CN117615080A - 一种印刷分色方法及系统 - Google Patents
一种印刷分色方法及系统 Download PDFInfo
- Publication number
- CN117615080A CN117615080A CN202311450101.4A CN202311450101A CN117615080A CN 117615080 A CN117615080 A CN 117615080A CN 202311450101 A CN202311450101 A CN 202311450101A CN 117615080 A CN117615080 A CN 117615080A
- Authority
- CN
- China
- Prior art keywords
- value
- target
- lab
- color
- obtaining
- 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.)
- Granted
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 57
- 238000007639 printing Methods 0.000 title claims abstract description 39
- 238000012937 correction Methods 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002411 adverse Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 21
- 239000003086 colorant Substances 0.000 description 13
- 239000000976 ink Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000005192 partition Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 101000872084 Danio rerio Delta-like protein B Proteins 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004737 colorimetric analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6016—Conversion to subtractive colour signals
- H04N1/6022—Generating a fourth subtractive colour signal, e.g. under colour removal, black masking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6027—Correction or control of colour gradation or colour contrast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/603—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer
- H04N1/6033—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer using test pattern analysis
- H04N1/605—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer using test pattern analysis for controlling ink amount, strike-through, bleeding soakage or the like
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6058—Reduction of colour to a range of reproducible colours, e.g. to ink- reproducible colour gamut
- H04N1/6063—Reduction of colour to a range of reproducible colours, e.g. to ink- reproducible colour gamut dependent on the contents of the image to be reproduced
-
- 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)
- Multimedia (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
Abstract
本申请提供了一种印刷分色方法及系统，方法包括：通过目标样本数据集和多项式回归算法得到目标转换矩阵；获取目标样本数据集中LAB颜色空间的LAB值，并通过目标转换矩阵预测得到LAB值对应的预测设备值；对预测设备值进行测量，得到LAB颜色空间的值；通过LAB值和值，得到目标修正模型；通过目标修正模型对预测设备值进行修正，以得到修正后的最终设备值；通过修正后的最终设备值对图像进行校正，得到目标分色精度的图像。本申请可减少样本中的奇异值对拟合性能的不良影响。此外，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
Description
技术领域
本申请涉及电子信息技术领域，尤其涉及一种印刷分色方法及系统。
背景技术
传统的打印机一般是四色油墨(CMYK)，通常是通过建立设备无关的L*a*b*值和CMY的关系，然后通过黑版生成方法将CMY中的部分，黑版生成指将图像中CMY三原色根据输出设备的灰平衡特性重新调整它们之间的比例，然后用适量的黑色墨水来替代的工艺，由于CMY三原色很难混合出纯正的黑色，所以这样做有利于减少色偏，同时更有效的降低油墨总量。为了提高颜色复制的保真度，我们通常在四色油墨(CMYK)的基础上添加额外的OG或RGB油墨，以增加印刷色域，这种利用超四色油墨进行印刷的技术称为高保真多色分色。主流多色分色方法，其实质就是根据原色的色相角将多色色空间分为多个分区，分区图如图1颜色分区图。每个分区中的颜色由组成该分区的两个原色与黑色组成，这样就把六色分色的问题转换回三色分色问题，最后再利用在四色中黑版生成同样的方法进行颜色替换。
由于受到墨水、纸张、输出分辨率等诸多因素的影响，彩色打印机存在较强的非线性，具体表现为在设备颜色空间(CMYK、RGB等)内均匀分布的颜色点，其对应的色度值在连接空间PCS内的分布却非常不均匀。那么建立Lab色度值和设备颜色值的关系至关重要，分色的精度直接影响最后的打印效果。
按照色彩管理方式来分主要分为按色度匹配，色貌匹配，和光谱匹配。基于ICC规范的色彩管理系统所用的与设备无关的连接空间PCS通常为CIE XYZ或CIE L*a*b*但是由于CIE L*a*b*并不是绝对均匀的色空间，它无法解决不同环境下颜色再现的问题，于是出现了色貌模型，该模型通过环境参数进行色适应变换，可以解决不同环境下颜色真实再现的问题，但其实质仍然是同色异谱，也就是说随着环境的不断改变，则原本视觉上相同的颜色不再匹配，未从根本上解决问题。后续推出的基于光谱的匹配方法虽然从本质上解决了两个颜色光谱反射率匹配的问题，但是由于受到光谱数据获取以及设备等诸多因素的限制，基于色度匹配的色彩管理方式仍然是目前的主流方式。
在打印过程中，由于在打印机、墨水和承印物的共同影响下，色彩无法理想的呈现出来。当同一种墨水以不同的墨量呈现时，会导致明显的色彩变化。随着油墨种类的增多，以及承印物和环境的多样性，某些颜料在打印后可能呈现出更加显著的偏色，尤其是在织物数码印花、包装印刷等复杂的承印物上，而且一些材料的印后处理也容易导致颜色变化，比如高温烧制后的陶瓷墨水。但以往的算法并没有充分考虑样本集中存在的离群值，而且部分预测模型过于复杂。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
鉴于现有技术的上述缺点、不足，本申请提供一种印刷分色方法及模型，采用自适应的方式调整样本权重，使用Huber损失函数求得标准残差，根据Huber算子迭代计算出权重，从而最终得到每个训练样本的最佳权重，对不同的点施加不同的权重，即对残差小的点给予较大的权重，而对残差较大的点给予较小的权重，从而减少样本中的奇异值对拟合性能的不良影响。此外，为进一步提高模型的性能，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
本申请主要包括以下几个方面：
第一方面，本发明提供了一种印刷分色方法，包括：
获取目标样本数据集，通过所述目标样本数据集和多项式回归算法得到目标转换矩阵；
获取所述目标样本数据集中LAB颜色空间的LAB值，并通过所述目标转换矩阵预测得到所述LAB值对应的预测设备值；
对所述预测设备值进行测量，得到所述LAB颜色空间的值；
通过所述LAB值和所述值，得到目标修正模型；
通过所述目标修正模型对所述预测设备值进行修正，以得到修正后的最终设备值；
通过所述修正后的最终设备值对图像进行校正，得到目标分色精度的图像。
在本发明的一个实施例中，所述目标样本数据集的获取步骤为：
获取包含色彩特性的样本数据集；
测量所述样本数据集以得到设备颜色空间的颜色值和连接空间PCS对应色度的目标样本数据集。
在本发明的一个实施例中，通过所述目标样本数据集和多项式回归算法得到目标转换矩阵，具体包括：
将所述目标样本数据集代入至所述多项式回归算法，通过最小二乘计算得到初始转换矩阵；
通过所述初始转换矩阵计算所述设备颜色空间的残差；
通过Huber损失函数得到标准残差，并根据所述Huber损失函数迭代得到所述目标样本数据集的目标权重；
通过所述目标权重，调整所述设备颜色空间的残差，得到目标转换矩阵。
在本发明的一个实施例中，通过所述LAB值和所述值，得到目标修正模型，之前还包括：
获取所述目标样本数据集中的所述设备颜色空间的真实值；
基于所述设备颜色空间的真实值、所述LAB值对应的预测设备值、所述LAB值和所述值，构建初始修正模型。
在本发明的一个实施例中，通过所述LAB值和所述值，得到目标修正模型，具体包括：
通过所述LAB值和所述值，得到第一差值，建立所述LAB值和所述第一差值的多项式回归模型以进行多项式回归拟合；
通过所述设备颜色空间的真实值和所述LAB值对应的预测设备值，得到第二差值，建立所述第一差值与所述第二差值的多项式回归模型以进行多项式回归拟合，得到所述目标修正模型。
第二方面，本申请实施例还提供了一种印刷分色系统，包括自适应加权矩阵模块和修正模块，其中：
所述自适应加权矩阵模块用于，通过目标样本数据集和多项式回归算法得到目标转换矩阵；
所述修正模块用于，获取所述目标样本数据集中LAB颜色空间的LAB值，并通过所述目标转换矩阵预测得到所述LAB值对应的预测设备值；
对所述预测设备值进行测量，得到所述LAB颜色空间的值；
通过所述LAB值和所述值，得到目标修正模型；
通过所述目标修正模型对所述预测设备值进行修正，以得到修正后的最终设备值。
在本发明的一个实施例中，所述自适应加权矩阵模块还用于：
获取包含色彩特性的样本数据集；
测量所述样本数据集以得到设备颜色空间的颜色值和连接空间PCS对应色度的目标样本数据集。
在本发明的一个实施例中，所述自适应加权矩阵模块还用于：
将所述目标样本数据集代入至所述多项式回归算法，通过最小二乘计算得到初始转换矩阵；
通过所述初始转换矩阵计算所述设备颜色空间的残差；
通过Huber损失函数得到标准残差，并根据所述Huber损失函数迭代得到所述目标样本数据集的目标权重；
通过所述目标权重，调整所述设备颜色空间的残差，得到目标转换矩阵。
在本发明的一个实施例中，所述修正模块还用于：
获取所述目标样本数据集中的所述设备颜色空间的真实值；
基于所述设备颜色空间的真实值、所述LAB值对应的预测设备值、所述LAB值和所述值，构建初始修正模型。
在本发明的一个实施例中，所述修正模块还用于：
通过所述LAB值和所述值，得到第一差值，建立所述LAB值和所述第一差值的多项式回归模型以进行多项式回归拟合；
通过所述设备颜色空间的真实值和所述LAB值对应的预测设备值，得到第二差值，建立所述第一差值与所述第二差值的多项式回归模型以进行多项式回归拟合，得到所述目标修正模型。
本发明的上述技术方案相比现有技术具有以下优点：
相比于常规多项式回归等算法，使用对样本集进行加权的方法，对样本集分配最佳权重并进行颜色转换，降低了印刷过程中不稳定因素导致的离群值对系统的影响，保证非异常值得到较好拟合,提高了模型鲁棒性。再通过修正模块辅助调整原始结果，取代以往依靠经验且主观程度较高的人工调色步骤，解决了手工颜色校正需要多次实验且工作量大的问题，从而减小转换过程中的印刷色差。结果表明本申请提供的方法与普通多项式回归相比，平均色差降低了1.1，最大色差降低了9.2，和粒子群优化的深度置信网络相比精度相差不大，但是本申请计算复杂度较低。本申请对样本中异常值有较大的抗差能力，能够满足复杂场景下的印刷要求。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1示出了本申请实施例所提供的一种印刷分色方法的流程图；
图2示出了本申请实施例所提供的修正模型中真实值与预测设备值的情况示意图；
图3示出了本申请实施例所提供的修正模型中修正的流程示意图；
图4示出了本申请实施例所提供的一种印刷分色系统的功能模块图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“残差修正的自适应迭代加权多项式回归的印刷分色模型”中，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法可以应用于任何需要残差修正的自适应迭代加权多项式回归的印刷分色模型的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的残差修正的自适应迭代加权多项式回归的印刷分色模型方案均在本申请保护范围内。
为便于对本申请进行理解，下面结合具体实施例对本申请提供的技术方案进行详细说明。
彩色图像的输出是一个复杂的过程，涉及从原始图像到输出设备的多次颜色转换。在这一过程中，图像首先由数码相机或扫描仪获取为RGB颜色值，随后在显示设备上展现。之后，经过图像处理软件的编辑与校正，再通过RIP软件或者是打印机自带驱动对RGB图像进行分色处理，最终会被转换为适合打印机或印刷机等输出设备的CMYK颜色值，从而得到实体复制品。
这一过程中的色彩转换复杂性在于输入和显示设备使用色光介质(加色法)进行颜色表达，而输出设备则使用色料介质(减色法)。这两种颜色混合方式存在显著差异，导致相同的RGB颜色值在不同设备上可能产生不同的视觉效果。为确保色彩的一致性，需要一个统一的“颜色语言”，也就是色彩管理。
为此，1993年，一系列知名公司，如Microsoft、Apple、Adobe等，共同组成了国际色彩联盟(ICC)。其核心任务是建立一个开放、独立于硬件制造商的、跨平台的色彩管理体系。ICC选择设备无关的颜色空间，如CIE XYZ或CIE L*a*b*，作为连接色彩空间(PCS)。通过设备色彩特性化，可以为各类设备建立与PCS的转换关系，从而简化设备间的色彩转换。
当前的色彩管理机制基于ICC规范。基于这一规范对彩色打印机的色彩特性化技术进行研究，将有助于推广研究成果。设备色彩特性化是建立设备颜色空间与PCS的转换关系，这一过程的准确性直接决定了色彩控制效果。对彩色打印机来说，其色彩特性文件描述了打印机的色彩再现能力，为色彩转换与控制提供基础。
在彩色图像系统中，输入、显示和输出三类图像设备都存在不同程度的非线性，特别是输出设备受到多种因素的影响，其非线性尤为严重。因此，研究彩色打印机作为设备研究对象有着代表性意义。
在四色印刷中主要是建立LAB和CMY的关系，在超四色印刷中，主要是建立LAB和每个分区中三个设备色的关系。目前主要的基于色度匹配的分色算法主要有纽介堡(Neugebauer)方程、查找表、神经网络、多项式回归。
纽介堡(Neugebauer)方程是基于印刷网点模型与Grassman颜色混合定律所建立的呈色方程，从色彩学和数学两个维度对印刷品的呈色机理进行了深入解析，并提供了颜色值的计算方法。在数字化制版和印刷领域，它已成为计算印刷品颜色的基础公式，因此在彩色印刷中起到了关键作用。尽管纽格堡尔模型可以有效地用少量样本建立打印机颜色空间与连接空间的转换关系，从而完成打印机的色彩特性化，但因受纸张、油墨等因素影响，其作为打印输出呈色的模型具有一定的近似性。这意味着，尽管已有基于此模型的多种改进方法，通过它建立的颜色转换关系的准确度仍有待提高。
查找表法在四色印刷中使用较为普遍，为了建立CIE L*a*b*到CMYK的关系，一般是建立CMYK到CIE L*a*b*的关系，再通过反向查找表法进行反转。美国国家标准学会ANSI(American National Standards Institute)和欧洲颜色促进会ECI(European ColorInitiative)分别制订了ANSI IT8.7/4和ECI 2002 CMYK标准输出设备色彩特性化样本集。制订标准输出设备色彩特性化样本集的基本原则是在指定K值条件下以不同的采样频率在CMY空间内进行均匀采样，K值越大，采样频率越高，这些样本用于填补查找表，从而对输出设备进行特性化。因此，建立打印机CMYK颜色空间至连接空间CIE L*a*b*正向查找表可以分为两个步骤，首先建立指定K值下CMY至CIE L*a*b*的查找表，然后再针对K值进行插值即可得到最终所需的CMYK至CIE L*a*b*正向查找表。得到正向查找表之后，提取出K＝0的映射情况，通常使用四面体反转法来建立连接空间CIE L*a*b*与CMY的转换关系，最后通过四面体插值获取该色度值对应的CMY值。
但是在高保真多色分色中，通过实验发现，使用上述在四色中查找表的方法建立设备色和CIE L*a*b*之间的关系，转换效果不是特别理想。虽然转换精度会随着采样频率的增加而提高，但是过高的采样频率增加了打印和测量成本。
神经网络算法包括多种，在分色中运用较多的BP和RBF算法。径向基函数神经网络(RBF)是一种高效的前馈式神经网络，具有较强的非线性拟合能力，收敛速度快，拓扑结构紧凑，主要用于函数逼近、数据压缩等方面应用，同时也被应用于颜色空间的转换。但模型的训练都需要大量的训练集，对于打印而言，需要将大量的色块进行打印，并通过分光光度计进行扫描，而且模型训练起来通常需要较大的计算资源。同时不确定性很高，神经网络中有很多超参数(例如学习率、批次大小、权重衰减等)需要进行调整，这可能会使得训练和优化过程变得复杂。
多项式回归具有其独特的优势。首先，相较于一些深度学习或复杂的机器学习模型，它的计算量相对较小，这使得其在有限的计算资源中仍能高效运行。其次，多项式回归的模型结构直观且简单，易于理解和解释。此外，对于那些需要高精度预测的应用，通过增加多项式模型的项数和阶数，即便会导致模型复杂度上升，但多项式回归的拟合精度也会随之提高，从而确保在各种场景中都能有出色的表现。多项式回归以其独特的灵活性和高效性，为许多问题提供了一个坚实且可靠的解决方案。但是随着项数的提高会放大图像中的噪声，但是常规的最小二乘对于奇异值的噪声和正常值同等对待，导致其效果等同于进一步引入了异常数据点，为拟合这些奇异值而使得回归模型性能变差。
本发明申请设计一种印刷分色方法及系统，针对多项式回归在处理高阶项时，高阶项可能会放大数据中的噪声，并且对这些噪声不具备良好的健壮性的问题，本申请主要采用自适应的方式调整样本权重，使用Huber损失函数求得标准残差，根据Huber算子迭代计算出权重，从而最终得到每个训练样本的最佳权重，对不同的点施加不同的权重，即对残差小的点给予较大的权重，而对残差较大的点给予较小的权重，从而减少样本中的奇异值对拟合性能的不良影响。此外，为进一步提高模型的性能，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
图1为本申请实施例提供的一种印刷分色方法的流程图，包括：
S101：获取目标样本数据集，通过所述目标样本数据集和多项式回归算法得到目标转换矩阵。
示例性的，多项式回归的算法原理假设打印机颜色空间的颜色值与连接空间PCS(CIE XYZ或CIE L*a*b*)的色度值之间存在多项式函数关系。利用已知的数值，可以进行多项式回归以获得多项式的系数。这就建立了打印机各分区设备值与连接空间PCS之间的转换关系。
在一些可能的实施方式中，在步骤S101中，获取目标样本数据集的步骤为：
获取包含色彩特性的样本数据集；
测量所述样本数据集以得到设备颜色空间的颜色值和连接空间PCS对应色度的目标样本数据集。
示例性的，首先输出色彩特性的样本集，然后测量以获得打印机颜色空间的颜色值和连接空间PCS的相应色度样本数据。接下来，将样本数据代入所选的多项式。通过多项式回归，获得多项式的系数矩阵，从而建立打印机各分区颜色空间与连接空间PCS之间的转换关系。
在一些可能的实施方式中，在步骤S101中，通过所述目标样本数据集和多项式回归算法得到目标转换矩阵，具体包括：
将所述目标样本数据集代入至所述多项式回归算法，通过最小二乘计算得到初始转换矩阵；
通过所述初始转换矩阵计算所述设备颜色空间的残差；
通过Huber损失函数得到标准残差，并根据所述Huber损失函数迭代得到所述目标样本数据集的目标权重；
通过所述目标权重，调整所述设备颜色空间的残差，得到目标转换矩阵。
示例性的，多项式回归是研究一个因变量和一个或多个自变量之间关系的一种数学方法。通过对已知的自变量和因变量之间建立多项式方程获取两者之间的转换关系，实现对其他未知自变量的预测。在KGC分区中，以最常见的二阶十项式为例：有H*β＝T,H是N*L的输入矩阵，β是L*3转换矩阵,T是N*3输出矩阵(N是样本数，L是项数),综上考虑取项数L＝10，那么H的表达式如下：式中，Li,ai,bi分别对应样本集中的色块i的L,a,b三个Lab颜色通道的色度值，则所有色块的输入色度矩阵H如下式(1)所示：
其中，N为样本数，L为项数，hij为i样本LAB数据二次项形式的第j项。
所有色块的输出矩阵T和H类似，表达式如下式(2)所示：
其中，N为样本数，GCK为设备值。
下面对预测G分量为例做推导，β是L*1的转换矩阵。一般情况下H*β＝G是无解的，因此是求解一个最优的β，使得预测值尽量和真实值接近。β是回归系数，也是我们待求的结果。通过最小二乘法，可以最小化每个方程结果的残差平方和，经过分析有那么关于残差的目标函数为Q(β)，必须保证预测设备值和真实值之间的残差平方和最小，那么有：
此时对Q(β)求偏导并令表达式为0，得到式(4)：
β＝(HTH)-1HTG (4)；
由于普通最小二乘法尚未考虑每个样本的权重，可能导致比较大的误差，因此，对于每个样本赋予权重，权重函数为ρ，从而可以得到更为精准的结果，那么样本加权后的目标函数为式(5)。
则目标函数对参数β求偏导，原理和上面一样，并令偏导数等于零，得到式(6)，Ψ(x)为ρ(x)的导函数。
此时令有HTW(G-Hβ)＝0，最终求得式(7)。
β＝(HTWH)-1HTWG (7)；
往往ρ采用均方误差，但是为了使模型不易受异常值影响，使用Huber算子作为影响函数，当误差较大时，Huber损失趋向于平均绝对值误差(Mean Absolute Error,MAE)，当误差较x小时，趋向于均方误差(Mean Squared Error,MSE)，这个分段线性的设计使得当误差在k范围内时，损失函数类似于均方误差(平方损失)，它对异常值的惩罚相对较小。而当误差超出δ时，损失函数的增长是线性的，对异常值的惩罚变得更大，因此异常值对整体损失的影响被有效地限制在一定范围内。其表达式ρ(x)如式(8)，k为调和函数，默认取1.345：
为了使估计更具稳健性，引入绝对离差中位数s使得残差标准化，绝对离差中位数，除以一个常数0.6745，得到标准化残差ui，见式(9)。
其中med代表中位数计算。那么式子最终化简为式(10)。
Wi是序号为i的样本权重，则β的稳健估计可用迭代加权最小二乘求解，G通道的结果为式(11)，Wfinal为迭代后的权重矩阵。
β＝(HTWfinalH)-1HTWfinalG (11)；
上述β是针对于单独G通道的预测，推广到三维输出矩阵T则有最终分色结果如下：
βfinal＝(HTWfinalH)-1HTWfinalT (12)；
S102：获取所述目标样本数据集中LAB颜色空间的LAB值，并通过所述目标转换矩阵预测得到所述LAB值对应的预测设备值。
S103：对所述预测设备值进行测量，得到所述LAB颜色空间的值。
S104：通过所述LAB值和所述值，得到目标修正模型。
示例性的，模型建立好之后，对于每一个待转换的LAB，首先要判断该色度值是属于哪个颜色分区，然后在选定的颜色分区中进行使用分色模型进行颜色转换，转换结束之后对分色值进行颜色替换，最后将其最终转换结果按照格式写入ICC文件，打印机便可根据该配置文件进行打印。
在一些可能的实施方式中，在步骤S104中通过所述LAB值和所述值，得到目标修正模型，之前还包括：
获取所述目标样本数据集中的所述设备颜色空间的真实值；
基于所述设备颜色空间的真实值、所述LAB值对应的预测设备值、所述LAB值和所述值，构建初始修正模型。
示例性的，首先，对于样本的颜色值GCK及其对应的色度值LAB值和其预测设备值再接着对预测设备值进行测量得到预测设备颜色值对应的色度/>如图2真实值和预测设备值情况所示。在做好准备工作之后，建立修正模型。
在一些可能的实施方式中，通过所述LAB值和所述值，得到目标修正模型，具体包括：
通过所述LAB值和所述值，得到第一差值，建立所述LAB值和所述第一差值的多项式回归模型以进行多项式回归拟合；
通过所述设备颜色空间的真实值和所述LAB值对应的预测设备值，得到第二差值，建立所述第一差值与所述第二差值的多项式回归模型以进行多项式回归拟合，得到所述目标修正模型。
S105：通过所述目标修正模型对所述预测设备值进行修正，以得到修正后的最终设备值。
示例性的，若想得到预测模型的修正值，需要进行两次多项式回归拟合，首先得到LAB和的差值△L△A△B，建立LAB和△L△A△B的多项式回归模型，再建立△L△A△B和△G△C△K之间的关系，这样对于任意一个输入的LAB色度值就可以得到一个修正值，那么将该修正值对预测设备值进行修正即可。
修正过程如图3所示。该修正模型可以较好的拟合出△L△A△B和△G△C△K的关系，从而对预测设备值进行修正，同时若在分色模型精度非常高的情况下，考虑由于仪器原因导致的测量误差对分色值的影响。
S106：通过所述修正后的最终设备值对图像进行校正，得到目标分色精度的图像。
综上所述，本申请实施例提供的一种印刷分色方法，主要采用自适应的方式调整样本权重，使用Huber损失函数求得标准残差，根据Huber算子迭代计算出权重，从而最终得到每个训练样本的最佳权重，对不同的点施加不同的权重，即对残差小的点给予较大的权重，而对残差较大的点给予较小的权重，从而减少样本中的奇异值对拟合性能的不良影响。此外，为进一步提高模型的性能，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供的一种印刷分色方法对应的一种印刷分色系统，由于本申请实施例中的方法解决问题的原理与本申请上述实施例的系统相似，因此系统的实施可以参见方法的实施，重复之处不再赘述。
建立彩色打印机的分色系统主要就是建立设备颜色空间和PCS之间的转换关系，并将建立好的分色系统按照ICC规范定义的格式写入配置文件。在建立分色系统的时候，首先要对整个颜色空间进行分区，例如将CMYKOG颜色在LAB颜色空间下按照色相角分为五个区域：KYG，KYO，KMO，KCM，KGC。对每个分区采取多项式回归方法建立分色系统。
图4为本申请实施例所提供的一种印刷分色系统200的功能模块图。如图4所示，包括自适应加权矩阵模块210和修正模块220，其中：
所述自适应加权矩阵模块210用于，通过目标样本数据集和多项式回归算法得到目标转换矩阵；
所述修正模块220用于，获取所述目标样本数据集中LAB颜色空间的LAB值，并通过所述目标转换矩阵预测得到所述LAB值对应的预测设备值；
对所述预测设备值进行测量，得到所述LAB颜色空间的值；
通过所述LAB值和所述值，得到目标修正模型；
通过所述目标修正模型对所述预测设备值进行修正，以得到修正后的最终设备值。
在一些可能的实施方式中，所述自适应加权矩阵模块210还用于：
获取包含色彩特性的样本数据集；
测量所述样本数据集以得到打印机颜色空间的颜色值和连接空间PCS对应色度的目标样本数据集。
在一些可能的实施方式中，所述自适应加权矩阵模块210还用于：
将所述目标样本数据集代入至所述多项式回归算法，通过最小二乘计算得到初始转换矩阵；
通过所述初始转换矩阵计算所述设备颜色空间的残差；
通过Huber损失函数得到标准残差，并根据所述Huber损失函数迭代得到所述目标样本数据集的目标权重；
通过所述目标权重，调整所述设备颜色空间的残差，得到目标转换矩阵。
在一些可能的实施方式中，所述修正模块220还用于：
获取所述目标样本数据集中的所述设备颜色空间的真实值；
基于所述设备颜色空间的真实值、所述LAB值对应的预测设备值、所述LAB值和所述值，构建初始修正模型。
在一些可能的实施方式中，所述修正模块220还用于：
通过所述LAB值和所述值，得到第一差值，建立所述LAB值和所述第一差值的多项式回归模型以进行多项式回归拟合；
通过所述设备颜色空间的真实值和所述LAB值对应的预测设备值，得到第二差值，建立所述第一差值与所述第二差值的多项式回归模型以进行多项式回归拟合，得到所述目标修正模型。
综上所述，本申请相比于常规的多项式回归以及传统算法而言分色精度更高，将该分色模型按照格式写入ICC文件之后，打印机根据该ICC文件可以得到更加准确的颜色信息。
分色精度一般使用色差为主，标准偏差为辅作为客观评价指标，色差公式(11)如下。
对于所有色块而言，色差的标准偏差公式如下(14)：
进一步地，下面对不同算法的色差和标准偏差进行量化分析，如表1算法评价所示：
表1
结果表明自适应加权多项式回归较传统的分色算法具有更好的分色效果。
进一步地，本申请的实验环境为：实验打印机：EPSON Sure Color P9080喷墨打印机；实验纸张：RC photographic paper；实验测量条件:标准光源D50，2°视角；实验测量仪器:X-Rite i1Pro 3Plus，i1iO平台扫描式；实验计算机配置：Windows10，i7-13700K处理器，32GB内存；分色模型样本集：8级非均匀分割:0％，20％，40％，55％，70％，80％，90％，100％(考虑到颜色空间在暗调区的非线性特性，其采样间隔较小；中间调和亮调区域线性度较好，采样间隔较大)；分色模型验证集：在各分区的颜色空间中每一维以7为采样频率进行均匀采样，得到一个样本数为343的测试样本集；第三方工具:CHROMiX ColorThink Pro，i1Profiler。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
显然，上述实施例仅仅是为清楚地说明所作的举例，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。而由此所引申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 (10)
1.一种印刷分色方法，其特征在于，包括：
获取目标样本数据集，通过所述目标样本数据集和多项式回归算法得到目标转换矩阵；
获取所述目标样本数据集中LAB颜色空间的LAB值，并通过所述目标转换矩阵预测得到所述LAB值对应的预测设备值；
对所述预测设备值进行测量，得到所述LAB颜色空间的值；
通过所述LAB值和所述值，得到目标修正模型；
通过所述目标修正模型对所述预测设备值进行修正，以得到修正后的最终设备值；
通过所述修正后的最终设备值对图像进行校正，得到目标分色精度的图像。
2.根据权利要求1所述的印刷分色方法，其特征在于，获取目标样本数据集的步骤为：
获取包含色彩特性的样本数据集；
测量所述样本数据集以得到设备颜色空间的颜色值和连接空间PCS对应色度的目标样本数据集。
3.根据权利要求1所述的印刷分色方法，其特征在于，通过所述目标样本数据集和多项式回归算法得到目标转换矩阵，具体包括：
将所述目标样本数据集代入至所述多项式回归算法，通过最小二乘计算得到初始转换矩阵；
通过所述初始转换矩阵计算设备颜色空间的残差；
通过Huber损失函数得到标准残差，并根据所述Huber损失函数迭代得到所述目标样本数据集的目标权重；
通过所述目标权重，调整所述设备颜色空间的残差，得到目标转换矩阵。
4.根据权利要求1所述的印刷分色方法，其特征在于，通过所述LAB值和所述值，得到目标修正模型，之前还包括：
获取所述目标样本数据集中的所述设备颜色空间的真实值；
基于所述设备颜色空间的真实值、所述LAB值对应的预测设备值、所述LAB值和所述值，构建初始修正模型。
5.根据权利要求4所述的印刷分色方法，其特征在于，通过所述LAB值和所述值，得到目标修正模型，具体包括：
通过所述LAB值和所述值，得到第一差值，建立所述LAB值和所述第一差值的多项式回归模型以进行多项式回归拟合；
通过所述设备颜色空间的真实值和所述LAB值对应的预测设备值，得到第二差值，建立所述第一差值与所述第二差值的多项式回归模型以进行多项式回归拟合，得到所述目标修正模型。
6.一种印刷分色系统，其特征在于，包括自适应加权矩阵模块和修正模块，其中：
所述自适应加权矩阵模块用于，通过目标样本数据集和多项式回归算法得到目标转换矩阵；
所述修正模块用于，获取所述目标样本数据集中LAB颜色空间的LAB值，并通过所述目标转换矩阵预测得到所述LAB值对应的预测设备值；
对所述预测设备值进行测量，得到所述LAB颜色空间的值；
通过所述LAB值和所述值，得到目标修正模型；
通过所述目标修正模型对所述预测设备值进行修正，以得到修正后的最终设备值。
7.根据权利要求6所述的印刷分色系统，其特征在于，所述自适应加权矩阵模块还用于：
获取包含色彩特性的样本数据集；
测量所述样本数据集以得到设备颜色空间的颜色值和连接空间PCS对应色度的目标样本数据集。
8.根据权利要求6所述的印刷分色系统，其特征在于，所述自适应加权矩阵模块还用于：
将所述目标样本数据集代入至所述多项式回归算法，通过最小二乘计算得到初始转换矩阵；
通过所述初始转换矩阵计算所述设备颜色空间的残差；
通过Huber损失函数得到标准残差，并根据所述Huber损失函数迭代得到所述目标样本数据集的目标权重；
通过所述目标权重，调整所述设备颜色空间的残差，得到目标转换矩阵。
9.根据权利要求6所述的印刷分色系统，其特征在于，所述修正模块还用于：
获取所述目标样本数据集中的所述设备颜色空间的真实值；
基于所述设备颜色空间的真实值、所述LAB值对应的预测设备值、所述LAB值和所述值，构建初始修正模型。
10.根据权利要求9所述的印刷分色系统，其特征在于，所述修正模块还用于：
通过所述LAB值和所述值，得到第一差值，建立所述LAB值和所述第一差值的多项式回归模型以进行多项式回归拟合；
通过所述设备颜色空间的真实值和所述LAB值对应的预测设备值，得到第二差值，建立所述第一差值与所述第二差值的多项式回归模型以进行多项式回归拟合，得到所述目标修正模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450101.4A CN117615080B (zh) | 2023-11-02 | 一种印刷分色方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450101.4A CN117615080B (zh) | 2023-11-02 | 一种印刷分色方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117615080A true CN117615080A (zh) | 2024-02-27 |
| CN117615080B CN117615080B (zh) | 2024-06-21 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100157331A1 (en) * | 2008-12-23 | 2010-06-24 | Vladimir Shestak | Color Smoothing Mechanism for an Ink Minimizing Profile Making Tool |
| CN103347141A (zh) * | 2013-05-08 | 2013-10-09 | 西安理工大学 | 一种cmyk四色印刷色差定位方法 |
| CN107341303A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学深圳研究院 | 基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 |
| CN107395919A (zh) * | 2017-07-06 | 2017-11-24 | 杭州电子科技大学 | 一种通过修改特性文件实现数字印刷颜色校正的方法 |
| CN110400278A (zh) * | 2019-07-30 | 2019-11-01 | 广东工业大学 | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 |
| US20220131998A1 (en) * | 2019-07-15 | 2022-04-28 | Hewlett-Packard Development Company, L.P. | Color prediction |
| CN116587759A (zh) * | 2023-07-13 | 2023-08-15 | 江苏龙达纺织科技有限公司 | 一种直观高效的数码印花颜色修正管理方法及系统 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100157331A1 (en) * | 2008-12-23 | 2010-06-24 | Vladimir Shestak | Color Smoothing Mechanism for an Ink Minimizing Profile Making Tool |
| CN103347141A (zh) * | 2013-05-08 | 2013-10-09 | 西安理工大学 | 一种cmyk四色印刷色差定位方法 |
| CN107341303A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学深圳研究院 | 基于墨量限制样本的喷印设备光谱分色模型校正方法及系统 |
| CN107395919A (zh) * | 2017-07-06 | 2017-11-24 | 杭州电子科技大学 | 一种通过修改特性文件实现数字印刷颜色校正的方法 |
| US20220131998A1 (en) * | 2019-07-15 | 2022-04-28 | Hewlett-Packard Development Company, L.P. | Color prediction |
| CN110400278A (zh) * | 2019-07-30 | 2019-11-01 | 广东工业大学 | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 |
| CN116587759A (zh) * | 2023-07-13 | 2023-08-15 | 江苏龙达纺织科技有限公司 | 一种直观高效的数码印花颜色修正管理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 聂鹏 等: "空间细分插值的多色打印机分色算法", 液晶与显示, vol. 31, no. 3, 15 March 2016 (2016-03-15), pages 317 - 323 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7729014B2 (en) | Systems for gray component replacement blending | |
| US7307752B1 (en) | On-line calibration system for a dynamically varying color marking device | |
| US7206100B2 (en) | Image processing method and apparatus | |
| US6404511B1 (en) | Self-calibration of network copier system | |
| KR100902700B1 (ko) | 색 처리 방법 및 색 처리 장치 | |
| US5857063A (en) | Multicolorant process control | |
| JP3409541B2 (ja) | 色補正方法及び色補正装置並びに色補正応用装置及びカラー画像システム | |
| US6072901A (en) | System and method for deriving an invertible relationship between color spaces where the intrinsic mapping is one-to-many for use in a color profile production system | |
| US8111424B2 (en) | Color processing apparatus and control method thereof | |
| US7535596B2 (en) | Colorant control values for color printing devices | |
| US7312891B2 (en) | Image processing method and apparatus | |
| US8547613B2 (en) | Compensating for print engine change in a document reproduction device | |
| US7652806B2 (en) | Optimal node placement for multi-dimensional profile luts for arbitrary media and halftones using parameterized minimization | |
| US20060007252A1 (en) | System and method for reproducing colors on a printing device | |
| CN117615080B (zh) | 一种印刷分色方法及系统 | |
| US7515300B2 (en) | Image processing apparatus and image processing method | |
| CN117615080A (zh) | 一种印刷分色方法及系统 | |
| Usui et al. | Neural networks for device-independent digital color imaging | |
| US7576889B2 (en) | Cascade of matrix-LUT for color transformation | |
| US20060209322A1 (en) | Image forming apparatus and method | |
| JP2000050090A (ja) | カラーパッチに関する測色値の推定方法、該方法を利用したデバイス・プロファイルの作成方法および画像処理装置 | |
| JP4062397B2 (ja) | 画像処理装置、色変換定義生成装置、画像処理方法、色変換定義生成方法、記憶媒体 | |
| JPH06326861A (ja) | 色変換パラメータ設定方法 | |
| Dianat et al. | Dynamic optimization algorithm for generating inverse printer map with reduced measurements | |
| Kim et al. | Color look-up table design for gamut mapping and color space conversion |
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 |