CN112884854B - 一种基于相机响应值的光谱稀疏重建方法 - Google Patents
一种基于相机响应值的光谱稀疏重建方法 Download PDFInfo
- Publication number
- CN112884854B CN112884854B CN202110041019.0A CN202110041019A CN112884854B CN 112884854 B CN112884854 B CN 112884854B CN 202110041019 A CN202110041019 A CN 202110041019A CN 112884854 B CN112884854 B CN 112884854B
- Authority
- CN
- China
- Prior art keywords
- spectral
- sparse
- object color
- camera response
- calculation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001228 spectrum Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 98
- 238000002310 reflectometry Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012847 principal component analysis method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明提供了一种基于相机响应值的光谱稀疏重建方法,其特征在于,包括以下步骤:首先在数字成像设备中通过测量和计算获得物体颜色对应的相机响应值;然后在充分考虑训练样本光谱集和测试样本色度特征的基础上计算得到优化稀疏基,最后使用正交匹配追踪算法对物体光谱反射率进行重建。因此,在考虑训练样本光谱集合测试样本色度特征影响的前提下,通过优化稀疏基来重建光谱反射率,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
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相机响应值的光谱稀疏重建方法,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
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。与常规的三通道相机响应值不同,多光谱图像能够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。物体光谱颜色信息可直接通过多光谱相机或者分光光度计获得,但是它们常常被性价比、便携性、复杂性所限制导致其在日常生活中的应用较少。与此同时,相机响应值则可以很容易地通过数字成像设备(如数码相机、智能手机和扫描仪等)获得。
相机响应值通过颜色三通道(R/G/B)在固定的环境下描述物体颜色信息,很明显不能满足许多应用场景下颜色信息再现。相机响应值从物体光谱反射率计算是一对一问题,而物体光谱反射率从相机响应值计算是一对多问题。基于相机响应值的光谱重建是一个欠定问题而产生同色异谱问题。有趣的是,自然场景下同色异谱对产生的相对频率在10-6到10-4非常低的频率之间,这就意味着在实际应用场景中同色异谱对产生的概率非常低。因此,基于相机响应值的光谱重建方法得到了广泛地研究,包括R矩阵法,违逆法、维纳法、主成分分析法、神经网络法等。然而,这些方法常忽略光谱自身的稀疏特性而不需要满足奈奎斯特-香农(Shannon/Nyquist)需求进行光谱重建。压缩感知法能够充分考虑光谱稀疏特性,利用相机响应值进行光谱重建。然而,现有的压缩感知法利用主成分分析法计算稀疏基时,仅考虑训练样本光谱集而忽略了测试样本自身的色度特征,导致光谱重建精度不高。
发明内容
本发明为了弥补现有技术的缺陷,在充分考虑训练样本光谱集和测试样本自身色度特征的基础上,提出了一种基于相机响应值的光谱稀疏重建方法。
本发明是通过如下技术方案实现的:
一种基于相机响应值的光谱稀疏重建方法,其特征是,包括以下步骤:
步骤1,物体颜色数据的获取:在数字成像设备(如数码相机、智能手机和扫描仪等)中通过测量和计算获得物体颜色对应的相机响应值y,利用Moore-Penrose伪逆(Moore-Penrose Pseudoinverse)重建出物体颜色的光谱反射率r;具体操作步骤如下:
(1)在数字成像设备中通过测量和计算获得物体颜色对应的相机响应值y:
y=∫λI(λ)τ(λ)r(λ)dλ
式中,y=[R,G,B]T为物体颜色相对应的相机响应值,λ为可见光波长范围,I(λ)为光源相对光谱功率分布,τ(λ)为数字成像设备光谱敏感度函数,r(λ)为物体颜色的光谱反射率。
(2)相机响应值y用矩阵形式进行表示:
y=φr
式中,φ为测量矩阵,测量矩阵是由光源相对光谱功率分布I(λ)和数字成像设备光谱敏感度函数τ(λ)积分计算得到。
(3)利用Moore-Penrose伪逆(Moore-Penrose Pseudoinverse)重建出物体颜色的光谱反射率r:
r=φ(φTφ)-1y
式中,矩阵上标T和-1分别代表矩阵转置和矩阵求逆。
步骤2,物体颜色信息的稀疏表示,由于物体光谱反射率具有良好的稀疏特性,物体光谱反射率使用主成分分析法计算得到的稀疏基进行稀疏表示,使用最小二乘法(LeastSquares Method)重建出物体颜色的光谱反射率r;具体操作步骤如下:
(1)由于物体光谱反射率具有良好的稀疏特性,物体光谱反射率r使用主成分分析法计算得到的稀疏基进行稀疏表示:
式中,ψi为第i个稀疏基,αi为第i个稀疏基的系数,n为波长维数(如可见光范围为400nm-700nm,采样间隔为10nm,波长维数为31),d为稀疏基的数量;RGB图像只有三个通道,所以d的数值为3。
(2)物体颜色的光谱反射率r用矩阵形式进行表示:
r=φα
式中,ψ为稀疏基,α为稀疏基的系数;
(3)相机响应值y用矩阵形式进行表示:
y=φψα
(4)使用最小二乘法(Least Squares Method)重建出物体颜色的光谱反射率r:
r=ψ(φψ)((φψ)T(φψ))-1y
步骤3,优化稀疏基的生成,充分考虑训练样本光谱集和测试样本色度特征,计算得到优化稀疏基;具体操作步骤如下:
(1)稀疏基的生成:
(2)由于测量矩阵φ是已知的,稀疏基ψ和相机响应值y直接建立计算关系,优化稀疏基要充分考虑训练样本光谱集和测试样本色度特征。这就意味着如果计算稀疏基ψ能够考虑相机响应值y,这时稀疏基能够最优化结果。因此,计算稀疏基是一个优化过程,这样能够实现光谱重建误差最小化。训练样本根据训练样本与测试样本相机响应值之间的相似度计算出不同的加权系数,相似度计算方式如下:
式中,tj为第i个训练样本的相机响应者;N为训练样本的数量。相似度使用的向量夹角余弦准则进行计算,这样考虑的是相机响应者的向量方向而非大小。当tj和y越相似,则θj越接近于0;θj值越小对稀疏基产生的影响越大,因此加权系数的计算方式为
式中,ε为避免出现无穷计算问题的很小常数(如ε=0.01)。很显然,训练样本和测试样本相机响应值之间越相似,则wj越大。加权矩阵的表示方式:
(3)物体颜色的光谱反射率r使用加权矩阵进行表示:
r=(rW)(W)-1
(4)使用主成分分析法对物体颜色的光谱反射率r进行稀疏表示:
(5)物体光谱反射率r用矩阵形式进行表示:
步骤4,光谱重建,使用正交匹配追踪算法对物体颜色的光谱反射率进行重建,计算方式为
式中,ξ为校正系数。
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;
(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:
(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,在数字成像设备中通过测量和计算获得物体颜色对应的相机响应值,然后在充分考虑训练样本光谱集和测试样本色度特征的基础上计算得到优化稀疏基,最后使用正交匹配追踪算法对物体光谱反射率进行重建。因此,在考虑训练样本光谱集合测试样本色度特征影响的前提下,通过优化稀疏基来重建光谱反射率,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相机响应值的光谱稀疏重建方法流程图;
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光谱稀疏重建方法作具体阐述。
图1是本发明的一种基于相机响应值的光谱稀疏重建方法流程图。
如图1所示,本发明所提供的一种基于相机响应值的光谱稀疏重建方法包括以下步骤:
步骤1,物体颜色数据的获取:在数字成像设备(如数码相机、智能手机和扫描仪等)中通过测量和计算获得物体颜色对应的相机响应值y,利用Moore-Penrose伪逆(Moore-Penrose Pseudoinverse)重建出物体颜色的光谱反射率r;具体操作步骤如下:
(1)在数字成像设备中通过测量和计算获得物体颜色对应的相机响应值y:
y=∫λI(λ)τ(λ)r(λ)dλ
式中,y=[R,G,B]T为物体颜色相对应的相机响应值,λ为可见光波长范围,I(λ)为光源相对光谱功率分布,τ(λ)为数字成像设备光谱敏感度函数,r(λ)为物体颜色的光谱反射率。
(2)相机响应值y用矩阵形式进行表示:
y=φr
式中,φ为测量矩阵,测量矩阵是由光源相对光谱功率分布I(λ)和数字成像设备光谱敏感度函数τ(λ)积分计算得到。
(3)利用Moore-Penrose伪逆(Moore-Penrose Pseudoinverse)重建出物体颜色的光谱反射率r:
r=φ(φTφ)-1y
式中,矩阵上标T和-1分别代表矩阵转置和矩阵求逆。
步骤2,物体颜色信息的稀疏表示,由于物体光谱反射率具有良好的稀疏特性,物体光谱反射率使用主成分分析法计算得到的稀疏基进行稀疏表示,使用最小二乘法(LeastSquares Method)重建出物体颜色的光谱反射率r;具体操作步骤如下:
(1)由于物体光谱反射率具有良好的稀疏特性,物体颜色的光谱反射率r使用主成分分析法计算得到的稀疏基进行稀疏表示:
式中,ψi为第i个稀疏基,αi为第i个稀疏基的系数,n为可见光波段采样点数量(如可见光范围为400nm-700nm,采样间隔为10nm,采样点数量为31),d为稀疏基的数量;RGB图像只有三个通道,所以d的数值为3。
(2)物体颜色的光谱反射率r用矩阵形式进行表示:
r=ψα
式中,ψ为稀疏基,α为稀疏基的系数;
(3)相机响应值y用矩阵形式进行表示:
y=φψα
(4)使用最小二乘法(Least Squares Method)重建出物体颜色的光谱反射率r:
r=ψ(φψ)((φψ)T(φψ))-1y
步骤3,优化稀疏基的生成,充分考虑训练样本光谱集和测试样本色度特征,计算得到优化稀疏基;具体操作步骤如下:
(1)稀疏基的生成:
(2)由于测量矩阵φ是已知的,稀疏基ψ和相机响应值y直接建立计算关系,优化稀疏基要充分考虑训练样本光谱集和测试样本色度特征。这就意味着如果计算稀疏基ψ能够考虑相机响应值y,这时稀疏基能够最优化结果。因此,计算稀疏基是一个优化过程,这样能够实现光谱重建误差最小化。训练样本根据训练样本与测试样本相机响应值之间的相似度计算出不同的加权系数,相似度计算方式如下:
式中,tj为第i个训练样本的相机响应者;N为训练样本的数量。相似度使用的向量夹角余弦准则进行计算,这样考虑的是相机响应者的向量方向而非大小。当tj和y越相似,则θj越接近于0;θj值越小对稀疏基产生的影响越大,因此加权系数的计算方式为
式中,ε为避免出现无穷计算问题的很小常数(如ε=0.01)。很显然,训练样本和测试样本相机响应值之间越相似,则wj越大。加权矩阵的表示方式:
(3)物体光谱反射率r使用加权矩阵进行表示:
r=(rW)(W)-1
(4)使用主成分分析法对物体光谱反射率r进行稀疏表示:
(5)物体光谱反射率r用矩阵形式进行表示:
步骤4,光谱重建,使用正交匹配追踪算法对物体光谱反射率进行重建,计算方式为
式中,ξ为校正系数。
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;
(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:
(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在充分考虑训练样本光谱集和测试样本色度特征的基础上计算得到优化稀疏基,以此来提高光谱重建精度。首先,在数字成像设备中通过测量和计算获得物体颜色对应的相机响应值;然后在充分考虑训练样本光谱集和测试样本色度特征的基础上计算得到优化稀疏基,最后使用正交匹配追踪算法对物体光谱反射率进行重建。
在本实施例的光谱重建方法中,由于考虑了训练样本光谱集和测试样本色度特征,考虑训练样本光谱集合测试样本色度特征
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 (2)
1.一种基于相机响应值的光谱稀疏重建方法,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:在数字成像设备中通过测量和计算获得物体颜色对应的相机响应值y,利用Moore-Penrose伪逆重建出物体颜色的光谱反射率r;具体操作步骤如下:
(1)在数字成像设备中通过测量和计算获得物体颜色对应的相机响应值y:
y=∫λI(λ)τ(λ)r(λ)dλ
式中,y=[R,G,B]T为物体颜色相对应的相机响应值,λ为可见光波长范围,I(λ)为光源相对光谱功率分布,τ(λ)为数字成像设备光谱敏感度函数,r(λ)为物体颜色的光谱反射率;
(2)相机响应值y用矩阵形式进行表示:
y=φr
式中,φ为测量矩阵,测量矩阵是由光源相对光谱功率分布I(λ)和数字成像设备光谱敏感度函数τ(λ)积分计算得到;
(3)利用Moore-Penrose伪逆重建出物体颜色的光谱反射率r:
r=φ(φTφ)-1y
式中,矩阵上标T和-1分别代表矩阵转置和矩阵求逆;
步骤2,物体颜色信息的稀疏表示,由于物体光谱反射率具有良好的稀疏特性,物体光谱反射率使用主成分分析法计算得到的稀疏基进行稀疏表示,使用最小二乘法重建出物体颜色的光谱反射率r;具体操作步骤如下:
(1)由于物体光谱反射率具有良好的稀疏特性,物体光谱反射率r使用主成分分析法计算得到的稀疏基进行稀疏表示:
式中,ψi为第i个稀疏基,αi为第i个稀疏基的系数,n为波长维数,d为稀疏基的数量;
(2)物体颜色的光谱反射率r用矩阵形式进行表示:
r=ψα
式中,ψ为稀疏基,α为稀疏基的系数;
(3)相机响应值y用矩阵形式进行表示:
y=φψα
(4)使用最小二乘法(Least Squares Method)重建出物体颜色的光谱反射率r:
r=ψ(φψ)((φψ)T(φψ))-1y
步骤3,优化稀疏基的生成,充分考虑训练样本光谱集和测试样本色度特征,计算得到优化稀疏基;具体操作步骤如下:
(1)稀疏基的生成:
(2)由于测量矩阵φ是已知的,稀疏基ψ和相机响应值y直接建立计算关系,优化稀疏基要充分考虑训练样本光谱集和测试样本色度特征;训练样本根据训练样本与测试样本相机响应值之间的相似度计算出不同的加权系数,相似度计算方式如下:
式中,tj为第j个训练样本的相机响应值;N为训练样本的数量;加权系数的计算方式为
式中,ε为避免出现无穷计算问题的很小常数;
加权矩阵的表示方式:
(3)物体颜色的光谱反射率r使用加权矩阵进行表示:
r=(rW)(W)-1
(4)使用主成分分析法对物体颜色的光谱反射率r进行稀疏表示:
(5)物体颜色的光谱反射率r用矩阵形式进行表示:
步骤4,光谱重建,使用正交匹配追踪算法对物体颜色的光谱反射率进行重建,计算方式为
式中,ξ为校正系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041019.0A CN112884854B (zh) | 2021-01-13 | 2021-01-13 | 一种基于相机响应值的光谱稀疏重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041019.0A CN112884854B (zh) | 2021-01-13 | 2021-01-13 | 一种基于相机响应值的光谱稀疏重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884854A CN112884854A (zh) | 2021-06-01 |
CN112884854B true CN112884854B (zh) | 2022-06-03 |
Family
ID=76045220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041019.0A Expired - Fee Related CN112884854B (zh) | 2021-01-13 | 2021-01-13 | 一种基于相机响应值的光谱稀疏重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884854B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110926609A (zh) * | 2019-10-22 | 2020-03-27 | 齐鲁工业大学 | 一种基于样本特征匹配的光谱重建方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8285018B2 (en) * | 2010-03-02 | 2012-10-09 | National Chung Cheng University | Method for reconstructing color images |
-
2021
- 2021-01-13 CN CN202110041019.0A patent/CN112884854B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110926609A (zh) * | 2019-10-22 | 2020-03-27 | 齐鲁工业大学 | 一种基于样本特征匹配的光谱重建方法 |
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 |
Non-Patent Citations (1)
Title |
---|
Y. Fu, Y. Zheng, L. Zhang and H. Huang.Spectral Reflectance Recovery From a Single RGB Image.<IEEE Transactions on Computational Imaging>.2018,第4卷(第3期), * |
Also Published As
Publication number | Publication date |
---|---|
CN112884854A (zh) | 2021-06-01 |
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. | Spectral characterization of electronic cameras | |
Zhang et al. | Estimating spectral reflectance from camera responses based on CIE XYZ tristimulus values under multi‐illuminants | |
CN111024229B (zh) | 单芯片集成型光谱成像微系统光谱数据校正方法 | |
Kirillova et al. | Colorimetric analysis of soil with flatbed scanners | |
Ji et al. | Compressive recovery of smartphone RGB spectral sensitivity functions | |
CN113506235A (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 | |
CN112884854B (zh) | 一种基于相机响应值的光谱稀疏重建方法 | |
US20140010443A1 (en) | Systems and methods for colorimetric and spectral material estimation | |
Solli et al. | Color measurements with a consumer digital camera using spectral estimation techniques | |
Khan et al. | Color characterization methods for a multispectral camera | |
US20090141321A1 (en) | Generating an interim connection space for spectral data | |
CN104236710B (zh) | 一种手持式光源颜色照度测量仪的光谱超分辨方法 | |
Nyström | Colorimetric and multispectral image acquisition using model-based and empirical device characterization | |
CN111750992B (zh) | 一种基于自适应加权线性回归的光谱估计方法 | |
Lazar et al. | Exploiting nonlinearity between parallel channels of multiple cameras for accurate ANN reconstruction of reflectance spectra | |
JP2004135276A (ja) | 装置スペクトル応答を決定する方法 | |
Heikkinen | Kernel methods for estimation and classification of data from spectral imaging | |
Im et al. | A Study on Color Difference Discrimination for PVC Deco-Film using Entry-Level Digital Device | |
Xu et al. | Testing methods to estimate spectral reflectance using datasets under different illuminants | |
Nyström | Reconstructing spectral and colorimetric data using trichromatic and multi-channel imaging | |
Bianco et al. | Applications of spectral imaging and reproduction to cultural heritage | |
Pellegri et al. | Training set selection for multispectral imaging systems characterization |
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: 20221213 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220603 |
|
CF01 | Termination of patent right due to non-payment of annual fee |