研究多色打印机的光谱特征化, 提出了一种基于降维的光谱特征化模型, 保证了多色打印机颜色转换的精度, 同时也提高了特征化的运行效率。 该模型结合颜色分区理论和LabPQR非线性降维方法, 首先将高维光谱数据降低至LabPQR六维空间中, 然后通过胞元搜索算法查找目标颜色所属的胞元空间, 最后利用反向四面体插值算法对目标的LabPQR值进行计算, 得到打印机最终的通道信号输出值。 检测颜色样本的实验数据表明, 正向模型和反向模型的平均色差达到0.714和1.016 NBS, 模型的运行时间为2.03和9.05 s。 新算法能够实现多色打印机光谱数据与通道信号值间的准确转换。

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(GA-BP)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。

针对打印机的非线性以及印刷条件的复杂性，提出一种基于遗传算法(GA)优化的径向基(RBF)神经网络与子空间划分的打印机颜色预测模型。对打印机进行子空间划分，在子空间中进行模型的构建，采用GA 同时对RBF 神经网络的隐含层节点的中心和宽度参数进行优化进而构建了GA-RBF 神经网络模型。同时将本文算法与RBF 神经网络、Yule-Nielsen 修正的Cell Neugebauer(CYNSN)模型两种主流算法的预测精度进行了比较。实验结果表明，GA 的优化弥补了RBF 神经网络可调参数单一的缺陷，提高了模型的预测精度，与其他模型相比，该模型具有较高的预测精度和泛化能力，用于打印机的颜色预测是切实可行的。

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(ΔE*ab)为1.669,光谱均方根误差(RMSE)为0.7%,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均ΔE*ab分别为3.267,2.776,2.175,光谱RMSE为0.97%,0.79%,0.76%)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.