CN110926608A - 一种基于光源筛选的光谱重建方法 - Google Patents

一种基于光源筛选的光谱重建方法 Download PDF

Info

Publication number
CN110926608A
CN110926608A CN201910971044.1A CN201910971044A CN110926608A CN 110926608 A CN110926608 A CN 110926608A CN 201910971044 A CN201910971044 A CN 201910971044A CN 110926608 A CN110926608 A CN 110926608A
Authority
CN
China
Prior art keywords
light source
spectral
screening
training sample
samples
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
Application number
CN201910971044.1A
Other languages
English (en)
Other versions
CN110926608B (zh
Inventor
吴光远
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN201910971044.1A priority Critical patent/CN110926608B/zh
Publication of CN110926608A publication Critical patent/CN110926608A/zh
Application granted granted Critical
Publication of CN110926608B publication Critical patent/CN110926608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明提供了一种基于光源筛选的光谱重建方法，其特征在于，包括以下步骤：根据不同参考光源的光谱功率分布特点，利用光谱匹配方法获得筛选光源；然后在筛选光源下通过数字成像设备获得训练样本集和测试样本的多光源色度值；接着充分考虑测试样本的特征，选择一定数量与测试样本空间结构相近的训练样本进行局部样本加权，最后通过线性模型法计算得到测试样本的光谱反射率。因此，本发明提供了一种筛选参考光源、考虑局部样本加权策略的多光源光谱重建方法，计算简单，光谱重建精度高，并且相对用户使用而言也较为方便。

Description

一种基于光源筛选的光谱重建方法
技术领域
本发明涉及一种光谱重建方法，具体涉及到一种基于光源筛选的多光源光谱重建方法，可广泛应用于远程医疗、纺织颜色、印刷检测、艺术品复制及电子商务等领域。
背景技术
物体的光谱反射率被称为物体“指纹”，它能够准确地预测物体在任何环境和观察条件下物体颜色外貌。通过物体的光谱反射率最准确地和最有效地展示物体颜色信息是非常有必要的，这是因为在远程医疗、印刷检测、艺术品复制以及电子商务等领域对颜色再现要求非常高。正常来说，分光光度计和多光谱相机可以直接测量物体表面的光谱反射率；但是这些设备的便携性、复杂性和价格性都限制其自身的可用性。而最常用地色度值则可以很容易地通过数码相机、手机和色度计测量。
色度值如RGB值或CIE XYZ值，仅是通过三通道记录固定观察条件下的物体颜色信息。在许多场景下这样表达颜色信息是远远不够的，这是因为颜色信息严重依赖于光源光谱。因此色度值一直随着光源的不同而显著地改变。尽管色度值通过物体光谱反射率唯一计算得到，但是通过色度值计算得到物体光谱反射率是欠定方程问题。许多不同的光谱重建计算方法现已得到广泛地应用，例如伪逆法（PI）、主成分分析法（PCA）、R矩阵法、非负矩阵分解（NNMF）、模拟退火法、压缩感知法、单纯形方法等。在所有这些方法，伪逆法是光谱重建方法中最简单和最直接的光谱重建方法，能够从本质上反映色度信息和物体光谱反射率之间的对应关系，所以在光谱重建方法中得到了广泛地应用。
事实上，通过一组在固定光源环境下的色度值被限制到三维信息进行光谱重建，这样会导致出现相对较大地光谱重建误差。基于多光源的光谱重建方法已经引起了一些研究者的广泛地重视。Schettini等人在基向量和基数确定的前提下在一个或多个光源环境下基于神经网络的方法计算光谱重建。Abed等人提出了在D65光源和A光源环境下使用插值策略的查找表法进行光谱重建。Harifi等人首先应用非线性回归法去增加一组色度值，然后通过六维特征向量计算光谱重建。Amiri等人通过已知CIE XYZ值计算得到其它光源下的CIE XYZ值，这时分别应用PCA或NNMF计算六维色度值下的光谱重建。Zhang等人最先通过相机响应值预测不同光源下的CIE XYZ值，这时使用PI重建出光谱反射率。光谱重建精确程度受到选择参考光源（Reference Illuminants）（例如A光源和D65光源）的数量和类型的影响。对于参考光源的数量，理论上来说增加参考光源的数量，光谱重建精度会增加；但是对于获取色度值的设备来说，增加额外的色度值将会不容易获取。同时，根据RaimondoSchettini和Silvia Zuffi的结论，在三个光源情况下光谱重建精度并不比在两个光源情况下光谱重建精度提高多少。对于参考光源的类型，参考光源的类型选择光谱功率分布（Spectral Power Distributions）连续且光滑，没有刺状辐射（Spiky Radiance）。正如Zhang等人之前讨论的，一种趋势被观察到，当两个光源的光谱功率分布曲线越相似，光谱重建精度越低；该假设缺少一个明确地数学解释来证实。
上述光谱重建方法都是建立在预先确定好的参考光源下，并在多光源光谱重建过程中公平地对待每一个训练样本。
发明内容
本发明为了弥补现有技术的缺陷，提供了一种重建精度高、计算简单、筛选参考光源、考虑局部样本加权策略的多光源光谱重建方法。
本发明是通过如下技术方案实现的：
一种基于光源筛选的光谱重建方法，其特征是，包括以下步骤：
步骤1，参考光源的筛选：选择不同类型且平滑的光源光谱功率分布（Spectral PowerDistributions）作为参考光源集I S ，利用光谱匹配方法来计算两个参考光源之间的相似度
Figure DEST_PATH_IMAGE001
。
步骤2，物体颜色值的获取：采用标准色卡作为训练样本集，通过分光光度计测量训练样本集的光谱反射率，得到训练样本的光谱集；然后在数字成像设备中通过测量和计算获得训练样本集在参考光源下对应的训练样本色度值集T c 。
步骤3，局部样本的加权：充分考虑测试样本的特征，选择一定数量与测试样本空间结构相近的训练样本得到局部训练样本集；同时，在局部训练样本集内的每个样本按照与测试样本在空间结构的相近程度进行加权得到多维色度值加权集。
步骤4，光谱重建：根据线性模型光谱重建方法，利用多维色度值加权值集来提高光谱重建精度。
在本发明所述的一种基于光源筛选的光谱重建方法，还具有这样的特征：其中，所述参考光源的筛选具体步骤为：
（1）选择不同类型且平滑的光源光谱功率分布（Spectral Power Distributions）作为参考光源集I S ；
（2）利用光谱匹配方法来计算两个参考光源之间的相似度
Figure 953460DEST_PATH_IMAGE001
，选择光源相似度
Figure 675428DEST_PATH_IMAGE001
计算数值最大值两个参考光源作为筛选光源，分别为I 1 和I 2 ，筛选光源集I D =[I 1 ;I 2 ]。
所述光谱匹配方法如下：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
和
Figure DEST_PATH_IMAGE004
分别代表在参考光源集I S 内第
Figure DEST_PATH_IMAGE005
(
Figure DEST_PATH_IMAGE006
个和第
Figure DEST_PATH_IMAGE007
(
Figure DEST_PATH_IMAGE008
个；m是参考光源集I S 内参考光源的数量。
在本发明所述的一种基于光源筛选的光谱重建方法，还具有这样的特征：其中，所述物体颜色数据的获取具体步骤为：
（1）采用标准色卡作为训练样本集，通过分光光度计测量训练样本集的光谱反射率；
（2）在数字成像设备中通过测量和计算获得训练样本集对应的颜色色度值集T c ：
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE012
式中，物体表面光谱反射率为
Figure DEST_PATH_IMAGE013
，K为修正系数，
Figure DEST_PATH_IMAGE014
,
Figure DEST_PATH_IMAGE015
和
Figure DEST_PATH_IMAGE016
是CIE颜色匹配函数，
Figure DEST_PATH_IMAGE017
为第
Figure DEST_PATH_IMAGE018
(
Figure DEST_PATH_IMAGE019
个筛选光源，
Figure DEST_PATH_IMAGE020
为在给定的筛选光源
Figure 726168DEST_PATH_IMAGE017
下物体的色度值，上标T为矩阵转置，m=2, T c =[t 1 ,t 2 ]。
在本发明所述的一种基于光源筛选的光谱重建方法，还具有这样的特征：其中，所述局部样本的加权具体步骤为：
（1）充分考虑测试样本的特征，利用多维颜色空间欧式距离方法计算测试样本与训练样本之间的多维颜色空间欧式距离数值大小；
所述多维颜色空间欧式距离方法如下：
Figure DEST_PATH_IMAGE021
式中，
Figure DEST_PATH_IMAGE022
,
Figure DEST_PATH_IMAGE023
和
Figure DEST_PATH_IMAGE024
分别为测试样本在第i个筛选光源下的色度值，n为训练样本的数量，
Figure DEST_PATH_IMAGE025
,
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE027
为在i个筛选光源下第j个训练样本的色度值，
Figure DEST_PATH_IMAGE028
为在多光源条件下测试样本与第j个训练样本之间的多维颜色空间欧式距离。
（2）按照
Figure 944922DEST_PATH_IMAGE028
的大小对训练样本进行升序排列，选择前
Figure DEST_PATH_IMAGE029
个与测试样本空间结构相近的训练样本得到局部训练样本集P；局部训练样本集P所包含的训练样本对应的光谱反射率形成局部训练样本光谱集A；局部训练样本集P所包含的训练样本对应的多参考光源色度值形成局部训练样本色度值集T P 。
（3）在局部训练样本集P内，每个训练样本根据
Figure 557169DEST_PATH_IMAGE028
的大小确定加权系数W，确定方法如下：
Figure DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
式中，d k 为在局部训练样本集P内测试样本与第
Figure DEST_PATH_IMAGE032
个训练样本之间的多维颜色空间欧式距离，
Figure DEST_PATH_IMAGE033
为调整系数。
在本发明所述的一种基于光源筛选的光谱重建方法，还具有这样的特征：其中，所述光谱重建具体步骤为：
（1）利用局部训练样本集P内的局部训练样本光谱集A和局部训练样本色度值集T P ，采用线性模型光谱重建方法计算得到转换矩阵M；计算方法如下：
Figure DEST_PATH_IMAGE034
式中，上标+为违逆矩阵。
（2）采用线性模型法计算得到测试样本的光谱反射率R。计算方法如下：
R=MI q
式中，I q 为在筛选光源下测试样本形成的多光源色度值。
在本发明所述的一种基于光源筛选的光谱重建方法，还具有这样的特征：其中，所述标准色卡是指Munsell、Macbeth或NCS；所述线性模型法是指违逆法、主成分分析法、独立元分析法、非负矩阵分解法或线性插值法。
一种印刷品质量评价方法，其特征在于，该方法由以下步骤实现：
（a）获取印刷品：对印刷机印刷得到的印刷品进行随机抽样，得到检测印刷品，然后把检测印刷品放置到印刷看样台；
（b）采用前述发明内容中任一项“一种基于光源筛选的光谱重建方法”得到光谱反射率R；
（c）与印刷原稿的光谱反射率进行对比，计算两者之间的均方根误差值RMSE。计算方法如下：
Figure DEST_PATH_IMAGE035
式中，r为印刷原稿光谱反射率，n是波长维数。
（d）均方根误差值在0.05之内为合格品；均方根误差值在0.05之外为不合格品。所述测量印刷品颜色信息的技术特征均为本领域技术人员已知技术。
发明的作用与效果
根据本发明所涉及的光谱重建方法，根据不同参考光源的光谱功率分布特点，利用光谱匹配方法获得筛选光源；然后在筛选光源下通过数字成像设备获得训练样本集和测试样本的多光源色度值；接着充分考虑测试样本的特征，选择一定数量与测试样本空间结构相近的训练样本进行局部样本加权，最后通过线性模型法计算得到测试样本的光谱反射率。因此，本发明提供了一种筛选参考光源、考虑局部样本加权策略的多光源光谱重建方法，计算简单，光谱重建精度高，并且相对用户使用而言也较为方便。
附图说明
图1是本发明的一种基于光源筛选的光谱重建方法流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明跨媒体光谱域的映射方法作具体阐述。
图1是本发明的一种基于光源筛选的光谱重建方法流程图。
如图1所示，本发明所提供的一种基于光源筛选的光谱重建方法包括以下步骤：
步骤1，参考光源的筛选：选择不同类型且平滑的光源光谱功率分布（Spectral PowerDistributions）作为参考光源集I S ，利用光谱匹配方法来计算两个参考光源之间的相似度
Figure 655181DEST_PATH_IMAGE001
。具体操作步骤如下：
（1）选择不同类型且平滑的光源光谱功率分布（Spectral Power Distributions）作为参考光源集I S ；
（2）利用光谱匹配方法来计算两个参考光源之间的相似度
Figure 417601DEST_PATH_IMAGE001
，选择光源相似度
Figure 192659DEST_PATH_IMAGE001
计算数值最大值两个参考光源作为筛选光源，分别为I 1 和I 2 。筛选光源集I D =[I 1 ;I 2 ]。
所述光谱匹配方法如下：
Figure 851173DEST_PATH_IMAGE002
式中，
Figure 845936DEST_PATH_IMAGE003
和
Figure 880888DEST_PATH_IMAGE004
分别代表在参考光源集I S 内第
Figure 41611DEST_PATH_IMAGE005
(
Figure 871027DEST_PATH_IMAGE006
个和第
Figure 851621DEST_PATH_IMAGE007
(
Figure 955844DEST_PATH_IMAGE008
个参考光源；m是参考光源集I S 内参考光源的数量。
步骤2，物体颜色值的获取：采用标准色卡作为训练样本集，通过分光光度计测量训练样本集的光谱反射率，得到训练样本的光谱集；然后在数字成像设备中通过测量和计算获得训练样本集在参考光源下对应的训练样本色度值集T c 。具体操作步骤如下：
（1）采用标准色卡（如Munsell、Macbeth、NCS等）作为训练样本集，通过分光光度计测量训练样本集的光谱反射率；
（2）在数字成像设备中通过测量和计算获得训练样本集对应的颜色色度值集T c ：
Figure 315281DEST_PATH_IMAGE009
Figure 971390DEST_PATH_IMAGE010
Figure 49068DEST_PATH_IMAGE011
Figure 314570DEST_PATH_IMAGE012
式中，物体表面光谱反射率为
Figure 59673DEST_PATH_IMAGE013
，K为修正系数，
Figure 496470DEST_PATH_IMAGE014
,
Figure 186077DEST_PATH_IMAGE015
和
Figure 632102DEST_PATH_IMAGE016
是CIE颜色匹配函数，
Figure 90765DEST_PATH_IMAGE017
为第
Figure 964043DEST_PATH_IMAGE018
(
Figure 606859DEST_PATH_IMAGE019
个筛选光源，
Figure 325416DEST_PATH_IMAGE020
为在给定的筛选光源
Figure 405630DEST_PATH_IMAGE017
下物体的色度值，上标T为矩阵转置，m=2, T c =[t 1 ,t 2 ]。
步骤3，局部样本的加权：充分考虑测试样本的特征，选择一定数量与测试样本空间结构相近的训练样本得到局部训练样本集；同时，在局部训练样本集内的每个样本按照与测试样本在空间结构的相近程度进行加权得到多维色度值加权集。具体操作步骤如下：
（1）充分考虑测试样本的特征，利用多维颜色空间欧式距离方法计算测试样本与训练样本之间的多维颜色空间欧式距离数值大小；
所述多维颜色空间欧式距离方法如下：
Figure 184230DEST_PATH_IMAGE021
式中，
Figure 114009DEST_PATH_IMAGE022
,
Figure 636257DEST_PATH_IMAGE023
和
Figure 69512DEST_PATH_IMAGE024
分别为测试样本在第i个筛选光源下的色度值，n为训练样本的数量，
Figure 284593DEST_PATH_IMAGE025
,
Figure 45876DEST_PATH_IMAGE026
和
Figure 496449DEST_PATH_IMAGE027
为在i个筛选光源下第j个训练样本的色度值，
Figure 925156DEST_PATH_IMAGE028
为在多光源条件下测试样本与第j个训练样本之间的多维颜色空间欧式距离。
（2）按照
Figure 692165DEST_PATH_IMAGE028
的大小对训练样本进行升序排列，选择前
Figure 471902DEST_PATH_IMAGE029
个与测试样本空间结构相近的训练样本得到局部训练样本集P；局部训练样本集P所包含的训练样本对应的光谱反射率形成局部训练样本光谱集A；局部训练样本集P所包含的训练样本对应的多参考光源色度值形成局部训练样本色度值集T P 。
（3）在局部训练样本集P内，每个训练样本根据
Figure 335953DEST_PATH_IMAGE028
的大小确定加权系数W，确定方法如下：
Figure 478221DEST_PATH_IMAGE030
Figure 300684DEST_PATH_IMAGE031
式中，d k 为在局部训练样本集P内测试样本与第
Figure 161192DEST_PATH_IMAGE032
个训练样本之间的多维颜色空间欧式距离，
Figure 828934DEST_PATH_IMAGE033
为调整系数。
步骤4，光谱重建：根据线性模型光谱重建方法，利用多维色度值加权值集来提高光谱重建精度。具体操作步骤如下：
（1）利用局部训练样本集P内的局部训练样本光谱集A和局部训练样本色度值集T P ，采用线性模型光谱重建方法（如违逆法、主成分分析法、独立元分析法、非负矩阵分解法或线性插值法）计算得到转换矩阵M；计算方法如下：
Figure 966654DEST_PATH_IMAGE034
式中，上标+为违逆矩阵。
（2）采用线性模型法计算得到待测试样本的光谱反射率R。计算方法如下：
R=MI q
式中，I q 为在筛选光源下测试样本形成的多光源色度值。
一种印刷品质量评价方法，其特征在于，该方法由以下步骤实现：
（a）获取印刷品：对印刷机印刷得到的印刷品进行随机抽样，得到检测印刷品，然后把检测印刷品放置到印刷看样台；
（b）采用前述发明内容中任一项“一种基于颜色恒常性的虚拟多光源光谱重建方法”得到光谱反射率R；
（c）与印刷原稿的光谱反射率进行对比，计算两者之间的均方根误差值RMSE。计算方法如下：
Figure 819073DEST_PATH_IMAGE035
式中，r为印刷原稿光谱反射率，n是波长维数。
（d）均方根误差值在0.05之内为合格品；均方根误差值在0.05之外为不合格品。所述测量印刷品颜色信息的技术特征均为本领域技术人员已知技术。
实施例的作用与效果
根据本实施例所提供的一种筛选参考光源、考虑局部样本加权策略的多光源光谱重建方法，以此来提高光谱重建精度。首先，根据不同参考光源的光谱功率分布特点，利用光谱匹配方法获得筛选光源；然后在筛选光源下通过数字成像设备获得训练样本集和测试样本的多光源色度值；接着充分考虑测试样本的特征，选择一定数量与测试样本空间结构相近的训练样本进行局部样本加权，最后通过线性模型法计算得到测试样本的光谱反射率。
在本实施例的光谱重建方法中，由于考虑了筛选参考光源、考虑局部样本加权策略，在多光源光谱重建过程中，计算简单，光谱重建精度高，并且相对用户使用而言也较为方便。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (7)

1.一种基于光源筛选的光谱重建方法，其特征在于，该方法由以下步骤实现：
步骤1，参考光源的筛选：选择不同类型且平滑的光源光谱功率分布（Spectral PowerDistributions）作为参考光源集I S ，利用光谱匹配方法来计算两个参考光源之间的相似度
Figure 653279DEST_PATH_IMAGE001
。
步骤2，物体颜色值的获取：采用标准色卡作为训练样本集，通过分光光度计测量训练样本集的光谱反射率，得到训练样本的光谱集；然后在数字成像设备中通过测量和计算获得训练样本集在参考光源下对应的训练样本色度值集T c 。
步骤3，局部样本的加权：充分考虑测试样本的特征，选择一定数量与测试样本空间结构相近的训练样本得到局部训练样本集；同时，在局部训练样本集内的每个样本按照与测试样本在空间结构的相近程度进行加权得到多维色度值加权集。
步骤4，光谱重建：根据线性模型光谱重建方法，利用多维色度值加权值集来提高光谱重建精度。
2.根据权利要求1所述的一种基于光源筛选的光谱重建方法，其特征是，所述参考光源的筛选具体步骤为：
（1）选择不同类型且平滑的光源光谱功率分布（Spectral Power Distributions）作为参考光源集I S ；
（2）利用光谱匹配方法来计算两个参考光源之间的相似度
Figure 705549DEST_PATH_IMAGE001
，选择光源相似度
Figure 50205DEST_PATH_IMAGE001
计算数值最大值两个参考光源作为筛选光源，分别为I 1 和I 2 。筛选光源集I D =[I 1 ;I 2 ]。
所述光谱匹配方法如下：
Figure 238741DEST_PATH_IMAGE002
式中，
Figure 814078DEST_PATH_IMAGE003
和
Figure 681540DEST_PATH_IMAGE004
分别代表在参考光源集I S 内第
Figure 526DEST_PATH_IMAGE005
(
Figure 433782DEST_PATH_IMAGE006
个和第
Figure 117704DEST_PATH_IMAGE007
(
Figure 269199DEST_PATH_IMAGE008
个参考光源；m是参考光源集I S 内参考光源的数量。
3.根据权利要求1所述的一种基于光源筛选的光谱重建方法，其特征是，所述物体颜色数据的获取具体步骤为：
（1）采用标准色卡作为训练样本集，通过分光光度计测量训练样本集的光谱反射率；
（2）在数字成像设备中通过测量和计算获得训练样本集对应的颜色色度值集T c ：
Figure 329559DEST_PATH_IMAGE009
Figure 289425DEST_PATH_IMAGE010
Figure 298576DEST_PATH_IMAGE011
Figure 547155DEST_PATH_IMAGE012
式中，物体表面光谱反射率为
Figure 270260DEST_PATH_IMAGE013
，K为修正系数，
Figure 553474DEST_PATH_IMAGE014
,
Figure 969412DEST_PATH_IMAGE015
和
Figure 502024DEST_PATH_IMAGE016
是CIE颜色匹配函数，
Figure 169766DEST_PATH_IMAGE017
为第
Figure 166541DEST_PATH_IMAGE018
(
Figure 628746DEST_PATH_IMAGE019
个筛选光源，
Figure 648655DEST_PATH_IMAGE020
为在给定的筛选光源
Figure 480607DEST_PATH_IMAGE017
下物体的色度值，上标T为矩阵转置，m=2, T c =[t 1 ,t 2 ]。
4.根据权利要求1所述的一种基于光源筛选的光谱重建方法，其特征是，所述局部样本的加权具体步骤为：
（1）充分考虑测试样本的特征，利用多维颜色空间欧式距离方法计算测试样本与训练样本之间的多维颜色空间欧式距离数值大小；
所述多维颜色空间欧式距离方法如下：
Figure 472834DEST_PATH_IMAGE021
式中，
Figure 230574DEST_PATH_IMAGE022
,
Figure 941041DEST_PATH_IMAGE023
和
Figure 481744DEST_PATH_IMAGE024
分别为测试样本在第i个筛选光源下的色度值，n为训练样本的数量，
Figure 718690DEST_PATH_IMAGE025
,
Figure 522698DEST_PATH_IMAGE026
和
Figure 579516DEST_PATH_IMAGE027
为在i个筛选光源下第j个训练样本的色度值，
Figure 127172DEST_PATH_IMAGE028
为在多光源条件下测试样本与第j个训练样本之间的多维颜色空间欧式距离。
（2）按照
Figure 890728DEST_PATH_IMAGE028
的大小对训练样本进行升序排列，选择前
Figure 754386DEST_PATH_IMAGE029
个与测试样本空间结构相近的训练样本得到局部训练样本集P；局部训练样本集P所包含的训练样本对应的光谱反射率形成局部训练样本光谱集A；局部训练样本集P所包含的训练样本对应的多参考光源色度值形成局部训练样本色度值集T P 。
（3）在局部训练样本集P内，每个训练样本根据
Figure 173866DEST_PATH_IMAGE028
的大小确定加权系数W，确定方法如下：
Figure 384267DEST_PATH_IMAGE030
Figure 205593DEST_PATH_IMAGE031
式中，d k 为在局部训练样本集P内测试样本与第
Figure 413720DEST_PATH_IMAGE032
个训练样本之间的多维颜色空间欧式距离，
Figure 445130DEST_PATH_IMAGE033
为调整系数。
5.根据权利要求1所述的一种基于光源筛选的光谱重建方法，其特征是，所述光谱重建具体步骤为：
（1）利用局部训练样本集P内的局部训练样本光谱集A和局部训练样本色度值集T P ，采用线性模型光谱重建方法计算得到转换矩阵M；计算方法如下：
Figure 396906DEST_PATH_IMAGE034
式中，上标+为违逆矩阵。
（2）采用线性模型法计算得到待测试样本的光谱反射率R。计算方法如下：
R=MI q
式中，I q 为在筛选光源下测试样本形成的多光源色度值。
6.根据权利要求1至5任一项所述的一种基于光源筛选的光谱重建方法，其特征是，所述标准色卡是指Munsell、Macbeth或NCS；所述线性模型法是指违逆法、主成分分析法、独立元分析法、非负矩阵分解法或线性插值法。
7.一种印刷品质量评价方法，其特征在于，该方法由以下步骤实现：
（a）获取印刷品：对印刷机印刷得到的印刷品进行随机抽样，得到检测印刷品，然后把检测印刷品放置到印刷看样台；
（b）采用前述发明内容中任一项“一种基于光源筛选的光谱重建方法”得到光谱反射率R；
（c）与印刷原稿的光谱反射率进行对比，计算两者之间的均方根误差值。计算方法如下：
Figure 964415DEST_PATH_IMAGE035
式中，r为印刷原稿光谱反射率，n是波长维数。
（d）均方根误差值在0.05之内为合格品；均方根误差值在0.05之外为不合格品。所述测量印刷品颜色信息的技术特征均为本领域技术人员已知技术。
CN201910971044.1A 2019-10-14 2019-10-14 一种基于光源筛选的光谱重建方法 Active CN110926608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910971044.1A CN110926608B (zh) 2019-10-14 2019-10-14 一种基于光源筛选的光谱重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910971044.1A CN110926608B (zh) 2019-10-14 2019-10-14 一种基于光源筛选的光谱重建方法

Publications (2)

Publication Number Publication Date
CN110926608A true CN110926608A (zh) 2020-03-27
CN110926608B CN110926608B (zh) 2022-03-15

Family

ID=69848921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910971044.1A Active CN110926608B (zh) 2019-10-14 2019-10-14 一种基于光源筛选的光谱重建方法

Country Status (1)

Country Link
CN (1) CN110926608B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112484856A (zh) * 2020-10-30 2021-03-12 浙江农林大学暨阳学院 一种获取高精度色度和光谱图像的方法
CN114397094A (zh) * 2022-01-26 2022-04-26 武汉大学 一种基于光谱重建和色貌模型的光源显色性评价方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104359556A (zh) * 2014-11-14 2015-02-18 武汉大学 一种用于宽带光谱成像系统的最优化训练样本选择方法
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
CN106896068A (zh) * 2017-04-12 2017-06-27 齐鲁工业大学 解决网购颜色失真的商品颜色获取与再现方法及其系统
CN107084789A (zh) * 2017-04-01 2017-08-22 上海理工大学 基于稀疏先验的单像素探测器光谱反射率重构方法
CN108020519A (zh) * 2017-12-11 2018-05-11 齐鲁工业大学 一种基于颜色恒常性的虚拟多光源光谱重建方法
CN109506780A (zh) * 2018-11-23 2019-03-22 浙江智彩科技有限公司 基于多光谱led照明的物体光谱反射率重建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104359556A (zh) * 2014-11-14 2015-02-18 武汉大学 一种用于宽带光谱成像系统的最优化训练样本选择方法
CN107084789A (zh) * 2017-04-01 2017-08-22 上海理工大学 基于稀疏先验的单像素探测器光谱反射率重构方法
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
CN106896068A (zh) * 2017-04-12 2017-06-27 齐鲁工业大学 解决网购颜色失真的商品颜色获取与再现方法及其系统
CN108020519A (zh) * 2017-12-11 2018-05-11 齐鲁工业大学 一种基于颜色恒常性的虚拟多光源光谱重建方法
CN109506780A (zh) * 2018-11-23 2019-03-22 浙江智彩科技有限公司 基于多光谱led照明的物体光谱反射率重建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112484856A (zh) * 2020-10-30 2021-03-12 浙江农林大学暨阳学院 一种获取高精度色度和光谱图像的方法
CN114397094A (zh) * 2022-01-26 2022-04-26 武汉大学 一种基于光谱重建和色貌模型的光源显色性评价方法

Also Published As

Publication number Publication date
CN110926608B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN108020519B (zh) 一种基于颜色恒常性的虚拟多光源光谱重建方法
US9076068B2 (en) Method and apparatus for evaluating color in an image
Hardeberg et al. Multispectral image acquisition and simulation of illuminant changes
CN110926609B (zh) 一种基于样本特征匹配的光谱重建方法
US20090128649A1 (en) Reflectance Spectra Estimation and Colour Space Conversion Using Reference Reflectance Spectra
CN104572538A (zh) 一种基于k-pls回归模型的中医舌图像颜色校正方法
WO1996034259A1 (fr) Dispositif de mesure en vision chromatique
CN113506235B (zh) 一种对抗曝光变化的自适应加权光谱重建方法
CN110926608B (zh) 一种基于光源筛选的光谱重建方法
Farrell et al. Estimating spectral reflectances of digital artwork
Sharma Target-less scanner color calibration
Solli et al. Color measurements with a consumer digital camera using spectral estimation techniques
Walowit et al. Multidimensional estimation of spectral sensitivities
Chou et al. Methods for designing characterisation targets for digital cameras
WO2022242608A1 (zh) 物体喜好记忆色的获取方法及喜好记忆色标准色卡
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
Nyström Colorimetric and multispectral image acquisition using model-based and empirical device characterization
Hardeberg et al. Multispectral imaging in multimedia
Schettini et al. A computational strategy exploiting genetic algorithms to recover color surface reflectance functions
Vrhel et al. Evaluation of figures of merit for colorimetric cameras
CN112884854B (zh) 一种基于相机响应值的光谱稀疏重建方法
Zhao et al. Methods of spectral reflectance reconstruction for a Sinarback 54 digital camera
Marguier et al. Color correction of uncalibrated images for the classification of human skin color
Jetsu et al. Color calibration of digital camera using polynomial transformation
Munzenmayer et al. A spectral color correction framework for medical applications

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221223

Address after: 250306 Room 3115, No. 135, Ward Avenue, Ping'an Street, Changqing District, Jinan City, Shandong Province

Patentee after: Shandong Jiqing Technology Service Co.,Ltd.

Address before: No. 3501, Daxue Road, Changqing District, Jinan City, Shandong Province

Patentee before: Qilu University of Technology

PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Spectral Reconstruction Method Based on Light Source Screening

Effective date of registration: 20231122

Granted publication date: 20220315

Pledgee: Qilu bank Limited by Share Ltd. Ji'nan Changqing branch

Pledgor: Shandong Jiqing Technology Service Co.,Ltd.

Registration number: Y2023980067041

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20220315

Pledgee: Qilu bank Limited by Share Ltd. Ji'nan Changqing branch

Pledgor: Shandong Jiqing Technology Service Co.,Ltd.

Registration number: Y2023980067041

PC01 Cancellation of the registration of the contract for pledge of patent right
TR01 Transfer of patent right

Effective date of registration: 20240717

Address after: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501

Patentee after: Qilu University of Technology (Shandong Academy of Sciences)

Country or region after: China

Address before: 250306 Room 3115, No. 135, Ward Avenue, Ping'an Street, Changqing District, Jinan City, Shandong Province

Patentee before: Shandong Jiqing Technology Service Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right