CN110475043A - 一种CMYK到Lab颜色空间的转换方法 - Google Patents
一种CMYK到Lab颜色空间的转换方法 Download PDFInfo
- Publication number
- CN110475043A CN110475043A CN201910703593.0A CN201910703593A CN110475043A CN 110475043 A CN110475043 A CN 110475043A CN 201910703593 A CN201910703593 A CN 201910703593A CN 110475043 A CN110475043 A CN 110475043A
- Authority
- CN
- China
- Prior art keywords
- neural network
- nest
- bird
- color space
- value
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6002—Corrections within particular colour systems
- H04N1/6008—Corrections within particular colour systems with primary colour signals, e.g. RGB or CMY(K)
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种CMYK到Lab颜色空间转换方法,首先将CMYK颜色空间值转化为Lab颜色空间值,构造神经网络的训练样本和测试样本,然后,建立小波神经网络模型,初始化神经网络中输入层、隐含层、输出层各层之间的权值和阈值,设定学习速率和迭代次数以及预测精度,使用布谷鸟搜索算法优化小波神经网络的权值和阈值,最后将训练样本输入优化完成的小波神经网络进行训练得到稳定的神经网络模型,实现CMYK到Lab颜色空间的转换功能。本发明公开的方法解决了传统颜色空间转换方法计算量大、模型复杂,解决神经网络算法易陷入局部最小值的问题。相比现有颜色空间转换方法转换精度大幅提高,并能保证一定的转换速度。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种CMYK到Lab颜色空间的转换方法。
背景技术
数码印花技术使用数字化手段将图案输入到计算机后经软件处理,控制数码印花机打印出所需印花图案。由于彩色设备的不同特性,颜色复现时经常出现较大色差。为了保证同一色彩在不同特性的设备之间稳定的传递并呈现一致的效果,就需要进行色彩管理。颜色空间转换是图像配色、分色和打印过程中一项必不可少的技术。CMYK颜色空间是应用在印刷行业的一种色彩标准,是通过改变青、洋红、黄、黑四种颜色的油墨的用量以及不同颜色之间的叠加来获得所需图案。Lab颜色空间是独立于设备的色彩系统,广泛用于色彩调整和色差校正,其色域大于RGB和CMYK的色域,同时Lab空间的色彩较均匀,Lab颜色空间中L取值代表明亮度;a的值取正表示红色,取负表示绿色;b的值取正表示黄色,取负表示蓝色。通过建立合适的CMYK到Lab色彩空间转换模型,可以确保图像在不同设备复制过程中,相同颜色信息保持一致性。
应用神经网络技术已经成为色彩管理和色彩空间转换的一种趋势。目前BP神经网络广泛应用于颜色转换,小波神经网络以BP神经网络拓扑结构为基础,将小波分析与神经网络相结合,使用小波函数中的伸缩和平移因子来代替神经网络隐含层节点的激活函数。BP神经网络与小波神经网络结构简单,易于建立,但收敛速度慢,有时会产生局部最小值,预测结果不稳定,作为颜色空间转换模型有很大缺陷。布谷鸟搜索算法基于布谷鸟寄生产卵的生物学特征,基于寄生繁殖和莱维飞行规则,相比遗传算法和粒子群算法更优。使用布谷鸟搜索算法优化小波神经网络,能够提高小波神经网络的收敛速度和局部细节信息识别分析能力。
发明内容
本发明的目的是提供一种CMYK到Lab颜色空间的转换方法,基于布谷鸟搜索算法优化小波神经网络,解决了CMYK到Lab颜色空间转换模型复杂,转换精度低的问题。
本发明所采用的技术方案是,一种CMYK到Lab颜色空间的转换方法,具体操作包括如下步骤:
步骤1,将CMYK颜色空间值转化为Lab颜色空间值,构造神经网络的训练样本和测试样本,训练样本用来训练神经网络模型,测试样本用来检测训练好的颜色空间转换模型的转换精度;
步骤2,建立小波神经网络模型,初始化神经网络中的输入层、隐含层、输出层各层之间的权值和阈值,将CMYK颜色空间值作为小波神经网络的输入值,将Lab颜色空间作为神经网络的输出值,训练小波神经网络模型;
步骤3,使用布谷鸟搜索算法优化小波神经网络的权值和阈值;
步骤4,将训练样本输入到步骤3优化完成的小波神经网络进行训练,得到稳定的神经网络模型,实现CMYK到Lab颜色空间的转换;
步骤5,将测试样本输入神经网络模型进行颜色转换并计算色差,检验所建立的颜色空间转换模型的精度。
本发明的其他特点还在于,
优选的,步骤2具体过程:
建立小波神经网络模型,确定输入层节点、隐藏层节点和输出层节点,选取隐含层节点激活函数,使用误差反向传播训练小波神经网络模型,通过梯度下降法调整权重和其他参数,确保训练样本的实际输出与小波神经网络预测输出之间误差达到所需范围。
优选的,步骤2中输入层节点书为4、隐藏层节点数为16、输出层节点数为3。
优选的,步骤2中选取Morlet小波基函数作为隐藏层节点激活函数,如式(1)所示:
当网络输入为xi(i=1,2,...,m),预测输出为yk(k=1,2,...,n)时,式(2)为小波神经网络隐含层计算公式,小波神经网络的输出由式(3)所示:
其中,m的值取4,作为输入层节点数,分别对应训练样本中CMYK空间的4个分量;n的值取3,作为输出层节点数,分别对应训练样本中Lab空间的3个分量;h(j)为隐含层第j个节点的输出值;Wij为输入层到隐含层的权重;aj、bj分别为第j个隐含层节点的伸缩和平移参数;l为隐含层节点数,取值为16;
定义训练样本的实际输出为dk(k=1,2,...,n),则神经网络误差E如式(4)所示:
训练样本的数量为p=625,学习系数取η=0.1,根据梯度下降,则相关参数调整如式(5)-式(8)所示:
优选的,步骤3的具体过程如下:
步骤3.1,初始化布谷鸟搜索算法,设置寄主鸟巢的数量Nnest,寄主鸟发现布谷鸟卵的概率和迭代次数,定义随机生成Nnest个鸟巢位置W=(W1,W2,...,Wnest)T,W中包含小波神经网络中的权值和阈值各项参数,将每个鸟巢的预测结果分别进行误差统计,将Nnest个鸟巢中预测误差最小的鸟巢记为Wbest,作为较优解保留至下一代;
步骤3.2,将步骤3.1中Wbest保留,其余鸟巢的位置和路径进行更新,位置和路径更新如式(9)所示:
其中,α是步长缩放因子,Levy(λ)是Levy飞行随机路径,Xt是第t代的嵌套位置;Levy飞行随机路径和时间之间的关系如式(10)所示:
Levy(λ)~u=t-λ(1<λ<3) (10)
Levy的飞行的参数u和v是随机数且服从正态分布,随机数通过式(11)-式(12)生成:
步骤3.3,通过计算预测结果和实际结果的误差,并与除Wbest之外的其他巢的预测误差进行比较,误差较大的鸟巢位置使用误差较小的鸟巢位置代替,生成一组新的鸟巢位置,表示为Wnew=(Wnew1,Wnew2,...,Wnewnest)T;
步骤3.4,在0和1之间产生一个随机数r,若r的值大于Pa的值,则将鸟巢位置随机变化,计算新产生的一组鸟巢的预测误差,与步骤3.3中的Wnew进行对比,误差较大的鸟巢可用误差较小的鸟巢代替,得到一组较优鸟巢位置W′new;
步骤3.5,在W′new中找出最优的鸟巢,并将其记为Wbest,若达到步骤3.1中设置的迭代次数N或预测精度,则输出该组数据,并将数据分别向小波神经网络中的各个权值和阈值等参数赋值,如果不满足迭代次数N或预测精度,返回步骤3.2继续寻求最优解。
优选的,步骤3.1中主鸟巢的数量Nnest设置为25,寄主鸟发现布谷鸟卵的概率Pa为0.25,迭代次数设置为N=100。
优选的,步骤4的具体过程如下:
步骤4.1,将步骤3中的最优解Wbest拆分为小波神经网络的各个参数,并输入小波神经网络进行训练,得到稳定的神经网络模型;
步骤4.2,将任意CMYK颜色空间中的4个分量值分别输入神将网络输入层节点,通过神经网络预测后,从输出层的节点输出得到转换后的Lab颜色空间3个分量的值。
优选的,步骤5中计算Lab预测值与真实值之间的色差公式如式(13)所示:
式中,ΔL表示明度差异;Δa表示红/绿差异;Δb表示黄/蓝差异,分别如下式所示:
ΔL=L预测值-L标准值(明度差异) (14)
Δa=a预测值-a标准值(红/绿差异) (15)
Δb=b预测值-b标准值(黄/蓝差异) (16)。
本发明的有益效果是,一种CMYK到Lab颜色空间的转换方法,针对传统颜色空间转换方法计算量大、模型复杂,神经网络算法易陷入局部最小值等问题,通过布谷鸟搜索算法优化小波神经网络解决了传统颜色转换方法转换精度低的缺陷,同时转换模型具有很高的稳定性。
附图说明
图1是本发明的一种CMYK到Lab颜色空间的转换方法的流程示意图;
图2是本发明的一种CMYK到Lab颜色空间的转换方法中小波神经网络结构图;
图3是本发明的一种CMYK到Lab颜色空间的转换方法中小波神经网络训练流程图;
图4是本发明的一种CMYK到Lab颜色空间的转换方法中布谷鸟搜索算法优化小波神经网络算法流程图;
图5是本发明的实施例中验证所设计的颜色空间转换方法的转换色差统计图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的一种CMYK到Lab颜色空间的转换方法,如图1所示,具体操作包括如下步骤:
步骤1,将CMYK颜色空间值转化为Lab颜色空间值,构造神经网络的训练样本和测试样本,训练样本用来训练神经网络模型,测试样本用来检测训练好的颜色空间转换模型的转换精度;
步骤2,建立小波神经网络模型,初始化神经网络中的输入层、隐含层、输出层各层之间的权值和阈值,将CMYK颜色空间值作为小波神经网络的输入值,将Lab颜色空间作为神经网络的输出值,训练小波神经网络模型;
步骤3,使用布谷鸟搜索算法优化小波神经网络的权值和阈值;
步骤4,将训练样本输入到步骤3优化完成的小波神经网络进行训练,得到稳定的神经网络模型,实现CMYK到Lab颜色空间的转换;
步骤5,将测试样本输入神经网络模型进行颜色转换并计算色差,检验所建立的颜色空间转换模型的精度。
步骤1的具体过程如下:
步骤1.1,将C、M、Y、K分别以0%,25%,50%,75%,100%等间隔取值,共取得625个色块的CMYK值;
步骤1.2,在AdobePhotoshop CS4中使用拾色器功能,将625个CMYK值转换为相应Lab值作为神经网络的训练样本,随后生成四组50个0~100随机数,可取得50组CMYK值,然后分别转换为相应Lab值作为测试样本;
步骤1.3,将CMYK颜色空间值作为小波神经网络的输入值,将Lab颜色空间作为神经网络的输出值。
步骤2具体过程:
建立小波神经网络模型,确定输入层节点、隐藏层节点和输出层节点,选取隐含层节点激活函数,使用误差反向传播训练小波神经网络模型,通过梯度下降法调整权重和其他参数,确保训练样本的实际输出与小波神经网络预测输出之间误差达到所需范围。
如图2所示,通过实验验证和误差分析,步骤2中输入层节点书为4、隐藏层节点数为16、输出层节点数为3。
步骤2中选取Morlet小波基函数作为隐藏层节点激活函数,如式(1)所示:
当网络输入为xi(i=1,2,...,m),预测输出为yk(k=1,2,...,n)时,式(2)为小波神经网络隐含层计算公式,小波神经网络的输出由式(3)所示:
其中,m的值取4,作为输入层节点数,分别对应训练样本中CMYK空间的4个分量;n的值取3,作为输出层节点数,分别对应训练样本中Lab空间的3个分量;h(j)为隐含层第j个节点的输出值;Wij为输入层到隐含层的权重;aj、bj分别为第j个隐含层节点的伸缩和平移参数;l为隐含层节点数,取值为16;
小波神经网络训练流程图如图3所示,小波神经网络使用误差反向传播,权重和其他参数由梯度下降法确定。可以根据样本的实际输出与神经网络预测输出之间的误差,不断纠正其他参数并最终将误差带到所需范围定义训练样本的实际输出为dk(k=1,2,...,n),则神经网络误差E如式(4)所示:
训练样本的数量为p=625,学习系数是η=0.1,根据梯度下降,则相关参数调整如式(5)-式(8)所示:
如图4所示,步骤3的具体过程如下:
步骤3.1,初始化布谷鸟搜索算法,初始化布谷鸟搜索算法,设置寄主鸟巢的数量Nnest为25,寄主鸟发现布谷鸟卵的概率Pa为0.25,迭代次数设置为N=100,定义随机生成Nnest个鸟巢位置W=(W1,W2,...,Wnest)T,W中包含小波神经网络中的权值和阈值各项参数,将每个鸟巢的预测结果分别进行误差统计,将Nnest个鸟巢中预测误差最小的鸟巢记为Wbest,作为较优解保留至下一代;
步骤3.2,将步骤3.1中Wbest保留,其余鸟巢的位置和路径进行更新,位置和路径更新如式(9)所示:
其中,α是步长缩放因子,Levy(λ)是Levy飞行随机路径,Xt是第t代的嵌套位置;Levy飞行随机路径和时间之间的关系如式(10)所示:
Levy(λ)~u=t-λ(1<λ<3) (10)
Levy的飞行的参数u和v是随机数且服从正态分布,随机数通过式(11)-式(12)生成:
步骤3.3,通过计算预测结果和实际结果的误差,并与除Wbest之外的其他巢的预测误差进行比较,误差较大的鸟巢位置使用误差较小的鸟巢位置代替,生成一组新的鸟巢位置,表示为Wnew=(Wnew1,Wnew2,...,Wnewnest)T;
步骤3.4,在0和1之间产生一个随机数r,若r的值大于Pa的值,则将鸟巢位置随机变化,计算新产生的一组鸟巢的预测误差,与步骤3.3中的Wnew进行对比,误差较大的鸟巢可用误差较小的鸟巢代替,得到一组较优鸟巢位置W′new;
步骤3.5,在W′new中找出最优的鸟巢,并将其记为Wbest,若达到步骤3.1中设置的迭代次数N或预测精度,则输出该组数据,并将数据分别向小波神经网络中的各个权值和阈值等参数赋值。如果不满足迭代次数N或预测精度,返回步骤3.2继续寻求最优解。
步骤4的具体过程如下:
步骤4.1,将步骤3中的最优解Wbest拆分为小波神经网络的各个参数,并输入小波神经网络进行训练,得到稳定的神经网络模型;
步骤4.2,将任意CMYK颜色空间中的4个分量值分别输入神将网络输入层节点,通过神经网络预测后,从输出层的节点输出得到转换后的Lab颜色空间3个分量的值。
实施例
本实例的运行平台为Windows 10,仿真环境使用MATLAB R2016a,样本采集使用Adobe Photoshop CS4软件,在Adobe Photoshop CS4中使用拾色器功能,将625个CMYK值转换为相应Lab值作为神经网络的训练样本,随后生成四组50个0~100随机数;将随机采集到的50个测试样本的CMYK颜色空间值输入训练完成的神经网络模型,得到50个Lab颜色空间预测值;计算Lab预测值与真实值之间的色差并统计,采用最小平均色差ΔE作为标准,计算公式如式(13)所示:
式中:
ΔL=L预测值-L标准值(明度差异) (14)
Δa=a预测值-a标准值(红/绿差异) (15)
Δb=b预测值-b标准值(黄/蓝差异) (16)
统计预测的50个Lab色差ΔE,如图5所示,可以看出CMYK到Lab颜色空间转换精度较高。
本发明的一种CMYK到Lab颜色空间转换方法,通过该网络将CMYK颜色空间值进行转换得到Lab颜色空间值。CMYK颜色空间中的4个分量值对应小波神经网络的4个输入值,Lab颜色空间中的3个分量值对应小波神经网络的3个输出值。使用布谷鸟搜索算法优化小波神经网络的权值和阈值,解决神经网络算法易陷入局部最小值的问题。将任意样本输入训练好的神经网络模型,可以实现CMYK到Lab颜色空间转换。其工作过程如下:选择训练样本和测试样本;确定神经网络结构以及神经网络的层数和节点数;将CMYK值作为神经网络的输入样本值,CMYK值经过Adobe Photoshop CS4中拾色器功能转化为Lab颜色空间值,并将该值作为神经网络的输出值;对神经网络进行训练,通过布谷鸟搜索算法优化小波神经网络的权值和阈值;训练后得到稳定的神经网络模型,可将任意CMYK样本通过该神经网络模型输出为Lab值,实现颜色空间转换功能。该方法将颜色空间转换精度大幅提高,并能保证一定的转换速度。
Claims (8)
1.一种CMYK到Lab颜色空间的转换方法,其特征在于,具体操作包括如下步骤:
步骤1,将CMYK颜色空间值转化为Lab颜色空间值,构造神经网络的训练样本和测试样本;
步骤2,建立小波神经网络模型,初始化神经网络中输入层、隐含层、输出层各层之间的权值和阈值,将CMYK颜色空间值作为小波神经网络的输入值,将Lab颜色空间作为神经网络的输出值,训练小波神经网络模型;
步骤3,使用布谷鸟搜索算法优化小波神经网络的权值和阈值;
步骤4,将训练样本输入到步骤3优化完成的小波神经网络进行训练,得到稳定的神经网络模型,实现CMYK到Lab颜色空间的转换;
步骤5,将测试样本输入神经网络模型进行颜色转换并计算色差,检验所建立的颜色空间转换模型的精度。
2.如权利要求1所述的一种CMYK到Lab颜色空间的转换方法,其特征在于,所述步骤2具体过程:
建立小波神经网络模型,确定输入层节点、隐藏层节点和输出层节点,选取隐含层节点激活函数,使用误差反向传播训练小波神经网络模型,通过梯度下降法调整权重和其他参数,确保训练样本的实际输出与小波神经网络预测输出之间误差达到所需范围。
3.如权利要求2所述的一种CMYK到Lab颜色空间的转换方法,其特征在于,所述步骤2中输入层节点书为4、隐藏层节点数为16、输出层节点数为3。
4.如权利要求2所述的一种CMYK到Lab颜色空间的转换方法,其特征在于,所述步骤2中选取Morlet小波基函数作为隐藏层节点激活函数,如式(1)所示:
当网络输入为xi(i=1,2,...,m),预测输出为yk(k=1,2,...,n)时,式(2)为小波神经网络隐含层计算公式,小波神经网络的输出由式(3)所示:
其中,m的值取4,作为输入层节点数,分别对应训练样本中CMYK空间的4个分量;n的值取3,作为输出层节点数,分别对应训练样本中Lab空间的3个分量;h(j)为隐含层第j个节点的输出值;Wij为输入层到隐含层的权重;aj、bj分别为第j个隐含层节点的伸缩和平移参数;l为隐含层节点数,取值为16;
定义训练样本的实际输出为dk(k=1,2,...,n),则神经网络误差E如式(4)所示:
训练样本的数量为p=625,学习系数取η=0.1,根据梯度下降,则相关参数调整如式(5)-式(8)所示:
5.如权利要求4所述的一种CMYK到Lab颜色空间的转换方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1,初始化布谷鸟搜索算法,设置寄主鸟巢的数量Nnest,寄主鸟发现布谷鸟卵的概率和迭代次数,定义随机生成Nnest个鸟巢位置W=(W1,W2,...,Wnest)T,W中包含小波神经网络中的权值和阈值各项参数,将每个鸟巢的预测结果分别进行误差统计,将Nnest个鸟巢中预测误差最小的鸟巢记为Wbest,作为较优解保留至下一代;
步骤3.2,将步骤3.1中Wbest保留,其余鸟巢的位置和路径进行更新,位置和路径更新如式(9)所示:
其中,α是步长缩放因子,Levy(λ)是Levy飞行随机路径,Xt是第t代的嵌套位置;Levy飞行随机路径和时间之间的关系如式(10)所示:
Levy(λ)~u=t-λ(1<λ<3) (10)
Levy的飞行的参数u和v是随机数且服从正态分布,随机数通过式(11)-式(12)生成:
步骤3.3,通过计算预测结果和实际结果的误差,并与除Wbest之外的其他巢的预测误差进行比较,误差较大的鸟巢位置使用误差较小的鸟巢位置代替,生成一组新的鸟巢位置,表示为Wnew=(Wnew1,Wnew2,...,Wnewnest)T;
步骤3.4,在0和1之间产生一个随机数r,若r的值大于Pa的值,则将鸟巢位置随机变化,计算新产生的一组鸟巢的预测误差,与步骤3.3中的Wnew进行对比,误差较大的鸟巢可用误差较小的鸟巢代替,得到一组较优鸟巢位置W′new;
步骤3.5,在W′new中找出最优的鸟巢,并将其记为Wbest,若达到步骤3.1中设置的迭代次数N或预测精度,则输出该组数据,并将数据分别向小波神经网络中的各个权值和阈值等参数赋值,如果不满足迭代次数N或预测精度,返回步骤3.2继续寻求最优解。
6.如权利要求5所述的一种CMYK到Lab颜色空间的转换方法,其特征在于,所述步骤3.1中主鸟巢的数量Nnest设置为25,寄主鸟发现布谷鸟卵的概率Pa为0.25,迭代次数设置为N=100。
7.如权利要求5所述的一种CMYK到Lab颜色空间的转换方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1,将步骤3中的最优解Wbest拆分为小波神经网络的各个参数,并输入小波神经网络进行训练,得到稳定的神经网络模型;
步骤4.2,将任意CMYK颜色空间中的4个分量值分别输入神将网络输入层节点,通过神经网络预测后,从输出层的节点输出得到转换后的Lab颜色空间3个分量的值。
8.如权利要求7所述的一种CMYK到Lab颜色空间的转换方法,其特征在于,所述步骤5中计算Lab预测值与真实值之间的色差公式如式(13)所示:
式中,ΔL表示明度差异;Δa表示红/绿差异;Δb表示黄/蓝差异,分别如下式所示:
ΔL=L预测值-L标准值(明度差异) (14)
Δa=a预测值-a标准值(红/绿差异) (15)
Δb=b预测值-b标准值(黄/蓝差异) (16)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703593.0A CN110475043B (zh) | 2019-07-31 | 2019-07-31 | 一种CMYK到Lab颜色空间的转换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703593.0A CN110475043B (zh) | 2019-07-31 | 2019-07-31 | 一种CMYK到Lab颜色空间的转换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110475043A true CN110475043A (zh) | 2019-11-19 |
CN110475043B CN110475043B (zh) | 2021-08-17 |
Family
ID=68509331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910703593.0A Active CN110475043B (zh) | 2019-07-31 | 2019-07-31 | 一种CMYK到Lab颜色空间的转换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110475043B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270397A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的颜色空间转换方法 |
CN112862906A (zh) * | 2021-01-15 | 2021-05-28 | 深圳市中钞科信金融科技有限公司 | 基于神经网络的颜色空间转换方法 |
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 |
CN113409206A (zh) * | 2021-06-11 | 2021-09-17 | 西安工程大学 | 一种高精度的数码印花颜色空间转换方法 |
CN114512085A (zh) * | 2022-03-17 | 2022-05-17 | 广州康盛网络科技有限公司 | 一种tft显示屏的视觉色彩校准方法 |
CN116363997A (zh) * | 2023-03-29 | 2023-06-30 | 江苏磐鼎科技有限公司 | 一种基于深度学习的led显示屏配色及节能方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196013A1 (en) * | 1993-11-18 | 2005-09-08 | Rhoads Geoffrey B. | Imagery having technical exposure data steganographically encoded therein |
CN101359192A (zh) * | 2007-07-30 | 2009-02-04 | 富士施乐株式会社 | 颜色转换装置和信息处理方法 |
US20100158359A1 (en) * | 2008-12-18 | 2010-06-24 | Yue Qiao | Image data clustering and color conversion |
CN104182771A (zh) * | 2014-07-30 | 2014-12-03 | 北京航空航天大学 | 基于带丢包自动编码技术的时间序列数据图形化分析方法 |
CN106557840A (zh) * | 2016-11-14 | 2017-04-05 | 中南大学 | 一种强风高速铁路沿线风速自适应分解预测方法 |
CN108985361A (zh) * | 2018-07-02 | 2018-12-11 | 北京金睛云华科技有限公司 | 一种基于深度学习的恶意流量检测实现方法和装置 |
-
2019
- 2019-07-31 CN CN201910703593.0A patent/CN110475043B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196013A1 (en) * | 1993-11-18 | 2005-09-08 | Rhoads Geoffrey B. | Imagery having technical exposure data steganographically encoded therein |
CN101359192A (zh) * | 2007-07-30 | 2009-02-04 | 富士施乐株式会社 | 颜色转换装置和信息处理方法 |
US20100158359A1 (en) * | 2008-12-18 | 2010-06-24 | Yue Qiao | Image data clustering and color conversion |
CN104182771A (zh) * | 2014-07-30 | 2014-12-03 | 北京航空航天大学 | 基于带丢包自动编码技术的时间序列数据图形化分析方法 |
CN106557840A (zh) * | 2016-11-14 | 2017-04-05 | 中南大学 | 一种强风高速铁路沿线风速自适应分解预测方法 |
CN108985361A (zh) * | 2018-07-02 | 2018-12-11 | 北京金睛云华科技有限公司 | 一种基于深度学习的恶意流量检测实现方法和装置 |
Non-Patent Citations (1)
Title |
---|
穆宝忠等: "数码冲印颜色空间转化的神经网络优化", 《浙江大学学报(工学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270397A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的颜色空间转换方法 |
CN112270397B (zh) * | 2020-10-26 | 2024-02-20 | 西安工程大学 | 一种基于深度神经网络的颜色空间转换方法 |
CN112862906A (zh) * | 2021-01-15 | 2021-05-28 | 深圳市中钞科信金融科技有限公司 | 基于神经网络的颜色空间转换方法 |
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 |
CN113409206A (zh) * | 2021-06-11 | 2021-09-17 | 西安工程大学 | 一种高精度的数码印花颜色空间转换方法 |
CN114512085A (zh) * | 2022-03-17 | 2022-05-17 | 广州康盛网络科技有限公司 | 一种tft显示屏的视觉色彩校准方法 |
CN116363997A (zh) * | 2023-03-29 | 2023-06-30 | 江苏磐鼎科技有限公司 | 一种基于深度学习的led显示屏配色及节能方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110475043B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110475043A (zh) | 一种CMYK到Lab颜色空间的转换方法 | |
CN110210486B (zh) | 一种基于素描标注信息的生成对抗迁移学习方法 | |
CN110837870A (zh) | 基于主动学习的声呐图像目标识别方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN113469119B (zh) | 基于视觉转换器和图卷积网络的宫颈细胞图像分类方法 | |
CN107316015A (zh) | 一种基于深度时空特征的高精度面部表情识别方法 | |
CN109816714A (zh) | 一种基于三维卷积神经网络的点云物体类型识别方法 | |
CN107079077A (zh) | 配置成像系统 | |
CN108280488A (zh) | 基于共享神经网络的可抓取物体识别方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN110414665A (zh) | 一种基于深度神经网络的网络表示学习方法 | |
CN108776835A (zh) | 一种深度神经网络训练方法 | |
CN102110428B (zh) | 一种cmyk到rgb色彩空间的转换方法和装置 | |
CN106842948B (zh) | 基于bp网络的hdp分子蒸馏系统的最优控制方法 | |
CN103354073B (zh) | 一种lcd色偏纠正方法 | |
CN114399018B (zh) | 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法 | |
CN112270397B (zh) | 一种基于深度神经网络的颜色空间转换方法 | |
CN109800809A (zh) | 一种基于维度分解的候选区域提取方法 | |
CN103383743B (zh) | 一种色度空间变换方法 | |
Su et al. | Colour space conversion model from CMYK to CIELab based on CS‐WNN | |
Kuo et al. | Computerized color separation system for printed fabrics by using backward-propagation neural network | |
CN106997473A (zh) | 一种基于神经网络的图像识别方法 | |
CN109118483A (zh) | 一种标签质量检测方法及装置 | |
Hu et al. | Hypernetwork models based on random hypergraphs | |
CN109086821A (zh) | 机器人的物体抓取判别方法 |
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 |