CN112488997B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112488997B CN112488997B CN202011299548.2A CN202011299548A CN112488997B CN 112488997 B CN112488997 B CN 112488997B CN 202011299548 A CN202011299548 A CN 202011299548A CN 112488997 B CN112488997 B CN 112488997B
- Authority
- CN
- China
- Prior art keywords
- color
- ancient painting
- ancient
- typical
- printing
- 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
- 238000010422 painting Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013074 reference sample Substances 0.000 claims abstract description 32
- 239000000523 sample Substances 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000004075 alteration Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002798 spectrophotometry method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
- G01J3/4412—Scattering spectrometry
-
- 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
-
- 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
- G01N21/251—Colorimeters; Construction thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/10—Selection of transformation methods according to the characteristics of the input images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
- G01J3/4412—Scattering spectrometry
- G01J2003/4418—Power spectrum
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种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，通过聚类算法获取古代绘画电子参考样中的典型颜色值，将典型颜色值制作成色块排版在古代绘画电子参考样下方，并进行与正式印刷相同印刷条件的印刷打样，得到古代绘画印刷样；使用分光光度测色仪测量古代绘画印刷样中典型色块的颜色值，计算古代绘画电子参考样和印刷样中典型色块的颜色差值；通过特征插值算法将古代绘画电子参考样和印刷样的典型色块之间的色差值映射到古代绘画电子参考样的像素上。该方法可实现准确性相对较高的古代绘画印刷品颜色复现的定量评价，可满足对古代绘画颜色复现的有针对性地定量分析的需求。
Description
技术领域
本发明属于文物数字化和颜色复现领域，具体是涉及一种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。
背景技术
文化遗产蕴含着丰富的历史、艺术和科研价值，是文化传承中的重要载体。文化遗产尤其是绘画等物质文化遗产，在传承传播过程中保真度、完整性要求极高，只有实现精准表达，才能让使用者正确理解，进而更准确地进行科学研究、展示教育等用途。科学地对古代绘画印刷品颜色复现程度和效果进行检测分析和评价，是确保文化遗产有效传承传播的有力保障。
颜色复现是指在彩色印刷、彩色摄影、彩色电视等应用中，根据颜色匹配原理，通过建立不同设备颜色空间的映射关系，并根据观察环境等参数，最终再现真实颜色。颜色复现评价则是针对其复现程度和效果进行研究和分析。颜色复现和评价是颜色科学非常热门的方向，有着丰富的研究成果，广泛应用于光学工程、医药行业和生物学等领域。目前对于颜色复现评价常见从以下角度分析：一是从影响颜色复现的采集或者展示设备颜色特性、印刷纸张、光源影响等外部因素去分析，比如Norberg,O.是从纸张的白度对颜色复现效果影响方面进行分析；二是从颜色复现以及评价方法上进行分析，比如张显斗中从数字图像颜色从采集到复现的多个设备上的复现理论研究和分析，Q.Tong对多种色差评价方法进行测试和对比分析；三是针对具体应用场景来进行研究，比如针对多光谱图像的颜色复现研究。
在色差检测方法上已经存在丰富的研究成果。在印刷行业常通过打样来进行印刷质量包括颜色复现效果的控制。打样就是在正式印刷之前，通过一定的方法获得彩色校准用的样张的过程，它是印刷工艺过程中用于检验印前制作质量的一个必要工序，在印刷生产与管理中起着重要作用。专利[申请公布号CN101936883A，一种印刷品色差检测方法]使用分光光度测色仪直接测量参照样和测试样的光谱反射率，然后计算得出颜色值，最后通过色差值来判断印刷品是否符合生产要求，但是这种的检测方法需要接触式测量参照样颜色值，并且得到的只是测量点的色差，对于需要无接触检测的古代绘画印刷品整幅色差检测并不适用。还有宋晓丽在“基于全画面的彩色印刷品质量检测系统研究[D].”中通过自制实验色靶、设计颜色空间转换模型，对整体画面颜色缺陷和分区域缺陷进行色差计算，并设定了评定标准，这种方法也是针对全画面的颜色复现检测，但是在制作实验色靶时主要通过目测和经验，并且其检测和计算流程与本发明差别较大。
综上，针对珍贵的古代绘画的印刷品颜色复现检测和评价方法较少，目前常见方法是目测，通过请专家在古代绘画电子参考样和印刷样之间观察来进行评价，存在相对主观的问题，也为后期调整修复带来了较大不确定性。也有使用检测标准色卡的颜色复现程度来对衡量印刷品颜色复现效果，但是古代绘画用色有其自身特点，古代绘画中往往很少出现标准色卡中的色彩，该方法用来评价古代绘画印刷品的颜色复现度并不准确。
发明内容
为此，本发明所要解决的技术问题在于现有古代绘画印刷品颜色复现评价方法在定量分析方面的局限性，从而本发明提出一种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。
为达到上述目的，本发明的技术方案如下：本发明方法首先通过聚类算法获取古代绘画电子参考样中的典型颜色值，然后将获取到的典型颜色值制作成色块排版在古代绘画电子参考样下方，并进行与正式印刷相同印刷条件的印刷打样，得到古代绘画印刷样；其次，使用分光光度测色仪测量古代绘画印刷样中典型色块的颜色值，计算古代绘画电子参考样和印刷样中典型色块的颜色差值；然后，通过特征插值算法将古代绘画电子参考样和印刷样的典型色块之间的色差值映射到古代绘画电子参考样的像素上。该方法可实现准确性相对较高的古代绘画印刷品颜色复现的检测和定量评价，可满足对古代绘画颜色复现的有针对性地分析的需求。其中使用基于颜色特征空间的反距离权重插值算法，方法简单直接、计算效率高，可以快速获得古代绘画电子参考样的点颜色差值。
基于颜色特征空间的反距离权重插值算法，是以颜色值(CIELAB空间L，a，b值)和色差值作为特征向量的，主要用于将离散的典型色块之间的色差值插值出古代绘画电子参考样像素点的色差值。反距离权重(IDW)插值使用一组离散点的线性权重组合来确定插值点，权重是一种反距离函数。本发明假定所要插值的变量受到与其典型色块位置间的距离越远影响而减小。
本发明的详细步骤如下：
S1：使用K-means算法获取古代绘画电子参考样的典型色颜色信息。电子参考样是通过对显示器进行色彩校正和色彩管理，使得显示器显示效果与古画实际色彩尽量一致。
S2：按照印刷排版要求，将提取到的古代绘画的典型色仿照标准色卡中的色块格式排版在古画电子参考样下方，对带有典型色块的电子参考样进行和大批量印刷条件基本相同的印刷打样，得到印刷样张。
S3：测量获取古代绘画印刷样张中的排版在古画下方的典型色块的颜色信息。颜色测量是颜色科学的重要工程应用之一，它不仅依赖于被测颜色本身的光谱光度特性，还与测量的几何条件、照明光源的光谱分布等密切关联。颜色测量的方法使用分光光度测色法，主要是测量物体反射的光谱功率分布或物体本身的光谱光度特性，然后再由这些光谱测量数据通过计算求得物体在各种标准光源和标准照明体下的三刺激值。
为了更客观、更准确地测量颜色的差别，在本发明中采用CIE于1976年推荐的均匀颜色空间CIE1976L*a*b*，也称为CIELAB颜色空间。该颜色空间是CIE1931标准色度学系统的非线性变换，它将三刺激値XYZ转换成与眼睛视觉相一致的明度L*和色度a*、b*。CIELAB颜色空间的明度L*和色度a*、b*的计算公式如下：
L*＝116(Y/Yn)1/3-16
a*＝500[f(X/Xn)-f(Y/Yn)]
b*＝200[f(Y/Yn)-f(Z/Zn)]
其中：
式中，X、Y、Z为颜色样品的三刺激值，Xn、Yn、Zn为CIE标准照片体照射在完全漫反射体上，然后反射到观察者眼中的三刺激値，其中Yn＝100。
在CIELAB颜色空间中，以两个被比较颜色点的欧氏距离表示色差，同时还有一组与心理量近似对应的感知属性，即明度、彩度、色调角以及色调差。为了保证色差公式计算值与视觉感知具有良好的一致性，在本发明中色差采用CIEDE2000色差公式进行计算。
S4：对古代绘画的电子参考样和印刷样张的典型色块颜色信息进行预处理，得到适合定量分析的颜色数据。
S5：依据S4中预处理后的典型色块颜色值，使用颜色科学中的色差计算公式CIEDE2000，获得古代绘画电子参考样提取出的典型色和印刷样中的典型色块之间的颜色值差值。CIEDE2000是国际照明委员会(CIE)于2001年正式推荐的色差公式，可以进一步改善工业色差评价的视觉一致性，具有相对精确的色差预测功能。CIEDE2000色差公式如下：
其中ΔE00为色差符号，ΔL′为明度差，ΔC′是彩度差，ΔH′为色调差，KL、KC、KH为参数因子，SL、SC、SH为三项分色差(ΔL′，ΔC′，ΔH′)的调整项，RT为旋转调整项。
S6：基于颜色特征的反距离权重插值算法：将S5步骤中获得的典型颜色块的色差通过基于颜色特征的反距离权重插值算法映射为到图像像素上，得到相对精确的点色差值。
S7：对S5步骤获得的典型色块的色差值进行均值、加权平均、信息熵、直方图等多种数据统计分析，获得古代绘画印刷品颜色值偏差最大、最小等颜色复现相关的多种角度评测结果。
S8：对S6步骤的结果进行可视化，绘制古代绘画印刷品颜色复现色差图。
进一步地，所述步骤S1中：
古代绘画电子样的聚类算法中，聚类类别数目应尽量涵盖多种颜色，并且要考虑便于排版和采集色块颜色值，一般设置为64种。本方法使用K-means算法提取对应文物电子样数据的64种典型颜色。
进一步地，所述步骤S2中：
由S1中获得的古代绘画电子参考样的典型颜色应该排版在该古代绘画电子样的下方或者侧方与该绘画作品同时进行印刷打样。
进一步地，所述步骤S3中：
选用便携式分光光度测色仪针对由S2中得到的古代绘画印刷样张进行颜色值测量，一般使用Φ8mm孔径和去除镜面反射光模式进行采集，无需额外标记物或其他配件。
进一步地，所述步骤S4中：
为了颜色差值估计更加准确，限定使用典型色块在D50光照下，2°视角下的去除镜面反射光信息的颜色测量值。
进一步地，所述步骤S5中：
对于加入视觉参数的CIEDE2000色差公式进行计算时，可对KL、KC、KH参数因子进行调节，使其更接近视觉感知。本发明中默认CIEDE2000色差公式的参数因子KL＝KC＝KH＝1。
进一步地，所述步骤S6中：
基于颜色特征的反距离权重插值算法具体为：假设现有n个离散典型色块的颜色值和其色差值Z1(L1,a1,b1,E1),Z2(L2,a2,b2,E2),...,Zn(Ln,an,bn,En)，需要对插值点(L,a,b)进行插值计算，求出Z(L,a,b,E)。详细步骤如下：
S61.利用欧式距离函数计算插值点到离散点的距离，其中(L,a,b)为插值点颜色坐标，(Li,ai,bi)为离散典型色块的颜色坐标
S62.获取各个离散点的权重，其中P为幂参数(幂参数为一个正实数，默认为2)，n为离散点个数
S63.计算插值点的插值
进一步地，所述步骤S62中：
反距离权重函数为
其中默认幂参数P为2。
进一步地，所述步骤S7中：
利用矩阵操作将步骤S5中获得的各个典型色块的色差值进行统计分析，获得最大偏差、最小偏差、平均色差等定量分析数据。
进一步地，所述步骤S7中：
采用直方图统计等方法将步骤S6中获取的各个点的色差值进行统计分析。
进一步地，所述步骤S8中：
CIEDE2000是根据人眼对色差的非均匀性感知定义的一种度量。按照印刷业的惯例，对数值的容差通常定义如下：
0-0.25DE非常小或没有；理想匹配
0.25-0.5DE微小；可接受的匹配
0.5-1.0DE微小到中等；在一些应用中可接受
1.0-2.0DE中等；在特定应用中可接受
2.0-4.0DE有差距；在特定应用中可接受
4.0DE以上非常大；在大部分应用中不可接受
依据印刷业的惯例给CIEDE2000数值的容差定义，绘制古代绘画印刷品颜色复现的色差图。图像中CIEDE2000的差异值小于0.5的标记为绿色，0.5-2之间的标记为灰绿色，2-4之间的标记为黄色，大于4的标记为红色。
本发明的有益效果在于：本发明采用古代绘画电子参考样中聚类获得的典型颜色作为计算分析对象，对于用色具有其独特特点的古代绘画进行专色检测和评价，相对使用标准色卡的结果更有针对性；利用基于特征插值的反距离权重算法，方法简单直接，计算效率高，可以快速得到古代绘画印刷品的定量色差评价，并可以获取精确到电子参考样点上的色差值，为后续的颜色校正提供更加准确的数据支撑；并且本发明无需进行复杂的模体设计以及相关的复杂计算，适用于古代绘画等需无接触检测的珍贵物品的印刷出版等复现过程中颜色复现的检测和评价。
附图说明
图1为本发明一个实施例的一种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的流程图；
图2为本发明一个实施例的一种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中步骤S1聚类算法的示意图，以64类为例；
图3为本发明一个实施例的一种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中步骤S2典型色排版方式示意图；
图4为本发明一个实施例的一种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中步骤S6中反距离权重算法的示意图，幂参数选择为2；
图5为本发明一个实施例的一种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中步骤S7中数据分析中关于色块分析示意图；
图6为本发明一个实施例的一种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中步骤S7中数据分析的直方图和曲面图示意图；
图7为本发明一个实施例的一种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中步骤S8的古代绘画印刷品颜色复现色差图结果，以印刷行业容差惯例为依据。
具体实施方式
古代绘画因其珍稀性，在数据采集到印刷出版复现评估过程中会受到一些约束，因此本发明只针对古代绘画印刷出版时的电子参考样和印刷样之间的颜色复现差异情况进行检测和评价。
如图1所示，本实施例中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，包括如下步骤：
S1：如图2所示。本方法调用了openCv 2.1的API函数double kmeans(InputArraydata,int K,InputOutputArray bestLabels,TermCriteria criteria,int attempts,intflags,OutputArray centers＝noArray())，该函数为kmeans聚类算法实现函数。参数data表示需要被聚类的原始数据集合，一行表示一个数据样本，每一个样本的每一列都是一个属性；参数k表示需要被聚类的个数；参数bestLabels表示每一个样本的类的标签，是一个从0开始的索引整数；参数criteria表示的是算法迭代终止条件；参数attempts表示运行kmeans的次数，取结果最好的那次聚类为最终的聚类，要配合下一个参数flages来使用；参数flags表示的是聚类初始化的条件，其取值有3种情况，如果为KMEANS_RANDOM_CENTERS，则表示为随机选取初始化中心点，如果为KMEANS_PP_CENTERS则表示使用某一种算法来确定初始聚类的点；如果为KMEANS_USE_INITIAL_LABELS，则表示使用用户自定义的初始点，但是如果此时的attempts大于1，则后面的聚类初始点依旧使用随机的方式；参数centers表示的是聚类后的中心点存放矩阵。
本次调用data使用的是(R,G,B)三维数据，K为64代表提取64个色块，criteria＝CV_TERMCRIT_ITER+CV_TERMCRIT_EPS--无论是哪一个条件先达到，都停止算法，attempts＝20，表示最大迭代次数，flags＝KMEANS_RANDOM_CENTERS，表示随机选择中心点，最后由centers输出64块特征色数据。
S2：印刷排版如图3所示，一般印制色块不小于1cm，本实施例以64类为例。
S3：通过分光光度测色仪(Konica cm-700d，8mm)测量古代绘画印刷样品排版在下方的典型色块的去除镜面反射光(Specular Component Excluded)颜色值。
S4：将采集到的数据通过矩阵操作进行筛选预处理，选取D50光源2°视角下的CIELAB值作为下一步计算分析的数据，并剔除非典型色色块数据，获得符合计算公式的CIELAB值。
S5：依据S4中预处理后的典型色颜色值，采用考虑视觉因素的CIEDE2000色差计算公式，获得古代绘画典型色块电子样和印刷样之间的色差。
S6：基于颜色特征的反距离权重插值算法：将S5步骤中获得的典型色块的色差通过反距离权重插值算法映射到点上，获得点色差。该步骤具体包括以下子步骤：
S61：利用欧式距离函数，获得点到所有典型色块的颜色值的距离；
S62：使用反距离权重函数计算各个典型色块颜色在该点颜色中的权重，如图4所示；
S63：依据S62中的权重值和典型色块的色差值，获取该点的色差值；
S64：重复以上过程直至遍历完图像中的点。
S7：利用矩阵操作将步骤S5中获得的各个典型色块的色差值进行统计分析，获得最大偏差、最小偏差、平均色差等颜色复现定量分析数据，如图5所示各个色块的色差值标识。
采用直方图统计等方法将步骤S6中获取的各个点的色差值进行统计分析，如图6所示。
S8：对S6步骤的结果进行可视化，绘制古代绘画印刷品颜色复现色差图，如图7所示，颜色复现分析可以直观的展示。
上述技术方案中，古代绘画印刷品颜色复现评价过程中应用本发明中的颜色复现评价方法得到的定量分析结果，消除了目测评判带来的个人主观影响，相比通过标准色卡来分析颜色复现更加有针对性，典型色块与图像紧密相连，使得印刷中的颜色校正更加简便易行。
本实施例所述的一种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，采用古代绘画电子参考样中聚类获得的典型颜色作为计算分析对象，对于用色具有其独特特点的古代绘画进行专色检测和评价，相对使用标准色卡的结果更有针对性；利用基于特征插值的反距离权重算法，方法简单直接，可以快速得到古代绘画印刷品的定量色差评价，并可以获取精确到电子参考样点上的色差值，为后续的颜色校正提供更加准确的数据支撑；并且本发明无需进行复杂的模体设计以及相关的复杂计算，适用于古代绘画等需无接触检测的珍贵物品的印刷出版等复现过程中颜色复现的检测和评价。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，包括如下步骤：
S1：使用聚类算法获取古代绘画电子参考样的典型颜色值；
S2：将获取到的典型颜色值制作成色块排版在古代绘画电子参考样下方或侧方，并进行与正式印刷相同印刷条件的印刷打样，得到古代绘画印刷样；
S3：使用分光光度测色仪测量古代绘画印刷样中排版在古画下方的典型色块的颜色值；
S4：对古代绘画的电子参考样和印刷样的典型色块颜色信息进行预处理，得到适合定量分析的颜色数据；
S5：依据S4中预处理后的典型色块颜色值，使用CIEDE2000色差公式计算古代绘画电子参考样和印刷样中典型色块之间的颜色差值；
S6：通过基于颜色特征的反距离权重插值算法，将S5中计算得到的古代绘画电子参考样和印刷样中典型色块之间的颜色差值，映射到古代绘画电子参考样的像素上，得到相对精确的点色差值，具体为：
S61：利用欧式距离函数，获得点到所有典型色块的颜色值的距离；
S62：使用反距离权重函数计算各个典型色块颜色在该点颜色中的权重；
S63：依据S62中的权重值和典型色块的色差值，获取该点的色差值；
S64：重复以上过程直至遍历完图像中的点；
S7：对S5获得的典型色块的色差值进行多种数据统计分析，获得古代绘画印刷品颜色复现相关的多种角度评测结果；
S8：对S6的结果进行可视化，绘制古代绘画印刷品颜色复现色差图。
2.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S1中，电子参考样是通过对显示器进行色彩校正和色彩管理，使得显示器显示效果与古代绘画实际色彩尽量一致。
3.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S1中，使用K-means算法提取古代绘画电子参考样的64种典型颜色。
4.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S3中，通过分光光度测色仪测量古代绘画印刷样中排版在古画下方的典型色块的颜色值，使用Φ8mm孔径和去除镜面反射光模式进行采集，无需额外标记物或其他配件。
5.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S4中，将采集到的数据通过矩阵操作进行筛选预处理，选取D50光源2°视角下的CIELAB值作为下一步计算分析的数据，并剔除非典型色色块数据。
6.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S62中，反距离权重函数为：
其中wi为第i个离散点的权重，di为插值点到第i个离散点的距离，n为离散点个数，P为幂参数。
7.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S7中，利用矩阵操作将步骤S5中获得的各个典型色块的色差值进行统计分析，获得最大偏差、最小偏差、平均色差为颜色复现定量分析数据。
8.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S7中，采用直方图统计方法对步骤S6中获取的各个点的色差值进行统计分析。
9.根据权利要求1所述的一种基于特征插值的古代绘画颜色复现检测和评价方法，其特征在于，所述步骤S8中，依据印刷业的惯例给CIEDE2000数值的容差定义，绘制古代绘画印刷品颜色复现色差图，图像中CIEDE2000的差异值小于0.5的标记为绿色，0.5-2之间的标记为灰绿色，2-4之间的标记为黄色，大于4的标记为红色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011299548.2A CN112488997B (zh) | 2020-11-18 | 2020-11-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011299548.2A CN112488997B (zh) | 2020-11-18 | 2020-11-18 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112488997A CN112488997A (zh) | 2021-03-12 |
| CN112488997B true CN112488997B (zh) | 2022-04-29 |
Family
ID=74931821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011299548.2A Active CN112488997B (zh) | 2020-11-18 | 2020-11-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488997B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113707275B (zh) * | 2021-08-27 | 2023-06-23 | 郑州铁路职业技术学院 | 基于大数据分析的心理健康估计方法及系统 |
| CN114115762B (zh) * | 2021-11-09 | 2023-10-20 | 武汉大学 | 一种彩色激光打印机特性化样本优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509318A (zh) * | 2011-09-20 | 2012-06-20 | 哈尔滨工业大学 | 人体数字舌图像专用颜色校正色卡及其制作方法 |
| CN102819850A (zh) * | 2012-08-16 | 2012-12-12 | 李勃 | 基于局部自适应色差阈值的彩色图像边缘检测的方法 |
| CN110108362A (zh) * | 2019-04-17 | 2019-08-09 | 江苏理工学院 | 基于slic超像素分割的色差自适应在线检测方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7298892B2 (en) * | 2003-04-09 | 2007-11-20 | Eastman Kodak Company | Producing a balanced digital color image having minimal color errors |
| WO2005036869A1 (en) * | 2003-10-13 | 2005-04-21 | Kikuze Solutions Pte Ltd | Method and apparatus for calibrating colour print engines |
| US9055223B2 (en) * | 2013-03-15 | 2015-06-09 | Samsung Electronics Co., Ltd. | Digital image stabilization method and imaging device using the same |
-
2020
- 2020-11-18 CN CN202011299548.2A patent/CN112488997B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509318A (zh) * | 2011-09-20 | 2012-06-20 | 哈尔滨工业大学 | 人体数字舌图像专用颜色校正色卡及其制作方法 |
| CN102819850A (zh) * | 2012-08-16 | 2012-12-12 | 李勃 | 基于局部自适应色差阈值的彩色图像边缘检测的方法 |
| CN110108362A (zh) * | 2019-04-17 | 2019-08-09 | 江苏理工学院 | 基于slic超像素分割的色差自适应在线检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Deep learning‐based color holographic microscopy;Liu, Tairan, et al.;《Journal of biophotonics》;20190109;全文 * |
| Self-training-based spectral image reconstruction for art paintings with multispectral imaging;Xu, Peng, et al.;《Applied optics》;20181231;全文 * |
| 基于iCAM的印刷品在线颜色复制质量的检测与评价;樊丽娜等;《包装工程》;20180110(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112488997A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100498788C (zh) | 有效颜料识别方法、识别系统、识别程序及其记录介质 | |
| CN109389591B (zh) | 基于彩色描述子的彩色图像质量评价方法 | |
| EP2161555B1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
| 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 | |
| CN107144353B (zh) | 一种基于数码相机的纺织品色差测量方法 | |
| CN106529429A (zh) | 一种基于图像识别的面部皮肤分析系统 | |
| CN104572538B (zh) | 一种基于k‑pls回归模型的中医舌图像颜色校正方法 | |
| 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 | |
| CN104361593A (zh) | 一种基于hvs和四元数的彩色图像质量评价方法 | |
| US11614362B1 (en) | Method of digital measuring color of fabrics based on digital camera | |
| JPH08297054A (ja) | 色感測定装置 | |
| CN114674438A (zh) | 用于表征效果颜料斑点的装置和方法 | |
| CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN114730473A (zh) | 用于识别目标涂层中效果颜料的方法和设备 | |
| CN101587589A (zh) | 喷墨打印质量模糊评价方法 | |
| US9791318B2 (en) | Display of effect coatings on electronic display devices | |
| CN103106669A (zh) | 中医舌图像环境适应性颜色复现方法 | |
| CN110044485B (zh) | 一种图像式织物颜色测量方法 | |
| CN114067222B (zh) | 一种城市水体遥感分类方法及装置 | |
| CN111896109B (zh) | 一种基于数码相机原始响应值的光谱重建方法 | |
| CN116597029B (zh) | 一种针对色盲的图像重着色方法 | |
| CN117152461A (zh) | 一种基于数字图像的卷烟包装材料色差检测方法 | |
| CN110926608A (zh) | 一种基于光源筛选的光谱重建方法 | |
| CN110726536B (zh) | 一种彩色数码反射显微镜颜色校正方法 |
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 |