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。