色彩高保真复制的理论与实践

论文摘要

近年来，传统色彩复制方法在分色精度和色域扩展方面已经不能满足人们对高档艺术品、高档奢侈品包装的复制需求，这推动了印刷色彩高保真复制技术（Hi-Fidelity ColorReproduction）的不断进步，引发了印刷工业领域进行色彩高保真复制的技术革新。如何提高光谱分色精度，扩展传统4色色域是色彩高保真复制的关键。本文针对这一关键技术问题，研究通过神经网络进行光谱分色以及通过特征光谱提取进行基色预测的方法，最终建立多基色、神经网络高精度光谱分色的高保真复制模型。本文的研究成果将有效推动印刷高保真复制的工业应用，不仅在印刷高保真复制领域具有十分重要的应用价值，在光谱识别与匹配、多光谱图像压缩、医疗影像分析与诊断等领域也有着重要意义。本课题的主要研究成果如下：1．分别建立了基于BP和RBF神经网络的光谱分色模型，研究对光谱进行光谱密度变换来降低分色误差的方法，进行了神经网络结构与参数的优化设计，通过实验证明了基于神经网络的光谱分色模型能够实现高精度、高效的光谱分色。2．提出了一种基于光谱导数变换与相关性分析的特征光谱提取算法，在10nm分光光度测量精度条件下提取了传统C、M、Y油墨的特征光谱，实验证明C、M、Y三基色的特征光谱主要集中在430nm、440nm、490nm、510nm、550nm、560nm、590nm、650nm、700nm共9个波段。3．提出了一种基于特征色与特征光谱筛选的基色预测算法，证明对样本进行特征色与特征光谱的筛选能够有效减少样本数量，提高基色预测精度，对所预测的基色进行色域仿真后表明，算法预测的基色能够有效扩展传统4色色域。4．提出了一种基于神经网络与特征光谱匹配的光谱分色算法，实验证明通过提取基色的特征光谱，进行基于特征光谱匹配的分色能够保证光谱匹配精度，有效提高色度匹配精度。5．在前四项研究成果的基础上，以神经网络、特征光谱提取与匹配为核心，建立了多基色、高精度光谱分色的高保真复制模型，通过仿真的方式验证了模型能够实现最大化的色域扩展，分色精度和效率高。

论文目录

• 致谢
• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 国内外研究现状
• 1.2.1 国内外高保真分色方法研究
• 1.2.2 国内外特征光谱及其提取方法研究
• 1.2.3 国内外基色选择算法研究
• 1.3 本课题的研究目标及研究内容
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.4 论文的组织安排
• 1.5 本章小结
• 第2章 色彩高保真复制的理论基础
• 2.1 色彩高保真复制理论与技术的发展
• 2.1.1 色彩高保真复制理论
• 2.1.2 色彩高保真复制技术
• 2.2 高保真分色技术理论
• 2.2.1 多基色分区方法的基本原理
• 2.2.2 基于 Neugebauer 方程分色算法的基本原理
• 2.2.3 基于神经网络光谱分色算法的基本原理
• 2.3 特征光谱提取与基色选择的理论
• 2.3.1 特征光谱提取的基本原理
• 2.3.2 基色选择的基本原理
• 2.4 本章小结
• 第3章 基于神经网络的光谱分色算法设计
• 3.1 神经网络光谱分色算法设计
• 3.1.1 算法的可行性与必要性
• 3.1.2 算法模型的设计
• 3.2 实验设计、数据采集与分析
• 3.2.1 实验样本的印制
• 3.2.2 实验数据的测量
• 3.2.3 实验样本的均匀性误差分析
• 3.2.4 实验样本的重复性误差分析
• 3.3 实验及结果分析
• 3.3.1 正向特征化流程与精度评价
• 3.3.2 基于 BP 神经网络光谱分色模型的分色精度
• 3.3.3 基于 RBF 神经网络光谱分色模型的分色精度
• 3.3.4 基于神经网络光谱分色算法的总体评价
• 3.4 特征光谱匹配精度对分色精度的影响
• 3.5 本章小结
• 第4章 基于特征光谱的基色预测及其光谱分色算法实现
• 4.1 基于光谱一阶导数变换与相关性分析的印刷特征光谱提取算法设计
• 4.1.1 算法模型
• 4.1.2 实验设计
• 4.1.3 实验结果与分析
• 4.2 基于特征色与特征光谱筛选的基色预测算法设计
• 4.2.1 多基色高保真色域分析
• 4.2.2 基色的呈色规律分析
• 4.2.3 算法设计
• 4.3 基于 RBF 特征光谱匹配的光谱分色算法实现
• 4.3.1 算法设计
• 4.3.2 实验及分析
• 4.3.3 总结
• 4.4 本章小结
• 第5章 多基色高保真复制的实现
• 5.1 多基色高保真复制模型的设计
• 5.1.1 正向特征化模型
• 5.1.2 特征光谱提取模型
• 5.1.3 基于 RBF 神经网络特征光谱匹配的多基色光谱分色模型
• 5.2 多基色高保真复制模型的仿真实现
• 5.2.1 基色预测与色域仿真
• 5.2.2 正向特征化及分色模型构建
• 5.2.3 基于 RBF 神经网络 6 特征光谱的分色结果与精度评价
• 5.2.4 结论
• 5.3 本章小结
• 第6章 总结
• 6.1 本课题完成的主要工作
• 6.2 本课题的创新点
• 6.3 本课题的不足与后续研究的展望
• 附录 A
• 附录 B
• 附录 C
• 附录 D
• 附录 E
• 攻读博士期间主要完成的工作
• 一、教学
• 二、论文
• 三、科研
• 参考文献