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。

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。

We study the co-existing four-wave mixing (FWM) process with two dressing fields and the six-wave mixing (SWM) process with one dressing field in a five-level system with carefully arranged laser beams. We also show two kinds of doubly dressing mechanisms in the FWM process. FWM and SWM signals propagating along the same direction compete with each other. With the properly controlled dressing fields, the FWM signals can be suppressed, while the SWM signals have been enhanced.