CN112254814B - 多维光谱颜色空间的构建方法、装置和电子设备 - Google Patents
多维光谱颜色空间的构建方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112254814B CN112254814B CN202011135371.2A CN202011135371A CN112254814B CN 112254814 B CN112254814 B CN 112254814B CN 202011135371 A CN202011135371 A CN 202011135371A CN 112254814 B CN112254814 B CN 112254814B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- target object
- color
- target
- principal component
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003595 spectral effect Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 25
- 230000009467 reduction Effects 0.000 claims description 19
- 230000000717 retained effect Effects 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 15
- 230000006978 adaptation Effects 0.000 abstract description 11
- 238000011282 treatment Methods 0.000 abstract description 6
- 238000000513 principal component analysis Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000012880 independent component analysis Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000035807 sensation Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/462—Computing operations in or between colour spaces; Colour management systems
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种多维光谱颜色空间的构建方法、装置和电子设备,涉及颜色科学的技术领域,本发明方法在获取到目标对象的源光谱数据之后,利用预设色貌模型计算目标对象的色貌属性值,以及利用贡献率对光谱主成分进行加权,得到目标光谱主成分,最后基于目标对象的色貌属性值和目标光谱主成分构建多维光谱颜色空间,鉴于色貌模型考虑到人的视觉系统受观察条件的影响,能模拟颜色视觉受环境光、色对比、色适应等因素的作用;加权的处理弱化了不同光谱主成分在应用中的平均性能,突出了重要成分的作用,因此,利用本发明方法得到的多维光谱颜色空间,相比现有的光谱颜色空间更适用于实际的需要和具体的应用。
Description
技术领域
本发明涉及颜色科学的技术领域,尤其是涉及一种多维光谱颜色空间的构建方法、装置和电子设备。
背景技术
光谱反射率和色度值可以描述物体的颜色特性,物体的光谱是其固有属性,但在不同的照明和观察条件下可能产生不同的颜色感觉。物体的颜色属性在生活和生产中都至关重要,如何用便捷而有效的方法,全面而简单的数据描述物体的颜色属性是一个热门的研究方向。目前已经有面向颜色再现的光谱颜色空间,如LabPQR,LabICA和LMSPCA等。
一般地,光谱颜色空间是由CIE均匀颜色空间中的色度值和降维光谱信息构成,但CIE均匀颜色空间没有考虑到人的视觉系统受观察条件的影响,不能模拟颜色视觉受环境光、色对比、色适应等因素的作用,在应用中受到了限制;LMSPCA虽然考虑了人眼视觉特性,但直接加权到源光谱上再进行PCA降维,并没有体现色度信息,也就意味着同样没有考虑到视觉系统受观察条件的影响,在对光源有要求的实际应用中同样存在一定的限制。
发明内容
本发明的目的在于提供一种多维光谱颜色空间的构建方法、装置和电子设备,以缓解了现有技术中的光谱颜色空间在实际应用中受限的技术问题。
第一方面,本发明实施例提供一种多维光谱颜色空间的构建方法,包括:获取目标对象的源光谱数据;基于所述源光谱数据和预设色貌模型确定所述目标对象的色貌属性值;基于所述源光谱数据确定所述目标对象的目标光谱主成分,其中,所述目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果;基于所述目标对象的色貌属性值和所述目标对象的目标光谱主成分构建多维光谱颜色空间。
在可选的实施方式中,基于所述源光谱数据和预设色貌模型确定所述目标对象的色貌属性值,包括:基于所述源光谱数据确定目标条件下所述目标对象的三刺激值,其中,所述目标条件包括:任一种标准观察者条件和照明条件;利用所述预设色貌模型对所述目标对象的三刺激值进行处理,得到所述目标对象的色貌属性值。
在可选的实施方式中,在利用所述预设色貌模型对所述目标对象的三刺激值进行处理之前,所述方法还包括:设置并输入所述预设色貌模型的模型参数,其中,所述模型参数包括:参考白的三刺激值,适应度系数,环境光系数,色感应系数,适应场亮度和灰色背景的相对亮度。
在可选的实施方式中,基于所述源光谱数据确定所述目标对象的目标光谱主成分,包括:对所述源光谱数据进行降维处理,得到所述目标对象的多维光谱主成分以及每一维光谱主成分的贡献率;基于所述每一维光谱主成分的贡献率和所述预设阈值确定保留光谱主成分,其中,所述保留光谱主成分为累积贡献率达到所述预设阈值的光谱主成分的集合;将所述保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,得到所述目标对象的目标光谱主成分。
在可选的实施方式中,将所述保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,包括:利用算式Wρi=ρi*αi%对所述保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,其中,ρi表示第i维光谱主成分,αi%表示所述ρi的贡献率,i取值1至M,M表示所述保留光谱主成分中光谱主成分的总数,Wρi表示第i维目标光谱主成分。
第二方面,本发明实施例提供一种多维光谱颜色空间的构建装置,包括:获取模块,用于获取目标对象的源光谱数据;第一确定模块,用于基于所述源光谱数据和预设色貌模型确定所述目标对象的色貌属性值;第二确定模块,用于基于所述源光谱数据确定所述目标对象的目标光谱主成分,其中,所述目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果;构建模块,用于基于所述目标对象的色貌属性值和所述目标对象的目标光谱主成分构建多维光谱颜色空间。
在可选的实施方式中,所述第一确定模块包括:第一确定单元,用于基于所述源光谱数据确定目标条件下所述目标对象的三刺激值,其中,所述目标条件包括:任一种标准观察者条件和照明条件;处理单元,用于利用所述预设色貌模型对所述目标对象的三刺激值进行处理,得到所述目标对象的色貌属性值。
在可选的实施方式中,所述装置还包括:设置模块,用于设置并输入所述预设色貌模型的模型参数,其中,所述模型参数包括:参考白的三刺激值,适应度系数,环境光系数,色感应系数,适应场亮度和灰色背景的相对亮度。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述前述实施方式中任一项所述的方法的步骤。
第四方面,本发明实施例提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行前述实施方式中任一项所述的方法。
本发明提供的多维光谱颜色空间的构建方法,包括:获取目标对象的源光谱数据;基于源光谱数据和预设色貌模型确定目标对象的色貌属性值;基于源光谱数据确定目标对象的目标光谱主成分,其中,目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果;基于目标对象的色貌属性值和目标对象的目标光谱主成分构建多维光谱颜色空间。
现有技术中的光谱颜色空间均没有考虑到视觉系统受观察条件的影响,在实际应用中受到了一定的限制。与现有技术相比,本发明提供了一种多维光谱颜色空间的构建方法,在获取到目标对象的源光谱数据之后,利用预设色貌模型计算目标对象的色貌属性值,以及利用贡献率对光谱主成分进行加权,得到目标光谱主成分,最后基于目标对象的色貌属性值和目标光谱主成分构建多维光谱颜色空间,鉴于色貌模型考虑到人的视觉系统受观察条件的影响,能模拟颜色视觉受环境光、色对比、色适应等因素的作用;加权的处理弱化了不同光谱主成分在应用中的平均性能,突出了重要成分的作用,因此,利用本发明方法得到的多维光谱颜色空间,相比现有的光谱颜色空间更适用于实际的需要和具体的应用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多维光谱颜色空间的构建方法的流程图;
图2为本发明实施例提供的一种基于源光谱数据确定目标对象的目标光谱主成分的流程图;
图3为本发明实施例提供的另一种多维光谱颜色空间的构建方法的流程图;
图4为本发明实施例提供的一种多维光谱颜色空间的构建装置的功能模块图;
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
现有技术中,面向颜色再现的光谱颜色空间包括:LabPQR,LabICA和LMSPCA等,其中,Lab用于描述光谱在参考照明下的三刺激值,而PQR或ICA用于描述同色异谱黑,分别由主成分分析(PCA)和独立成分分析法(ICA)获得。LMSPCA用视锥响应构建加权矩阵对物体源光谱加权后再进行主成分分析,目的是提高降维模型的色度精度。其中PCA和ICA都是光谱降维方法。由于高维光谱数据量大,具有信息冗余性,并在实际应用的计算过程中复杂耗时,在构建颜色空间时需要对高维光谱数据进行降维,降维过程中最大限度地保留信息和压缩噪声。而应用于高维光谱数据降维分类时,PCA方法更稳定,从计算运行的成本上来看,PCA方法优于ICA。
一般地,光谱颜色空间是由CIE均匀颜色空间中的色度值和降维光谱信息构成,使用较多的是CIE1976L*a*b*颜色空间,但它在实际情况中仍然存在不均匀性,此外,CIE均匀颜色空间没有考虑到人的视觉系统受观察条件的影响,不能模拟颜色视觉受环境光、色对比、色适应等因素的作用,在应用中受到了限制;LMSPCA虽然考虑了人眼视觉特性,但直接加权到源光谱上再进行PCA降维,并没有体现色度信息,也就意味着同样没有考虑到视觉系统受观察条件的影响,在对光源有要求的实际应用中同样存在一定的限制。
其中,观察条件包括观察的角度、光源照射物体的角度、观察的环境色和背景色等,这些条件的不同都会对观察带来不同的颜色感觉,观察物体颜色时的条件要与实际测量、计算的条件相同才能使观察得到的颜色感觉和测量结果一致。比如环境光会引起色适应,背景色引起色对比,这两种现象都会对观察带来误差,这就要求观察环境的四周的颜色应该是灰色或者浅灰色,不应有彩色,观察样品的背景色应该是浅灰色,避免彩色对样品颜色的干扰。以上提到的这些现象在CIE均匀颜色空间中没有考虑到。有鉴于此,本发明实施例提供了一种多维光谱颜色空间的构建方法,用以缓解上文中所提出的技术问题。
实施例一
图1为本发明实施例提供的一种多维光谱颜色空间的构建方法的流程图,如图1所示,该方法具体包括如下步骤:
步骤S102,获取目标对象的源光谱数据。
具体的,要构建多维光谱颜色空间,首先应获取目标对象的源光谱数据,上述目标对象可以是物体或色样,实际操作过程中,考虑到物体本身的表面属性等,当目标对象为极小的颜色点或者破损的敦煌壁画时,不易采集得到源光谱数据或者说采集到的源光谱数据不精确。当目标对象为色样时,原则上本发明实施例也不对色样的数量进行限制,可以为ICC标准色标IT8.7/4,也可以是其他数量的色样。目标对象的源光谱数据可以通过分光光度计获取,也可以通过其他技术手段获取,本发明实施例不对源光谱数据的获取方式进行具体限定。当目标对象的数量大于1时,则分别获取每个目标对象的源光谱数据,且下述步骤也是分别对每个目标对象的相关数据进行处理。
步骤S104,基于源光谱数据和预设色貌模型确定目标对象的色貌属性值。
色貌模型考虑到人的视觉系统受观察条件的影响,通过色适应的矩阵变换等,将上文中所描述的观察条件考虑进去,能模拟颜色视觉受环境光、色对比、色适应等因素的作用。在色貌模型均匀色空间中物体的色度对光源色温的依赖性很弱,如在CAM02-UCS,CAM16-UCS中,所以在某种常用光源下计算得到的色貌属性值也可用于表征其他光源下的色度值,这也有助于解决LabPQR在变光源色差稳定性方面表现不好的问题。
因此,在本发明实施例中,基于源光谱数据和预设色貌模型计算目标对象的色貌属性值J’a’b’,以使基于色貌属性值J’a’b’构建的多维光谱颜色空间能够更适用于实际的需要和具体的应用,其中,J’为明度值,a’为红绿度值,b’为黄蓝度值。
步骤S106,基于源光谱数据确定目标对象的目标光谱主成分。
通过上文中的描述可知,高维光谱数据量大,具有信息冗余性,并在实际应用的计算过程中复杂耗时,在构建颜色空间时需要对高维光谱数据进行降维,降维过程中最大限度地保留信息和压缩噪声。在本发明实施例中,为了弱化不同光谱主成分在应用中的平均性能,突出重要成分的作用,利用目标对象的目标光谱主成分来构建多维光谱颜色空间,其中,目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果。
步骤S108,基于目标对象的色貌属性值和目标对象的目标光谱主成分构建多维光谱颜色空间。
具体的,若目标光谱主成分包括3种,那么基于目标对象的色貌属性值和目标对象的目标光谱主成分能够构建6维光谱颜色空间,在6维光谱颜色空间中,每一组数据包括6个数值,对应一个物体或者色样。若目标对象的数量大于1,例如目标对象为多个色样,则基于所有色样的色貌属性值和目标光谱主成分构建多维光谱颜色空间,空间中每一组数据都对应一个色样。
本发明提供的多维光谱颜色空间的构建方法,包括:获取目标对象的源光谱数据;基于源光谱数据和预设色貌模型确定目标对象的色貌属性值;基于源光谱数据确定目标对象的目标光谱主成分,其中,目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果;基于目标对象的色貌属性值和目标对象的目标光谱主成分构建多维光谱颜色空间。
现有技术中的光谱颜色空间均没有考虑到视觉系统受观察条件的影响,在实际应用中受到了一定的限制。与现有技术相比,本发明提供了一种多维光谱颜色空间的构建方法,在获取到目标对象的源光谱数据之后,利用预设色貌模型计算目标对象的色貌属性值,以及利用贡献率对光谱主成分进行加权,得到目标光谱主成分,最后基于目标对象的色貌属性值和目标光谱主成分构建多维光谱颜色空间,鉴于色貌模型考虑到人的视觉系统受观察条件的影响,能模拟颜色视觉受环境光、色对比、色适应等因素的作用;加权的处理弱化了不同光谱主成分在应用中的平均性能,突出了重要成分的作用,因此,利用本发明方法得到的多维光谱颜色空间,相比现有的光谱颜色空间更适用于实际的需要和具体的应用。
上文中对本发明实施例提供的多维光谱颜色空间的构建方法进行了简要的描述,下面对其中涉及的具体步骤进行详细介绍。
在一个可选的实施方式中,上述步骤S104,基于源光谱数据和预设色貌模型确定目标对象的色貌属性值,具体包括如下步骤:
步骤S1042,基于源光谱数据确定目标条件下目标对象的三刺激值。
步骤S1044,利用预设色貌模型对目标对象的三刺激值进行处理,得到目标对象的色貌属性值。
具体的,为了得到目标对象的色貌属性值,首先要确定目标对象的三刺激值,若使用某些型号的分光光度计,则可以在获取目标对象的源光谱数据的同时输出目标条件下的三刺激值XYZ,其中,目标条件包括:任一种标准观察者条件和照明条件;一般地,观察者条件包括两种:CIE1931标准色度观察者和CIE1964补充标准色度观察者,前者适用于1~4°视场的颜色观察和测量,后者适用于大于4°、10°左右的视场,用户可以根据实际情况来自行选择。
如果在获取到源光谱数据时未能同时得到三刺激值,也可以利用现有的多种技术手段获得目标条件下目标对象的三刺激值,本发明实施例不对三刺激值的获取方式进行具体限制,用户可以根据实际需求进行选择。
在得到目标对象的三刺激值后,则可利用预设色貌模型对目标对象的三刺激值进行处理,得到目标对象的色貌属性值。在本发明实施例中,在利用预设色貌模型对目标对象的三刺激值进行处理之前,方法还包括以下步骤:
步骤S1043,设置并输入预设色貌模型的模型参数,其中,模型参数包括:参考白的三刺激值,适应度系数,环境光系数,色感应系数,适应场亮度和灰色背景的相对亮度。
其中,参考白的三刺激值需要实际测量后得到;适应度系数、环境光系数、色感应系数是预设色貌模型中分情况给出固定数据;适应场亮度可在实际观察环境中用辐射度计测量得到;灰色背景的相对亮度通常取白色亮度的20%,用户也可以根据实际情况选择其他数值的灰色背景的相对亮度。
在一个可选的实施方式中,如图2所示,上述步骤S106,基于源光谱数据确定目标对象的目标光谱主成分,具体包括如下步骤:
步骤S1061,对源光谱数据进行降维处理,得到目标对象的多维光谱主成分以及每一维光谱主成分的贡献率。
研究表明,现有技术中,在对高维光谱数据进行降维处理时,主成分分析法PCA相比独立成分分析法ICA更为稳定,且运行成本更低,因此,本发明实施例采用主成分分析法对源光谱数据进行降维处理,从而得到目标对象的多维光谱主成分以及每一维光谱主成分的贡献率,光谱主成分是光谱反射率经过PCA降维得到的替代原光谱反射率的值。若得到N维光谱主成分,则第一维主成分ρ1的贡献率最大,标记为α1%;第二维主成分ρ2的贡献率次之,标记为α2%;……第N维主成分ρN贡献率最小,标记为αN%,即贡献率依次降低,且α1%+α2%+...+αN%=100%。
步骤S1062,基于每一维光谱主成分的贡献率和预设阈值确定保留光谱主成分。
在确定了目标对象的多维光谱主成分以及每一维光谱主成分的贡献率之后,再根据每一维光谱主成分的贡献率和预设阈值确定保留光谱主成分,其中,保留光谱主成分为累积贡献率达到预设阈值的光谱主成分的集合。例如,若预设阈值为a%,则保留累积贡献率达到a%的光谱主成分,a%越大,说明保留的光谱信息越多。用公式表示为α1%+α2%+...+αM-1%<a%且α1%+α2%+...+αM%≥a%,也即,第1至第M维光谱主成分均为保留光谱主成分。
步骤S1063,将保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,得到目标对象的目标光谱主成分。
最后,本发明实施例为了弱化不同光谱主成分在应用中的平均性能,突出重要成分的作用,将保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,并利用加权得到的目标对象的目标光谱主成分来构建多维光谱颜色空间,加权处理增加了重要光谱信息在应用中的权重,提高了光谱颜色空间在实际应用中的精度。
其中,将保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,具体包括如下内容:
利用算式Wρi=ρi*αi%对保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,其中,ρi表示第i维光谱主成分,αi%表示ρi的贡献率,i取值1至M,M表示保留光谱主成分中光谱主成分的总数,Wρi表示第i维目标光谱主成分。因此,目标对象的三维色貌属性值J’a’b’和目标对象的M维目标光谱主成分Wρi共同构成3+M维光谱颜色空间,若M=3,则6维光谱颜色空间记为J’a’b’Wρ1Wρ2Wρ3。
综上所述,如图3所示,本发明实施例提供的多维光谱颜色空间的构建方法,在构建多维光谱颜色空间时用贡献率对光谱主成分进行加权,权值的处理弱化了不同光谱主成分在应用中的平均性能,突出了重要成分的作用,提高了多维光谱颜色空间的应用性能;且用色貌模型计算得到的色貌属性值作为多维光谱颜色空间的色度维度,相对CIE L*a*b*等颜色空间,色貌模型考虑到人的视觉系统受观察条件的影响,能模拟颜色视觉受环境光、色对比、色适应等因素的作用,更适用于实际的需要和具体的应用。
利用本发明实施例的方法构建的多维光谱颜色空间,可面向颜色再现、重建光谱或者用于降维分类如色样分类优化等应用中,评价本发明实施例提出的光谱颜色空间应用于颜色再现的能力,可以对比计算其与其他光谱颜色空间的色度精度、光谱精度、变光源色差稳定性等技术指标。光谱颜色空间用于色样优化时,可直接对3+M维数据进行聚类分析等处理,提高计算速度和精度。
发明人对本发明实施例所提供的多维光谱颜色空间的性能进行了验证,首先使用Epson Stylus喷墨印刷机输出ICC标准色标IT8.7/4,承印物为哑光相纸。该色标包含1617个色样,被标记为Ω1617。选择CIE1931标准色度观察者光谱三刺激值和标准照明体D50,用分光光度计测量并输出Ω1617的36维光谱反射率(380nm~730nm,间隔5nm)以及XYZ三刺激值。本实施例采用CAM16色貌模型,如果只考虑色适应,CAM16使用CAT16变换,并提出新的CAM16-UCS均匀色空间。本实施例在CAM16-UCS色空间内完成色貌属性值J’a’b’的计算,构成光谱颜色空间的前三维数据。
对1617个色样的36维光谱反射率进行PCA降维处理,得到36维光谱主成分,设置预设阈值为99.00%,前三维主成分累积贡献率为分别为78.09%,18.01%和3.65%,累积贡献率99.75%满足预设阈值要求。因此本实施例中只需保留前三维光谱主成分。设置的预设阈值越大,保留的主成分能更好地表征高维光谱信息,光谱误差会更小。
接下来,用贡献率数值分别对前三维光谱主成分进行加权:Wρ1=ρ1*78.09%,Wρ2=ρ2*18.01%,Wρ3=ρ3*3.65%,从而得到3维目标光谱主成分,至此可构建由色貌属性值和目标光谱主成分组成的6维光谱颜色空间,标记为J’a’b’Wρ1Wρ2Wρ3,空间中每一组数据都对应一个色样。
本实施例对光谱颜色空间的应用是色样优化及显色计算,对光谱颜色空间中的1617组6维数据进行聚类处理,得到的类中心即最有代表性的色样,完成色样优化,共计得到87个优化色样,标记为Θ87。
为了对比分析,不对前三个降维光谱主成分进行加权,利用三维色貌属性值和三维光谱主成分直接构成光谱颜色空间,标记为J’a’b’ρ1ρ2ρ3。对J’a’b’ρ1ρ2ρ3进行和J’a’b’Wρ1Wρ2Wρ3进行相同的聚类处理,得到104个优化色样,标记为Θ104。
本实施例在现有的光源保真度指数中,选择CIE Ra,Ra,2012和CIE Rf,并分别以Θ87、Θ104、三种保真度指数对应的色样(O8、O17、O99)和Ω1617为测试色样,计算不同色温的LED、荧光灯、传统光源等1202种照明光源的保真度指数。其中,将由Ω1617计算得到的结果作为参考保真度数值,分别记为Ra-1617,Ra,2012-1617和Rf-1617。分别比较由Θ87/Θ104/O8/O17/O99计算得到的保真度与参考保真度数值之间的差值,平均绝对误差记为MAD。
结果表明,Θ87和Θ104计算得到的保真度指数与Ra-1617/Ra,2012-1617/Rf-1617之间的MAD均小于O8/O17/O99,说明6维光谱颜色空间的应用效果很好,其次,由Θ87计算得到的保真度指数与参考保真度数值之间的差异比Θ104降低了40.54%,这说明光谱主成分与贡献率加权之后能够显著提高多维光谱颜色空间的应用性能。
实施例二
本发明实施例还提供了一种多维光谱颜色空间的构建装置,该多维光谱颜色空间的构建装置主要用于执行上述实施例一所提供的多维光谱颜色空间的构建方法,以下对本发明实施例提供的多维光谱颜色空间的构建装置做具体介绍。
图4是本发明实施例提供的一种多维光谱颜色空间的构建装置的功能模块图,如图4所示,该装置主要包括:获取模块10,第一确定模块20,第二确定模块30,构建模块40,其中:
获取模块10,用于获取目标对象的源光谱数据。
第一确定模块20,用于基于源光谱数据和预设色貌模型确定目标对象的色貌属性值。
第二确定模块30,用于基于源光谱数据确定目标对象的目标光谱主成分,其中,目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果。
构建模块40,用于基于目标对象的色貌属性值和目标对象的目标光谱主成分构建多维光谱颜色空间。
本发明提供的多维光谱颜色空间的构建装置,包括:获取模块10,用于获取目标对象的源光谱数据;第一确定模块20,用于基于源光谱数据和预设色貌模型确定目标对象的色貌属性值;第二确定模块30,用于基于源光谱数据确定目标对象的目标光谱主成分,其中,目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果;构建模块40,用于基于目标对象的色貌属性值和目标对象的目标光谱主成分构建多维光谱颜色空间。
现有技术中的光谱颜色空间均没有考虑到视觉系统受观察条件的影响,在实际应用中受到了一定的限制。与现有技术相比,本发明提供了一种多维光谱颜色空间的构建装置,在获取到目标对象的源光谱数据之后,利用预设色貌模型计算目标对象的色貌属性值,以及利用贡献率对光谱主成分进行加权,得到目标光谱主成分,最后基于目标对象的色貌属性值和目标光谱主成分构建多维光谱颜色空间,鉴于色貌模型考虑到人的视觉系统受观察条件的影响,能模拟颜色视觉受环境光、色对比、色适应等因素的作用;加权的处理弱化了不同光谱主成分在应用中的平均性能,突出了重要成分的作用,因此,利用本发明实施例得到的多维光谱颜色空间,相比现有的光谱颜色空间更适用于实际的需要和具体的应用。
可选的,第一确定模块20包括:
第一确定单元,用于基于源光谱数据确定目标条件下目标对象的三刺激值,其中,目标条件包括:任一种标准观察者条件和照明条件。
处理单元,用于利用预设色貌模型对目标对象的三刺激值进行处理,得到目标对象的色貌属性值。
可选的,该装置还包括:
设置模块,用于设置并输入预设色貌模型的模型参数,其中,模型参数包括:参考白的三刺激值,适应度系数,环境光系数,色感应系数,适应场亮度和灰色背景的相对亮度。
可选的,第二确定模块30包括:
降维处理单元,用于对源光谱数据进行降维处理,得到目标对象的多维光谱主成分以及每一维光谱主成分的贡献率。
第二确定单元,用于基于每一维光谱主成分的贡献率和预设阈值确定保留光谱主成分,其中,保留光谱主成分为累积贡献率达到预设阈值的光谱主成分的集合。
加权单元,用于将保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,得到目标对象的目标光谱主成分。
可选的,所述加权单元具体用于:
利用算式Wρi=ρi*αi%对保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,其中,ρi表示第i维光谱主成分,αi%表示ρi的贡献率,i取值1至M,M表示保留光谱主成分中光谱主成分的总数,Wρi表示第i维目标光谱主成分。
实施例三
参见图5,本发明实施例提供了一种电子设备,该电子设备包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种多维光谱颜色空间的构建方法、装置和电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种多维光谱颜色空间的构建方法,其特征在于,包括:
获取目标对象的源光谱数据;
基于所述源光谱数据和预设色貌模型确定所述目标对象的色貌属性值;
基于所述源光谱数据确定所述目标对象的目标光谱主成分,其中,所述目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果;
基于所述目标对象的色貌属性值和所述目标对象的目标光谱主成分构建多维光谱颜色空间。
2.根据权利要求1所述的方法,其特征在于,基于所述源光谱数据和预设色貌模型确定所述目标对象的色貌属性值,包括:
基于所述源光谱数据确定目标条件下所述目标对象的三刺激值,其中,所述目标条件包括:任一种标准观察者条件和照明条件;
利用所述预设色貌模型对所述目标对象的三刺激值进行处理,得到所述目标对象的色貌属性值。
3.根据权利要求2所述的方法,其特征在于,在利用所述预设色貌模型对所述目标对象的三刺激值进行处理之前,所述方法还包括:
设置并输入所述预设色貌模型的模型参数,其中,所述模型参数包括:参考白的三刺激值,适应度系数,环境光系数,色感应系数,适应场亮度和灰色背景的相对亮度。
4.根据权利要求1所述的方法,其特征在于,基于所述源光谱数据确定所述目标对象的目标光谱主成分,包括:
对所述源光谱数据进行降维处理,得到所述目标对象的多维光谱主成分以及每一维光谱主成分的贡献率;
基于所述每一维光谱主成分的贡献率和所述预设阈值确定保留光谱主成分,其中,所述保留光谱主成分为累积贡献率达到所述预设阈值的光谱主成分的集合;
将所述保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,得到所述目标对象的目标光谱主成分。
5.根据权利要求4所述的方法,其特征在于,将所述保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,包括:
利用算式Wρi=ρi*αi%对所述保留光谱主成分中的每个光谱主成分与相对应的贡献率进行加权,其中,ρi表示第i维光谱主成分,αi%表示所述ρi的贡献率,i取值1至M,M表示所述保留光谱主成分中光谱主成分的总数,Wρi表示第i维目标光谱主成分。
6.一种多维光谱颜色空间的构建装置,其特征在于,包括:
获取模块,用于获取目标对象的源光谱数据;
第一确定模块,用于基于所述源光谱数据和预设色貌模型确定所述目标对象的色貌属性值;
第二确定模块,用于基于所述源光谱数据确定所述目标对象的目标光谱主成分,其中,所述目标光谱主成分为累计贡献率达到预设阈值的光谱主成分与相对应的贡献率进行加权后得到的结果;
构建模块,用于基于所述目标对象的色貌属性值和所述目标对象的目标光谱主成分构建多维光谱颜色空间。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块包括:
第一确定单元,用于基于所述源光谱数据确定目标条件下所述目标对象的三刺激值,其中,所述目标条件包括:任一种标准观察者条件和照明条件;
处理单元,用于利用所述预设色貌模型对所述目标对象的三刺激值进行处理,得到所述目标对象的色貌属性值。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
设置模块,用于设置并输入所述预设色貌模型的模型参数,其中,所述模型参数包括:参考白的三刺激值,适应度系数,环境光系数,色感应系数,适应场亮度和灰色背景的相对亮度。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至5中任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135371.2A CN112254814B (zh) | 2020-10-21 | 2020-10-21 | 多维光谱颜色空间的构建方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011135371.2A CN112254814B (zh) | 2020-10-21 | 2020-10-21 | 多维光谱颜色空间的构建方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112254814A CN112254814A (zh) | 2021-01-22 |
CN112254814B true CN112254814B (zh) | 2023-04-25 |
Family
ID=74263441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011135371.2A Active CN112254814B (zh) | 2020-10-21 | 2020-10-21 | 多维光谱颜色空间的构建方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112254814B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115547270B (zh) * | 2022-10-26 | 2023-05-09 | 深圳新视光电科技有限公司 | 基于光谱分析的色差调整方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003333355A (ja) * | 2002-05-10 | 2003-11-21 | Canon Inc | 色評価装置及び方法 |
WO2007097171A1 (ja) * | 2006-02-23 | 2007-08-30 | Nikon Corporation | スペクトル画像処理方法、スペクトル画像処理プログラム、及びスペクトルイメージングシステム |
JP4960932B2 (ja) * | 2008-08-08 | 2012-06-27 | 株式会社リコー | 色再現範囲評価法、色再現範囲評価装置及び画像形成装置 |
CN105069234B (zh) * | 2015-08-13 | 2017-12-26 | 武汉大学 | 一种基于视觉感知特征的光谱降维方法及系统 |
CN109655155B (zh) * | 2018-12-05 | 2020-09-29 | 北京印刷学院 | 照明光源显色性评价方法和装置 |
-
2020
- 2020-10-21 CN CN202011135371.2A patent/CN112254814B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112254814A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weller et al. | Quantitative color profiling of digital images with earth mover’s distance using the R package colordistance | |
ES2681432T3 (es) | Dispositivo de determinación de color, sistema de determinación de color, procedimiento de determinación de color, medio de grabación de información y programa | |
Gijsenij et al. | Color constancy using natural image statistics and scene semantics | |
US7936377B2 (en) | Method and system for optimizing an image for improved analysis of material and illumination image features | |
KR101913612B1 (ko) | 이미지 내의 복합 토큰들을 식별하기 위한 시스템 및 방법 | |
CN108446705B (zh) | 图像处理的方法和设备 | |
AU2012332053B2 (en) | Determining colour values in hyperspectral or multispectral images | |
US20100074523A1 (en) | Image classification apparatus | |
CN108491864B (zh) | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 | |
JP2008154008A5 (zh) | ||
CN110992238A (zh) | 一种基于双通道网络的数字图像篡改盲检测方法 | |
JP2014534699A (ja) | 固有画像を使用したデジタル画像信号圧縮のシステム及び方法 | |
JP2003106900A (ja) | Ledカラーセンサからの測定を用いるファジィ推論アルゴリズムを使用してスペクトルを決定するシステムおよび方法 | |
CN112254814B (zh) | 多维光谱颜色空间的构建方法、装置和电子设备 | |
Veras et al. | Discriminability tests for visualization effectiveness and scalability | |
CN116026769A (zh) | 一种烟青玉颜色分级的测定方法、评定方法及装置 | |
CN114742137A (zh) | 照明光谱生成方法、光谱匹配方法及装置、设备、介质 | |
CN103049754B (zh) | 社交网络的图片推荐方法和装置 | |
CN112016621B (zh) | 分类模型的训练方法、颜色的分类方法及电子设备 | |
CN116026770B (zh) | 白玉-青玉颜色分类分级的测定方法、评定方法及装置 | |
CN111368767B (zh) | 家居素材色调的识别方法、装置及电子设备 | |
US9521297B2 (en) | Reference color selection device, color correction device, and reference color selection method | |
US11962949B2 (en) | Method of air pollution estimation based on spectral image processing | |
JP5941041B2 (ja) | 任意の色の等価明度を示す値および鮮やかさ感を示す値の正規化方法、トーン種別判別方法、マンセル値算出方法、画像形成方法、インターフェース画面表示装置 | |
JP4102983B2 (ja) | 色チャートセット、色チャートセットの生成方法、色チャートセットの生成装置、ホワイトバランス性能測定方法および画像処理装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230412 Address after: 110027, No.14A, No. 6 Road, Shenyang Economic and Technological Development Zone, Liaoning Province Applicant after: Liaoning Xinhua Printing Co.,Ltd. Address before: 102627 No.1, Xinghua Street (2nd section), Daxing District, Beijing Applicant before: BEIJING INSTITUTE OF GRAPHIC COMMUNICATION |
|
TA01 | Transfer of patent application right |