CN113119447B - 一种彩色3d打印色彩空间转换的方法 - Google Patents
一种彩色3d打印色彩空间转换的方法 Download PDFInfo
- Publication number
- CN113119447B CN113119447B CN202110296424.7A CN202110296424A CN113119447B CN 113119447 B CN113119447 B CN 113119447B CN 202110296424 A CN202110296424 A CN 202110296424A CN 113119447 B CN113119447 B CN 113119447B
- Authority
- CN
- China
- Prior art keywords
- color
- value
- data
- samples
- groups
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/10—Processes of additive manufacturing
- B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
- B29C64/118—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using filamentary material being melted, e.g. fused deposition modelling [FDM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y10/00—Processes of additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种彩色3D打印色彩空间转换的方法,具体按照以下步骤实施:步骤1、获取若干组CMYKW和Lab的数据对;步骤2、将步骤1获得的数据对进行归一化处理;步骤3、将经过步骤2归一化处理的数据划分为训练样本和测试样本;步骤4、建立广义回归神经网络,并对该网络进行训练。通过本发明的方法能够较为精确的计算出FDM型彩色3D打印中Lab色彩空间向CMYKW色彩空间转换的比例。
Description
技术领域
本发明属于色彩转换技术领域,涉及一种彩色3D打印色彩空间转换的方法。
背景技术
为满足当今社会对个性化产品的需求,3D打印的发展方向逐渐向彩色3D打印更新。其中,基于FDM型的彩色3D打印机最为常见,它的混色方式主要有挤出头混色、混色耗材和3D喷墨这三种,且大多不能实现全彩色打印。阻碍其发展的最为核心的技术之一便是色彩转换算法的研究。
色彩转换研究中常借用的转换空间为Lab色彩空间,原因在于Lab的色彩空间很大,且不受设备影响,是以数字化方式来描述人的视觉感应,所以也被做为标准色彩空间;RGB和CMYK为常见的显示器颜色标准和印刷色彩标准;而近年来提出的CMYKW色彩空间则是基于彩色3D打印的三维色彩空间(C:Cyan=青色;M:Magenta=品红色;Y:Yellow=黄色;K:blacK=黑色;W:White=白色),也是本发明基于FDM彩色3D打印的色彩原料。
目前色彩空间转换的算法主要基于神经网络进行,相关文献大多采用BP神经网络和径向基函数(RBF)网络建模。BP神经网络进行色彩转换的主要缺点为:精度较低、数值有溢出、训练速度慢。本发明采用广义回归神经网络(GRNN)进行算法设计,广义回归神经网络是基于径向基函数网络一种改进。
发明内容
本发明的目的是提供一种彩色3D打印色彩空间转换的方法,具有色彩精度高、计算时间短的特点。
本发明所采用的技术方案是,一种彩色3D打印色彩空间转换的方法,具体按照以下步骤实施:
步骤1、获取若干组CMYKW和Lab的数据对;
步骤2、将步骤1获得的数据对进行归一化处理;
步骤3、将经过步骤2归一化处理的数据划分为训练样本和测试样本;
步骤4、建立广义回归神经网络,并对该网络进行训练。
本发明的特点还在于:
步骤1具体为,根据均匀试验原理设计若干组CMYKW的配色比,按照给定的配色比挤料,混合后置于坩埚中加热,用玻璃棒搅拌至颜色均匀,将样品压制成薄片,利用分光测色仪对样品进行测色,得到对应的标准Lab值,即得到若干组CMYKW和Lab的数据对。
步骤2归一化计算如下:
其中,公式(1)中分母为Lab值之和,L为原始值,L’为归一化后的值,公式(2)中分母为CMYKW值之和,C为原始值,C’为归一化后的值。
步骤3具体为,将全体样本的75%作为训练样本,剩余25%作为测试样本。
步骤3具体划分方法为,在MATLAB中建立训练样本矩阵,从全体样本的第一组开始每间隔三组取一组数据,从第三组开始每间隔三组取一组数据,从第四组开始每间隔三组取一组数据;建立测试样本矩阵,从全体样本的第二组开始每间隔三组取一组数据。
步骤4具体按照以下步骤实施:
步骤4.1、调用MATLAB中的GRNN工具箱,输入训练样本,设定广义回归神经网络的扩展速度为0到1;
步骤4.2、代入测试样本进行仿真预测,计算对象为测试样本的预测值与真实值之差,使用MATLAB中自带的均方误差性能函数MSE评价网络精度,缩小扩展速度的取值范围;
步骤4.3、通过穷举训练,继续缩小扩展速度值的区间和跨步,取MSE值最小时的扩展速度为最优扩展速度。
本发明的有益效果是:本发明一种彩色3D打印色彩空间转换的方法能够精确计算出FDM型彩色3D打印中Lab色彩空间向CMYKW色彩空间转换的比例,有效降低计算时间和使用成本。
附图说明
图1是一种彩色3D打印色彩空间转换的方法的流程图;
图2是一种彩色3D打印色彩空间转换的方法中扩展速度变化时的均方误差变化图;
图3是一种彩色3D打印色彩空间转换的方法的混色计算示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种彩色3D打印色彩空间转换的方法,如图1所示,具体按照以下步骤实施:
步骤1、获取201组CMYKW和Lab的数据对;
根据均匀试验原理设计201组CMYKW的配色比,按照给定的配色比挤料,混合后置于坩埚中加热到240℃,用玻璃棒搅拌至颜色均匀,将样品压制成1mm以下的薄片,利用分光测色仪对样品进行测色,得到对应的标准Lab值,总共有201组CMYKW和Lab的数据对;
步骤2、将步骤1获得的数据对进行归一化处理;
具体为,
其中,公式(1)中分母为Lab值之和,L为原始值,L’为归一化后的值,a’和b’的计算同理,公式(2)中分母为CMYKW值之和,C为原始值,C’为归一化后的值,C’、M’、Y’、K’和W’的计算同理;
数据归一化即让所有的数据都在(0,1)之间,加入归一化可以将这些数据规整到统一量纲以提高模型精度、提升收敛速度;采用数据归一化的原因是,当输入值较大时,相应的权值就会很小,两者相乘会引起数值问题,除此之外,由于Lab值为标准测定值,而CMYKW值为试验值,数据具有多个特征属性,且其量纲不一,会增加计算时间和减小精度;
步骤3、将经过步骤2归一化处理的数据划分为训练样本和测试样本;
将75%的数据作为训练样本,剩余25%作为测试样本,具体划分方法为:在MATLAB中建立训练样本矩阵,从全体样本的第一组开始每间隔三组取一组数据,从第三组开始每间隔三组取一组数据,从第四组开始每间隔三组取一组数据;建立测试样本矩阵,从全体样本的第二组开始每间隔三组取一组数据,这样既满足了样本的划分,又可以做到样本数据的随机化;
步骤4、建立广义回归神经网络,并对该网络进行训练;
调用MATLAB中的GRNN工具箱,输入训练样本,调用时需要选择训练样本矩阵进行网络的训练,将网络的扩展速度初次设定在(0,1)之间,SPREAD即为GRNN的扩展速度,对网络的预测效果起着至关重要的作用,它决定了中心点围绕基函数的宽度,网络初次设定结束,进行循环测试,循环过程为:代入测试样本进行仿真预测,使用MATLAB中自带的均方误差性能函数MSE进行评价,计算对象为测试样本的预测值与真实值之差;因为通过MSE性能函数可以求得误差平方和的平均值,依据此函数值可以评价神经网络模型的精度好坏;
通过穷举训练,不断缩小SPREAD值的区间和跨步,将其每次测试的结果绘制为随扩展速度变化时MSE值变化的图,如图2所示,在图中标记出MSE值最小处,此时的SPREAD值即为它的最优解;
确定SPREAD最优值后,将它固定在这一值,重复一遍上述训练和测试过程,保存训练完成的网络,到此用于彩色3D打印色彩空间转换的网络就建立完成了。
以下列举一个具体的实施例,打印一个彩色的花瓶,从底到上的颜色依次为淡蓝色、淡粉红色、番茄色、淡粉红色和浅黄色。如图3所示,已知淡蓝色的Lab值为79,-14,-29,在程序中输入Lab=[79 -14 -29],得到CMYKW=3 3 0 3 3;淡粉红色的Lab值80,23,11,在程序中输入Lab=[80 23 11],得到CMYKW=3 5 1 0 1;番茄色的Lab值为63,59,48,在程序中输入Lab=[63 59 48],得到CMYKW=0 5 5 0 0;浅黄色的Lab值为94,1,29,在程序中输入Lab=[94 1 29],得到CMYKW=4 1 4 0 1。
Claims (4)
1.一种彩色3D打印色彩空间转换的方法,其特征在于,具体按照以下步骤实施:
步骤1、获取若干组CMYKW和Lab的数据对;
步骤2、将步骤1获得的数据对进行归一化处理;
步骤3、将经过步骤2归一化处理的数据划分为训练样本和测试样本;
步骤4、建立广义回归神经网络,并对该网络进行训练;
所述步骤1具体为,根据均匀试验原理设计若干组CMYKW的配色比,按照给定的配色比挤料,混合后置于坩埚中加热,用玻璃棒搅拌至颜色均匀,将样品压制成薄片,利用分光测色仪对样品进行测色,得到对应的标准Lab值,即得到若干组CMYKW和Lab的数据对;
所述步骤4具体按照以下步骤实施:
步骤4.1、调用MATLAB中的GRNN工具箱,输入训练样本,设定广义回归神经网络的扩展速度为0到1;
步骤4.2、代入测试样本进行仿真预测,计算对象为测试样本的预测值与真实值之差,使用MATLAB中自带的均方误差性能函数MSE评价网络精度,缩小扩展速度的取值范围;
步骤4.3、通过穷举训练,继续缩小扩展速度值的区间和跨步,取MSE值最小时的扩展速度为最优扩展速度。
3.根据权利要求1所述的一种彩色3D打印色彩空间转换的方法,其特征在于,所述步骤3具体为,将全体样本的75%作为训练样本,剩余25%作为测试样本。
4.根据权利要求1所述的一种彩色3D打印色彩空间转换的方法,其特征在于,所述步骤3具体划分方法为,在MATLAB中建立训练样本矩阵,从全体样本的第一组开始每间隔三组取一组数据,从第三组开始每间隔三组取一组数据,从第四组开始每间隔三组取一组数据;建立测试样本矩阵,从全体样本的第二组开始每间隔三组取一组数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110296424.7A CN113119447B (zh) | 2021-03-19 | 2021-03-19 | 一种彩色3d打印色彩空间转换的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110296424.7A CN113119447B (zh) | 2021-03-19 | 2021-03-19 | 一种彩色3d打印色彩空间转换的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113119447A CN113119447A (zh) | 2021-07-16 |
CN113119447B true CN113119447B (zh) | 2022-08-30 |
Family
ID=76773645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110296424.7A Active CN113119447B (zh) | 2021-03-19 | 2021-03-19 | 一种彩色3d打印色彩空间转换的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113119447B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6480299B1 (en) * | 1997-11-25 | 2002-11-12 | University Technology Corporation | Color printer characterization using optimization theory and neural networks |
JP3826931B2 (ja) * | 2003-10-30 | 2006-09-27 | 村田機械株式会社 | カラー画像処理装置 |
CN1704891A (zh) * | 2004-05-31 | 2005-12-07 | 蒋国华 | 一种计算机色彩处理方法及其应用 |
JP2009231992A (ja) * | 2008-03-20 | 2009-10-08 | Brother Ind Ltd | 印刷データ作成装置、印刷装置、印刷データ作成プログラム、及びコンピュータ読み取り可能な記録媒体 |
CN101604151B (zh) * | 2009-06-29 | 2011-07-20 | 杭州电子科技大学 | 一种用于印刷色彩的检测控制方法 |
CN102572450A (zh) * | 2012-01-10 | 2012-07-11 | 中国传媒大学 | 基于sift特征与grnn网络的立体视频颜色校正方法 |
CN108437440B (zh) * | 2018-03-21 | 2020-06-19 | 北京印刷学院 | 基于颜色管理的3d打印色彩呈现方法、装置及系统 |
CN110418030B (zh) * | 2019-06-24 | 2020-07-10 | 浙江大学 | 基于图像色块用于纺织品喷墨印染的颜色一致性映射方法 |
CN112270397B (zh) * | 2020-10-26 | 2024-02-20 | 西安工程大学 | 一种基于深度神经网络的颜色空间转换方法 |
-
2021
- 2021-03-19 CN CN202110296424.7A patent/CN113119447B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113119447A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2161555B1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
CN102799895B (zh) | 基于最小二乘支持向量机的胶印油墨配色方法 | |
CN104217409B (zh) | 一种基于模拟退火最优化算法的图像色彩校正方法 | |
CN110418030B (zh) | 基于图像色块用于纺织品喷墨印染的颜色一致性映射方法 | |
CN100589521C (zh) | 高保真打印输出L*a*b*图像的方法 | |
CN101604151A (zh) | 一种用于印刷色彩的检测控制方法 | |
CN108846869B (zh) | 一种基于自然图像色彩的服装自动配色方法 | |
CN111553114A (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
CN108872156B (zh) | 一种基于光谱反射率倒数的油墨组份比例预测方法及设备 | |
CN102945556B (zh) | 基于胞元划分纽介堡方程的七色分色算法 | |
CN106937018B (zh) | 基于rbf神经网络用于纺织品喷墨印染的色彩映射方法 | |
Milder et al. | Ink-jet printer’s characterization by 3D gradation trajectories on an equidistant color difference basis | |
CN113119447B (zh) | 一种彩色3d打印色彩空间转换的方法 | |
CN100585635C (zh) | 孟塞尔色彩模型计算机可视化方法 | |
CN102238297B (zh) | 一种生成色彩对照文件的方法及系统 | |
CN102075667A (zh) | 一种基于查表法的反向色彩空间转换方法 | |
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 | |
CN109853267A (zh) | 一种快速制作数码印花色卡的方法 | |
CN113536540A (zh) | 多元混色纤维体系构建高维离散色谱及可视化方法 | |
CN103129184B (zh) | 专色校准方法和装置 | |
CN103645142A (zh) | 预测纺织品染色配方的方法 | |
Kuo et al. | Computerized color separation system for printed fabrics by using backward-propagation neural network | |
CN116522650A (zh) | 一种基于数字孪生技术的染料颜色自动配比方法 | |
CN114579790B (zh) | 一种激光彩色打标参数的确定方法 | |
CN103646393B (zh) | 油画基色颜料光谱预测方法 |
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 |