1 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院通用光学定标与表征技术重点实验室, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230026
针对R矩阵光谱重构法面临的问题, 提出了一种基于相机响应特性的光谱分解方法, 对分解出的同色异谱黑的反演建立粒子群优化 BP 神经网络模型 (PSOBP) 以实现网络训练权重的优化, 并利用全局训练样本和局部训练样本的二次光谱重构方式进行了仿真实验。结果表明, 在D65光源下, 利用所提出的方法, RGB相机观测下重构两种测试集均方误差平均值分别至少降低了1.71%和0.51%, 色差最大值分别为3.5579和2.3776, 满足人眼辨别颜色阈值要求; WorldView3观测下光谱重构精度均方误差在410~510、555~565、590~685、705~740 nm波段内不超过2%, 适应度系数表示的可接受样本占比均为91.667%, 色差最大值分别为1.6002和1.1177, 其光谱重构精度以及色度精度较其他方法均有所提高, 且6通道多光谱相机已能满足较高精度光谱重构的要求。
遥感 光谱重构 同色异谱黑 粒子群优化 神经网络 齐次非线性扩展 remote sensing spectral reconstruction metamerism black particle swarm optimization neural network homogeneous nonlinear extension
在光谱色彩管理色域映射中,针对查找表建立过程中高维光谱数据计算的一系列问题,提出了一种非线性的高维光谱降维方法。对同色异谱黑进行偏最小二乘分析,提取潜在成分,获得了KMN向量,将其与Lab向量组合成6维向量,并作为中间转换空间LabKMN,实现高维光谱数据与低维基向量组合之间的相互转换。LabPQR空间的前3个维度是在特定光照条件下的CIELAB值,后3个维度(PQR)用于描述同色异谱黑的光谱重建维度。对两种方法在光谱精度和色度精度两方面进行比较,基于1600个孟塞尔样本数据的实验计算表明,与LabPQR方法相比,LabKMN的方均根误差均值由0.0164降低到0.0139,光谱精度提高了15.24%,色度重建误差由2.8706降低到1.8138,平均色差降低了36.81%。LabKMN方法降维后的重建精度大幅提高,能够较好地实现更高精度的原始色彩光谱空间的描述。
光谱学 光谱色彩学 光谱反射率 LabKMN空间 同色异谱黑 偏最小二乘法 激光与光电子学进展
2020, 57(1): 013003
1 深圳职业技术学院媒体与传播学院, 深圳 广东 518055
2 上海理工大学出版印刷与艺术设计学院, 上海 200093
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。
光谱色彩学 光谱颜色复制 光谱降维 低维线性模型 同色异谱黑
