亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于墨量限制樣本的噴印設(shè)備光譜分色模型校正方法及系統(tǒng)與流程

文檔序號(hào):12906253閱讀:221來(lái)源:國(guó)知局
基于墨量限制樣本的噴印設(shè)備光譜分色模型校正方法及系統(tǒng)與流程

本發(fā)明屬于噴印色彩復(fù)制技術(shù)領(lǐng)域,具體涉及一種基于墨量限制樣本的噴印設(shè)備光譜分色模型校正方法及系統(tǒng)。



背景技術(shù):

噴印色彩復(fù)制技術(shù)是目前影像色彩復(fù)制領(lǐng)域的主流技術(shù),其通過(guò)噴印墨點(diǎn)的疏密排列與疊合,實(shí)現(xiàn)色彩的準(zhǔn)確復(fù)制。在此項(xiàng)技術(shù)中,噴印設(shè)備分色模型構(gòu)建是色彩復(fù)制過(guò)程中的關(guān)鍵環(huán)節(jié),其實(shí)質(zhì)為構(gòu)建由待復(fù)制色彩信息至噴印設(shè)備墨量信息的映射模型。

目前,在噴印色彩復(fù)制技術(shù)領(lǐng)域,分色模型的構(gòu)建都是以噴印色彩預(yù)測(cè)模型的建立為基礎(chǔ)的。其中,噴印色彩預(yù)測(cè)模型含義為由噴印墨量信息至樣本色彩信息的映射函數(shù)??梢?jiàn),分色模型以及色彩預(yù)測(cè)模型實(shí)際上互為逆向過(guò)程,在本研究領(lǐng)域,通常將色彩預(yù)測(cè)模型簡(jiǎn)稱(chēng)為正向模型,將分色模型簡(jiǎn)稱(chēng)為反向模型,而將二者的集合過(guò)程稱(chēng)為噴印設(shè)備特性化建模。在實(shí)際操作過(guò)程中,本領(lǐng)域技術(shù)人員通常利用噴印設(shè)備針對(duì)特定墨量信息制備色彩樣本,測(cè)量其色彩信息,并以此構(gòu)建正向模型。隨后,利用相關(guān)最優(yōu)化算法,從數(shù)學(xué)角度對(duì)正向模型求逆,從而構(gòu)建反向模型,即分色模型。

其中,基于光譜反射率的分色模型構(gòu)建,在顏色精度方面代表了本技術(shù)領(lǐng)域的最高水準(zhǔn),相比于傳統(tǒng)基于色度的分色方法,其可以顯著降低復(fù)制過(guò)程中存在的同色異譜問(wèn)題,實(shí)現(xiàn)無(wú)條件的顏色匹配。然而,由于光譜反射率信息具有高維性,為實(shí)現(xiàn)高精度分色模型的構(gòu)建,需噴印制備大量的訓(xùn)練樣本(本領(lǐng)域稱(chēng)為特性化樣本)。因此,基于光譜的高精度分色模型雖然具有色彩復(fù)制準(zhǔn)確的優(yōu)勢(shì),但也同時(shí)存在建模較為復(fù)雜的問(wèn)題。

與此同時(shí),由于噴印設(shè)備在使用過(guò)程中,不可避免的會(huì)遇到噴印介質(zhì)或噴印墨盒更換的問(wèn)題,其都將導(dǎo)致原有分色模型的預(yù)測(cè)偏差。在此種情況下,本領(lǐng)域人員往往需要重新構(gòu)建分色模型,影響工作效率。針對(duì)此問(wèn)題,目前較為便捷的方法是構(gòu)建分色模型校正函數(shù),即通過(guò)打印特定訓(xùn)練樣本(本領(lǐng)域稱(chēng)為校正樣本),構(gòu)建噴印設(shè)備狀態(tài)改變前后色彩樣本的關(guān)聯(lián)性模型,以此實(shí)現(xiàn)對(duì)原有模型的校正。此類(lèi)方法可以有效降低新分色模型構(gòu)建所需要的訓(xùn)練樣本數(shù)量,同時(shí)有效的利用了原有分色模型,實(shí)現(xiàn)了工作效率的提升。

參考文獻(xiàn)1:wangb,xuh,luomr,guoj.maintainingaccuracyofcellularyule–nielsenspectralneugebauermodelsfordifferentinkcartridgesusingprincipalcomponentanalysis.josaa.2011;28(7):1429-35.

參考文獻(xiàn)2:solerp,mariam,editors.sparsesamplingforinter-substratecolorprediction.nip&digitalfabricationconference;2008:societyforimagingscienceandtechnology.

由于上述方法仍需打印額外的校正樣本,故仍需耗費(fèi)本領(lǐng)域技術(shù)人員額外的時(shí)間與精力。事實(shí)上,由于在噴印墨盒及介質(zhì)更換時(shí),首先都要對(duì)新的“介質(zhì)-墨盒”組合進(jìn)行墨量限制,其過(guò)程也需要噴印制備特定訓(xùn)練樣本(本領(lǐng)域稱(chēng)為墨量限制樣本)。因此,若能有效利用墨量限制樣本,對(duì)分色模型進(jìn)行校正,則可以省去校正樣本的制備過(guò)程,從而提高效率。針對(duì)以上問(wèn)題,目前學(xué)術(shù)界與工業(yè)界尚未提出相應(yīng)解決方法。



技術(shù)實(shí)現(xiàn)要素:

本發(fā)明的目的是為了解決背景技術(shù)中所述問(wèn)題,提出一種基于墨量限制樣本的噴印設(shè)備光譜分色模型校正方法及系統(tǒng)。

本發(fā)明的技術(shù)方案為提供一種基于墨量限制樣本的噴印設(shè)備光譜分色模型校正方法,包括以下步驟:

步驟1,生成涅格伯爾梯尺原始墨量信息t,并以此制備涅格伯爾基色梯尺;

步驟2,判斷步驟1中涅格伯爾基色梯尺的墨量閾值h,通過(guò)顏色測(cè)量設(shè)備測(cè)量獲取步驟1中t所對(duì)應(yīng)的有效光譜反射率信息r;

步驟3,基于步驟2中墨量閾值h,構(gòu)建基于高維線性插值的墨量限制算法,并求取墨量限制后涅格伯爾梯尺墨量信息t’;

步驟4,利用插值算法求取與步驟2所得墨量不超限樣本原始墨量值對(duì)應(yīng)的、步驟3中墨量限制算法的輸入墨量值;

步驟5,將步驟4中所求取輸入墨量值代入現(xiàn)有特性化正向模型f,預(yù)測(cè)其對(duì)應(yīng)光譜反射率信息r’;

步驟6,利用加權(quán)主成分降維方法,分別將步驟2中有效光譜反射率信息r以及步驟5中預(yù)測(cè)光譜反射率信息r’進(jìn)行降維,得對(duì)應(yīng)降維主成分信息p以及p’;

步驟7,利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建步驟6中降維主成分信息p以及p’的關(guān)聯(lián)性模型;

步驟8,對(duì)于任意待復(fù)制光譜反射率信息rx,利用步驟6中針對(duì)有效光譜反射率信息r的加權(quán)主成分算法將其降維至主成分空間,得降維主成分信息px;

步驟9,利用步驟7所構(gòu)建神經(jīng)網(wǎng)絡(luò),預(yù)測(cè)與降維主成分信息px所對(duì)應(yīng)的原有模型色彩信息主成分值px’,隨后,利用步驟6中針對(duì)預(yù)測(cè)光譜反射率信息r’的加權(quán)主成分算法,將其重建至光譜反射率空間,得等價(jià)光譜反射率信息rx’;

步驟10,利用現(xiàn)有特性化模型中的反向分色模型b,對(duì)步驟9中的等價(jià)光譜反射率信息rx’進(jìn)行分色,所得墨量值即為分色模型校正后墨量值,分色模型校正完成。

優(yōu)選地,步驟1中涅格伯爾基色梯尺級(jí)數(shù)應(yīng)大于或等于20。

優(yōu)選地,步驟6中加權(quán)主成分降維的維度應(yīng)大于或等于5。

一種基于墨量限制樣本的噴印設(shè)備光譜分色模型校正系統(tǒng),包括以下模塊:

涅格伯爾梯尺制備模塊,生成涅格伯爾梯尺原始墨量信息t,并以此制備涅格伯爾基色梯尺;

顏色測(cè)量模塊,判斷涅格伯爾梯尺制備模塊中涅格伯爾基色梯尺的墨量閾值h,通過(guò)顏色測(cè)量設(shè)備測(cè)量獲取涅格伯爾梯尺制備模塊中t所對(duì)應(yīng)的有效光譜反射率信息r;

墨量限制模塊,基于顏色測(cè)量模塊中墨量閾值h,構(gòu)建基于高維線性插值的墨量限制算法,并求取墨量限制后涅格伯爾梯尺墨量信息t’;

墨量反向求解模塊,利用插值算法求取與顏色測(cè)量模塊所得墨量不超限樣本原始墨量值對(duì)應(yīng)的、墨量限制模塊中墨量限制算法的輸入墨量值;

光譜預(yù)測(cè)模塊,將墨量反向求解模塊中所求取輸入墨量值代入現(xiàn)有特性化正向模型f,預(yù)測(cè)其對(duì)應(yīng)光譜反射率信息r’;

數(shù)據(jù)降維模塊,利用加權(quán)主成分降維方法,分別將顏色測(cè)量模塊中有效光譜反射率信息r以及光譜預(yù)測(cè)模塊中預(yù)測(cè)光譜反射率信息r’進(jìn)行降維,得對(duì)應(yīng)降維主成分信息p以及p’;

神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊,利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建數(shù)據(jù)降維模塊中降維主成分信息p以及p’的關(guān)聯(lián)性模型;

待分色色彩降維模塊,對(duì)于任意待復(fù)制光譜反射率信息rx,利用數(shù)據(jù)降維模塊中針對(duì)有效光譜反射率信息r的加權(quán)主成分算法將其降維至主成分空間,得降維主成分信息px;

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模塊,利用神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊所構(gòu)建神經(jīng)網(wǎng)絡(luò),預(yù)測(cè)與降維主成分信息px所對(duì)應(yīng)的原有模型色彩信息主成分值px’,隨后,利用數(shù)據(jù)降維模塊中針對(duì)預(yù)測(cè)光譜反射率信息r’的加權(quán)主成分算法,將其重建至光譜反射率空間,得等價(jià)光譜反射率信息rx’;

最終分色模塊,利用現(xiàn)有特性化模型中的反向分色模型b,對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模塊中的等價(jià)光譜反射率信息rx’進(jìn)行分色,所得墨量值即為分色模型校正后墨量值,分色模型校正完成。

優(yōu)選地,涅格伯爾梯尺制備模塊中涅格伯爾基色梯尺級(jí)數(shù)應(yīng)大于或等于20。

優(yōu)選地,數(shù)據(jù)降維模塊中加權(quán)主成分降維的維度應(yīng)大于或等于5。

本發(fā)明提出的一種基于墨量限制樣本的噴印設(shè)備光譜分色模型校正方法及系統(tǒng),通過(guò)利用墨量限制過(guò)程所制備的色彩樣本,結(jié)合原有分色模型進(jìn)行色彩校正,省去了傳統(tǒng)校正方法所需的校正樣本制備測(cè)量環(huán)節(jié),從而有效解決了技術(shù)背景部分所述問(wèn)題。因此,本發(fā)明解決了由于墨盒或介質(zhì)更換所導(dǎo)致的分色模型出現(xiàn)偏差的問(wèn)題,且實(shí)施方便,在噴印色彩復(fù)制領(lǐng)域具有較強(qiáng)的適用性。由于本發(fā)明技術(shù)方案具有重要應(yīng)用意義,受到多個(gè)研究項(xiàng)目支持:1.深圳市基礎(chǔ)研究項(xiàng)目jcyj20150422150029093,2.國(guó)家自然科學(xué)基金項(xiàng)目61505149,3.武漢市青年晨光人才計(jì)劃2016070204010111,4.湖北省自然科學(xué)基金項(xiàng)目2015cfb204。對(duì)本發(fā)明技術(shù)方案進(jìn)行保護(hù),將對(duì)我國(guó)相關(guān)行業(yè)競(jìng)爭(zhēng)國(guó)際領(lǐng)先地位具有重要意義。

附圖說(shuō)明

圖1為本發(fā)明校正方法實(shí)施例的流程圖;

圖2為本發(fā)明校正方法實(shí)施例中利用插值算法求取與墨量不超限樣本原始墨量值對(duì)應(yīng)的墨量限制算法輸入墨量值的數(shù)據(jù)示意圖;

圖3為本發(fā)明校正系統(tǒng)實(shí)施例結(jié)構(gòu)框圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作更加詳細(xì)的描述。

如圖1所示,實(shí)施例提供的一種基于墨量限制樣本的噴印設(shè)備光譜分色模型校正方法,較為理想的解決了噴印設(shè)備分色模型的色彩校正問(wèn)題,且省去了傳統(tǒng)分色模型校正過(guò)程所需的校正樣本制備及測(cè)量過(guò)程,故具有較高的應(yīng)用價(jià)值。實(shí)施例采用某cmyk四色打印機(jī),以某品牌高光相紙pa以某品牌亞光相紙pb為打印介質(zhì),模擬分色模型校正過(guò)程。即,首先以pa為介質(zhì)構(gòu)建分色模型,隨后針對(duì)pb介質(zhì)構(gòu)建基于pa分色模型的校正模型(即pa介質(zhì)墨量限制,分色模型等步驟皆已完成,pb介質(zhì)未進(jìn)行墨量限制以及分色模型構(gòu)建)。需要說(shuō)明的是,本發(fā)明并不局限于上述噴印情況,對(duì)于其它噴印情況(如不同噴印設(shè)備、不同介質(zhì)等),本方法同樣適用。

本發(fā)明技術(shù)方案具體實(shí)施時(shí)可由本領(lǐng)域技術(shù)人員采用計(jì)算機(jī)軟件技術(shù)實(shí)現(xiàn)自動(dòng)運(yùn)行。實(shí)施例提供的方法流程包括以下步驟:

步驟1、生成涅格伯爾梯尺原始墨量信息t,并以此制備涅格伯爾基色梯尺,而且,涅格伯爾基色梯尺級(jí)數(shù)應(yīng)大于或等于20。

實(shí)施例中,采取21級(jí)采樣針對(duì)cmyk四色打印機(jī)生成涅格伯爾梯尺原始墨量信息,共生成16*21=336樣本點(diǎn)。其中,涅格伯爾梯尺為本領(lǐng)域公知,可參見(jiàn):劉強(qiáng).基于光譜色域最大化的噴墨打印墨量限制方法研究.光譜學(xué)與光譜分析.2013。在本實(shí)施例中,以單色c為例,其涅格伯爾梯尺為:c=0,c=5,c=10,c=15…c=100;以雙色c+m為例,其涅格伯爾梯尺為c=m=0,c=m=5,c=m=10,c=m=15….c=m=100以此類(lèi)推。

步驟2、判斷步驟1中涅格伯爾基色梯尺的墨量閾值h,通過(guò)顏色測(cè)量設(shè)備測(cè)量獲取步驟1中t所對(duì)應(yīng)的有效光譜反射率信息r;

實(shí)施例采用本領(lǐng)域目前最為普遍使用的視覺(jué)判斷方法確定墨量閾值h;隨后,利用x-rite公司生成的i1isis型掃描式分光光度計(jì)測(cè)量步驟1中所有梯尺色彩樣本信息,并刪去墨量超過(guò)閾值h樣本色彩信息,得有效光譜反射率信息r,其中共包含221個(gè)顏色樣本。

步驟3基于步驟2中墨量閾值h,構(gòu)建基于高維線性插值的墨量限制算法,并求取墨量限制后涅格伯爾梯尺墨量信息t’;

實(shí)施例采用的高維線性插值算法為本領(lǐng)域公知,可參見(jiàn):urbanp,editor‘inklimitationforspectralorcolorconstantprinting.11thcongressofaic(sydney,australia,2009);2009.

步驟4、利用插值算法求取與步驟2所得墨量不超限樣本原始墨量值對(duì)應(yīng)的、步驟3中墨量限制算法的輸入墨量值;

實(shí)施例采用線性插值算法求取與步驟2所得墨量不超限樣本原始墨量值對(duì)應(yīng)的、步驟3中墨量限制算法的輸入墨量值。以c+m雙色梯尺為例,由步驟2中可知,其墨量閾值h為c=m=60,即雙色墨量超過(guò)60即會(huì)出現(xiàn)墨量超限情況。因此,對(duì)于pb介質(zhì),其墨量不超限樣本原始墨量值(c,m)應(yīng)為(0,0),(5,5),(10,10)…(60,60)。若需求取與之對(duì)應(yīng)的墨量限制算法的輸入墨量值,則可分別將(0,0),(5,5),(10,10)…(100,100)帶入墨量限制算法,求得其輸出值,建立輸入值與輸出值間的函數(shù)關(guān)系,如圖2所示。例如,圖2中對(duì)于原始墨量值(50,50),其對(duì)應(yīng)墨量限制算法輸入值為(70,70)。

步驟5、將步驟4中所求取輸入墨量值代入現(xiàn)有特性化正向模型f,預(yù)測(cè)其對(duì)應(yīng)光譜反射率信息r’;

實(shí)施例中,對(duì)于介質(zhì)pa的特性化正向模型f的構(gòu)建,采用bpncynsn方法。該方法為現(xiàn)有技術(shù),本發(fā)明不予贅述,可參見(jiàn):liuq,wanx,xied.optimizationofspectralprintermodelingbasedonamodifiedcellularyulenielsenspectralneugebauermodel.joptsocama.2014;31(6):1284-94.隨后,將步驟4中所求取輸入墨量值代入現(xiàn)有特性化正向模型f,預(yù)測(cè)其對(duì)應(yīng)光譜反射率信息r’

步驟6、利用加權(quán)主成分降維方法,分別將步驟2中有效光譜反射率信息r以及步驟5中預(yù)測(cè)光譜反射率信息r’進(jìn)行降維,得對(duì)應(yīng)降維主成分信息p以及p’;而且,加權(quán)主成分降維的維度應(yīng)大于或等于5。

實(shí)施例所采用加權(quán)主成分降維方法為現(xiàn)有技術(shù),該方法可有效提高不同光源條件下主成分壓縮重建的整體色度精度,而僅以犧牲可接受程度的光譜精度誤差為代價(jià)。詳見(jiàn):caoq,wanx,lij,liuq,liangj,lic.spectraldatacompressionusingweightedprincipalcomponentanalysiswithconsiderationofhumanvisualsystemandlightsources.opticalreview.2016;23(5):753-64.此外,實(shí)施例將上述光譜數(shù)據(jù)降至6維。因此,實(shí)施例中降維主成分信息p以及p’皆為221*6維矩陣

步驟7、利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建步驟6中降維主成分信息p以及p’的關(guān)聯(lián)性模型;

實(shí)施例以降維主成分信息p為輸入,以降維主成分信息p’為輸出,采用三層bp神經(jīng)網(wǎng)絡(luò)構(gòu)建步驟6中降維主成分信息p以及p’的關(guān)聯(lián)性模型,其中神經(jīng)網(wǎng)絡(luò)為本領(lǐng)域公知,本發(fā)明不予贅述。

步驟8、對(duì)于任意待復(fù)制光譜反射率信息rx,利用步驟6中針對(duì)有效光譜反射率信息r的加權(quán)主成分算法將其降維至主成分空間,得降維主成分信息px;

以某青色樣本光譜反射率為例,在實(shí)施例中,若要對(duì)該色彩進(jìn)行復(fù)制,則可首先利用步驟6中針對(duì)有效光譜反射率信息r的加權(quán)主成分算法將其降維至主成分空間,得特定6維向量降維主成分信息px。

步驟9、利用步驟7所構(gòu)建神經(jīng)網(wǎng)絡(luò),預(yù)測(cè)與降維主成分信息px所對(duì)應(yīng)的原有模型色彩信息主成分值px’,隨后,利用步驟6中針對(duì)預(yù)測(cè)光譜反射率信息r’的加權(quán)主成分算法,將其重建至光譜反射率空間,得等價(jià)光譜反射率信息rx’;

實(shí)施例中,將步驟8中對(duì)應(yīng)某青色樣本的6維加權(quán)主成分向量降維主成分信息px帶入實(shí)施例于步驟7所構(gòu)建bp神經(jīng)網(wǎng)絡(luò),預(yù)測(cè)其對(duì)應(yīng)的原有模型色彩信息主成分值px’。隨后,利用步驟6中針對(duì)預(yù)測(cè)光譜反射率信息r’的加權(quán)主成分算法,將其重建至光譜反射率空間,得等價(jià)光譜反射率信息rx’。其中,rx’為31維光譜向量。等價(jià)光譜反射率信息rx’與任意待復(fù)制光譜反射率信息rx的關(guān)聯(lián)性在于,其對(duì)應(yīng)于各自介質(zhì)墨量色空間的墨量值相等。其中,加權(quán)主成分光譜重建同樣為現(xiàn)有技術(shù),參見(jiàn)caoq,wanx,lij,liuq,liangj,lic.spectraldatacompressionusingweightedprincipalcomponentanalysiswithconsiderationofhumanvisualsystemandlightsources.opticalreview.2016;23(5):753-64.

步驟10、利用現(xiàn)有特性化模型中的反向分色模型b,對(duì)步驟9中的等價(jià)光譜反射率信息rx’進(jìn)行分色,所得墨量值即為分色模型校正后墨量值,分色模型校正完成。

實(shí)施例中,將待分色青色樣本待復(fù)制光譜反射率信息rx對(duì)應(yīng)的pa介質(zhì)空間光譜反射率信息rx’導(dǎo)入pa介質(zhì)反向模型b,求取的對(duì)應(yīng)墨量值為(c,m,y,k)=(87,11,2,29)。其中,實(shí)施例中反向模型b采用序列二次規(guī)劃算法構(gòu)建,該方法為本領(lǐng)域公知,詳見(jiàn):liuq,wanx,xied.optimizationofspectralprintermodelingbasedonamodifiedcellularyulenielsenspectralneugebauermodel.joptsocama.2014;31(6):1284-94.由于等價(jià)光譜反射率信息rx’與待復(fù)制光譜反射率信息rx的關(guān)聯(lián)性在于,其對(duì)應(yīng)于各自介質(zhì)墨量色空間的墨量值相等,故該墨量值即為對(duì)于pb介質(zhì),待分色青色樣本待復(fù)制光譜反射率信息rx所對(duì)應(yīng)的墨量值。至此,分色模型校正完成。

為進(jìn)一步證實(shí)本發(fā)明方法在光譜分色模型校正精度方面的優(yōu)勢(shì),實(shí)施例隨機(jī)選取了100個(gè)色彩樣本,利用本發(fā)明所述分色模型校正方法,構(gòu)建基于pa介質(zhì)分色模型b而面向pb介質(zhì)的分色模型。經(jīng)最終測(cè)試,pa介質(zhì)分色模型構(gòu)建共需制備顏色樣本1640個(gè),其模型分色色度誤差1.2(ciede2000色差公式),光譜誤差0.009(rms);若采用傳統(tǒng)色差校正樣本方式針對(duì)pb介質(zhì)構(gòu)建分色模型,則需制備樣本600個(gè),其模型分色色度誤差2.2(ciede2000色差公式),光譜誤差0.017(rms);若采用本發(fā)明所述方法針對(duì)pb介質(zhì)構(gòu)建分色模型,則需制備樣本336個(gè),其模型分色色度誤差2.0(ciede2000色差公式),光譜誤差0.013(rms)。可見(jiàn),本發(fā)明高效的實(shí)現(xiàn)了光譜分色模型的色度校正,且實(shí)施方便。盡管受采用數(shù)量的制約,其模型精度低于原始模型,但仍處于理想水平。此外,與現(xiàn)有分色模型校正算法比較可知,本發(fā)明方法在建模精度及效率方面均優(yōu)于現(xiàn)有方法。

本發(fā)明提供一種基于墨量限制樣本的噴印設(shè)備光譜分色模型校正系統(tǒng),包括以下模塊:

涅格伯爾梯尺制備模塊,生成涅格伯爾梯尺原始墨量信息t,并以此制備涅格伯爾基色梯尺;

顏色測(cè)量模塊,判斷涅格伯爾梯尺制備模塊中涅格伯爾基色梯尺的墨量閾值h,通過(guò)顏色測(cè)量設(shè)備測(cè)量獲取涅格伯爾梯尺制備模塊中t所對(duì)應(yīng)的有效光譜反射率信息r;

墨量限制模塊,基于顏色測(cè)量模塊中墨量閾值h,構(gòu)建基于高維線性插值的墨量限制算法,并求取墨量限制后涅格伯爾梯尺墨量信息t’;

墨量反向求解模塊,利用插值算法求取與顏色測(cè)量模塊所得墨量不超限樣本原始墨量值對(duì)應(yīng)的、墨量限制模塊中墨量限制算法的輸入墨量值;

光譜預(yù)測(cè)模塊,將墨量反向求解模塊中所求取輸入墨量值代入現(xiàn)有特性化正向模型f,預(yù)測(cè)其對(duì)應(yīng)光譜反射率信息r’;

數(shù)據(jù)降維模塊,利用加權(quán)主成分降維方法,分別將顏色測(cè)量模塊中有效光譜反射率信息r以及光譜預(yù)測(cè)模塊中預(yù)測(cè)光譜反射率信息r’進(jìn)行降維,得對(duì)應(yīng)降維主成分信息p以及p’;

神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊,利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建數(shù)據(jù)降維模塊中降維主成分信息p以及p’的關(guān)聯(lián)性模型;

待分色色彩降維模塊,對(duì)于任意待復(fù)制光譜反射率信息rx,利用數(shù)據(jù)降維模塊中針對(duì)有效光譜反射率信息r的加權(quán)主成分算法將其降維至主成分空間,得降維主成分信息px;

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模塊,利用神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊所構(gòu)建神經(jīng)網(wǎng)絡(luò),預(yù)測(cè)與降維主成分信息px所對(duì)應(yīng)的原有模型色彩信息主成分值px’,隨后,利用數(shù)據(jù)降維模塊中針對(duì)預(yù)測(cè)光譜反射率信息r’的加權(quán)主成分算法,將其重建至光譜反射率空間,得等價(jià)光譜反射率信息rx’;

最終分色模塊,利用現(xiàn)有特性化模型中的反向分色模型b,對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模塊中的等價(jià)光譜反射率信息rx’進(jìn)行分色,所得墨量值即為分色模型校正后墨量值,分色模型校正完成。

其中,涅格伯爾梯尺制備模塊中涅格伯爾基色梯尺級(jí)數(shù)應(yīng)大于或等于20。

其中,數(shù)據(jù)降維模塊中加權(quán)主成分降維的維度應(yīng)大于或等于5。

各模塊具體實(shí)現(xiàn)和各步驟相應(yīng),本發(fā)明不予贅述。

本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類(lèi)似的方式替代,但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書(shū)所定義的范圍。

當(dāng)前第1頁(yè)1 2 
網(wǎng)友詢(xún)問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1