针对传统光谱降维方法其降维重构后的光谱数据仅是对原始光谱的数学逼近, 会出现光谱误差较小但颜色色差较大的缺点, 创新性的提出三种将人眼视觉特性与光谱降维相结合的方法。 其中, VPCA法直接将光谱光视效率函数加权到原始光谱上再进行降维, LMSPCA方法用LMS视稚响应构建加权矩阵对原始光谱加权后再进行降维, 在LMSPCA法中加权矩阵的构建有两种方式, 其主要区别在于视稚响应偏差的求取方式不同。 方式一中, L, M, S视稚响应偏差是各对应波长上的偏差取绝对值, 而方式二中, 其偏差是各对应波长上的偏差平方。 LMSPCAs法在LMSPCA法基础上再采用PCA(主成分分析)方法对损失的光谱进行降维。 实验结果表明VPCA法降维效果较差, LMSPCA法的两种加权矩阵降维效果接近, 皆可显著提高降维模型的色度精度, 但会降低模型的光谱精度, LMSPCAs法由于针对LMSPCA法因光谱加权引起的光谱损失再进行光谱补偿, 其在光谱精度、 色度精度以及变光照条件下的色差稳定性这三个方面都能较好地表征原始高维光谱反射率, 满足光谱颜色复制的要求。

针对传统光谱降维方法的缺点，提出一种基于矩阵理论的线性光谱降维方法。该方法在Cohen定义的矩阵R理论基础上提出修正矩阵，可将物体光谱反射率分解为基本光谱和同色异谱黑光谱，再分别对两者进行线性降维。基本光谱的三个基向量由颜色匹配函数与光源的乘积再进行正交化得到，其三个基向量的累积贡献率可达100%。同色异谱黑光谱的基向量由主成分分析推导，取前三个特征向量作为同色异谱黑光谱的基向量。实验结果表明，使用该方法构建的六维线性模型能在光谱和色度两个方面较好地表征原始高维光谱反射率，满足光谱颜色复制的要求。