光谱成像可以记录拍摄场景的光谱信息, 从而实现颜色的高保真复现, 图像的光谱信息通常同时混合了物体的光谱信息和光源信息, 所以现有的光谱成像颜色还原需要通过提前放置的标定板或已知光谱特性的物体获取拍摄环境的光源信息, 再进行图像的颜色恒常性校正。 但光谱相机在实际使用过程中, 通常难以满足上述条件, 从而对图像高保真颜色还原提出挑战。 针对此问题, 提出一种光谱成像的图像颜色恒常性计算方法, 将光谱成像系统获得光谱数据转换到XYZ颜色空间, 并将图像分区域进行统计得到图像的统计点, 通过大量常见光源的分布规律, 给统计点施加位置权重和色温权重, 同时设置亮度权重去除图像中过暗和过饱和的统计点, 利用加权平均获得环境光的色度参数, 根据需求将图像的XYZ颜色空间数据转换到RGB颜色空间, 根据环境光的色度参数计算图像不同通道的增益, 从而完成光谱图像的颜色恒常性计算。 为了验证所提出算法的有效性, 对140张光谱图像进行处理, 计算算法得到的环境光色度参数和真实光源色度之间的再现角误差, 对校正结果进行评价, 结果表明提出的算法明显优于光谱图像不做处理和灰度世界法。 为进一步分析算法校正结果与人眼感知之间的联系, 设计颜色心理物理学实验中的分度实验, 18名视觉正常的观察者参与实验, 所有观察者对算法校正结果打分的平均值介于良好和优秀之间, 可以满足实际使用需求； 沿着平均色温线的方向, 观察者所允许的光源色度差异较其它方向稍大； 在图像中包含大面积记忆色时, 当光源色度差异向使记忆色饱和度增大的方向偏移时, 此时观察者所容忍的色度差异变大。 由客观和心理物理学实验结果可知, 所提出的算法可以在拍摄光源未知, 且没有标板的情况下, 较好的对光谱成像中的图像颜色恒常性进行处理, 为光谱图像的颜色高保真再现打下基础。

基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换，但低维空间数据含有大量负值，不能和色度空间如CIELAB等连接起来，给光谱颜色复制的后续研究带来困扰；建立XYZ三刺激到多光谱数据的转换，在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息；通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系，实现XYZ三刺激值到多光谱数据转换；在不同的训练样本，不同的测试样本时，相对于主成分和权重主成分，推荐的方法在多种照明条件下色度重建精度得到提高，可以较好地应用到多光谱图像的高保真降维和压缩。

为了降低LED背光液晶显示器的能耗, 提出了四原色LED背光方案, 并对该四原色LED重新表达颜色的节能性能以及色差进行研究。首先, 由于人眼对于红色光不敏感, 文中提出了一种使用第四原色替代红色来重新表示复合颜色的方法。为了达到最佳的节能效果, 引入了发光效率来确定第四种原色。之后通过色域分区的方式, 说明了三原色到四原色的转换方法。最后, 介绍了如何评估颜色重新表达后的色差。结果表明, 通过OGB颜色而不是流行的RGB颜色重现复合颜色, 功耗平均降低了20%以上, 使用OGB表达颜色与RGB表达颜色的平均色差ΔE小于1.9。文中提出四原色LED背光方案, 对于目前的液晶显示器有良好的节能效果, 不会使图像的显示产生明显的色差, 符合当前显示器的显示准确和节能的要求。

彩色数码设备色彩还原能力直接影响彩色图像的最终呈现效果, 是彩色数码设备性能设计优劣的一个重要指标。为研究低光照度下不同彩色数码设备的色彩还原能力, 本文提出了一种简便快 捷的可视化客观色彩还原能力评价方法,该方法首先将RGB三基色颜色空间转换到CIELAB颜色空间, 并基于CIEDE2000色差公式在CIELAB颜色空间建立全面客观的量化评价指标, 最终基于VC++软件平 台开发了上位机软件程序, 能实现对彩色数码设备的色彩还原能力的现场评价。实验结果表明, 该评价方法与主观视觉感受吻合较好, 能为低光照度环境下的彩色数码设备色彩还原能力提供一种有 效的评价方法。

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。

针对可见光多光谱图像在通用领域的应用, 为提高压缩效率, 有效提升重建光谱曲线的色度及光谱精度, 进一步存储传输, 提出了一种非线性光谱反射率模型, 并基于此设计了复杂度适中、 光照稳定性好且支持光谱跨设备再现的LabW2P编解码算法。 首先根据多光谱图像物理特性, 提出非线性光谱反射率模型, 将光谱数据表示为线性成分和差别光谱, 线性成分由六维变换空间及光谱投影系数组成, 差别成分为非线性表示成分, 该模型用于光谱数据至不同基变换空间的分解及表示, 为算法的构建, 光谱及色度重建性能的提升, 提供了理论基础; 然后, 根据人眼视觉系统特征、 光照条件, 借助CIE标准色度空间转换函数, 提取光谱反射率中的三维色度信息Lab, 保证重建图像的色度精确性; 基于光谱非线性表示模型, 采用类视觉曲线的三角函数基, 提取线性成分前两维投影系数作为光谱编码的后两维W1和W2, 用于近似描述CIERGB色度空间中R和G通道, 同时有效提高光谱数据的色度和光谱还原度; 利用误差补偿机制生成预测差别光谱, 采用主成分分析（PCA）法提取其第一维主成分作为编码值P, 补偿了线性光谱重建误差, 并进一步提升了光谱精确性; 最后, 组合提取的三部分数据, 形成LabW2P编码。 LabW2P解码即编码的逆过程。 首先, 根据Lab及W1和W2, 结合CIELAB至CIEXYZ色度空间转换函数、 光照条件、 CIE标准观察者色匹配函数、 及三角函数基, 采用最小二乘回归, 获得变换空间上的重建投影系数, 进而重建线性光谱数据; 然后, 根据P值, 采用PCA逆变换, 获取重建预测差别数据, 最后, 结合两部分重建数据, 获得光谱重建图像。 实验分析显示, LabW2P算法的平均色度精度为0.207 6, 较经典的PCA, LabPQR和LabRGB法分别提升了81.54%, 55.48%, 32.29%, 最大平均色差为0.507 0, 此外均处于0～0.5之间, 达到了视觉难以辨认的可忽略色差的色彩重建水平; 平均光谱精度为0.012 7, 较PCA性能稍弱, 较LabPQR和LabRGB法分别提升了13.01%, 6.62%, 表明LabW2P编码法的色度和光谱重建性能优势明显。 此外该算法可直接用于物体色估计, 较PCA和LabPQR法, 传输附加信息少, 可达压缩比更高。

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。

在半色调印刷品原色油墨光谱预测技术中， 在原光谱反射率空间进行主成分分析得到的代表性基向量数目会大于实际所使用的原色油墨数目， 即光谱反射率空间并不适用光谱预测， 且主成分分析得到的基向量会出现负值， 没有物理意义。 针对上述问题， 建立了一个减色线性经验空间模型及其空间转换模型， 并探究了影响经验空间线性程度n值的因素， 通过实验及优化算法创新性找到确定最佳n值的方法， 并在该减色线性经验空间进行半色调原稿原色油墨的预测实验。 实验结果表明， 在不同n值下， 选取原始光谱反射率Rm和重构光谱反射率Rrecon的f范数平方值的最小值对应的n值做为建立线性经验空间确定最佳n值的方法是有效的； 为了将纸张和油墨类型对空间转换因数n的影响程度减到最小， 最终确定n值为3.5； 在减色线性经验空间进行印刷品原色油墨数目预测， 得到的代表性基向量数目恰好等于实际印刷使用的原色油墨数目4， 进行原色油墨光谱预测， 预测的4色油墨除K色外， 其他CMY色与实际原色油墨光谱相比拟合度GFC均大于99.9%。 即所提出的优化n值的新方法建立的减色线性经验空间是一个可作为半色调印刷品原色油墨数目预测和光谱预测的有效线性空间。

随着光谱技术的发展, 打印系统的光谱特征化模型成为研究热点。 基于光谱匹配的特征化模型通过直接预测设备基色的光谱反射比数据, 可以有效的减少同色异谱现象的发生, 为实现高保真印刷提供条件。 主要基于Yule-Nielsen修正的Neugebauer光谱模型, 开展了关于12色打印系统光谱特征化模型如何提高模型精度的研究。 首先通过对颜色测量仪器及测量条件、 喷墨打印机打印系统进行稳定性及精确度验证, 为后续样本设计和测量提供可行性依据。 然后, 建立该研究设备适用的正向YNSN模型。 依据CIELAB颜色空间中明度值L*均匀分布的原则, 设计并输出了1 331个测试样本, 抽取部分样本做训练样本, 对所建立的光谱的特征化正向模型进行验证。 结果表明, 基于光谱的特征化模型预测精度较高, 具有明显的优势。 经验证, 通过引入Yule-Nielsen修正参数n值, 可进一步改善光谱预测精度。