CN110926609A - 一种基于样本特征匹配的光谱重建方法 - Google Patents

一种基于样本特征匹配的光谱重建方法 Download PDF

Info

Publication number
CN110926609A
CN110926609A CN201911003930.1A CN201911003930A CN110926609A CN 110926609 A CN110926609 A CN 110926609A CN 201911003930 A CN201911003930 A CN 201911003930A CN 110926609 A CN110926609 A CN 110926609A
Authority
CN
China
Prior art keywords
sample
color response
spectrum
response value
training
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
CN201911003930.1A
Other languages
English (en)
Other versions
CN110926609B (zh
Inventor
吴光远
牛世军
李效周
焦会敏
任轶杰
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.)
Shandong Jiqing Technology Service Co.,Ltd.
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 CN201911003930.1A priority Critical patent/CN110926609B/zh
Publication of CN110926609A publication Critical patent/CN110926609A/zh
Application granted granted Critical
Publication of CN110926609B publication Critical patent/CN110926609B/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样本特征匹配的光谱重建方法，其特征在于，包括以下步骤：首先在环境光源下通过数字成像设备获得训练样本集和测试样本的颜色响应值；然后利用样本特征匹配方法筛选训练样本集得到聚类训练样本颜色响应值集和光谱集；接着对聚类训练样本颜色响应值和测试样本颜色响应值进行归一化处理，利用最小二乘法计算得到系数矩阵；最后，利用系数矩阵和曲线平滑方法重建出物体表面光谱反射率。本发明提供了一种重建精度高、计算简单、充分考虑光谱反射率自身的物理特性、利用样本自身特征筛选的光谱重建方法。

Description

一种基于样本特征匹配的光谱重建方法
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样本特征匹配的光谱重建方法，可广泛应用于纺织颜色、印刷检测、艺术品复制以及电子商务等领域。
背景技术
定量代表物体颜色信息的方式主要由两种方式：基于色度的颜色信息和基于物体表面光谱反射率的颜色信息。基于色度的颜色信息通常使用颜色三刺激值来表示，如普通数码相机、LCD显示器或多媒体投影仪中颜色通常使用R、G、B三刺激值来表示，而这三刺激值又可以转换到其他相对应的三刺激值，如CIE三刺激值X、Y、Z或Lab值等。颜色三刺激值是通过光源的相对光谱功率分布、获取颜色信息设备的光谱灵敏度或CIE标准色度观察者光谱三刺激值和颜色物体表面的光谱反射率三者积分得到的颜色值。从理论上来讲，同一个颜色三刺激值会对应无数多个物体光谱反射率，存在同色异谱问题。而基于物体表面光谱反射率的颜色信息被人们称为颜色“指纹”，是被测物体反射的光通量与入射的光通量之间的比值，是物体的固有属性而不受到外界因素的影响；它能准确地表达在任意观察环境下物体的颜色特性，现已广泛应用在纺织颜色、印刷检测、艺术品复制以及电子商务等领域。因此，基于光谱反射率的颜色信息获取能够解决同色异谱问题，已成为最近的研究热点。
在现有技术当中，通过分光光度计可直接测得物体表面的光谱反射率；但是相关设备价格较高，且在其测量时必须对具有一定尺寸的平面物体进行接触式测量，其测量效率较低；加上现有许多常见颜色获取/显示设备仅能通过相对应的颜色通道来表达颜色信息。所以近年来大量研究者主要是通过普通数码相机、多通道相机、扫描仪、显示器等获得物体颜色的颜色响应值或CIE色度值后再重建物体表面的光谱反射率的方式被广泛采用。
目前主要有两大类算法用于实现由数码相机、多光谱系统、扫描仪、显示器等获得物体颜色的颜色响应值到光谱反射率的重建。一类是优化算法，主要涉及到光谱重建的最优化问题，包含全局最优解和局部最优解；在光谱重建过程中，计算结果不断迭代，直至达到限制条件所需要的要求。很显然，优化算法需要大量的时间花费，主要算法有神经网络、支持向量积、压缩感知、遗传算法等。另一类是线性模型法，可直接求解出转换矩阵，计算简单，计算效果较高；其主要有违逆法及其改进算法、主成分分析法（PCA，PrincipalComponent Analysis）、独立元分析法、非负矩阵分解法、线性插值法以及这些算法的组合应用等。然而，上述光谱重建方法仅是考虑数学意义上的最佳值，忽略了样本自身的特征和光谱反射率的物理意义（如光谱反射率数值存在不大于1、不小于0的数值），导致重建出的光谱反射率物理数值和平滑性与实际物体存在较大偏差。
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、充分考虑光谱反射率自身的物理特性、利用样本自身特征筛选的光谱重建方法。
本发明是通过如下技术方案实现的：
一种基于样本特征匹配的光谱重建方法，其特征是，包括以下步骤：
步骤1，物体颜色数据的获取：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对应的颜色响应值集I c 。
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响应值集I c ：
Figure DEST_PATH_IMAGE001
式中，环境光源相对光谱功率分布为
Figure DEST_PATH_IMAGE002
、物体表面光谱反射率为
Figure DEST_PATH_IMAGE003
，数字成像设备颜色通道c th 的颜色匹配函数
Figure DEST_PATH_IMAGE004
，颜色通道c=r,g,b。
步骤2，样本特征匹配筛选：充分考虑测试样本颜色响应值a的特征，利用样本特征匹配方法在训练样本集对应的颜色响应值集I c 内选择一定数量与测试样本特征匹配的训练样本得到聚类训练样本颜色响应值集I 1 ；聚类训练样本颜色响应值集所包含的训练样本对应的光谱反射率形成聚类训练样本光谱集A。
步骤3，系数矩阵计算：对聚类训练样本颜色响应值集I 1 内每一个颜色响应值都进行归一化处理，得到聚类训练样本颜色响应值归一化集I 2 ；对测试样本颜色响应值a进行归一化处理得到测试样本归一化值a1；利用最小二乘法计算聚类训练样本颜色响应值归一化集I 2 与测试样本归一化值a1之间的系数矩阵M。
步骤4：光谱重建：对聚类训练样本光谱集A内每一个样本光谱反射率都进行归一化处理得到聚类训练样本光谱归一化集A1，系数矩阵M乘以聚类训练样本光谱归一化集A1得到测试样本归一化光谱B1,测试样本颜色响应值之和乘以测试样本归一化光谱B1得到测试样本初始光谱B2，最后利用曲线平滑方法对测试样本初始光谱B2进行平滑处理，得到测试样本最终光谱B3。
在本发明所述的一种基于样本特征匹配的光谱重建方法，还具有这样的特征：其中，所述样本特征匹配筛选具体步骤为：
（1）充分考虑测试样本颜色响应值a的特征，利用样本特征匹配方法计算测试样本颜色响应值与训练样本集内每个训练样本的颜色响应值之间的特征匹配值S；
所述样本特征匹配方法如下：
Figure DEST_PATH_IMAGE005
式中，
Figure DEST_PATH_IMAGE006
为训练样本集内第i个训练样本颜色响应值，S i 为测试样本颜色响应值与训练样本集内第i个训练样本颜色响应值之间的特征匹配值。
（2）按照
Figure DEST_PATH_IMAGE007
的大小对训练样本进行升序排列，选择前p（1≤p≤n，n为训练样本的数量）个与测试样本特征匹配程度高的训练样本得到聚类训练样本颜色响应值集I 1 。
（3）聚类训练样本颜色响应值集所包含的训练样本对应的光谱反射率形成聚类训练样本光谱集A。
在本发明所述的一种基于样本特征匹配的光谱重建方法，还具有这样的特征：其中，所述系数矩阵计算具体步骤为：
（1）对聚类训练样本颜色响应值集I 1 内每一个颜色响应值都进行归一化处理，得到聚类训练样本颜色响应值归一化集I 2 ；
（2）对测试样本颜色响应值a进行归一化处理得到测试样本归一化值a1；
（3）利用最小二乘法计算聚类训练样本颜色响应值归一化集I 2 与测试样本归一化值a1之间的系数矩阵M。
所述最小二乘法如下：
Figure DEST_PATH_IMAGE008
式中，上标T代表转置矩阵，上标-1代表违逆矩阵。
在本发明所述的一种基于样本特征匹配的光谱重建方法，还具有这样的特征：其中，所述光谱重建具体步骤为：
（1）对聚类训练样本光谱集A内每一个样本光谱反射率进行归一化处理得到聚类训练样本光谱归一化集A1；
（2）系数矩阵M乘以聚类训练样本光谱归一化集A1得到测试样本归一化光谱B1，测试样本颜色响应值之和乘以测试样本归一化光谱B1得到测试样本初始光谱B2；
（3）利用曲线平滑方法对测试样本初始光谱B2进行平滑处理，得到测试样本最终光谱B3。
在本发明所述的一种基于样本特征匹配的光谱重建方法，还具有这样的特征：其中，所述标准色卡是指Munsell、Macbeth或NCS；所述曲线平滑方法是指移动平均法、局部回归法、Savitzky -Golay滤波法。
一种印刷品质量检测方法，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“一种基于样本特征匹配的光谱重建方法”得到光谱反射率B3；
（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 DEST_PATH_IMAGE009
式中，r为印刷原稿光谱反射率，B3为检测印刷品的光谱反射率，n是波长维数。
（d）均方根误差值在0.05之内为合格品；对于非合格品，通过调节印刷机的印刷压力、印刷环境的温湿度、印刷油墨来实现均方根误差值在0.05之内。所述调节印刷机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，在环境光源下通过数字成像设备获得训练样本集和测试样本的颜色响应值；然后利用样本特征匹配方法筛选训练样本集得到聚类训练样本颜色响应值集和光谱集；接着对聚类训练样本颜色响应值和测试样本颜色响应值进行归一化处理，利用最小二乘法计算得到系数矩阵；最后，利用系数矩阵和曲线平滑方法重建出物体表面光谱反射率。本发明提供了一种重建精度高、计算简单、充分考虑光谱反射率自身的物理特性、利用样本自身特征筛选的光谱重建方法。
附图说明
图1是本发明的一种基于样本特征匹配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基于样本特征匹配的光谱重建方法作具体阐述。
图1是本发明的一种基于样本特征匹配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样本特征匹配的光谱重建方法包括以下步骤：
步骤1，物体颜色数据的获取：选择标准色卡（如Munsell、Macbeth、NCS等）作为训练样本集，通过分光光度计测量标准色卡的光谱反射率，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对应的颜色响应值I c ；具体操作步骤如下：
（1）选择标准色卡（如Munsell、Macbeth、NCS等）作为训练样本，通过分光光度计测量标准色卡的光谱反射率；
（2）在数字成像设备（如数码相机、扫描仪、显示器等）中通过测量和计算获得标准色卡对应的颜色响应值I c ：
Figure DEST_PATH_IMAGE010
式中，环境光源相对光谱功率分布为
Figure 883877DEST_PATH_IMAGE002
、物体表面光谱反射率为
Figure 801017DEST_PATH_IMAGE003
，数字成像设备颜色通道c th 的颜色匹配函数
Figure 643071DEST_PATH_IMAGE004
，颜色通道c=r,g,b。
步骤2，充分考虑测试样本颜色响应值a的特征，利用样本特征匹配方法在训练样本集对应的颜色响应值集I c 内选择一定数量与测试样本特征匹配的训练样本得到聚类训练样本颜色响应值集I 1 ；聚类训练样本颜色响应值集所包含的训练样本对应的光谱反射率形成聚类训练样本光谱集A。具体操作步骤如下：
（1）充分考虑测试样本颜色响应值a的特征，利用样本特征匹配方法计算测试样本颜色响应值与训练样本集内每个训练样本的颜色响应值之间的特征匹配值S；
所述样本特征匹配方法如下：
Figure 38281DEST_PATH_IMAGE005
式中，
Figure 914970DEST_PATH_IMAGE006
为训练样本集内第i个训练样本颜色响应值，S i 为测试样本颜色响应值与训练样本集内第i个训练样本颜色响应值之间的特征匹配值。
（2）按照
Figure 799749DEST_PATH_IMAGE007
的大小对训练样本进行升序排列，选择前p（1≤p≤n，n为训练样本的数量）个与测试样本特征匹配程度高的训练样本得到聚类训练样本颜色响应值集I 1 。
（3）聚类训练样本颜色响应值集所包含的训练样本对应的光谱反射率形成聚类训练样本光谱集A。
步骤3，系数矩阵计算：对聚类训练样本颜色响应值集I 1 内每一个颜色响应值都进行归一化处理，得到聚类训练样本颜色响应值归一化集I 2 ；对测试样本颜色响应值a进行归一化处理得到测试样本归一化值a1；利用最小二乘法计算聚类训练样本颜色响应值归一化集I 2 与测试样本归一化值a1之间的系数矩阵M。具体操作步骤如下：
（1）对聚类训练样本颜色响应值集I 1 内每一个颜色响应值都进行归一化处理，得到聚类训练样本颜色响应值归一化集I 2 ；
（2）对测试样本颜色响应值a进行归一化处理得到测试样本归一化值a1；
（3）利用最小二乘法计算聚类训练样本颜色响应值归一化集I 2 与测试样本归一化值a1之间的系数矩阵M。
所述最小二乘法如下：
Figure 66783DEST_PATH_IMAGE008
式中，上标T代表转置矩阵，上标-1代表违逆矩阵。
步骤4，光谱重建：对聚类训练样本光谱集A内每一个样本光谱反射率都进行归一化处理得到聚类训练样本光谱归一化集A1，系数矩阵M乘以聚类训练样本光谱归一化集A1得到测试样本归一化光谱B1,测试样本颜色响应值之和乘以测试样本归一化光谱B1得到测试样本初始光谱B2，最后利用曲线平滑方法对测试样本初始光谱B2进行平滑处理，得到测试样本最终光谱B3。具体操作步骤如下：
（1）对聚类训练样本光谱集A内每一个光谱反射率都进行归一化处理得到聚类训练样本光谱归一化集A1；
（2）系数矩阵M乘以聚类训练样本光谱归一化集A1得到测试样本归一化光谱B1，测试样本颜色响应值之和乘以测试样本归一化光谱B1得到测试样本初始光谱B2；
（3）利用曲线平滑方法对测试样本初始光谱B2进行平滑处理，得到测试样本最终光谱B3。曲线平滑方法可采用移动平均法、局部回归法、Savitzky -Golay滤波法。
一种印刷品质量检测方法，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“一种基于样本特征匹配的光谱重建方法”得到光谱反射率B3；
（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 265683DEST_PATH_IMAGE009
式中，r为印刷原稿光谱反射率，B3为检测印刷品的光谱反射率，n是波长维数。
（d）均方根误差值在0.05之内为合格品；对于非合格品，通过调节印刷机的印刷压力、印刷环境的温湿度、印刷油墨来实现均方根误差值在0.05之内。所述调节印刷机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利用样本特征匹配方法进行训练样本聚类，以此来提高光谱重建精度。首先，在环境光源下通过数字成像设备获得训练样本集和待测试样本的颜色响应值；然后利用样本特征匹配方法筛选训练样本集得到聚类训练样本颜色响应值集和光谱集；接着对聚类训练样本颜色响应值和测试样本颜色响应值进行归一化处理，利用最小二乘法计算得到系数矩阵；最后，利用系数矩阵和曲线平滑方法重建出物体表面光谱反射率。
在本实施例的光谱重建方法中，由于利用样本特征匹配方法对训练样本进行聚类分析，采用光谱重建数据预处理方法，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。
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 (6)

1.一种基于样本特征匹配的光谱重建方法，其特征在于，该方法由以下步骤实现：
步骤1，物体颜色数据的获取：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对应的颜色响应值集I c 。
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响应值集I c ：
Figure 239091DEST_PATH_IMAGE001
式中，环境光源相对光谱功率分布为
Figure 634300DEST_PATH_IMAGE002
、物体表面光谱反射率为
Figure 510990DEST_PATH_IMAGE003
，数字成像设备颜色通道c th 的颜色匹配函数
Figure 333452DEST_PATH_IMAGE004
，颜色通道c=r,g,b。
步骤2，样本特征匹配筛选：充分考虑测试样本颜色响应值a的特征，利用样本特征匹配方法在训练样本集对应的颜色响应值集I c 内选择一定数量与测试样本特征匹配的训练样本得到聚类训练样本颜色响应值集I 1 ；聚类训练样本颜色响应值集所包含的训练样本对应的光谱反射率形成聚类训练样本光谱集A。
步骤3，系数矩阵计算：对聚类训练样本颜色响应值集I 1 内每一个颜色响应值都进行归一化处理，得到聚类训练样本颜色响应值归一化集I 2 ；对测试样本颜色响应值a进行归一化处理得到测试样本归一化值a1；利用最小二乘法计算聚类训练样本颜色响应值归一化集I 2 与测试样本归一化值a1之间的系数矩阵M。
步骤4，光谱重建：对聚类训练样本光谱集A内每一个样本光谱反射率都进行归一化处理得到聚类训练样本光谱归一化集A1，系数矩阵M乘以聚类训练样本光谱归一化集A1得到测试样本归一化光谱B1,测试样本颜色响应值之和乘以测试样本归一化光谱B1得到测试样本初始光谱B2，最后利用曲线平滑方法对测试样本初始光谱B2进行平滑处理，得到测试样本最终光谱B3。
2.根据权利要求1所述的一种基于样本特征匹配的光谱重建方法，其特征是，所述样本特征匹配筛选具体步骤为：
（1）充分考虑测试样本颜色响应值a的特征，利用样本特征匹配方法计算测试样本颜色响应值与训练样本集内每个训练样本的颜色响应值之间的特征匹配值S；
所述样本特征匹配方法如下：
Figure 659873DEST_PATH_IMAGE005
式中，
Figure 858773DEST_PATH_IMAGE006
为训练样本集内第i个训练样本颜色响应值，Si为测试样本颜色响应值与训练样本集内第i个训练样本颜色响应值之间的特征匹配值。
（2）按照Si的大小对训练样本进行升序排列，选择前p（1≤p≤n，n为训练样本的数量）个与测试样本特征匹配程度高的训练样本得到聚类训练样本颜色响应值集I 1 。
（3）聚类训练样本颜色响应值集所包含的训练样本对应的光谱反射率形成聚类训练样本光谱集A。
3.根据权利要求1所述的一种基于样本特征匹配的光谱重建方法，其特征是，所述系数矩阵计算具体步骤为：
（1）对聚类训练样本颜色响应值集I 1 内每一个样本颜色响应值都进行归一化处理，得到聚类训练样本颜色响应值归一化集I 2 ；
（2）对测试样本颜色响应值a进行归一化处理得到测试样本归一化值a1；
（3）利用最小二乘法计算聚类训练样本颜色响应值归一化集I 2 与测试样本归一化值a1之间的系数矩阵M。
所述最小二乘法如下：
Figure 589968DEST_PATH_IMAGE007
式中，上标T代表转置矩阵，上标-1代表违逆矩阵。
4.根据权利要求1所述的一种基于样本特征匹配的光谱重建方法，其特征是，所述光谱重建具体步骤为：
（1）对聚类训练样本光谱集A内每一个样本光谱反射率进行归一化处理得到聚类训练样本光谱归一化集A1；
（2）系数矩阵M乘以聚类训练样本光谱归一化集A1得到测试样本归一化光谱B1，测试样本颜色响应值之和乘以测试样本归一化光谱B1得到测试样本初始光谱B2；
（3）利用曲线平滑方法对测试样本初始光谱B2进行平滑处理，得到测试样本最终光谱B3。
5.根据权利要求1至4任一项所述的一种基于样本特征匹配的光谱重建方法，其特征是，所述标准色卡是指Munsell、Macbeth或NCS；所述曲线平滑方法是指移动平均法、局部回归法、Savitzky -Golay滤波法。
6.一种印刷品质量检测方法，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1-5中任一项“一种基于样本特征匹配的光谱重建方法”得到光谱反射率B3；
（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 583332DEST_PATH_IMAGE008
式中，r为印刷原稿光谱反射率，B3为检测印刷品的光谱反射率，n是波长维数。
（d）均方根误差值在0.05之内为合格品；对于非合格品，通过调节印刷机的印刷压力、印刷环境的温湿度、印刷油墨来实现均方根误差值在0.05之内。
CN201911003930.1A 2019-10-22 2019-10-22 一种基于样本特征匹配的光谱重建方法 Active CN110926609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911003930.1A CN110926609B (zh) 2019-10-22 2019-10-22 一种基于样本特征匹配的光谱重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911003930.1A CN110926609B (zh) 2019-10-22 2019-10-22 一种基于样本特征匹配的光谱重建方法

Publications (2)

Publication Number Publication Date
CN110926609A true CN110926609A (zh) 2020-03-27
CN110926609B CN110926609B (zh) 2022-03-15

Family

ID=69849442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911003930.1A Active CN110926609B (zh) 2019-10-22 2019-10-22 一种基于样本特征匹配的光谱重建方法

Country Status (1)

Country Link
CN (1) CN110926609B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111750994A (zh) * 2020-06-04 2020-10-09 武汉纺织大学 一种基于数码相机成像模型的光谱测量方法
CN111750993A (zh) * 2020-06-04 2020-10-09 武汉纺织大学 一种基于成像条件校正的开放测量环境光谱测量方法
CN111896109A (zh) * 2020-07-17 2020-11-06 武汉大学 一种基于数码相机原始响应值的光谱重建方法
CN112747903A (zh) * 2020-12-28 2021-05-04 南京林业大学 一种基于色度学颜色复制的最优光源光谱功率测定方法
CN112884854A (zh) * 2021-01-13 2021-06-01 齐鲁工业大学 一种基于相机响应值的光谱稀疏重建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103542936A (zh) * 2012-11-14 2014-01-29 王荣强 基于主元分析法的校准分光光度计仪器间误差的方法
CN103538384A (zh) * 2012-11-06 2014-01-29 王荣强 一种打印机光谱映射的方法
CN104634451A (zh) * 2015-02-11 2015-05-20 武汉大学 基于多通道成像系统的光谱重建方法及系统
CN108520488A (zh) * 2018-04-10 2018-09-11 深圳劲嘉集团股份有限公司 一种重构光谱并进行复制的方法以及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103538384A (zh) * 2012-11-06 2014-01-29 王荣强 一种打印机光谱映射的方法
CN103542936A (zh) * 2012-11-14 2014-01-29 王荣强 基于主元分析法的校准分光光度计仪器间误差的方法
CN104634451A (zh) * 2015-02-11 2015-05-20 武汉大学 基于多通道成像系统的光谱重建方法及系统
CN108520488A (zh) * 2018-04-10 2018-09-11 深圳劲嘉集团股份有限公司 一种重构光谱并进行复制的方法以及电子设备

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111750994A (zh) * 2020-06-04 2020-10-09 武汉纺织大学 一种基于数码相机成像模型的光谱测量方法
CN111750993A (zh) * 2020-06-04 2020-10-09 武汉纺织大学 一种基于成像条件校正的开放测量环境光谱测量方法
CN111750993B (zh) * 2020-06-04 2022-10-14 武汉纺织大学 一种基于成像条件校正的开放测量环境光谱测量方法
CN111750994B (zh) * 2020-06-04 2022-11-11 武汉纺织大学 一种基于数码相机成像模型的光谱测量方法
CN111896109A (zh) * 2020-07-17 2020-11-06 武汉大学 一种基于数码相机原始响应值的光谱重建方法
CN112747903A (zh) * 2020-12-28 2021-05-04 南京林业大学 一种基于色度学颜色复制的最优光源光谱功率测定方法
CN112747903B (zh) * 2020-12-28 2022-07-26 南京林业大学 一种基于色度学颜色复制的最优光源光谱功率测定方法
CN112884854A (zh) * 2021-01-13 2021-06-01 齐鲁工业大学 一种基于相机响应值的光谱稀疏重建方法
CN112884854B (zh) * 2021-01-13 2022-06-03 齐鲁工业大学 一种基于相机响应值的光谱稀疏重建方法

Also Published As

Publication number Publication date
CN110926609B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN110926609B (zh) 一种基于样本特征匹配的光谱重建方法
CN108020519B (zh) 一种基于颜色恒常性的虚拟多光源光谱重建方法
Leon et al. Color measurement in L∗ a∗ b∗ units from RGB digital images
US9076068B2 (en) Method and apparatus for evaluating color in an image
WO2012047805A1 (en) Method and apparatus for evaluating color in an image
MacDonald et al. Assessment of multispectral and hyperspectral imaging systems for digitisation of a Russian icon
CN113506235B (zh) 一种对抗曝光变化的自适应加权光谱重建方法
CN110660112B (zh) 一种基于专用色卡和多光谱成像的绘画光谱重构方法
Gökmen et al. A non-contact computer vision based analysis of color in foods
JPH08297054A (ja) 色感測定装置
CN110926608B (zh) 一种基于光源筛选的光谱重建方法
Simpson et al. Imaging colorimetry: a new approach
Beuckels et al. Development of an image-based measurement instrument for gloss characterization
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
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
RU2638910C1 (ru) Способ экспресс-контроля объекта
CN111896109B (zh) 一种基于数码相机原始响应值的光谱重建方法
CN112884854B (zh) 一种基于相机响应值的光谱稀疏重建方法
Inoue et al. Paper Gloss Analysis by Specular Reflection Point Spread Function (Part II)-Spatial Frequency Analysis for Paper Gloss
WO2015021307A2 (en) Method and apparatus for evaluating color in an image
Dong et al. Spectral bidirectional texture function reconstruction by fusing multiple-color and spectral images
Scholten et al. Hyperspectral imaging-A Novel non-destructive analytical tool in paper and writing durability research
Carstensen et al. Creating surface chemistry maps using multispectral vision technology
Niu et al. Spectral filter selection for spectral reflectance recovery
Thomas et al. Standard representation space for spectral imaging

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: 20221212

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

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

Denomination of invention: A Spectral Reconstruction Method Based on Sample Feature Matching

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