CN110926608B - 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
CN110926608B
CN110926608B CN201910971044.1A CN201910971044A CN110926608B CN 110926608 B CN110926608 B CN 110926608B CN 201910971044 A CN201910971044 A CN 201910971044A CN 110926608 B CN110926608 B CN 110926608B
Authority
CN
China
Prior art keywords
training sample
light source
spectral
screening
reference light
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
CN201910971044.1A
Other languages
English (en)
Other versions
CN110926608A (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(SpectralPower Distributions)作为参考光源集IS，利用光谱匹配方法来计算两个参考光源之间的相似度Sα,β。
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Tc。
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IS；
(2)利用光谱匹配方法来计算两个参考光源之间的相似度Sα,β，选择光源相似度Sα,β计算数值最大值两个参考光源作为筛选光源，分别为I1和I2。筛选光源集ID＝[I1；I2]。
所述光谱匹配方法如下：
Figure GDA0003289715140000041
式中，Iα和Iε分别代表在参考光源集IS内第α(α＝1…m)个和第ε(ε＝1…m)个；m是参考光源集IS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Tc：
Figure GDA0003289715140000042
Figure GDA0003289715140000043
Figure GDA0003289715140000044
Figure GDA0003289715140000045
式中，物体表面光谱反射率为r(λ)，K为修正系数，
Figure GDA0003289715140000046
和
Figure GDA0003289715140000047
是CIE颜色匹配函数，Ii为第i(i＝1…m)个筛选光源，ti＝[Xi,Yi,Zi]T为在给定的筛选光源Ii下物体的色度值，上标T为矩阵转置，m＝2,Tc＝[t1,t2]。
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 GDA0003289715140000051
式中，Xi,test,Yi,test和Zi,test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，Xi,j,Yi,j和Zi,j为在i个筛选光源下第j个训练样本的色度值，dj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dj的大小对训练样本进行升序排列，选择前p(1≤p≤n)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TP。
(3)在局部训练样本集P内，每个训练样本根据dj的大小确定加权系数W，确定方法如下：
Figure GDA0003289715140000052
Figure GDA0003289715140000053
式中，dk为在局部训练样本集P内测试样本与第k(1≤k≤p)个训练样本之间的多维颜色空间欧式距离，ε＝0.001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TP，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：
M＝AW(TPW)+
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＝MIq
式中，Iq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。计算方法如下：
Figure GDA0003289715140000071
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(SpectralPower Distributions)作为参考光源集IS，利用光谱匹配方法来计算两个参考光源之间的相似度Sα,β。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IS；
(2)利用光谱匹配方法来计算两个参考光源之间的相似度Sα,β，选择光源相似度Sα,β计算数值最大值两个参考光源作为筛选光源，分别为I1和I2。筛选光源集ID＝[I1；I2]。
所述光谱匹配方法如下：
Figure GDA0003289715140000081
式中，Iα和Iε分别代表在参考光源集IS内第α(α＝1…m)个和第ε(ε＝1…m)个参考光源；m是参考光源集IS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Tc。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Tc：
Figure GDA0003289715140000091
Figure GDA0003289715140000092
Figure GDA0003289715140000093
Figure GDA0003289715140000094
式中，物体表面光谱反射率为r(λ)，K为修正系数，
Figure GDA0003289715140000095
和
Figure GDA0003289715140000096
是CIE颜色匹配函数，Ii为第i(i＝1…m)个筛选光源，ti＝[Xi,Yi,Zi]T为在给定的筛选光源Ii下物体的色度值，上标T为矩阵转置，m＝2,Tc＝[t1,t2]。
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 GDA0003289715140000097
式中，Xi,test,Yi,test和Zi,test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，Xi,j,Yi,j和Zi,j为在i个筛选光源下第j个训练样本的色度值，dj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dj的大小对训练样本进行升序排列，选择前p(1≤p≤n)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TP。
(3)在局部训练样本集P内，每个训练样本根据dj的大小确定加权系数W，确定方法如下：
Figure GDA0003289715140000101
Figure GDA0003289715140000102
式中，dk为在局部训练样本集P内测试样本与第k(1≤k≤p)个训练样本之间的多维颜色空间欧式距离，ε＝0.001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TP，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：
M＝AW(TPW)+
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＝MIq
式中，Iq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。计算方法如下：
Figure GDA0003289715140000111
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 (3)

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IS，利用光谱匹配方法来计算两个参考光源之间的相似度Sα，β；具体操作过程如下：
(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IS；
(2)利用光谱匹配方法来计算两个参考光源之间的相似度Sα，β，选择光源相似度Sα，β计算数值最大值两个参考光源作为筛选光源，分别为I1和I2；筛选光源集ID＝[I1；I2]；
所述光谱匹配方法如下：
Figure FDA0003342444380000011
式中，Iα和Iε分别代表在参考光源集IS内第α(α＝1…m)个和第ε(ε＝1…m)个参考光源光谱功率分布；m是参考光源集IS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Tc；具体操作过程如下：
(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Tc：
Figure FDA0003342444380000021
Figure FDA0003342444380000022
Figure FDA0003342444380000023
Figure FDA0003342444380000024
式中，物体表面光谱反射率为r(λ)，K为修正系数，
Figure FDA0003342444380000025
和
Figure FDA0003342444380000026
是CIE颜色匹配函数，Ii为第i(i＝1…m)个筛选光源，ti＝[Xi，Yi，Zi]T为在给定的筛选光源Ii下物体的色度值，上标T为矩阵转置，m＝2，Tc＝[t1，t2]；
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；具体操作过程如下：
(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 FDA0003342444380000027
式中，Xi，test，Yi，test和Zi，test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，Xi，j，Yi，j和Zi，j为在i个筛选光源下第j个训练样本的色度值，dj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dj的大小对训练样本进行升序排列，选择前p(1≤p≤n)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TP；
(3)在局部训练样本集P内，每个训练样本根据dj的大小确定加权系数W，确定方法如下：
Figure FDA0003342444380000031
Figure FDA0003342444380000032
式中，dk为在局部训练样本集P内测试样本与第k(1≤k≤p)个训练样本之间的多维颜色空间欧式距离，ε＝0.001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；具体操作过程如下：
(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TP，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：
M＝AW(TPW)+
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＝MIq
式中，Iq为在筛选光源下测试样本形成的多光源色度值。
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。
3.一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)采用前述权利要求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 FDA0003342444380000041
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。
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 CN110926608A (zh) 2020-03-27
CN110926608B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112484856B (zh) * 2020-10-30 2024-09-20 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
CN114397094B (zh) * 2022-01-26 2023-04-25 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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104359556B (zh) * 2014-11-14 2016-03-16 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
CN106896069B (zh) * 2017-04-06 2019-05-10 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
CN106896068B (zh) * 2017-04-12 2023-07-18 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
CN108020519B (zh) * 2017-12-11 2020-03-10 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
CN109506780B (zh) * 2018-11-23 2020-11-06 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

Also Published As

Publication number Publication date
CN110926608A (zh) 2020-03-27

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
CN110926609B (zh) 一种基于样本特征匹配的光谱重建方法
Hardeberg et al. Multispectral image acquisition and simulation of illuminant changes
WO2010015196A1 (zh) 检测织物颜色的装置和方法
CN110926608B (zh) 一种基于光源筛选的光谱重建方法
Gökmen et al. A non-contact computer vision based analysis of color in foods
López-Álvarez et al. Selecting algorithms, sensors, and linear bases for optimum spectral recovery of skylight
CN113506235B (zh) 一种对抗曝光变化的自适应加权光谱重建方法
Kirillova et al. Colorimetric analysis of soil with flatbed scanners
Bochko et al. Spectral color imaging system for estimating spectral reflectance of paint
Cao et al. Improving reflectance reconstruction from tristimulus values by adaptively combining colorimetric and reflectance similarities
König et al. On the limitations of metameric imaging
Walowit et al. Multidimensional estimation of spectral sensitivities
CN108680535A (zh) 基于改进r矩阵的光谱反射率重建方法
Chou et al. Methods for designing characterisation targets for digital cameras
Urban et al. Recovering camera sensitivities using target-based reflectances captured under multiple LED-illuminations
Eslahi et al. Recovery of spectral data using weighted canonical correlation regression
Xu et al. Testing methods to estimate spectral reflectance using datasets under different illuminants
Cao et al. Spectral data compression using weighted principal component analysis with consideration of human visual system and light sources
Nyström Colorimetric and multispectral image acquisition using model-based and empirical device characterization
Hardeberg et al. Multispectral imaging in multimedia
CN112884854B (zh) 一种基于相机响应值的光谱稀疏重建方法
Schettini et al. A computational strategy exploiting genetic algorithms to recover color surface reflectance functions
Zhao et al. Methods of spectral reflectance reconstruction for a Sinarback 54 digital camera
CN111750992A (zh) 一种基于自适应加权线性回归的光谱估计方法

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
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

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right
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

PC01 Cancellation 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

TR01 Transfer 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