为了在给定的照明和观察条件下, 用相机响应信号重建物体表面光谱反射率, 实现颜色的高精度复原, 采用了多光谱成像技术采集物体表面的多光谱图像, 使用主成分分析、R矩阵和正则化R矩阵方法进行了光谱反射率重建的理论研究, 并对壁画色块颜色复原进行了实验验证, 取得了壁画色块的重建光谱和颜色复原数据, 同时对基于正则化R矩阵方法的壁画色块颜色复原结果进行了评价。结果表明, 正则化R矩阵方法进行光谱重建的光谱精度和色度精度更高, 与主成分分析和R矩阵方法相比, 色差降低了0.0732, 适应度系数提高了1.10%, 均方根误差降低了0.0035, 光谱匹配偏指数降低了0.0225。该方法能够满足高精度颜色再现的需要, 适用于文物艺术品数字化存档、文物艺术品修复等领域。

为解决传统光谱匹配算法对同色系不同颜料物质光谱数据匹配识别精度不高的问题,提出了一种自适应阈值的编辑距离光谱匹配算法;研究了如何利用编辑距离对光谱反射率曲线差别敏感的特性来提高匹配精度的方法,同时通过自适应设定编辑距离的判定条件来减小算法匹配同种物质时在不同条件下光谱数据的误差。结果表明:与传统光谱匹配算法相比,自适应编辑距离算法的匹配精度更高,对颜料的识别结果更好。

针对BP神经网络存在的过拟合问题, 提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数, 利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导, 并为调整量添加了动量项用于提高神经网络收敛速度, 然后建立了关联度反向传播预测模型, 并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验, 通过与改进的RBF和BP神经网络对比, 表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了402, 收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合, 能够在保证效率的同时, 解决过拟合问题, 提高预测精度。

为了解决传统R矩阵方法重建光谱反射率过程中的病态问题，提出了一种正则化R矩阵改进方法。研究了如何使用Tikhonov正则化来限制R矩阵方法求解Moore-Penrose伪逆矩阵中所产生的病态问题，同时使用L曲线方法从训练样本数据中得到有效限制病态情况的最优正则化参数。实验结果表明：与R矩阵方法相比，改进的正则化R矩阵方法重建的光谱精度的平均均方根误差值降低了0.004 25，平均适应度系数值提高了1.325%，色度精度的平均色差值降低了0.141 9，并且在实际的应用中具有较好的表现。该方法能够满足精度较高的文物艺术品颜色再现的需要。