基于改进PSO-Elman的液晶显示器颜色特性化

液晶显示器颜色特性化可以实现同一幅图像在不同设备上的准确显示。为解决液晶显示器颜色特性化存在模型建立复杂、模型鲁棒性差导致特性化精度较低的问题,提出基于改进PSO-Elman神经网络的方法建立RGB颜色空间到CIEXYZ颜色空间的转换模型(ACOPSO-Elman)。首先根据粒子种群规模和粒子位置关系构造惯性权重与学习因子的自适应调节函数提高PSO算法的全局寻优能力和收敛速度,并在寻优过程中添加混沌优化(CO),防止粒子陷入局部最优解,将改进的粒子群算法用于Elman模型参数寻优,解决了Elman模型参数较难选取的问题。通过仿真验证并与BP、Elman神经网络模型比较表明,ACOPSO-Elman模型特性化的平均色差为1.9247ΔE^(*)_(ab),最大色差为5.1252ΔE^(*)_(ab),在特性化精度上取得了较好的效果。

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GABP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化。实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。

一种基于RBF神经网络的LCD显示器光谱特征化模型

目的研究LCD显示器的光谱特征化。方法提出一种基于RBF神经网络的显示器光谱特征化模型;扩展神经网络模型输入变量的项数,以提高特征化模型的精度。结果实验结果表明:[rg rb gb]项的引入,提高了特征化模型的光谱和色度精度,以及网络的泛化能力;引入[r2 g2 b2],[r2 g2 b2],[rg2 rb2gr2 gb2 br2 bg2]均会导致模型精度下降及泛化能力降低;以[r g b rg rb gb]作为神经网络输入变量的特征化模型,在精度和泛化能力上均是最优化的,实现了平均色差为0.14的色度精度。结论选择扩展项[rg rb gb]作为输入变量的RBF神经网络模型对LCD显示器进行光谱特征化,是一种高精度显示器特征化的最优模型。

按波长分区的LCD颜色特征化模型

为了建立液晶显示器颜色计算模型,分别对EIZO CG19,IBM 19,DELL 19和HP 19LCD显示器进行了通道独立性和颜色叠加性的检验。通过检验单通道和双通道数字驱动值与颜色三刺激值之间的关系可以验证各通道之间的独立性,从而证明了上述显示器的显示色与三原色光谱辐亮度函数之间存在线性叠加关系。实验中发现三原色光谱辐亮度与数字驱动值的关系是波长的非线性函数,提出了一种按波长分区法计算三原色光谱辐亮度函数的方法,用RGB三原色的测量光谱拟合出各波长辐亮度值与数字驱动值之间的三次多项式关系,利用这个关系可计算得到任意数字驱动值对应的三原色光谱辐亮度曲线,然后可按颜色相加关系由三原色光谱辐亮度曲线计算出任意数字驱动值下的显示色。实验结果表明,只需要测量少量几个数字驱动值下的光谱曲线就可以准确计算出任意数字驱动值下的三原色光谱辐亮度曲线,进而计算得到任意混合色的光谱辐亮度曲线,大大减少了测量样品数量。这种计算方法所需的测量样品数量少、计算准确度高,可以满足工业应用的精度要求,能作为LCD显示器颜色特征化的一种方法。

基于视觉特性的LCD显示器光谱特征化方法

目的实现LCD显示器RGB颜色空间到颜色光谱高效的特征化。方法利用主成分分析法对光谱数据进行降维处理以及借助RBF神经网络研究输入变量数据范围、视觉加权函数和颜色数量对特征化模型的精度影响。结果主成分个数为6时可以很好地保留光谱原来的信息;输入变量范围为0到2.55,CIE1931视觉函数作为加权函数,颜色数量为364时特征化精度高,客观验证99个颜色转换的平均色差为0.36,最大色差为1.59,总样本的平均色差为0.17。结论输入变量数据范围对模型影响最大,视觉加权函数和颜色数量次之,因此在特征化时要考虑输入变量范围、视觉加权函数和颜色数量,这样可以提高模型的精度。文中提出的模型是一种精度较高的特征化模型,具有一定实际应用价值。

GOG模型在LCD特性化中的适用性研究

将适用于CRT的GOG模型应用于LCD的特性化,建立LCD的RGB值与CIEXYZ(三刺激值)之间的非线性变换关系,得到LCD液晶显示器的颜色特性数据,从而实现LCD的特性化.采用CIELAB色差公式对实验结果进行评价,平均色差达到8.70,结果显示,GOG模型特性化LCD的精度较低,不适用于对颜色复制要求较高的场合.

一种基于子空间划分的LCD显示器光谱特征化模型

目的为实现LCD显示器的光谱特征化,提出一种基于子空间划分的BP神经网络结合PCA的光谱特征化模型。方法对显示器色空间进行子空间划分,在各子空间中进行模型的训练与检测。结果子空间划分后模型的色度和光谱精度,较未进行子空间划分的模型有明显提高,PCA在不影响模型精度的同时,降低了光谱维度,提高了算法的运行效率。结论该模型是一种高精度显示器特征化模型。

一种LCD显示器颜色光谱反向特征化方法

目的为了实现颜色光谱到设备相关颜色空间的特征化。方法采用一种RBF网络和立方体等级细分相结合的方法,构建LCD显示器颜色光谱到RGB数值转换模型。结果客观验证343个颜色光谱反向转换的平均色差为0.61,最大色差为2.62。结论该模型是一种精度较高的反向特征化模型。

液晶显示器颜色特征化的S模型算法

基于对液晶显示器的呈色机理的分析,提出了一种新颖的S-shape模型,并用其代替GOG(增益-偏置-伽马)模型来实现液晶显示器阶调复现曲线的精确拟合及液晶显示器颜色特征化精度的提高。为了检验改进算法的精度,分别用GOG模型和S模型来建立同一台液晶显示器的颜色空间变换,作为LCD颜色特征化的参照,GOG模型被用于来建立阴极射线管显示器的颜色特征化模型,并在设备的相关颜色空间,通过均匀取样选取7×7×7组颜色数据来检验这3种颜色空间映射实例的精度。实验结果表明,对于液晶显示器而言,基于S模型的颜色映射精度比GOG模型有明显提高,其平均色差/最大色差分别为1.825/4.731个CIEDE2000色差单位,与GOG模型应用于阴极射线管显示器的颜色特征化的精度相当。

液晶显示器颜色特性化方法的对比研究

液晶显示器是目前最普遍的计算机显示设备之一。由于其颜色空间存在设备相关性,因此需要对液晶显示器进行特性化,即设备颜色空间映射为CIE标准色度空间。描述了液晶显示器的光电特性和颜色呈现机理;对目前已有的特性化方法进行分析;最后通过实验,比较了基于一维查找表的三种特性化方法的优劣。通过不同特性化方法颜色复现精度的对比,论证了黑底修正和最优化求解在液晶显示器特性化中的重要作用。

基于多项式回归模型的液晶显示器特性化

为了实现LCD液晶显示器精确的色度特性化,用多项式回归算法建立了液晶显示器RGB空间到CIEXYZ空间的转换模型,详细研究了多项式回归模型不同训练样本、不同项数以及阶数对液晶显示器特性化的影响。实验结果表明,项数小于9时,模型预测的精度较低,项数大于9时模型精度逐渐提高,用三阶三元十四项多项式可以得到平均误差为0.6623左右的高精度预测模型。

加权最小二乘法在液晶显示器颜色特性化中的应用

为了解决同一幅图像在不同显示器上得到不同的显示结果这一问题,需要对显示器进行颜色特性化。液晶显示器颜色特性化方法主要有查找表法、神经网络法和模型法。采用基于三次多项式的阶调曲线模型法来建立RGB颜色空间到CIEXYZ颜色空间的转换模型,进行单通道17组数据的采样,并采集了100组检验数据。用加权最小二乘法对模型进行求解,并对比不同权数对液晶显示器颜色特性化的影响。实验结果表明,该模型的平均色差为2.4742,最大色差为5.3927,满足液晶显示器颜色特性化中对精度的要求。

基于一维查找表的LCD特性化方法的研究

针对LCD显示器的颜色还原问题,根据一维查找表(1-Dimension Look-up Table,1D-LUT)方法,建立显示器设备颜色空间(RGB空间)与标准颜色空间(CIE XYZ空间)之间的颜色特性转换模型,采用CIE LAB色差评价方法,得到平均色差为1.56。并与GOG(Gain-Offset-Gamma)模型特性化结果对比分析,经GOG模型特性化后得到的平均色差为8.87。分析对比1D-LUT与GOG模型对LCD显示器特性化的适用性,为设备颜色的精确复现提供必要的依据。结果表明,1D-LUT相对于GOG模型特性化精度高,具有较好的颜色复现能力,适用于LCD显示器的特性化,而GOG模型不适用于LCD的特性化。

液晶显示器色度特征化的分空间补偿模型

由于液晶显示器不能完全满足通道独立性和色品恒定性而导致其色度特征化精度不高,故液晶显示器精确色度特征化模型的研究具有重要意义。将分空间处理的思想应用于对液晶显示器色度特征化精度较高的掩模(Masking)模型,提出了分空间补偿(SC)模型。该模型将RGB颜色空间分为8个子空间,基于不同子空间的相应训练样本,将掩模模型的预测三刺激值差值拟合成各通道驱动值的多项式函数,并对其三刺激值进行补偿。通过对四台液晶显示器色度特征化的实验测试表明,分空间补偿模型的最优平均预测色差分别为0.2783,0.3199,0.7090和1.2216CIELAB单位,验证了其颜色预测精度优于现有的相关色度特征化模型,且可以适用于各类液晶显示器。

液晶显示器颜色特征化的分段分空间模型

为了提高液晶显示器(LCD)颜色特征化精度,根据液晶显示器色品恒定性和通道独立性较差的特点,提出了分段分空间模型。该模型首先用分段二次多项式拟合单通道驱动值和三刺激值的关系,然后再根据不同RGB子空间的颜色特性加上适当的干扰项对液晶显示器进行颜色特征化。实验结果表明,在训练样本和检验样本数分别为91和512时分段分空间模型的CIELAB平均色差为1.5881,最大色差为6.0249;通过与三维查找表、Mask、S-Curve及TPC模型的比较研究,验证了当训练样本数不多时分段分空间模型的颜色预测精度最高。