CN113487681B - 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法 - Google Patents

基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法 Download PDF

Info

Publication number
CN113487681B
CN113487681B CN202110742571.2A CN202110742571A CN113487681B CN 113487681 B CN113487681 B CN 113487681B CN 202110742571 A CN202110742571 A CN 202110742571A CN 113487681 B CN113487681 B CN 113487681B
Authority
CN
China
Prior art keywords
light source
standard
value
xyz
rgb
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
Application number
CN202110742571.2A
Other languages
English (en)
Other versions
CN113487681A (zh
Inventor
罗明
樊慧
刘小旋
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110742571.2A priority Critical patent/CN113487681B/zh
Publication of CN113487681A publication Critical patent/CN113487681A/zh
Application granted granted Critical
Publication of CN113487681B publication Critical patent/CN113487681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G01J3/12—Generating the spectrum; Monochromators
    • 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
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Color Image Communication Systems (AREA)

Abstract

本发明提供了一种基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法，该方法是在标准光源下，计算相机光谱灵敏度曲线对训练样本的预测RGB值和训练样本的标准XYZ值，建立二者间的转换模型，通过模型的优化，使相机光谱灵敏度曲线预测的XYZ与标准XYZ之间的色差最小化。在建立模型的基础上，针对特定相机，对标准光源的光谱进行修正和优化，得到对应的预测误差最小的LED光源。本发明可以在不同标准光源下对特定相机光谱灵敏度曲线预测三刺激值XYZ的能力进行优化与测试，提高不同相机之间的一致性，对于相机的颜色标定具有重要意义。

Description

基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法
技术领域
本发明涉及颜色和相机标定领域，具体是一种基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法。
背景技术
相机的光谱灵敏度响应函数(Spectral Sensitivity Function,SSF)是相机的重要参数，它量化了相机的红、绿、蓝三通道对于入射的不同波长光谱的响应值。相机经过拍照处理得到的RGB值是设备相关的，也就是说不同相机对于相同场景拍照得到的RGB响应是不同的，即不同相机的光谱灵敏度响应存在差异性。在工业界，相机SSF的测量、测试和优化对于相机的标定与校正至关重要。然而，在这一过程中存在许多干扰因素。在测量过程中，相机的焦距、角度位置等因素都会对测量结果产生影响，可能使得SSF的测量重复性不好，准确性降低。在测试与优化过程中，若使用标准色卡如爱色丽标准24色卡，不可避免地会出现褪色或变形等问题。实际测试时，测试光源的光谱不能做到与标准光源完全一致，并且选取不同亮度、不同类型的测试光源都可能得到不同的测试结果。不同公司对于同一相机SSF的测量也会有不同的结果，得到的测量结果和预测精度各不相同，并且测试过程复杂，不同SSF之间难以统一。
另一方面，相机的RGB响应与三刺激值XYZ之间并不直接相关，在相机 RGB响应与设备无关的XYZ值之间建立映射十分重要，对于高保真度的颜色再现具有重要意义，这一过程即为相机颜色的标定。
传统方法中，使用维度为3×3的矩阵建立相机RGB响应与CIE三刺激值 XYZ之间的映射。例如可以使用爱色丽SG数码色卡中的140种颜色作为训练样本，使用爱色丽标准24色卡作为测试样本。这种方法的精度平均值(色差)在 2.0-3.0ΔEab*(或1.5-2.0ΔE00)左右。大部分传统方法在拟合矩阵时是在XYZ 空间内，令预测XYZ值的误差平方和最小，但这样不能符合人眼的视觉感受，从色差值来看预测误差较大。况且测量得到的SSF不可避免地存在误差，SSF 预测的RGB与实际相机的RGB响应之间存在差异。因此希望采用最小化色差的方式建立SSF预测的RGB与XYZ之间的模型，将预测误差进一步降低，从而可以更好地符合人眼的视觉感受，提高相机颜色标定的准确性。
发明内容
本发明的目的在于克服现有技术中的缺陷，并提供了一种基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法。该方法建立了相机光谱灵敏度曲线预测 RGB与XYZ值之间的矩阵模型，并对标准光源的光谱进行优化，使用多通道 LED实际光源对优化的光谱进行模拟与测量，以色差为标准实现预测误差的最小化。
本发明所采用的具体技术方案如下：
本发明提供了一种基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法，具体如下：
S1：确定标准光源的光谱分布函数和样本的反射率；在每个所述标准光源下，进行RGB预测处理，并计算每个样本的标准三刺激值XYZs；以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，通过转换模型得到每个转换过程的矩阵模型M；
所述RGB预测处理具体如下：计算目标相机的光谱灵敏度曲线对每个样本反射率的预测RGB值，随后将所有预测RGB值进行归一化处理，得到归一化预测RGB值；
所述转换模型为XYZp＝RGBp×M，式中，XYZp为预测三刺激值，RGBp为归一化预测RGB值，M为矩阵模型；
S2：根据每个所述标准光源，利用光谱可调的K通道LED光源模拟产生对应的模拟光源，同时得到每个模拟光源的光谱分布函数；
S3：在所述模拟光源下，进行RGB预测处理；在与模拟光源对应的标准光源下，计算每个样本的标准三刺激值XYZs；根据步骤S1得到的矩阵模型M，利用所述转换模型，将每个归一化预测RGB值转换为预测三刺激值；以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，利用带约束的求解非线性多元函数最小值方法对模拟光源进行迭代优化；
S4：使用LED光源对通过步骤S3优化后的模拟光源进行实际模拟，得到实际模拟的优化光源及其光谱分布函数；
S5：在每个所述实际模拟的优化光源下，进行所述RGB预测处理，在对应的标准光源下，计算每个样本的标准三刺激值XYZs；以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，通过所述转换模型得到每个转换过程的矩阵模型M′，用以得到对应的XYZp，实现目标相机的颜色标定。
作为优选，所述标准光源为CIE标准照明体D50、D65、A和荧光灯F11中的一种或多种；所有样本的光谱范围涵盖400～700nm的可见光，优选为爱色丽标准24色卡。
作为优选，所述预测RGB值RGBp1通过如下公式计算得到，
RGBp1＝SSF×SPD×R％
式中，SSF为目标相机的光谱灵敏度曲线，SPD为光谱分布函数，R％为样本的反射率。
作为优选，所述标准三刺激值XYZs通过如下公式计算得到，
XYZs＝CMF×SPD×R％
式中，CMF为色匹配函数，SPD为光谱分布函数，R％为样本的反射率。
进一步的，所述色匹配函数优选为CIE1931标准色度观察者的色匹配函数、CIE1964标准色度观察者的色匹配函数、CIE2006 2°色匹配函数或CIE2006 10°色匹配函数中的一种。
作为优选，所述矩阵模型M的维度优选为3×3；色差值的计算方法优选为CIEDE2000。
作为优选，所述步骤S2具体如下：首先获得LED光源的K个不同波长通道的光谱，随后使用K个通道的光谱的线性组合模拟出标准光源的光谱分布函数，使模拟光谱分布函数与标准光谱分布函数之间的偏差小于所需值，得到模拟光源及其光谱分布函数。
作为优选，每个所述实际模拟的优化光源均通过以下方法确认：在每个实际模拟的优化光源下，进行所述RGB预测处理；在与实际模拟的优化光源对应的标准光源下，计算每个样本的标准三刺激值XYZs；根据步骤S1得到的矩阵模型 M，利用所述转换模型，将每个归一化预测RGB值转换为预测三刺激值，将XYZp与XYZs之间的色差值记为第二色差值；将步骤S3中XYZp与XYZs之间的色差值记为第一色差值；以第一色差值和第二色差值之间差值的绝对值小于预设值为目标，确定每个实际模拟的优化光源。
进一步的，将确认过程中的实际模拟的优化光源与光谱辐射仪相连，以实时测量和反馈相关信息。
作为优选，所述步骤S1完成后，确定测试样本的反射率R′％；在标准光源下，进行所述RGB预测处理并计算每个样本的标准三刺激值XYZs，分别得到测试样本的归一化预测RGB值和标准三刺激值，随后代入已确定M的转换模型中，得到测试样本的预测三刺激值；通过比较测试样本的预测三刺激值和标准三刺激值之间的色差值是否小于设定值，以验证步骤S1中所得M的准确性。
本发明相对于现有技术而言，具有以下有益效果：
本发明的方法克服了传统方法中相机光谱灵敏度曲线对于三刺激值XYZ的预测误差(色差)大的缺点，使用此方法建立的模型可以显著降低相机光谱灵敏度曲线的预测误差，并提供了针对不同相机优化标准光源光谱的方法，优化后的光源下相机SSF对标准XYZ值的预测误差进一步减小，提高了不同相机之间的一致性，对于相机颜色的标定具有重要意义。
附图说明
图1为实施例中第一部分的流程框图；
图2为实施例中第一部分的具体计算流程图；
图3为实施例中使用的四种标准光源的光谱分布函数图；
图4为实施例中四种标准光源下，四组SSF的矩阵模型对于爱色丽标准24 色色卡的预测误差结果图；
图5为实施例中四种标准光源下，四组SSF的矩阵模型对于五类测试数据集的预测误差的平均值结果图；
图6为实施例中第二部分的流程框图；
图7为实施例中三种D65光谱的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
本发明提供了一种基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法，通过该方法可以在不同标准光源下建立相机光谱灵敏度曲线预测RGB值与 XYZ值之间的模型，对相机光谱灵敏度曲线预测颜色的能力进行优化和提升，对于相机的颜色标定具有指导作用。在此基础上，针对特定相机，对标准光源光谱进行优化，使用优化后的光源，可以提高不同相机之间的一致性。该方法具体如下：
S1：首先，确定标准光源的光谱分布函数和训练样本的反射率。标准光源应当选择国际照明委员会(CIE)推荐的具有标准光谱分布的光源，比如CIE标准照明体D50、D65、A和荧光灯F11中的一种或多种，其中，标准光源的照度(或光谱分布的强度)可以根据实际需要进行选取。所有训练样本的光谱范围应当涵盖400～700nm的可见光，可以采用物体色的色卡，如爱色丽标准24色卡中颜色的反射率。
S2：在每个标准光源下，进行RGB预测处理。其中，RGB预测处理具体如下：
收集目标相机的光谱灵敏度曲线SSF，其中SSF可以是测量的绝对值，也可以是经过最大值归一化的结果，推荐的波长范围包含400～700nm。根据公式(1) 计算SSF在不同标准光源下对训练样本反射率的预测RGB值RGBp1。
RGBp1＝SSF×SPD×R％ (1)
式中，SSF为目标相机的光谱灵敏度曲线，SPD为光谱分布函数，R％为训练样本的反射率。
随后将预测RGB值RGBp1除以其中的最大值(如24色卡中的白色的G值)，从而将其归一化到0～1，得到归一化预测RGB值RGBp。
S3：计算标准光源下训练样本的标准三刺激值XYZs，计算方法为公式(2)
XYZs＝CMF×SPD×R％ (2)
式中，CMF为色匹配函数，SPD为光谱分布函数，R％为样本的反射率。其中，色匹配函数可以根据视角大小的不同选择CIE1931标准色度观察者(2°)或 CIE1964标准色度观察者(10°)的色匹配函数，也可以选择CIE2006 2°或CIE2006 10°色匹配函数等。
S4：以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，建立相机SSF预测的RGBp值与XYZp值之间的转换模型，通过转换模型得到每个转换过程的矩阵模型M。其中，转换模型满足式(3)
XYZp＝RGBp×M (3)
式中，XYZp为预测三刺激值，RGBp为归一化预测RGB值，M为矩阵模型。 M的维度可以为3×N。以M的维度为3×3为例，此时XYZp和RGBp的维度为N×3， N为训练样本的数目。通过对矩阵M中元素的优化，使SSF对训练样本的预测 XYZp与标准值XYZs之间的色差值最小，例如可以使用CIEDE2000色差公式，使用色差值作为标准进行优化的原因是为了更加符合人眼的视觉效果。计算色差 CIEDE2000时，将XYZ值转换到CIELAB值时需要选择合适的参考白点，例如可以是该光源下标准24色卡中的白色(色卡中第19个颜色)的标准XYZ值。得到的这一色差值即为矩阵模型对于训练样本的预测误差。
需要注意的是，这一模型是对不同的标准光源和不同的SSF建立的，即不同的标准光源和SSF对应的矩阵模型M不同。
S5：在完成步骤S4后，可以针对其中建立的矩阵模型进行测试，具体如下：确定测试样本的反射率R′％；在标准光源下，进行所述RGB预测处理并计算每个样本的标准三刺激值XYZs，分别得到测试样本的归一化预测RGB值和标准三刺激值，随后代入已确定M的转换模型中，得到测试样本的预测三刺激值；通过比较测试样本的预测三刺激值和标准三刺激值之间的色差值是否小于设定值，以验证步骤S4中所得M的准确性。
也就是说，为了针对步骤S4中建立的矩阵模型进行测试，需要有一测试数据集作为测试样本。例如可以采用孟塞尔颜色系统或自然色颜色系统中的颜色，也可以使用现有收集的各类反射率数据集等。采用S2和S3中相同的方法，计算出不同标准光源下SSF对测试样本的预测RGBp和测试样本的标准三刺激值 XYZs。然后使用S4中得到的模型由预测RGBp得到预测XYZp，计算预测XYZp与标准XYZs之间的色差CIEDE2000，根据这一色差公式评价预测误差。预测误差越小表示矩阵模型越准确。可以使用不同标准光源下SSF对于测试数据集的预测误差的平均值和最大值对该模型的效果进行评价。
结果发现，本发明可以实现标准日光光源下的色差平均值在1.5CIEDE2000 以下。在实际使用过程中，也可以不进行该步验证操作。
S6：在建立特定标准光源和相机SSF的矩阵模型基础上，针对特定相机，对标准光源的光谱进行优化，使得在优化后的光源下相机SSF的预测XYZ值与标准光源下的目标XYZ值之间的色差最小。这里需要根据每个标准光源，利用光谱可调的K通道LED光源模拟产生对应的模拟光源，同时得到每个模拟光源的光谱分布函数。由于在实际应用中，标准光源的光谱是无法使用现有技术完全复现的，该步骤是为了确定优化的初始值，并使得优化后的光源能够在实际应用中复现。也就是说，首先获得LED光源的K个不同波长通道的光谱，光谱分布可以通过光谱辐射仪测量得到。使用K个通道的光谱的线性组合模拟出标准光源的光谱分布，使模拟光谱与标准光谱的偏差的平方和最小。
根据标准光源调整LED光源K个通道的光谱，得到模拟光源。在该模拟光源下，进行RGB预测处理。在与模拟光源对应的标准光源下，计算每个样本的标准三刺激值XYZs。根据得到的矩阵模型M，利用转换模型，将每个归一化预测 RGB值转换为预测三刺激值。以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，利用带约束的求解非线性多元函数最小值方法对模拟光源进行迭代优化。每次优化之后，将得到的优化的光谱作为下一次优化的初始值，进行迭代优化，直至预测误差达到稳定，且低于预期值时停止迭代。采用这一方法进行迭代优化得到的光谱称为理论优化的光谱分布函数。需要注意的是，这里的优化是针对特定相机的SSF进行的，即不同的相机对应不同的优化光谱。
S7：使用LED光源对经过迭代优化的模拟光源进行实际模拟，从而得到实际模拟的优化光源及其光谱分布函数。在实际模拟的过程中，需要不断调节以确认每个实际模拟的优化光源，因此可以连接光谱辐射仪进行实际测量与反馈，最终测量出实际模拟的优化光谱。该确认过程具体如下：
在每个实际模拟的优化光源下，进行RGB预测处理；在与实际模拟的优化光源对应的标准光源下，计算每个样本的标准三刺激值XYZs；根据得到的矩阵模型M，利用转换模型，将每个归一化预测RGB值转换为预测三刺激值，将XYZp与XYZs之间的色差值记为第二色差值；将步骤S6中XYZp与XYZs之间的色差值记为第一色差值；以第一色差值和第二色差值之间差值的绝对值小于预设值为目标，确定每个实际模拟的优化光源。
S8：在每个实际模拟的优化光源下，进行RGB预测处理，并在对应的标准光源下计算每个样本的标准三刺激值XYZs；以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，通过转换模型得到每个转换过程的矩阵模型M′，用以得到对应的XYZp，从而实现目标相机的颜色标定。
实际应用中，可以利用上述优化方法，结合测量的相机SSF，得到优化的矩阵M′和优化的光源光谱，即可实现对于标准光源下XYZ值的精确预测，同时大大提高不同相机之间的一致性。
实施例
本实施例分为两个部分：建立相机光谱灵敏度曲线预测RGB与XYZ值之间的矩阵模型(第一部分)和优化标准光源的光谱(第二部分)。
第一部分：建立相机光谱灵敏度曲线预测RGB与XYZ值之间的矩阵模型，具体如下：
图1是本部分的流程框图，共分为五个步骤：确定标准光源和训练样本反射率、基于相机SSF对训练样本进行RGB预测处理、计算标准光源下训练样本的标准XYZ值、建立矩阵模型、矩阵模型的测试。图2是本部分的具体计算流程。
下面将对各步骤进行具体说明：
(一)确定标准光源和训练样本反射率
选取了4种标准光源，分别是CIE标准照明体D50、D65、A和荧光灯F11。它们的标准光谱分布如图3所示，这里的光谱给出的是归一化之后的结果。表1 所示为标准光源的色度值与亮度值。训练样本采用爱色丽标准24色卡中的颜色的反射率。
表1标准光源参数(10°视角)
Figure BDA0003143227110000081
(二)基于相机SSF对训练样本进行RGB预测处理
RGBp1＝SSF×SPD×R％ (1)
收集了四组经过测量与优化的相机光谱灵敏度曲线SSF，它们分别是四个单位对同一台相机Canon 650D的测量结果，根据公式(1)分别计算四组SSF在标准光源下对训练样本的预测RGB值,并将其除以其中的最大值(这里是24色卡中的白色的G值)，从而将其归一化到0～1，得到归一化预测RGBp值。其中SPD 和R％分别为步骤(一)中确定的标准光源光谱和训练样本反射率。
(三)计算标准光源下训练样本的标准XYZ值
XYZs＝CMF×SPD×R％ (2)
根据公式(2)，计算在标准光源下训练样本的标准三刺激值XYZs。其中CMF 是人眼的色匹配函数，这里使用的是CIE1964标准色度观察者(10°)的色匹配函数。
(四)建立矩阵模型
利用维度为3×3的矩阵M，建立相机SSF预测的RGBp值与XYZp值之间的模型，使得预测三刺激值XYZp与标准三刺激值XYZs之间的色差CIEDE2000最小。其中预测三刺激值XYZp满足式(3)
XYZp＝RGBp×M (3)
对不同的标准光源和不同的SSF分别建立矩阵模型M。经过最小化的色差即为3×3矩阵模型对于标准24色的预测误差。图4是建立的矩阵模型在四种标准光源下四组SSF对于标准24色的平均预测误差。经过模型优化后，相同SSF在不同标准光源下的预测误差大小排序为：A>D50>D65>F11。
结果发现，标准D65光源下，预测误差值可降低至1.2CIEDE2000以下。
(五)矩阵模型的测试
测试数据集采用利兹大学收集的反射率数据集，几乎涵盖世界上所有颜色，包括涂料(6187)、自然(743)、塑料(5338)、印刷(67568)和纺织(11773)等，将这一反射率数据集作为测试样本对矩阵模型进行测试，得到标准光源下测试样本的标准三刺激值XYZs、四组SSF对测试样本的预测RGBp和预测XYZp值，计算预测三刺激值XYZp与标准三刺激值XYZs之间的预测误差CIEDE2000。图5是矩阵模型在四种标准光源下四组SSF对于五类测试数据集的预测误差的平均值。
结果发现，该模型的测试效果较好，平均预测误差为1.4CIEDE2000左右。
第二部分：优化标准光源的光谱，具体如下：
本部分的目标是针对特定相机，在CIE标准D65光源的基础上，设计优化与之对应的LED光源，使得在该光源下相机SSF预测的XYZ值与标准D65光源下的标准XYZ值之间的色差最小，从而提高不同相机之间的一致性。这一部分分为四个步骤：用LED光源模拟标准D65光源、对标准D65光源进行理论迭代优化、优化的D65光谱的实际模拟与测量、针对优化的D65光谱建立矩阵模型M′。下面将对各步骤进行具体说明：
(一)用LED光源模拟标准D65光源
用光谱辐射仪分别测量LED光源的18个不同波长通道的光谱，使用18个通道的光谱的线性组合模拟出标准D65光源的光谱分布，使模拟D65与标准D65 的光谱偏差的平方和最小，且不同波长处的光谱偏差平均值不超过7％，将模拟的D65光谱作为优化的初始值。
(二)对标准D65光源进行理论迭代优化
首先，使用公式(2)计算出优化的目标XYZ，即CIE标准D65光谱下训练样本(爱色丽标准24色)的标准XYZ值，记为XYZs。其中R％是训练样本的反射率，CMF是CIE1964标准色度观察者(10°)的色匹配函数。这里需要注意的是，标准XYZ值总是在CIE标准D65光源下的三刺激值，不随优化的光谱的改变而改变，即式(2)中的SPD总是CIE标准D65光源的光谱。
然后，使用公式(1)，计算出在模拟D65光谱下，给定SSF对于训练样本的预测RGB值，并归一化得到RGBp，再使用公式(3)计算出预测XYZp，其中式(3) 中的M使用的是前面针对标准D65光谱建立的矩阵模型M。此时预测XYZp与标准XYZs之间的色差即为初始预测误差。调整18个通道的光谱的比例，对模拟 D65光谱进行优化，利用带约束的求解非线性多元函数最小值方法，使得在优化后的光源下，训练样本的预测XYZp值与标准XYZs值之间的平均色差CIEDE2000 最小。每次优化之后，将得到的优化光谱作为下一次优化的初始值，进行迭代优化，直至预测误差趋于稳定，且小于0.65ΔE00。采用这一方法进行迭代优化得到的光谱称为理论优化的D65光谱。表2是经过N次迭代优化后的预测误差的变化，N＝0即没有经过优化时模拟D65的初始预测误差。可以看到随着迭代次数的增加，预测误差不断降低，并趋于稳定。10次优化后，预测误差值降低至0.643。
表2经过不同迭代优化次数后理论预测误差(色差)的平均值和最大值
Figure BDA0003143227110000111
(三)优化的D65光谱的实际模拟与测量
将经过N次迭代优化的D65光谱输入LEDNavigator控制软件中进行模拟，并连接光谱辐射仪JETI Specbos 1211UV进行实际测量，使用软件的反馈功能，根据实际测量结果对模拟结果进行微调，使模拟的优化光谱与理论优化光谱尽可能接近。确认实际模拟的优化D65光谱的过程具体如下：在每个实际模拟的优化D65光源下，进行RGB预测处理；在CIE标准D65光源下，计算训练样本的标准三刺激值XYZs；根据得到的矩阵模型M，将归一化预测RGB值转换为预测三刺激值XYZp，将XYZp与XYZs之间的色差值记为第二色差值；将步骤(二) 中XYZp与XYZs之间的色差值记为第一色差值；当第一色差值和第二色差值之间差值的绝对值小于0.3CIEDE2000时，认为利用LED光源对理论优化的D65光谱实现了较好的实际模拟，从而确定每个实际模拟的优化D65光源。
最终测量出实际模拟的优化D65光谱。计算实际模拟的优化光谱下SSF对训练样本的预测XYZ值与标准XYZ值之间的色差CIEDE2000，结果如表3所示。可以看到，实际测量结果表明，经过10次迭代优化后的D65光谱可以较好地用实际的LED光源进行模拟复现，平均预测误差为0.719CIEDE2000，相比于优化前的预测误差有了较大幅度的降低。
表3经过不同优化次数后实际模拟的优化D65光谱的预测误差平均值和最大值
Figure BDA0003143227110000121
图7是三种D65光谱的对比图，图中分别是CIE标准D65光谱、实际模拟的D65光谱(优化前)、实际模拟的优化D65光谱(优化次数N＝10)。
(四)针对优化的D65光谱建立矩阵模型M′
针对优化的D65光谱，对矩阵模型M实现进一步的优化。在实际模拟的优化D65光谱下计算预测RGB值，并进行归一化得到RGBp，在CIE标准D65光谱下计算训练样本的标准三刺激值XYZs。建立预测RGBp值与预测三刺激值XYZp之间的转换模型M′，使得预测三刺激值XYZp与标准三刺激值XYZs之间的色差 CIEDE2000最小化，目标是对步骤(三)中的预测误差实现进一步的降低。计算结果表明，经过矩阵M′的优化，平均色差降至0.589ΔE00，最大值为2.277ΔE00。使用这一转换模型，可以由相机SSF预测RGB值得到对应的预测XYZ值，实现了对于标准XYZ值的精确预测，即完成了相机的颜色标定过程。
由此可见，本发明适用于相机的颜色标定，以光谱灵敏度曲线为基础，采用最小化色差的方式，建立相机光谱灵敏度曲线预测RGB值与XYZ值之间的模型，并优化了针对特定相机的标准光源光谱，对相机光谱灵敏度曲线预测颜色的能力进行优化和提升，可以用于提高不同相机之间的一致性，对于相机的颜色标定具有指导作用。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法，其特征在于，具体如下：
S1：确定标准光源的光谱分布函数和样本的反射率；在每个所述标准光源下，进行RGB预测处理，并计算每个样本的标准三刺激值XYZs；以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，通过转换模型得到每个转换过程的矩阵模型M；
所述RGB预测处理具体如下：计算目标相机的光谱灵敏度曲线对每个样本反射率的预测RGB值，随后将所有预测RGB值进行归一化处理，得到归一化预测RGB值；
所述转换模型为XYZp＝RGBp×M，式中，XYZp为预测三刺激值，RGBp为归一化预测RGB值，M为矩阵模型；
S2：根据每个所述标准光源，利用光谱可调的K通道LED光源模拟产生对应的模拟光源，同时得到每个模拟光源的光谱分布函数；
S3：在所述模拟光源下，进行RGB预测处理；在与模拟光源对应的标准光源下，计算每个样本的标准三刺激值XYZs；根据步骤S1得到的矩阵模型M，利用所述转换模型，将每个归一化预测RGB值转换为预测三刺激值；以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，利用带约束的求解非线性多元函数最小值方法对模拟光源进行迭代优化；
S4：使用LED光源对通过步骤S3优化后的模拟光源进行实际模拟，得到实际模拟的优化光源及其光谱分布函数；
S5：在每个所述实际模拟的优化光源下，进行所述RGB预测处理，在对应的标准光源下，计算每个样本的标准三刺激值XYZs；以预测三刺激值与标准三刺激值之间的色差值小于设定值为目标，通过所述转换模型得到每个转换过程的矩阵模型M′，用以得到对应的XYZp，实现目标相机的颜色标定。
2.根据权利要求1所述的相机颜色标定方法，其特征在于，所述标准光源优选为CIE标准照明体D50、D65、A和荧光灯F11中的一种或多种；所有样本的光谱范围涵盖400～700nm的可见光，优选为爱色丽标准24色卡。
3.根据权利要求1所述的相机颜色标定方法，其特征在于，所述预测RGB值RGBp1通过如下公式计算得到，
RGBp1＝SSF×SPD×R％
式中，SSF为目标相机的光谱灵敏度曲线，SPD为光谱分布函数，R％为样本的反射率。
4.根据权利要求1所述的相机颜色标定方法，其特征在于，所述标准三刺激值XYZs通过如下公式计算得到，
XYZs＝CMF×SPD×R％
式中，CMF为色匹配函数，SPD为光谱分布函数，R％为样本的反射率。
5.根据权利要求4所述的相机颜色标定方法，其特征在于，所述色匹配函数优选为CIE1931标准色度观察者的色匹配函数、CIE1964标准色度观察者的色匹配函数、CIE20062°色匹配函数或CIE2006 10°色匹配函数中的一种。
6.根据权利要求1所述的相机颜色标定方法，其特征在于，所述矩阵模型M的维度优选为3×3；色差值的计算方法优选为CIEDE2000。
7.根据权利要求1所述的相机颜色标定方法，其特征在于，所述步骤S2具体如下：首先获得LED光源的K个不同波长通道的光谱，随后使用K个通道的光谱的线性组合模拟出标准光源的光谱分布函数，使模拟光谱分布函数与标准光谱分布函数之间的偏差小于所需值，得到模拟光源及其光谱分布函数。
8.根据权利要求1所述的相机颜色标定方法，其特征在于，每个所述实际模拟的优化光源均通过以下方法确认：在每个实际模拟的优化光源下，进行所述RGB预测处理；在与实际模拟的优化光源对应的标准光源下，计算每个样本的标准三刺激值XYZs；根据步骤S1得到的矩阵模型M，利用所述转换模型，将每个归一化预测RGB值转换为预测三刺激值，将XYZp与XYZs之间的色差值记为第二色差值；将步骤S3中XYZp与XYZs之间的色差值记为第一色差值；以第一色差值和第二色差值之间差值的绝对值小于预设值为目标，确定每个实际模拟的优化光源。
9.根据权利要求8所述的相机颜色标定方法，其特征在于，将确认过程中的实际模拟的优化光源与光谱辐射仪相连，以实时测量和反馈相关信息。
10.根据权利要求1所述的相机颜色标定方法，其特征在于，所述步骤S1完成后，确定测试样本的反射率R′％；在标准光源下，进行所述RGB预测处理并计算每个样本的标准三刺激值XYZs，分别得到测试样本的归一化预测RGB值和标准三刺激值，随后代入已确定M的转换模型中，得到测试样本的预测三刺激值；通过比较测试样本的预测三刺激值和标准三刺激值之间的色差值是否小于设定值，以验证步骤S1中所得M的准确性。
CN202110742571.2A 2021-07-01 2021-07-01 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法 Active CN113487681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110742571.2A CN113487681B (zh) 2021-07-01 2021-07-01 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110742571.2A CN113487681B (zh) 2021-07-01 2021-07-01 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法

Publications (2)

Publication Number Publication Date
CN113487681A CN113487681A (zh) 2021-10-08
CN113487681B true CN113487681B (zh) 2022-10-04

Family

ID=77936996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110742571.2A Active CN113487681B (zh) 2021-07-01 2021-07-01 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法

Country Status (1)

Country Link
CN (1) CN113487681B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267180B (zh) * 2022-09-23 2023-02-03 南京晶捷生物科技有限公司 一种层析免疫检测方法及装置
CN116600212B (zh) * 2023-07-17 2023-11-17 中国科学院光电技术研究所 一种基于大气层外环境光谱的白平衡定标方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2672719A2 (en) * 2012-06-07 2013-12-11 Thomson Licensing Color calibration of a image capture device in a way that is adaptive to the scene to be captured
CN106485288A (zh) * 2016-12-21 2017-03-08 上海工程技术大学 一种色织物组织的自动识别方法
CN107197225A (zh) * 2017-06-13 2017-09-22 浙江大学 基于色适应模型的彩色数码相机白平衡校正方法
CN110784709A (zh) * 2019-09-29 2020-02-11 浙江大学 基于感知色差最小化优化估计数码相机光谱灵敏度的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7728845B2 (en) * 1996-02-26 2010-06-01 Rah Color Technologies Llc Color calibration of color image rendering devices

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2672719A2 (en) * 2012-06-07 2013-12-11 Thomson Licensing Color calibration of a image capture device in a way that is adaptive to the scene to be captured
CN106485288A (zh) * 2016-12-21 2017-03-08 上海工程技术大学 一种色织物组织的自动识别方法
CN107197225A (zh) * 2017-06-13 2017-09-22 浙江大学 基于色适应模型的彩色数码相机白平衡校正方法
CN110784709A (zh) * 2019-09-29 2020-02-11 浙江大学 基于感知色差最小化优化估计数码相机光谱灵敏度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Quick Approximation of Camera"s Spectral Response from Casual Lighting;Dilip K. Prasad et al.;《2013 IEEE International Conference on Computer Vision Workshops》;20140306;第844-851页 *

Also Published As

Publication number Publication date
CN113487681A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
KR100437583B1 (ko) 발광 다이오드 또는 그 외의 스펙트럼 광원을 이용한이미저 장치 컬러 보정 방법
Annerel et al. Methods to quantify the colour development of concrete exposed to fire
CN113487681B (zh) 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法
US9514535B1 (en) Color calibration method of camera module
WO2015107889A1 (ja) 着色検査装置および着色検査方法
CN109506781B (zh) 一种色度测量方法及装置
US11656178B2 (en) UV-VIS spectroscopy instrument and methods for color appearance and difference measurement
EP3021096B1 (en) Colorimeter calibration
Goodman International standards for colour
CN104902153A (zh) 一种多光谱相机色彩校正方法
US7659982B2 (en) Quantitative evaluation of a color filter
CN105675148A (zh) 一种标准光源对色观察箱的光源校准检测方法
CN113189021A (zh) 基于光谱识别岩石颜色的方法
JP5918993B2 (ja) 高彩度色光生成装置及び色再現評価方法
CN110399633B (zh) 一种能够校正炫光影响的显示器色彩管理实现方法
Berns et al. High-accuracy digital imaging of cultural heritage without visual editing
Štampfl et al. The influence of the surrounding space on the lighting conditions in a photographic scene
CN113670442B (zh) 用于中国彩绘文物照明光源的显色指数计算方法
Fan et al. Sensor simulation using a spectrum tunable LED system
Nadal et al. Color and appearance
JP7383793B2 (ja) 見本色と目標色とのスペクトル類似性を数値化するための方法およびシステム
Petrisor et al. Color Quality Measurements of LED Light Sources Using Image Processing
Shailesh et al. Computational method for optical spectrum analysis using RGB to Hue transformation
JP2001084288A (ja) 光学シミュレーションの入力パラメータ決定方法，画像データ伝達方法，及びそれらのプログラムを記録したコンピュータ読取可能な記録媒体
Green Fundamentals and Applications of Colour Engineering

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