基于人工神经网络的数码设备颜色特性化研究

作     者：马凯 

作者单位：云南师范大学 

学位级别：硕士

导师姓名：石俊生

授予年度：2021年

学科分类：1304[艺术学-美术学] 12[管理学] 13[艺术学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：颜色特性化 数码相机 彩色打印机 RBF神经网络 BP神经网络 

摘      要：人们在通过数码设备获取彩色图像信息时,由于每种设备的显色原理不同,它们都具有独立的颜色特性。不同设备之间颜色传递需要颜色管理系统其中构建颜色管理系统最重要的一环就是颜色特性化。传统颜色特性化方法运算复杂,数据需求量高。因此,论文围绕人工神经网络法对数码相机和彩色打印机的颜色特性化问题,在D65标准光源下利用径向基函数(RBF)神经网络进行研究,并且与BP神经网络进行结果对比,证明RBF神经网络在数码相机和彩色打印机颜色特性化问题上具有更低的色差。完成的具体工作如下:(1)基于RBF和BP神经网络的数码相机颜色特性化研究。利用Canon G11数码相机拍摄The X-rite Color Checker Digital SG 140色色卡,采集色块的RGB数据,用光谱仪采集到的数据计算出每个色块的XYZ值,最后利用RBF神经网络和BP神经网络建立颜色特性化模型,70组数据作为训练集,70组数据作为测试集。最终RBF神经网络在最优情况下的训练集CMC(1:1)?色差为1.72,CIE LAB?E*色差为1.79,测试集CMC(1:1)?色差为3.95,CIE LAB?E*色差为4.89,色差结果均优于BP神经网络。(2)基于RBF和BP神经网络的彩色打印机颜色特性化研究。均匀分割彩色打印机的RGB颜色空间,建立126个色块的训练和测试数据集,计算出每个色块的XYZ值。最后利用RBF和BP神经网络建立模型。最终RBF网络在最优情况下的训练集CMC(1:1)?色差为1.30,CIE LAB(?)E*色差为2.30,测试集CMC(1:1)?色差为3.60,CIE LAB(?)E*色差为5.65,色差结果均优于BP神经网络。(3)基于RBF和BP神经网络的数码相机和彩色打印机反向特性化研究。利用RBF和BP神经网络建立反向颜色特性化模型,再用欧式距离作为标准衡量?R、?G和?AB的误差。其中RBF网络下数码相机训练误差为4.21,测试误差为8.86,该结果优于BP神经网络下利用相同数码相机数据集的训练和测试误差。而打印机的误差过大,最后通过样本分布分析色差过大原因。