本发明专利技术公开了一种基于视觉感知特征的光谱降维方法及系统，包括构造综合人眼视觉色度特性和光谱特性的权函数w(λ)，利用构造的权函数w(λ)计算任意光谱样本集S的权函数Siw(λ)，对样本集的权函数Siw(λ)进行均值化处理，得到样本集均值权函数矩阵Wfv，构造用于均值权函数Wfv平滑优化模型及约束目标函数，利用优化目标函数ObjFunc对平滑优化模型进行约束，确定权函数矩阵Wfv最佳平滑优化函数参数n值，利用确定的最佳平滑权函数对光谱样本集S进行加权，最后利用主成分分析方法完成光谱样本集S的降维处理。该方法能保持较高的色度重构精度，且在变换参考光源条件下具有良好的色差稳定性，能够较好地解决光谱的颜色高保真降维问题。
【技术实现步骤摘要】
本专利技术属于颜色科学技术中基于光谱的颜色复制
，具体涉及一种基于视 觉感知特征的光谱降维方法及系统。
技术介绍
随着信息媒体技术的发展和人们文化生活水平的逐渐提高，颜色的跨平台再现技 术在人类日常生活和工业生产中的重要性日益凸显。以三原色为基础的传统色度色彩复制 技术存在严重的场景依赖性，已很难满足未来颜色媒体的跨平台无条件一致再现需要，因 为三基色颜色编码机制只适用于特定的参考条件，当光源环境或观察者发生变化时会产生 视觉上的不匹配现象，即所谓的同色异谱。基于光谱的颜色复制技术能通过准确采集和复 制物体颜色的唯一标识一一光谱，以实现色彩的跨平台一致再现，从根本上解决了色度色 彩复制存在的同色异谱这一固有缺陷，也是未来颜色科学领域数字颜色媒体再现技术的发 展方向。 基于光谱的颜色复制技术的基本工艺主要包括光谱的前端采集、光谱信息重构、 光谱数据降维、光谱色域的描述与映射、光谱分色输出等环节，光谱成像仪在可见光波段对 物体进行光谱采集，采样维度一般在30维以上。光谱数据的高维性引发的"维数灾难"无 形之中会给计算系统带来巨大的负担，耗费大量的存储空间，并造成网络传输通道的拥塞， 大幅降低颜色再现系统的处理效率。所以通常利用高维空间降维思想将多维光谱通过数学 变换手段映射至一个较低维空间进行表征。光谱降维规则一般定义为一个与设备无关的低 维中间连接空间（Interim connection space, ICS)，然后参照ICC的标准色彩管理体系，在 颜色跨媒体拷贝输出前，在低维空间中完成光谱色域的匹配与映射。因此多维光谱降维技 术作为连接光谱复制流程采集端和输出端的桥梁，其算法性能的优劣将直接影响颜色的跨 平台再现精度。 光谱降维的目的是实现光谱色彩的高精度跨媒体一致再现，并在颜色复制过程中 较好地兼顾光谱与色度两方面的重构精度，所以如何保证降维算法准确地还原物体的光谱 信息，以适应复杂场景环境下颜色的高保真再现要求，是开发建立光谱降维算法的出发点。 从研究现状来看，当前的可见光光谱降维方法一方面大都建立在特定参考光源或多光源的 统计光源条件之下，仍然摆脱不了光源选择范围的影响，在变换光源场景下会产生较大色 差，即算法色度稳定性较差，在面向复制的光谱降维应用中仍具有一定局限性，很难满足跨 媒体平台任意光源下颜色再现的一致性。
技术实现思路
为克服现有技术的缺陷，本专利技术提出了一种基于视觉感知特征的光谱降维方法及 系统。 本专利技术的方法多采用的技术方案是：一种基于视觉感知特征的光谱降维方法，其 特征在于，包括以下步骤： 步骤I :构造综合人眼视觉色度特性和光谱特性的权函数w (入）， w(A) = '"(式一）； 其中，IT(x)、y (x)、Ta)表示标准观察者光谱三刺激值函数； 用全色差公式描述标准光谱r和预测光谱f在波长A处（控制其他波长处光谱反 射率值相等）的颜色差异A E* (入）， 遞s ③ + A^2(I) + U )(式二）； 其中，L* ( A )、a* ( A )、b* ( A )均在CIED50光源下计算得到的样本颜色色度信息， 式二的一阶Taylor展开为： AE* (Z)~w(A)\r(A)-f(A)|=w(A)Ar(Z)(式三）；将式三的等式两边同时除以ArU)，并结合式二得到w(入）： 式中，L*(A)，a*(A)，b*(A)对r(A)的导数由复合函数的求导法则得到，至此 完成综合人眼视觉色度特性和光谱特性的权函数W(A)的构建；步骤2:利用构造的权函数W(A)计算任意光谱样本集S的权函数SiW(A)，其中i 表示光谱样本集S中的第i个样本，i取值范围为1~k，k为光谱样本集S中样本的个数； 步骤3 :对样本集S的权函数S1W ( A )进行均值化处理，得到样本集S均值权函数矩阵Wfv， 其中，Wfv为方阵权函数矩阵，其主对角线为有所有样本计算得到的平均加权权重 系数； 步骤4 :构造用于均值权函数Wfv平滑优化模型及约束目标函数， 其中，n为优化因子，e为一很小的平滑常数，取值范围通常在之间， 简化计算条件下e取值为0, I为单位矩阵，I的范围为1~K，K为样本集采样波段数，约 束目标函数。bjFun。由四个评价指标综合而成，其计算方法为将样本集重构全色差A E*、光谱 均方根误差RMSE、光谱拟合的度误差（I-GFC)以及平均同色异谱指数MMI的归一化均值进 行乘积，其中全色差A E*采用式二计算而得，光谱均方根误差RMSE的计算如式七所示，其中，s ( A J，§(X〇分别为原光谱和重建光谱的光反射比，K为采样级数，即样本光 谱反射率波段数； 光谱拟合度误差（I-GFC)的计算如式八所示， 其中，S(A1),分别为原光谱和重建光谱的光反射比； 平均同色异谱指数丽I的计算方法为首先采用Fairman校正方法在D50/2。条 件下对原光谱和重构光谱进行同色异谱校正，然后计算二者在多组代表性光源下的平均色 差，其计算如式九所示， 其中，P为选取的光源数，^表示在第i个光源下计算得到的全色差值； 步骤5 :利用优化目标函数ObjFunc对平滑优化模型进行约束，设置n值的采样步 长为An，使n值在范围内从小到大连续增大，针对任意一个n值，获得其对应的平滑 加权函数Wfv*，原光谱样本集S经Wfv*加权后变为式十所示形式，S攀=(??，1)称S (式十）； 其中，S#加权后光谱样本集；则S ,的协方差矩2 ,为， Ew =Sw-Sii=mfl)?S]?1 (式十一）； 其中?表示向量点乘操作，《表示矩阵乘法操作，I为对应大小的单位矩阵，仍取 对Ss进行特征分解后的前f个特征向量集ff，则其主成分为： Cw=Wf'I (式十二）； 通过求逆操作，则加权后的重构光谱为： S=(Wf-IlY1(E)Sil =\{Wf/,,)' ?V1]\(WfI, )-' ?V,5 (式十三）； 利用目标优化函数计算重构光谱样本集与原光谱样本集的约束目标函数 Ob jFunc，确定权函数矩阵Wfv最佳平滑优化函数参数n值，进而确定最优权函数Wfn; 步骤6 :计算最优加权光谱样本集，利用确定的最佳平滑权函数Wfn通过式十对光 谱样本集S进行加权，获得最优加权光谱样本集S n; 步骤7 :样本集最优化降维处理，利用式十一计算最优加权光谱样本集Sn的协方 差矩阵，然后再利用式十二计算提取得到&对应的前f个特征向量的主成分，最终完成光 谱样本集S的降维处理。 作为优选，步骤4中所述的优化因子n取值范围为，光谱样本集S中为 380nm~780nm可见光波段。 作为优选，步骤5中优化因子采样步长A n取0.1 ;步骤5和步骤7中特征向量取 前6组，即f的值取6。 本专利技术的系统所采用的技术方案是：一种基于视觉感知特征的光谱降维系统，其 特征在于：包括构造权函数模块、样本集加权处理模块、样本集权函数均值化处理模块、权 函数优化模型构造模块、权函数参数优化计算模块、最优加权光谱样本集计算模块和样本 集最优化降维处理模块；构造权函数模块用于构造综合人眼视觉色度特性和光谱特性的权 函数w ( A );样本集加权处理模块用于对任意光谱样本集S进行w ( A )加权计算，得到其对 应的权本文档来自技高网...
【技术保护点】
一种基于视觉感知特征的光谱降维方法，其特征在于，包括以下步骤：步骤1：构造综合人眼视觉色度特性和光谱特性的权函数w(λ)，w(λ)=[x‾(λ)2+y‾(λ)2+z‾(λ)2]1/2]]> (式一)；其中，表示标准观察者光谱三刺激值函数；用全色差公式描述标准光谱r和预测光谱在波长λ处的颜色差异ΔE*(λ)，ΔE*(λ)≡(ΔL*2(λ)+Δa*2(λ)+Δb*2(λ))12]]> (式二)；其中，L*(λ)、a*(λ)、b*(λ)均在CIED50光源下计算得到的样本颜色色度信息，式二的一阶Taylor展开为：(式三)；将式三的等式两边同时除以Δr(λ)，并结合式二得到w(λ)：w(λ)=(dL*(λ)dr(λ))2+(da*(λ)dr(λ))2+(db*(λ)dr(λ))2]]> (式四)；式中，L*(λ)，a*(λ)，b*(λ)对r(λ)的导数由复合函数的求导法则得到，至此完成综合人眼视觉色度特性和光谱特性的权函数w(λ)的构建；步骤2：利用构造的权函数w(λ)计算任意光谱样本集S的权函数Siw(λ)，其中i表示光谱样本集S中的第i个样本，i取值范围为1～k，k为光谱样本集S中样本的个数；步骤3：对样本集S的权函数Siw(λ)进行均值化处理，得到样本集S均值权函数矩阵Wfv，Wfv=ΣiSiw(λ)/k,(i=1,2,...,k)]]> (式五)；其中，Wfv为方阵权函数矩阵，其主对角线为有所有样本计算得到的平均加权权重系数；步骤4：构造用于均值权函数Wfv平滑优化模型及约束目标函数，(式六)；其中，n为优化因子，ε为平滑常数，取值范围在[10‑3,10‑4]之间，I为单位矩阵，I的范围为1～K，K为样本集采样波段数，约束目标函数ObjFunc由四个评价指标综合而成，其计算方法为将样本集重构全色差ΔE*、光谱均方根误差RMSE、光谱拟合的度误差(1‑GFC)以及平均同色异谱指数MMI的归一化均值进行乘积，其中全色差ΔE*采用式二计算而得，光谱均方根误差RMSE的计算如式七所示，RMSE=1K-1Σi=1K[s(λi)-s^(λi)]2]]> (式七)；其中，s(λi),分别为原光谱和重建光谱的光反射比，K为采样级数，即样本光谱反射率波段数；光谱拟合度误差(1‑GFC)的计算如式八所示，1-GFC=1-|Σs(λi)s^(λi)||Σ[s(λi)]2||Σ[s^(λi)]2|]]> (式八)；其中，s(λi),分别为原光谱和重建光谱的光反射比；平均同色异谱指数MMI的计算方法为首先采用Fairman校正方法在D50/2°条件下对原光谱和重构光谱进行同色异谱校正，然后计算二者在多组代表性光源下的平均色差，其计算如式九所示，MMI=1pΣi(ΔE1*+ΔE2*+...+ΔEp*),(i=1,2,...p)]]> (式九)；其中，p为选取的光源数，表示在第i个光源下计算得到的全色差值；步骤5：利用优化目标函数ObjFunc对平滑优化模型进行约束，设置n值的采样步长为Δn，使n值在[1,2]范围内从小到大连续增大，针对任意一个n值，获得其对应的平滑加权函数Wfv*，原光谱样本集S经Wfv*加权后变为式十所示形式，SW=(Wfv*·I)⊗S]]> (式十)；其中，SW为加权后光谱样本集；则SW的协方差矩ΣW为，ΣW=SW·SWT=[(Wf·I)⊗S]⊗[(Wf·I)⊗S]T]]> (式十一)；其中·表示向量点乘操作，表示矩阵乘法操作，I为对应大小的单位矩阵，仍取对ΣS进行特征分解后的前f个特征向量集V~f,]]>则其主成分为：CW=[(Wf·If)⊗V~f]T⊗S]]> (式十二)；通过求逆操作，则加权后的重构光谱...
【技术特征摘要】
【专利技术属性】
技术研发人员：万晓霞，梁金星，卢玮朋，王琪，刘强，李俊锋，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。