基于NSGA-Ⅱ算法选择光谱反射率重建样本的研究

为解决光谱反射率重建过程中训练样本数目庞大导致工作量大,重建精度不高等问题,提出一种基于NSGA-Ⅱ算法的光谱反射率重建样本选择方法。近日Liang等提出了一种从大量样本数据中选取具有代表性样本的新方法,定义光谱重建误差为均方根误差与拟合优度系数的乘积,以这一标准选择光谱重建误差最小的样本作为代表性样本进行光谱反射率重建。受Liang等人工作的启发结合NSGA-Ⅱ算法选择代表性样本,先对全体训练样本使用多项式回归算法和伪逆法进行光谱反射率重建,再使用NSGA-Ⅱ算法,设定两个目标函数,一个是所需代表性样本个数的光谱均方根误差的和,另一个是拟合优度系数倒数的和,令两个目标函数值最小。将经过NSGA-Ⅱ算法挑选出的Pareto等级为1的全部样本按照样本出现次数由高至低排序,以此顺序从高到低依次选为代表性样本,直至达到所需代表性样本个数。若从Pareto等级为1的样本集合中挑选的代表性样本数不足所需要的个数则选择下一等级出现次数最多且没有被选择过的样本直至代表性样本数达到需求。将1269块无光泽Munsell标准色卡按照样本下标划分为偶数色卡、奇数色卡,第一组实验用Munsell奇数色卡为全体训练样本,从Munsell偶数色卡中随机选择20个色块为测试样本。第二组实验选用Munsell偶数色卡为全体训练样本,从Munsell奇数色卡中随机选取20个色块为测试样本。第三组实验训练样本与第一组相同,RC24色卡为测试样本。将该方法与Mohammadi、Cao、Liang等提出的三种样本选择方法进行对比。通过实验得到使用NSGA-Ⅱ算法结合多项式回归与伪逆法选择的代表性样本重建的光谱反射率在均方根误差和色差两个指标上均优于现有的样本选择方法,并且该方法不限于特定系统,具有通用性。

基于多目标筛选堆叠回归的光谱反射率重建

物体的光谱反射率完全决定了其物体色,因此研究光谱反射率对于色彩信息要求较高的行业具有重大意义。直接获取光谱反射率需要精密且昂贵的设备,而通过建立模型,由低成本的数码相机等设备获取的RGB响应值去预测光谱反射率,可以大大降低成本。基于回归方法的光谱反射率重建算法受到广泛关注,其核心是建立RGB向量到光谱反射率向量间的映射关系。对于大多数物体而言,其表面的光谱反射率曲线具有平滑属性,因此,光谱反射率分量之间具有一定的相关性。而已有的算法都是对光谱反射率向量每一个维度独立地建立预测模型,没有将光谱反射率分量之间的相关性利用起来。与传统的单输出回归方法不同,多目标堆叠回归方法通过将首次预测输出值重新注入输入端来利用输出端之间的相关性。基于多目标堆叠回归的光谱反射率重建取得了重要的进展;然而,传统的多目标堆叠回归方法存在着易受首次预测输出值误差影响的问题。针对这一问题,提出一种新的多目标堆叠方法,对于首次预测输出值进行筛选,从中选出误差较小的部分作为输入,以此来保证下一步建立的模型精度。该筛选方法可以在不知道真实值的情况下,极大程度地保留误差较低的部分样本。实验数据集来源为ICVL高光谱图像数据库,评价指标为均方根误差与色度误差。实验结果表明,所提出的多目标筛选堆叠回归可以有效克服传统多目标堆叠回归所存在的问题,做到比无堆叠时的误差更小,说明提出的方法可以有效地利用光谱反射率分量之间的相关性。

基于逆方差加权的光谱反射率重建算法研究

为了能较大程度的满足图像复制的需求,避免同色异谱现象,研究光谱重建算法对光谱反射率重建精度和色度的影响。通过改进传统的主成分分析法,提出逆方差加权回归的光谱反射率重建算法。首先,引入逆方差加权模型,调整因子权重;其次,对光谱反射率训练样本集归一化处理,计算新的协方差矩阵;最后,对加权后的光谱反射率样本集奇异值分解,重建光谱反射率。实验表明,基于逆方差加权的光谱反射率重建算法的CIE DE2000颜色精度提高了3.3%,光谱重建精度提高了2%,能够实现良好的颜色再现效果。加权算法可以应用于光谱反射率重建过程,有助于提高光谱重建精度和色度。

基于多光谱成像的光谱反射率重建

一些对颜色重现要求较高的应用领域需要获取目标表面上各点的光谱反射率。大多数天然物质表面的光谱反射率曲线比较平滑,可视为几个基向量的线性组合。基于这一原理的多光谱成像技术可以准确快速地重建目标表面的光谱反射率。通过对NCS色卡进行主成分分析,得出了彩色印刷品光谱反射率的基向量。建立了一个多光谱成像系统,用以比较基向量个数不同对反射率重建效果的影响。

光谱反射率重建中代表颜色分步选取方法

光谱反射率重建一般指采用标准色卡上的颜色样本,对成像系统进行光谱表征(Spectral character-ization),进而从系统响应中精确地求出物体表面的光谱反射率。由于标准色卡的颜色样本数量较大,在实际成像系统中使用时有诸多不便。考虑到颜色样本之间存在较大冗余,可从中选出具代表性的少数样本用于光谱表征。针对已有方法未考虑实际成像系统特性的不足,文章提出了一种代表颜色的分步选取算法,即首先通过假设一个虚拟成像系统,根据全局误差最小的原则,挑选出部分最具代表性的颜色,估计出实际成像系统的光谱响应函数,然后在此基础上继续选择其余的代表颜色。实验表明,对于窄带多光谱成像系统及宽带彩色扫描仪而言,文章提出的方法在光谱精度及色度方面均明显优于先前方法。

基于改进R矩阵方法的光谱反射率重建研究

为了解决传统R矩阵方法重建光谱反射率过程中的病态问题,提出了一种正则化R矩阵改进方法。研究了如何使用Tikhonov正则化来限制R矩阵方法求解Moore-Penrose伪逆矩阵中所产生的病态问题,同时使用L曲线方法从训练样本数据中得到有效限制病态情况的最优正则化参数。实验结果表明:与R矩阵方法相比,改进的正则化R矩阵方法重建的光谱精度的平均均方根误差值降低了0.004 25,平均适应度系数值提高了1.325%,色度精度的平均色差值降低了0.141 9,并且在实际的应用中具有较好的表现。该方法能够满足精度较高的文物艺术品颜色再现的需要。

基于彩色数字相机的光谱反射率重建方法研究

如何在给定照明条件和观测条件的情况下,由彩色数字相机的响应值重建物体表面光谱反射率,仍是颜色科学与工程领域一个尚待解决的重要课题。文章使用奇异值分解的方法将光谱反射率近似为若干基向量的线性组合,求得组合系数,然后使用相机输出数据与组合系数训练人工神经网络,使之能够准确的模拟相机输出与组合系数之间的非线性关系,最后采用经训练的神经网络,与基向量结合,由相机输出准确的重建物体表面的光谱反射率。实验结果显示,与线性近似的方法相比,使用该方法对标准Munsell色块进行反射率重建,重建误差减小了约67%,具有高精度、易实现、易操作的特点,可用于对重建精度要求较高的诸多领域。

基于支持向量回归的光谱反射率重建方法

提出了一种基于支持向量回归和小框架核的光谱反射率重建方法。光谱反射率重建是光学研究的一个重要问题,其目的是通过各种成像设备所获取的与设备相关的RGB三色值重建出物体本身固有的与设备和光照都无关的光谱反射率。回归方法已经在这一领域取得了广泛应用,如基于多项式模型的正则化最小二乘方法、基于核的正则化最小二乘方法等。提出了一种新的光谱反射率重建方法,这种方法采用了一种可以减弱样本不规则噪音影响的小框架核函数,并将其用于支持向量回归来重建光谱反射率函数。实验表明,新方法可以提高光谱反射率重建的精度和稳定性。

基于R矩阵的改进光谱反射率重建算法

为了能够利用机器视觉方法能更有效地实现印刷品颜色质量在线检测,需要利用颜色测量技术才能得到待测目标真实的颜色值。为能实现颜色测量,提出一种新的重建光谱反射率的算法,即基于R矩阵的改进的光谱反射率重建算法。该算法利用十二通道线扫面CCD成像体系得到的图像作为训练和测试样本,将R矩阵法与PCA法结合起来,即为改进的R矩阵法。改进的R矩阵法完成光谱反射率重建获得光谱信息后,需要将其表示到色度空间,并根据光谱反射率重建准确度和色差来评估色彩测量的准确性。实验结果表明,基于R矩阵的改进光谱反射率重建算法精度较高,在实际印刷品颜色质量检测中应用价值很大。

基于多核支持向量回归的光谱反射率重建方法

针对传统方法重建光谱反射率过程中未考虑多光谱训练数据维度高、冗余大的特点,导致重建精度低、重建模型学习能力和泛化能力较差的问题,提出了多核支持向量回归的光谱反射率重建方法。首先综合全局、局部核函数的特点引入柯西核函数与多项式核函数的乘积作为多核核函数,然后使用试凑法从训练样本中获取提高模型性能的参数。最后使用多核支持向量回归模型对测试样本进行反射率重建,通过光谱误差及适应度等进行评价。实验结果表明:与伪逆、单核支持向量回归法相比,本文重建方法的光谱误差值降低了0.4～0.785,决策系数提高了2.84～5.27%,平均适应度系数值提高了2%～3%。本文方法在颜色复制中重建精度高、色差较小,满足人眼视觉可容忍范围内。

泛场景自适应优化的多输出最小二乘SVR光谱反射率重建方法

针对传统回归模型在多种场景光谱重建中存在的泛化性能较差的问题,提出一种自适应优化的多输出最小二乘支持向量回归光谱反射率重建方法,满足泛场景下最优光谱重建模型应用需求。首先使用多输出最小二乘支持向量回归作为重建模型,该模型具有良好的收敛速度及小样本拟合精度。同时为了提高模型在多种场景下的泛化性能,提出一种融合拟合精度与变化趋势,且具有自适应权重的综合评价指标,作为混沌麻雀搜索算法的适应度函数,对重建模型进行不同场景的参数动态寻优,解决特定场景的模型参数最优化问题。实验结果表明,在不同彩绘文物参考色块光谱重建中,该方法的平均光谱均方根误差降低了0.0292、适应度系数提高了1.29%、色差降低了3.38,能够针对不同重建场景自适应优化模型参数,在不同重建场景中均获得了较好的光谱反射率重建效果。

局部k最近邻加权线性回归的光谱反射率重建

现实中很多场景都需要精确的颜色表示,如纺织、印刷、艺术品扫描存档、在线商品展示等。光谱反射率是决定物体颜色的本质属性,如果知道了光谱反射率,就可以重现物体在任何光照和观测条件下的颜色。采用专业仪器测量光谱反射率有成本高、分辨率低、测量时间慢等问题。随着数码成像设备的普及,基于相机RGB响应值的光谱反射率重建算法具有重要现实意义。光谱反射率重建的目的是建立低维RGB响应值到高维光谱反射率向量的映射关系,回归方法在这一领域已取得广泛应用。由于光谱反射率向量所处的空间是嵌在高维欧氏空间中的一个低维子流形,在训练样本有限的条件下,传统的全局回归方法不能有效地学习该流形结构,往往导致过拟合,使得学习出来的模型泛化能力较差。局部线性回归方法虽然可以改善全局回归过拟合的问题,但是局部学习方法易受例外点的影响,导致拟合不足。针对这一问题,提出一种基于局部加权线性回归的光谱反射率重建方法,这种方法在一个k最近邻范围约束内,给每个局部训练样本赋予不同的权重,从而有所侧重地利用局部训练样本来估计光谱反射率。实验结果表明,基于局部k最近邻加权线性回归的方法能更有效地利用局部信息,缓解过拟合和拟合不足,更准确地重建光谱反射率。

基于APSO-LSSVM模型的光谱反射率重建算法研究

目的研究光谱反射率重建算法,提高光谱反射率重建精度。方法首先通过多光谱相机和分光光度计分别获取Munsell色卡和SG140色卡的通道信息和光谱反射率值,经归一化后将Munsell色卡的通道信息和光谱反射率值作为训练样本的输入和输出。然后,采用APSO算法对LSSVM的最优正则化参数γ和核参数σ进行寻优,构建基于APSO-LSSVM的光谱反射率重构模型。在对模型参数进行寻优过程中,为保持粒子的活性,在粒子群算法中引入自适应惯性权重,并根据遗传算法中的变异思想,加入了变异操作,在普通粒子中引入变异因子。在每次迭代更新中,粒子以一定概率初始化,使粒子群算法可以跳出局部最优解,在较大的空间内进行优化。结果基于APSO-LSSVM模型对SG140色卡进行光谱反射率重建实验,文中方法的平均色差为0.4677ΔE*_(ab),平均均方根误差为0.0006。相较于最小二乘支持向量模型和反向传播神经网络模型的重构精度均有很大的提高。从显色效果来看,文中方法的显色结果更接近真实颜色,人眼基本上难以察觉到两者间的差异。结论基于APSO-LSSVM的光谱反射率重建算法可以有效地提高光谱反射率重建精度,实现了利用多光谱相机拍摄的多通道信息重构获得精确的多光谱图像。

基于向量夹角样本选择的光谱反射率重建

目的研究一种更有效的训练样本选择方法,以提高光谱反射率的重建精度。方法提出将样本看做向量,根据测试样本与训练样本之间的夹角判断两者间的相似度,然后把该夹角大小作为相似度权重赋予该训练样本,实验以孟塞尔色卡为样本集,训练样本分别为经过Mohammadi方法选择的样本和经过文中提出的向量夹角方法选择的样本,以色差和光谱均方根误差为评价指标,从重构精度和样本选择的有效性等2个方面对2种样本筛选方法进行比较和验证。结果通过Matlab软件仿真实验,文中所提方法的平均色差能降低到0.7945,最大色差为2.1569,平均光谱均方根误差降低到0.011 42,最大光谱均方根误差为0.0218。结论基于向量夹角选择样本具有简单且精确的优势,能够满足高精度颜色复制的要求,可以为快速准确地选择样本和提高颜色复制精度提供参考。

具有颜色恒常性的光谱反射率重建

给定物体三刺激值,重建物体反射率在跨媒体颜色复制领域有着重要应用。常见的重建反射率算法包括基向量法、维纳估计法、加权伪逆方法等,这些方法大多都是为了建立由低维度三刺激值或者RGB向高维度光谱反射率的映射关系,以重建的反射率与原始反射率的接近程度为评价指标,并且需要光谱反射率数据进行训练。但是很多工业领域在产品设计时都需要考虑到颜色恒常性(CⅡ)问题,以保证产品颜色在不同光照条件下具有相近的颜色表现。光谱反射率是决定物体颜色恒常的重要属性,为解决重建反射率进行颜色复现后产生颜色恒常性问题,Takahama和Nyatani提出具有颜色恒常性的线性规划光谱反射率重建方法,测试结果发现该方法重建的反射率呈现出类似“台阶”的形状,与实际物体色反射率差别太大。之后,Berns等在Takahama和Nyatani算法基础上,增加了色相角等约束,但重建出的反射率波动太大。Li和Luo提出具有光滑约束的二次规划颜色恒常性重建反射率算法,重建的反射率具有光滑性,比较接近实际物体色的反射率。提出一种非线性约束优化方法重建物体反射率,使之具有良好的颜色恒常性和光滑性。文中使用标准Munsell色卡中1 560个色块测量的反射率数据集对新算法进行测试,并与其他方法进行比较。结果表明,该方法不仅在重建反射率的颜色恒常性指标上远比Takahama和Nyatani方法,Berns等的方法以及Li和Luo的方法要好,而且重建反射率与原始反射率接近程度指标:均方根误差(RMSE)和拟合优度系数(GFC)也好于其他方法。因此该新方法对重建反射率时具有颜色恒常性要求的行业有着重要的应用价值。

基于RGB颜色信息聚类的光谱反射率重建

针对光谱反射率研究中因训练样本数据量大造成的冗杂等问题,提出了一种基于RGB信息进行聚类的样本分类方法。首先对颜色进行聚类并确定聚类个数,后对每一类光谱反射率使用BP神经网络分别进行重建。对于实验结果,使用ΔE00、均方根误差(RMSE)以及适应度系数等标准进行评价,同时与主成分分析算法进行对比。从实验分析可得出,在聚类数目为7时光谱反射率重建效果最好,这时的平均CIE2000的色差为0.836,平均RMSE为0.0149,平均适应度系数为99.82%,并且,在最后对重建色差较大的色块进行了优化处理。实验证明,颜色聚类方法可以很好的应用于光谱反射率重建。

基于改进加权欧氏距离的光谱反射率重建样本选择方法研究

获取物体的光谱反射率是准确再现物体在各种光照条件下真实颜色的关键保证,这对纺织服装、出版印刷、网络电商、远程医疗等对颜色有较高要求的行业有重要作用。光谱反射率重建的目的是利用训练样本建立数码相机等通用设备所获取的RGB三色值和光谱反射率高维向量间的映射关系,从而避免使用分光光度计等专业设备所带来的成本高、操作复杂、分辨率低等问题。训练样本的选择是影响光谱反射率重建算法效果的重要因素。从物理角度看,光谱反射率是一条关于波长的光滑曲线,光谱反射率向量最大的相关性特征就是其光滑性,因此,训练样本的选择应同时考虑空间距离和形状的相似性。针对局部学习方法中局部样本选择问题,提出一种能同时考虑光谱反射率向量形状相似和空间距离相近的更加有效的训练样本选取方法,以提高光谱反射率重建的精度。该方法利用待测样本与训练样本之间的加权欧氏距离与向量夹角距离结合后赋予不同权重作为相似性度量,根据样本容量动态地选出相似度较高的样本。实验以孟赛尔半光泽数据集(munsell matte)为样本集,基于伪逆法进行光谱反射率重建,以光谱均方根误差和色差为评价指标,与加权欧氏距离方法从样本选择的有效性和重构精度两方面进行比较。实验结果表明,基于改进加权欧氏距离的样本选择,能够在保证均方误差最小的条件下,显著降低色度误差,同时添加不同噪声水平后,文中方法的均方根误差和平均色差依旧保持最小,该方法能够更好地利用局部样本的信息,而且具有较好的抗干扰能力,可以有效地提高光谱反射率重建的实际应用效果,进而为颜色的真实再现提供保障。

基于降维正则化多项式的光谱反射率重建方法

针对光谱反射率重建常用方法中主成分分析法重建后产生病态的问题,提出一种基于降维正则化多项式的光谱反射率重建方法;利用主成分分析法对训练样本的高维光谱数据进行降维,在降维的基础上对样本的通道响应数进行多项式回归扩展来提高光谱反射率重建的精度,同时加入Tikhonov限制条件来避免多项式扩展导致的数据不稳定性和随机噪声产生的病态问题。结果表明:降维正则化多项式光谱反射率重建方法在精度评价中的效果优于主成分分析法和多项式回归扩展法,同时实现了降低光谱数据计算量、优化通道响应、提高反射率重建精度的目的。

一种离散点插值算法用于重建光谱反射率

提出了一种用离散点插值算法来重建光谱反射率的方法。首先建立数字相机响应值与典型反射样品表面光谱反射率之间的查找表,然后进行Delaullay分区、提取和插值,最后通过数字相机的输出数据来准确地重建物体表面的光谱反射率。实验结果表明,该方法能够重建典型反射样品的光谱反射率,能够实时获取被摄场景的多光谱图像,易于硬件的实现。

基于改进的主成分分析法宽带光谱反射率重建

为了降低光谱反射率重建设备的复杂度和成本并且在宽带光谱上进行更高精度的反射率重建,采用宽带多光谱成像的方法,将投影仪的红、绿、蓝三色光作为光源,用彩色数码相机对光谱图像进行采样。在主成分分析法的基础上引入加权系数,以及误差校正函数,利用改进后的方法重建色卡、染色纸张、油画表面的反射率。选取表征反射率重建精度的均方根误差、拟合度系数、光谱匹配偏度指数3个指标,对所提方法与主成分分析法和加权伪逆法的重建结果进行对比,结果表明:所提方法的重建精度较主成分分析法提高了约45%,较加权伪逆法提高了约30%;由所提方法计算的反射率重建的颜色色差值也优于后两者。