色貌模型CIECAM02若干问题的研究

论文摘要

1931年制定的CIE（国际照明委员会）色度系统,为颜色科学的理论及其应用技术的发展奠定了基础。然而,进入二十世纪80年代,以计算机技术为代表的信息技术得到了迅猛的发展,传统的色度学理论已经难以解决各种颜色信息交流系统中颜色信息的保真传递和交流问题,由此在颜色科学领域引发了一场持续的色貌模型研究热潮。为了实现跨媒体颜色保真复制,色貌模型是必不可少的一个环节。CIE TC1- 34在1997年建立了色貌模型的统一简化版本—CIECAM97s,经过4年多的测试检验,CIE又于2002年公布了CIECAM97s修正版本CIECAM02,补充了一些信息并更加趋向于实用。但是我们注意到,在国际产业界,迄今为止尚未有任何一种色貌模型被相关领域的颜色管理系统所采用。例如,致力于解决跨媒体之间彩色信息保真交流问题的国际色彩联盟ICC（International Color Consortium）从未把任何一种色貌模型应用在ICC的色彩描述头文件（profile）中。因此可认为,传统色貌模型的理论及其应用仍处于发展、试验阶段。基于传统色貌模型本身的复杂性及其在应用中的局限性,我们提出了“关联色貌模型”这一概念,直接将媒体的颜色驱动参数与色貌属性参数（包括照明、背景、环境因素等）联系起来。“关联色貌模型”既可以直接应用于各种自成体系的闭环颜色控制系统中,又可以与目前国际上流行的开放式系统中的“色彩描述文件”融合为一体,从而使整个系统得以简化。从色貌本身的特性和实际应用时的运行速度考虑,采用神经网络方法来实现这个模型。基于传统色貌模型在颜色复制应用时的复杂性,本文提出了一种“视觉匹配”的方法,来获得训练神经网络所需要的样本数据对,并用CIECAM02模型去检验“视觉匹配”方法所获得的实验数据的可靠性（同时也是对CIECAM02的检验）,然后通过神经网络方法进行泛化,实现基于神经网络的“关联色貌模型”模块。为了提高神经网络泛化的精度,我们对训练样本进行了优化排序、色空间转换等处理,并提出和实现了各种主观评价与仪器测量相结合的评价方法。同时,利用这种“视觉匹配”和人工神经网络相结合的方法来实现CRT特性化。这种方法由于包含了人眼的色适应因素,所以是一种给定观察条件下基于色貌的视觉特性化方法。在此基础上,建构了一条简洁的颜色复制数据链,实现了基于该方法从硬拷贝NCS色卡到CRT的复制。另外,鉴于CIECAM02模型只能对处于无彩色背景下的颜色实现准确的色貌预测,还提出了一种对彩色背景下的输入颜色进行相对简单的预处理方法,以便当把预处理得到的数据作为输入时,CIECAM02也可以准确预测。基于对立色理论,通过心理物理视觉实验,获得了一个预处理的色诱导公式。通过有预处理和无预处理的结果比较看出,预处理可以改善预测精度,说明预处理概念提出应该是有意义和有价值的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 跨媒体颜色复制的需求及应用领域
• 1.1.1 跨媒体颜色复制及其存在的问题
• 1.1.2 不同颜色的复制要求
• 1.1.3 实现色度颜色复制的途径
• 1.2 国内外研究的历史、现状和发展方向
• 1.2.1 基于色度的跨媒体颜色复制
• 1.2.2 色貌现象
• 1.2.3 色貌模型
• 1.2.4 基于色貌模型的颜色管理系统
• 1.3 本论文研究的内容
• 1.3.1 关联色貌模型
• 1.3.2 关联色貌模型的神经网络实现
• 1.3.3 基于色貌的 CRT 特性化
• 1.3.4 对 CIECAM02 彩色背景输入色的预处理
• 第二章 色貌现象、色适应及色貌模型
• 2.1 色貌现象
• 2.1.1 同时对比或诱导
• 2.1.2 色差增强
• 2.1.3 扩散效应
• 2.1.4 Bezold-Brücke 色调漂移
• 2.1.5 Hunt 效应
• 2.1.6 Stevens 效应
• 2.1.7 照明体折扣
• 2.1.8 其它色貌现象
• 2.2 色适应
• 2.2.1 色适应
• 2.2.2 色适应变换
• 2.3 混合色适应
• 2.3.1 混合色适应和不完全色适应
• 2.3.2 TC8-04 的实验条件
• 2.3.3 跨媒体图像比较的观察技术
• 2.3.3.1 记忆观察技术
• 2.3.3.2 相继双眼观察技术
• 2.3.3.3 同时双眼观察技术
• 2.3.3.4 同时单眼观察技术
• 2.3.4.5 相继匀场（Ganzfeld）单眼观察技术
• 2.4 色貌模型
• 2.4.1 色貌及其属性
• 2.4.2 早期的色貌模型
• 2.4.3 CIECAM97s 色貌模型
• 2.4.4 CIECAM02 色貌模型
• 2.4.4.1 观察视场的结构
• 2.4.4.2 输入数据与环境参数
• 2.4.4.3 输出数据
• 2.4.4.4 CIECAM02 的构成
• 2.4.4.5 CIECAM02 色貌模型的计算步骤
• 2.4.4.6 CIECAM02 的不足之处
• 2.4.5 图像色貌模型
• 2.4.6 色貌模型的应用
• 2.5 本章小结
• 第三章 基于神经网络的关联色貌模型
• 3.1 传统色貌模型在颜色复制中的作用
• 3.2 关联色貌模型
• 3.3 关联色貌模型的神经网络实现方法
• 3.3.1 人工神经网络和 BP 训练算法
• 3.3.2 关联色貌模型人工神经网络的训练样本获取及模型预测精度检验方法
• 3.4 神经网络色貌预测能力的检验
• 3.4.1 LUTCHI 数据的 BP 神经网络预测
• 3.4.1.1 LUTCHI 数据
• 3.4.1.2 BP 网络的训练
• 3.4.1.3 神经网络预测能力检验
• 3.4.2 CIECAM02 模型的 BP 神经网络实现
• 3.4.2.1 ColorChecker 色卡及 Munsell 系统
• 3.4.2.2 网络结构和参数
• 3.4.2.3 网络预测的结果与讨论
• 3.4.2.4 实验结果分析
• 3.4.3 基于色貌模型的跨媒体颜色复制
• 3.4.3.1 实验数据的产生
• 3.4.3.2 神经网络训练
• 3.4.3.3 预测结果的评价
• 3.4.3.4 分析
• 3.5 基于视觉匹配的关联色貌模型神经网络实现
• 3.5.1 实验设备
• 3.5.1.1 NCS 色序系统及其量化表示
• 3.5.1.2 CRT 均匀性和稳定性测试实验
• 3.5.1.2.1 CRT 的屏幕均匀性和稳定性
• 3.5.1.2.2 CRT 均匀性和稳定性的检测流程
• 3.5.1.2.3 数据分析
• 3.5.2 样本集的产生
• 3.5.2.1 视觉匹配实验
• 3.5.2.2 关联色貌模型样本集产生
• 3.5.2.3 获取数据的可靠性
• 3.5.3 数据泛化处理
• 3.5.4 实验结果评价
• 3.5.4.1 正向预测的评价
• 3.5.4.2 视觉估计法（对逆向预测的评价）
• 3.5.5 结论
• 3.6 本章小结
• 第四章 基于色貌的 CRT 视觉特性化
• 4.1 CRT 的特性化
• 4.1.1 基于 CIEXYZ 的传统 CRT 特性化
• 4.1.1.1 PLVC 法
• 4.1.1.2 三维查表法（ 3D-LUT）
• 4.1.1.3 反馈校正法
• 4.1.1.4 GOG 模型法
• 4.1.1.5 神经网络法
• 4.1.2 基于色貌的 CRT 视觉特性化方法
• 4.2 视觉特性化实验
• 4.2.1 实验样本
• 4.2.2 数据泛化处理
• 4.2.2.1 预转换
• 4.2.2.2 分色调网络（ Hue- Divided Neural Networks）训练
• 4.2.3 神经网络的精度
• 4.2.3.1 正向预测精度
• 4.2.3.2 逆向预测精度
• 4.2.4 色坐标系的转换
• 4.2.5 应用和讨论
• 4.3 本章小结
• 第五章 对 CIECAM02 彩色背景输入颜色的预处理
• 5.1 CIECAM02 观察条件参数的描述
• 5.2 心理物理视觉实验
• 5.2.1 实验前的数据测量
• 5.2.2 黑、白无彩色背景实验
• 5.2.2.1 灯箱、显示器白点的设置
• 5.2.2.2 硬拷贝色样
• 5.2.2.3 观察条件
• 5.2.2.4 观察结构
• 5.2.2.5 实验结果分析
• 5.2.3 彩色背景视觉实验
• 5.2.3.1 硬拷贝背景
• 5.2.3.2 观察条件和观察结构
• 5.2.3.3 硬拷贝样本
• 5.2.3.4 数据的获取
• 5.2.3.5 数据的可靠性
• 5.2.4 彩色背景视觉实验的数据处理
• 5.2.4.1 数据处理流程
• 5.2.4.2 色诱导模型
• 5.2.5 色诱导公式的推导
• 5.2.5.1 数据分析
• 5.2.5.2 色诱导公式
• 5.2.5.3 公式性能的检验
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 本论文的创新点
• 6.3 存在的问题与展望
• 参考文献
• 攻读博士期间发表的论文
• 致谢