p点为中心的一个正方形区域内所有像素点的索引,g为高斯核函数,
S4:确定总变差模型参数中的σ值:对书画宣纸分别输出CMYRGB六色实地色块,利用相机在D65光源下采集色块图像,然后使用总变差模型进行去帘纹处理,求出每种纸张最适空间尺度参数σ值,当σ范围为0.01~1时σ值变化步长设为0.01,当σ范围为1~8时σ值变化步长设为0.1,根据实际效果获得对应书画宣纸去纹理效果最优定总变差模型参数σ值;
S5:测量书画纸去帘纹处理后的色度值,并计算与标准设定值间的色差值eXact对色块进行多点采样,取测量均值,获得色度值,然后采用CIE 1976L*a*b*均匀色空间色差计算公式:计算测量值与标准值间的色差
S6:在MATLAB环境下建立GRNN预测模型:数据分为输入矩阵、输出矩阵、训练数据和测试数据,GRNN由4层组成,分别为输入层、模式层、求和层和输出层,其中模式层的神经元传递函数公式为
其中,X为输入量,Xi为第i个神经元对应的学习对象,σ为平滑因子;
S7:构建GRNN预测模型训练数据样本:包括输入值矩阵Ptrain和输出值矩阵Ttrain,所述输入值矩阵Ptrain是由经过S1和S2步骤采集得到的第1-m份书画纸的参数组成的矩阵,输出值矩阵Ttrain是由经过S5步骤后获得的第1-m份书画纸的色差值组成的矩阵;
S8:获得最优平滑因子,即SPREAD值:使用经过S5构建的训练样本对数据进行训练,借助MSE函数,得到预测模型的最优平滑因子SPREAD值:根据经验值大致设定最优平滑因子SPREAD值区间为1~10,步长设定为0.1进行训练,并实时计算训练样本和测试样本随SPREAD值增加而变化的均方误差,均方误差最小时的SPREAD值即最优平滑因子;
S9:验证预测准确性:使用第m-n份书画纸的表面参数与色差值构建测试样本,以验证该模型精度,色差值处于0.0~1.5即为模型精准度合格。
优选的,在所述步骤S1中,参数中纸张的不透明度X3通过白度仪测量,将纸样重叠若干层至不透明为止,测量其反射率R∞,计算得出纸样的不透明度,所述粗糙度X1与定量X4测量结果为三次重复测量数据的均值。
优选的,在所述步骤S2中,测量环境处于D65标准光源条件下,由统一参数的相机采集,相机参数光圈、色温、色空间设置统一,多种纸样与相机保持相同距离,将采集到的书画纸表面图像转换为灰度图,测量书画纸表面帘纹中明暗纹理的中心点明度值ΔL值,分别测量每种纸样中心与四角共五处的明度差值ΔL,即五点取样法,所得均值表示最终书画纸帘纹的深浅程度。
优选的,在步骤S5中,测量方法为:对经总变差模型去除纹理后,对色块进行多点采样,取测量均值,然后根据据GB/T 7705-1987中所规定的印刷品色差衡量标准,采用CIE 1976L*a*b*均匀色空间色差计算公式:计算测量值与标准值间的色差。
优选的,在步骤S7中,训练数据正式进入GRNN模型中进行训练时,对数据进行归一化处理。
本发明的有益效果:能够有效消去图像中的多余纹理信息,并保留图像的主结构,主要包括以下几方面:
(1)运用总变差模型去除书画纸帘纹,得到更符合视觉特征的色差评定方式;
(2)测量书画纸表面性能,并测量书画纸特有的表面物理属性,结合上步所得色度值,利用GRNN广义回归神经网络构建打印输出质量预测模型,预测结果准确可靠。
附图说明
图1为实施例中书画纸帘纹放大图;
图2为经过步骤S4不同σ值去除帘纹效果的示例;
图3为经过步骤S8中均方误差随SPREAD值变化趋势;
具体实施方式
本发明包括有以下步骤:
S1:测量书画纸表面性能参数:本实施例中,选用14张宣纸纸张在同一温湿度存放24小时,在标准实验室内,测定纸张的粗糙度X1、白度X2、不透明度X3、定量X4、光泽度X5,第1-10份作为模型训练用数据,第11-14份作为模型检测用数据;其中白度X2、不透明度X3、光泽度X5测量结果为矩形纸样中心与四角共五点测量数据的均值;其中不透明度X3通过白度仪测量,将纸样重叠若干层至不透明为止,测量其反射率R∞,计算得出纸样的不透明度,所述粗糙度X1与定量X4测量结果为三次重复测量数据的均值;
1-14号书画打印宣纸基础表面参数图下表1所示:
表1 书画打印宣纸基础表面参数
S2:测量书画纸表面帘纹参数,包括深浅和密度,人眼视觉对颜色深浅变化的感受主要由颜色明度值L决定,所述深浅是指灰度图中明暗条纹的平均明度差值ΔL,所述密度是指每厘米内帘纹的数量,书画纸的帘纹放大示意图如附图1所示;
帘纹的具体测量操作如下:将14种市售书画纸样本平铺,测量环境处于D65标准光源条件下,由统一参数的相机采集,相机参数光圈、色温、色空间设置统一,多种纸样与相机保持相同距离,将采集到的书画纸表面图像转换为灰度图,测量书画纸表面帘纹中明暗纹理的中心点明度值ΔL值,分别测量每种纸样中心与四角共五处的明度差值ΔL,即五点取样法,所得均值表示最终书画纸帘纹的深浅程度;
本实施例中,书画打印宣纸帘纹深浅测量值X6如下表2所示:
表2 书画打印宣纸帘纹深浅X6
纸样 | 1<sup>#</sup> | 2<sup>#</sup> | 3<sup>#</sup> | 4<sup>#</sup> | 5<sup>#</sup> | 6<sup>#</sup> | 7<sup>#</sup> | 8<sup>#</sup> | 9<sup>#</sup> | 10<sup>#</sup> | 11<sup>#</sup> | 12<sup>#</sup> | 13<sup>#</sup> | 14<sup>#</sup> |
ΔL | 1 | 3 | 6 | 4 | 2 | 3 | 7 | 7 | 2 | 1 | 3 | 6 | 7 | 4 |
密度的具体测量操作如下:市售书画打印宣纸,皆采用现代工艺抄造,帘纹分布均匀细直,宽窄一致,直接采用每厘米内帘纹的数量来判断纸张表面帘纹疏密状况;
本实施例中,书画打印宣纸帘纹疏密度X7如下表3所示:
表3 书画打印宣纸帘纹纹疏密度X7
纸样 | 1<sup>#</sup> | 2<sup>#</sup> | 3<sup>#</sup> | 4<sup>#</sup> | 5<sup>#</sup> | 6<sup>#</sup> | 7<sup>#</sup> | 8<sup>#</sup> | 9<sup>#</sup> | 10<sup>#</sup> | 11<sup>#</sup> | 12<sup>#</sup> | 13<sup>#</sup> | 14<sup>#</sup> |
ρ | 11 | 11 | 9 | 8 | 10 | 9 | 9 | 8 | 11 | 10 | 11 | 9 | 7 | 10 |
S3:在MATLAB环境下建立总变差模型,数学模型如下:
式中
q以p点为中心的一个正方形区域内所有像素点的索引,g为高斯核函数,
在上述公式中,空间尺度参数σ与权重λ响原始图像I能否分离出理想图像S和噪声W的关键参数,权重λ值用来控制图像的光滑程度,但仅调节权重λ值无法分离纹理信息,所以在提取各色块帘纹信息时皆固定权重λ值(取固定值λ为0.005),仅对空间尺度参数σ进行调节。空间尺度参数σ的选择取决于书画打印宣纸帘纹的深浅,在分离图像主结构与纹理的过程中十分重要,其帘纹越明显,所需要的值越大;
S4:确定总变差模型参数中的σ值:对书画宣纸分别输出CMYRGB六色实地色块,利用相机在D65光源下采集色块图像,然后使用总变差模型进行去帘纹处理,求出每种纸张最适空间尺度参数σ值,当σ范围为0.01~1时σ值变化步长设为0.01,当σ范围为1~8时σ值变化步长设为0.1,根据实际效果获得对应书画宣纸去纹理效果最优定总变差模型参数σ值,去帘纹处理效果如附图2所示;
此外,σ值范围一般为0~8,为避免分母出现0的情况,当人眼观察不到色块上帘纹时的最小σ值设定为0.01,纸张帘纹不明显时,去纹理效果所需最适σ值较小,且图像变化随值变化较为敏感,而帘纹纹路明显时,所需最适σ值较大,图像出现明显变化时所需σ值变化较大;
本实施例中,书画打印宣纸去帘纹最适σ值如下表4所示:
表4 书画打印宣纸去帘纹最适σ值
纸样 | 1<sup>#</sup> | 2<sup>#</sup> | 3<sup>#</sup> | 4<sup>#</sup> | 5<sup>#</sup> | 6<sup>#</sup> | 7<sup>#</sup> | 8<sup>#</sup> | 9<sup>#</sup> | 10<sup>#</sup> | 11<sup>#</sup> | 12<sup>#</sup> | 13<sup>#</sup> | 14<sup>#</sup> |
σ值 | 8.00 | 3.20 | 0.04 | 0.04 | 4.50 | 0.01 | 7.50 | 0.02 | 0.10 | 0.08 | 5.00 | 4.80 | 4.60 | 2.10 |
S5:测量书画纸去帘纹处理后的色度值,并计算与标准设定值间的色差值采用eXact对色块进行多点采样,取测量均值,获得色度值,然后采用CIE 1976L*a*b*均匀色空间色差计算公式:计算测量值与标准值间的色差
其中六色标准值为C,M,Y,R,G,B六色L*,a*,b*值,如下表5所示:
表5 标准色度值
L<sup>*</sup> | a<sup>*</sup> | b<sup>*</sup> | |
C | 60 | -32 | -42 |
M | 48 | 78 | -4 |
Y | 90 | -7 | 95 |
R | 51 | 66 | 54 |
G | 54 | -72 | 26 |
B | 23 | 25 | -46 |
本实施例中,色差值如下表6所示:
表6 色差值
S6:在MATLAB环境下建立GRNN预测模型:数据分为输入矩阵、输出矩阵、训练数据和测试数据,GRNN由4层组成,分别为输入层、模式层、求和层和输出层,
其中模式层的神经元传递函数公式为 其中,X为输入量,Xi为第i个神经元对应的学习对象,σ为平滑因子,
求和层中对神经元进行求和计算,有两类计算公式:一类为对两类神经元进行求和,如公式另一类为对所有模式层神经元进行求和,如公式
输出层中神经元数目等于学习对象中输出向量的维度m,网络输出如公式yj=SNj/SD j=1,2,3,…,m;
S7:构建GRNN预测模型训练数据样本:包括输入值矩阵Ptrain和输出值矩阵Ttrain,所述输入值矩阵Ptrain是由经过S1和S2步骤采集得到的第1-m份书画纸的参数组成的矩阵,输出值矩阵Ttrain是由经过S5步骤后获得的第1-m份书画纸的色差值组成的矩阵;
在本实施例中,选择14种样本纸,其中选择1-10号纸张表面参数构建训练样本,其训练样本中输入值样本P参数包括:编号1—10号纸的粗糙度X1、白度X2、不透明度X3、定量X4、光泽度X5,帘纹深浅X6以及帘纹密度X7,
以训练样本输出值T为编号1—10号纸的对应色差值,
Ttrain=[5.92 5.90 2.95 2.84 5.41 4.06 5.91 3.27 5.19 4.30];
S8:获得最优平滑因子,即SPREAD值:使用经过S5构建的训练样本对数据进行训练,借助MSE函数,得到预测模型的最优平滑因子SPREAD值:根据经验值大致设定最优平滑因子SPREAD值区间为1~10,步长设定为0.1进行训练,并实时计算训练样本和测试样本随SPREAD值增加而变化的均方误差,均方误差最小时的SPREAD值即最优平滑因子;
本实施例的均方误差随SPREAD值变化趋势如图3所示可知,当SPREAD值取2.2时,均方误差最小,模型预测达到了最优精度;
S9:验证预测准确性:在本实施例中使用第11-14份书画纸的表面参数与色差值构建测试样本,以验证该模型精度,色差值处于0.0~1.5即为模型精准度合格;
输入矩阵:
输出矩阵:Ttest=[5.64 5.58 5.61 5.72]
4种书画打印宣纸实际测量色差值与预测色差值的差值分别为0.71、0.42、0.66、0.47,根据国家标准GB77705-1987对彩色复制要求的规定为,精细产品色差值为并且0.0~1.5范围内的色差并不能引起人眼明显的视觉感官。所以该预算结果处于可以接受的区间内,证明了该模型可以根据一定的纸张物理表面参数来预测书画打印宣纸输出质量。
在本实施中优选的,在步骤S7中,为确保数据间的可比性,训练数据正式进入GRNN模型中进行训练时,对数据进行归一化处理。
在本实施中优选的,总变差模型空间尺度参数σ值与基本表面参数X1-X5之间具有强相关性,在实际应用中,可以根据已知纸张表面粗糙度和不透明度数值大致确定σ值范围,减少调用总变差模型调整σ值的次数,提升使用效率。
上述实施例仅例示性说明本专利申请的原理及其功效,而非用于限制本专利申请。任何熟悉此技术的人士皆可在不违背本专利申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本专利申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本专利请的权利要求所涵盖。
Claims (5)
1.一种建立书画纸输出质量预测模型的方法,其特征在于,包括以下步骤:
S1:测量书画纸表面性能参数:参数包括多种书画纸的粗糙度X1、白度X2、不透明度X3、定量X4、光泽度X5,共采集n份书画纸,第1-m份作为模型训练用数据,第m-n份作为模型检测用数据;
S2:测量书画纸表面帘纹参数,包括深浅和密度,所述深浅是指灰度图中明暗条纹的平均明度差值ΔL,所述密度是指每厘米内帘纹的数量;
S3:在MATLAB环境下建立总变差模型,数学模型如下:
式中 q以p点为中心的一个正方形区域内所有像素点的索引,g为高斯核函数,
S4:确定总变差模型参数中的σ值:对书画宣纸分别输出CMYRGB六色实地色块,利用相机在D65光源下采集色块图像,然后使用总变差模型进行去帘纹处理,求出每种纸张最适空间尺度参数σ值,当σ范围为0.01~1时σ值变化步长设为0.01,当σ范围为1~8时σ值变化步长设为0.1,根据实际效果获得对应书画宣纸去纹理效果最优定总变差模型参数σ值;
S5:测量书画纸去帘纹处理后的色度值,并计算与标准设定值间的色差值eXact对色块进行多点采样,取测量均值,获得色度值,然后采用CIE 1976L*a*b*均匀色空间色差计算公式:计算测量值与标准值间的色差
S6:在MATLAB环境下建立GRNN预测模型:数据分为输入矩阵、输出矩阵、训练数据和测试数据,GRNN由4层组成,分别为输入层、模式层、求和层和输出层,其中模式层的神经元传递函数公式为其中,X为输入量,Xi为第i个神经元对应的学习对象,σ为平滑因子;
S7:构建GRNN预测模型训练数据样本:包括输入值矩阵Ptrain和输出值矩阵Ttrain,所述输入值矩阵Ptrain是由经过S1和S2步骤采集得到的第1-m份书画纸的参数组成的矩阵,输出值矩阵Ttrain是由经过S5步骤后获得的第1-m份书画纸的色差值组成的矩阵;
S8:获得最优平滑因子,即SPREAD值:使用经过S5构建的训练样本对数据进行训练,借助MSE函数,得到预测模型的最优平滑因子SPREAD值:根据经验值大致设定最优平滑因子SPREAD值区间为1~10,步长设定为0.1进行训练,并实时计算训练样本和测试样本随SPREAD值增加而变化的均方误差,均方误差最小时的SPREAD值即最优平滑因子;
S9:验证预测准确性:使用第m-n份书画纸的表面参数与色差值构建测试样本,以验证该模型精度,色差值处于0.0~1.5即为模型精准度合格。
2.根据权利要求1所述的建立书画纸输出质量预测模型的方法,其特征在于:在所述步骤S1中,参数中纸张的不透明度X3通过白度仪测量,将纸样重叠若干层至不透明为止,测量其反射率R∞,计算得出纸样的不透明度,所述粗糙度X1与定量X4测量结果为三次重复测量数据的均值。
3.根据权利要求2所述的建立书画纸输出质量预测模型的方法,其特征在于:在所述步骤S2中,测量环境处于D65标准光源条件下,由统一参数的相机采集,相机参数光圈、色温、色空间设置统一,多种纸样与相机保持相同距离,将采集到的书画纸表面图像转换为灰度图,测量书画纸表面帘纹中明暗纹理的中心点明度值ΔL值,分别测量每种纸样中心与四角共五处的明度差值ΔL,即五点取样法,所得均值表示最终书画纸帘纹的深浅程度。
4.根据权利要求3所述的建立书画纸输出质量预测模型的方法,其特征在于:在步骤S5中,测量方法为:对经总变差模型去除纹理后,对色块进行多点采样,取测量均值,然后根据据GB/T 7705-1987中所规定的印刷品色差衡量标准,采用CIE 1976L*a*b*均匀色空间色差计算公式:计算测量值与标准值间的色差。
5.根据权利要求4所述的建立书画纸输出质量预测模型的方法,其特征在于:在步骤S7中,训练数据正式进入GRNN模型中进行训练时,对数据进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359848.6A CN109992928B (zh) | 2019-04-30 | 2019-04-30 | 一种建立书画纸输出质量预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359848.6A CN109992928B (zh) | 2019-04-30 | 2019-04-30 | 一种建立书画纸输出质量预测模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109992928A true CN109992928A (zh) | 2019-07-09 |
CN109992928B CN109992928B (zh) | 2023-04-25 |
Family
ID=67135667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359848.6A Active CN109992928B (zh) | 2019-04-30 | 2019-04-30 | 一种建立书画纸输出质量预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992928B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027891A (zh) * | 2019-12-26 | 2020-04-17 | 雅昌文化(集团)有限公司 | 印刷原辅材料质量管控方法 |
CN111966858A (zh) * | 2020-08-25 | 2020-11-20 | 北京雅昌艺术影像有限公司 | 画册评级分级评价方法 |
CN113411466A (zh) * | 2021-05-08 | 2021-09-17 | 华南理工大学 | 基于彩色印刷生产系统的多色彩色差智能校正方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030191728A1 (en) * | 2002-03-27 | 2003-10-09 | Kulkarni Bhaskar Dattatray | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
CN106228562A (zh) * | 2016-08-01 | 2016-12-14 | 浙江科技学院 | 基于概率神经网络算法的在线印刷品色彩质量评价方法 |
CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
-
2019
- 2019-04-30 CN CN201910359848.6A patent/CN109992928B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030191728A1 (en) * | 2002-03-27 | 2003-10-09 | Kulkarni Bhaskar Dattatray | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
CN106228562A (zh) * | 2016-08-01 | 2016-12-14 | 浙江科技学院 | 基于概率神经网络算法的在线印刷品色彩质量评价方法 |
CN107480775A (zh) * | 2017-08-14 | 2017-12-15 | 中国水产科学研究院淡水渔业研究中心 | 一种基于数据修复的池塘溶解氧预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027891A (zh) * | 2019-12-26 | 2020-04-17 | 雅昌文化(集团)有限公司 | 印刷原辅材料质量管控方法 |
CN111966858A (zh) * | 2020-08-25 | 2020-11-20 | 北京雅昌艺术影像有限公司 | 画册评级分级评价方法 |
CN111966858B (zh) * | 2020-08-25 | 2022-04-15 | 雅昌文化(集团)有限公司 | 画册评级分级评价方法 |
CN113411466A (zh) * | 2021-05-08 | 2021-09-17 | 华南理工大学 | 基于彩色印刷生产系统的多色彩色差智能校正方法及系统 |
CN113411466B (zh) * | 2021-05-08 | 2022-09-20 | 华南理工大学 | 基于彩色印刷生产系统的多色彩色差智能校正方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109992928B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109992928A (zh) | 一种建立书画纸输出质量预测模型的方法 | |
CN105787508B (zh) | 纺织品颜色识别方法及系统 | |
US8743137B2 (en) | Method for electronic color matching | |
CN105787945B (zh) | 一种基于特征色的数码印花颜色再现精度的评价方法 | |
US6539323B2 (en) | Methods and apparatus for correcting spectral color measurements | |
CN103542937B (zh) | 一种数码印花色差的检验方法 | |
CN106585090B (zh) | 一种印刷网点面积增大值的检测与校正方法 | |
CN110418030B (zh) | 基于图像色块用于纺织品喷墨印染的颜色一致性映射方法 | |
CN103076334B (zh) | 一种定量检测数字印刷线条与文本的方法 | |
Gökmen et al. | A non-contact computer vision based analysis of color in foods | |
CN108801938A (zh) | 一种色差在线测量方法及系统 | |
Zhang et al. | Images features extraction of tobacco leaves | |
US11614362B1 (en) | Method of digital measuring color of fabrics based on digital camera | |
CN107451993A (zh) | 一种织物色牢度等级评定方法和系统 | |
CN101863161A (zh) | 与角度相关的颜色值修正 | |
JP2014077664A (ja) | 光沢性評価方法及び光沢性評価装置 | |
Lundström et al. | Assessing, exploring, and monitoring quality of offset colour prints | |
CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
WO1999044170A2 (en) | Multiple purpose composite target for digital imaging test and calibration | |
CN116587759B (zh) | 一种直观高效的数码印花颜色修正管理方法及系统 | |
CN117152461A (zh) | 一种基于数字图像的卷烟包装材料色差检测方法 | |
CN105026157A (zh) | 用于自动预置印色的装置和方法 | |
JP2018191073A (ja) | 着色材料の配合量の算出方法 | |
Kuo et al. | Computerized color separation system for printed fabrics by using backward-propagation neural network | |
Jafari et al. | Colorimetric analysis of black coated fabrics |
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 |