CN102110428A - 一种cmyk到rgb色彩空间的转换方法和装置 - Google Patents

Abstract

本发明提供了一种CMYK到RGB色彩空间的转换方法和装置，其中的方法具体包括：建立步骤：建立BP神经网络转换模型，将CMYK空间中的C、M、Y、K作为该转换模型的输入变量，RGB空间中的R、G、B作为该转换模型的输出变量，所述模型的参数包括网络权值和网络阈值；获取步骤：以N个CMYK颜色值和对应的RGB颜色值为训练样本的输入和期望输出，获得训练样本；训练步骤：针对所述训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型。本发明用以减小CMYK到RGB色彩空间的转换误差。

Description

一种CMYK到RGB色彩空间的转换方法和装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种CMYK到RGB色彩空间的转换方法和装置。

背景技术

在近年应用日益广泛的空间信息可视化中，空间信息的彩色表达与应用已经成为空间信息分析、处理和应用的主要目标之一。由于色彩能够最准确地表达客观物体，人的视觉对色彩反映最快的空间信息可视化方式的多样性以及需要借助多种呈色设备与材料来再现空间信息的色彩，从而导致通过色彩变换在多种色彩描述空间和不同呈色设备与材料上实现和满足色彩表达的需求，使色彩变换成为空间信息可视化的一个技术难题。

色彩变换是指建立不同色彩空间之间一一对应的映射关系，使提供的色彩数据能够满足实际应用支持的色彩空间。广义的色彩变换就是色彩空间变换，也即将某一种色彩空间表示的色彩变换到另一种色彩空间中进行表示，如常见的RGB(红Red，绿Green，蓝Blue)，CMYK(青Cyan，洋红Magenta，黄色Yellow，黑色Black)，L^*a^*b^*(照明度Luminosity，a、b分别表示色彩三维空间的两个轴)等色彩空间的相互变换。

在目前空间信息的色彩表达中，RGB色彩空间与CMYK色彩空间是空间信息显示和打印的基本色彩空间。其中，RGB色彩模式是最基础的色彩模式，只要在电脑屏幕上显示的图像，就一定是以RGB模式表现的，因为显示器的物理结构就是遵循RGB的。而CMYK色彩模式，也称作印刷色彩模式，只要是在印刷品上看到的图像，就是以CMYK模式表现的。

在图像处理领域，经常存在从CMYK到RGB色彩空间的转换需求。例如，考虑到AI是平面设计人员用的，需要打印，AI(Adobe Illustrator)软件中存储的*.AI类型的文件都是以CMYK模式表现的。这样，在设计人员在计算机屏幕上应用*.AI类型的文件时，就需要将其转换为RGB模式。

RGB色彩模式是工业界的一种颜色标准，是通过对R、G、蓝B三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色。

CMYK色彩模式是一种专门针对印刷业设定的颜色标准，是通过对C、M、Y、K四个颜色变化以及它们相互之间的叠加来得到各种颜色的，CMYK即是代表青、洋红、黄、黑四种印刷专用的油墨颜色，具体到印刷上，是通过控制青、洋红、黄、黑四色油墨在纸张上的相叠印刷来产生色彩的，它的颜色种数少于RGB色。

Lab模式是由国际照明委员会(CIE)于1976年公布的一种色彩模式，是CIE组织确定的一个理论上包括了人眼可见的所有色彩的色彩模式。

由于Lab模式所能表现的颜色大于RGB与CMYK两种彩色模式，因此，现有的CMYK到RGB色彩空间的转换方法，往往将LAB模式作为一种内部色彩模式，也即，现有转换方法的执行顺序是首先CMYK→Lab，然后才是Lab→RGB。然而，Lab为设备无关颜色空间，CMYK、RGB为设备相关颜色空间，所以，上述转换关系非线性度高，转换误差往往不够理想。

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够解决CMYK到RGB色彩空间的转换误差大的问题。

发明内容

本发明所要解决的技术问题是提供一种CMYK到RGB色彩空间的转换方法和装置，用以减少转换误差。

为了解决上述问题，本发明公开了一种CMYK到RGB色彩空间的转换方法，包括：

建立步骤：建立BP神经网络转换模型，将CMYK空间中的C、M、Y、K作为该转换模型的输入变量，RGB空间中的R、G、B作为该转换模型的输出变量，所述模型的参数包括网络权值和网络阈值；

获取步骤：以N个CMYK颜色值和对应的RGB颜色值为训练样本的输入和期望输出，获得训练样本；

训练步骤：针对所述训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型。

优选的，所述转换模型的结构包括输入层、一个隐层和输出层，输入层节点数为4，输出层节点数为3，隐层节点数为

其中，1＜a＜30。

优选的，所述隐层和输出层的传递函数为Sigmoid型：f(x)＝1/[1+e^(-bx)]，b＞0。

优选的，所述训练步骤包括：

初始化操作：预置样本个数K＝0，预设局部误差上限和全局误差上限，对网络权值和网络阈值进行初始化，其中，所述网络权值包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值包括隐层节点阈值和输出层节点阈值；

输入操作：输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算操作：计算隐层各节点的输出值；

第二计算操作：计算输出层各节点的输出值；

第三计算操作：针对当前样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算当前样本的误差；

第一判断操作：判断当前样本的误差是否小于局部误差上限，若是，则执行第二判断操作；否则，执行第一修正操作；

第二判断操作：判断K＞N-1是否成立，若是，则执行第四计算操作；否则，执行第一修正操作；

第四计算操作：针对所有N个样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算全局误差；

第三判断操作：判断全局误差是否小于全局误差上限，若是，则算法结束；否则，执行第一修正操作；

第一修正操作：计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正操作：计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正，并令K＝K+1，返回输入操作。

优选的，所述训练步骤包括：

初始化操作：预置训练次数T，K＝0，设定当前训练次数t＝0，对网络权值和网络阈值进行初始化，其中，所述网络权值包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值包括隐层节点阈值和输出层节点阈值；

输入操作：输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算操作：计算隐层各节点的输出值；

第二计算操作：计算输出层各节点的输出值；

第一修正操作：计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正操作：计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正；

第一判断操作：判断K＞N-1是否成立，若是，则执行第二判断操作；否则，K＝K+1，并返回输入操作；

第二判断操作：判断t＞T-2是否成立，若是，则算法结束；否则，更新训练次数t＝t+1，并返回输入操作。

优选的，当b＝1时，所述获取步骤包括：

获取N个CMYK颜色值和对应的RGB颜色值，并将其作为训练样本的输入和期望输出原始数据；

对所述输入和期望输出原始数据进行归一化处理，使其值在[0，1]之间。

本发明还公开了一种CMYK到RGB色彩空间的转换装置，包括：

建立模块，用于建立BP神经网络转换模型，将CMYK空间中的C、M、Y、K作为该转换模型的输入变量，RGB空间中的R、G、B作为该转换模型的输出变量，所述模型的参数包括网络权值和网络阈值；

获取模块，用于以N个CMYK颜色值和对应的RGB颜色值为训练样本的输入和期望输出，获得训练样本；

训练模块，用于针对所述训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型。

优选的，所述转换模型的结构包括输入层、一个隐层和输出层。

优选的，所述训练模块包括：

初始化子模块，用于预置样本个数K＝0，预设局部误差上限和全局误差上限，对网络权值和网络阈值进行初始化，其中，所述网络权值包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值包括隐层节点阈值和输出层节点阈值；

输入子模块，用于输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算子模块，用于计算隐层各节点的输出值；

第二计算子模块，用于计算输出层各节点的输出值；

第三计算子模块，用于针对当前样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算当前样本的误差；

第一判断子模块，用于判断当前样本的误差是否小于局部误差上限，若是，则触发第二判断子模块；否则，触发第一修正子模块；

第二判断子模块，用于判断K＞N-1是否成立，若是，则触发第四计算子模块；否则，触发第一修正子模块；

第四计算子模块，用于针对所有N个样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算全局误差；

第三判断子模块，用于判断全局误差是否小于全局误差上限，若是，则结束训练；否则，触发第一修正子模块；

第一修正子模块，用于计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正子模块，用于计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正，并触发输入子模块。

优选的，所述隐层和输出层的传递函数为Sigmoid型：f(x)＝1/[1+e^(-x)]；

所述获取模块包括：

颜色值获取子模块，用于获取N个CMYK颜色值和对应的RGB颜色值，并将其作为训练样本的输入和期望输出原始数据；

归一化子模块，用于对所述输入和期望输出原始数据进行归一化处理，使其值在[0，1]之间。

与现有技术相比，本发明具有以下优点：

本发明利用神经网络可以在不了解输入或输出变量间关系的前提下完成非线性建模的特点，将CMYK到RGB色彩空间的转换抽象为一个神经网络建模问题，具体而言，首先，将CMYK空间中的C、M、Y、K作为输入变量，RGB空间中的R、G、B作为输出变量，建立BP神经网络转换模型，所述模型的参数包括网络权值和网络阈值；然后，针对实际获得的训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型；由于该转换模型的训练过程，是对所述模型参数进行不断修正的过程，此过程能够一直进行到转换模型输出的误差减少到可以接受的程度，因此，本发明可以减少CMYK到RGB色彩空间的转换误差。

附图说明

图1是本发明一种CMYK到RGB色彩空间的转换方法实施例的流程图；

图2是本发明一种BP神经网络结构图；

图3是BP网络常用的传递函数；

图4是本发明一种sigmoid函数示例；

图5是本发明一种误差调整方案的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

由于空间信息***中不同表色方法具有不同的色域与精度，常常会导致这种变换关系不能用简单的显式来表达，从而致使色彩变换关系非常复杂。

RGB色彩模式使用RGB模型为图像中每一个像素的R、G、B分量分配一个0～255范围内的强度值。例如：纯红色R值为255，G值为0，B值为0；灰色的R、G、B三个值相等(除了0和255)；白色的R、G、B都为255；黑色的R、G、B都为0。RGB图像只使用三种颜色，就可以使它们按照不同的比例混合，在屏幕上重现16777216种颜色。

而在CMYK色彩模式的图像中，每个像素都是由C、M、Y和K色按照不同的比例合成。每个像素的每种印刷油墨会被分配一个百分比值，最亮(高光)的颜色分配较低的印刷油墨颜色百分比值，较暗(暗调)的颜色分配较高的百分比值。例如，明亮的红色可能会包含2％青色、93％洋红、90％黄色和0％黑色。在CMYK图像中，当所有4种分量的值都是0％时，就会产生纯白色。

本发明的核心构思之一在于，既然CMYK色彩模式的图像中包含四个通道C、M、Y、K，RGB色彩模式的图像中包含三个通道R、G、B，如果将所述两种模式之间的关系抽象为一个数学模型，那么，CMYK到RGB色彩空间的转换就可以简化为一个数学建模问题。

传统数学建模方法，包括机理建模、多元统计方法、卡尔曼滤波方法、基于模型的回归方法等，这些方法可以描述出一些简单的线性***，但是，对一些复杂的线性***和非线性***难以精确描述。而CMYK色彩模式到RGB色彩模式的转换，是一个典型的非线性问题。

本专利发明人注意到了这一点，创造性地利用神经网络可以在不了解输入或输出变量间关系的前提下完成非线性建模的特点，来建立CMYK到RGB色彩空间的转换模型。

参照图1，示出了本发明一种CMYK到RGB色彩空间的转换方法实施例的流程图，具体可以包括：

建立步骤101、建立BP神经网络转换模型，可以将CMYK空间中的C、M、Y、K作为该转换模型的输入变量，将RGB空间中的R、G、B作为该转换模型的输出变量，所述模型的参数可以包括网络权值和网络阈值；

BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

如图2所示，BP神经网络可以包括以下单元：

①处理单元(神经元)(图中用圆圈表示)，即神经网络的基本组成部分。输入层的处理单元只是将输入值转入相邻的联接权重，隐层和输出层的处理单元将它们的输入值求和并根据转移函数计算输出值；

②联接权重(图中如V，W)。它将神经网络中的处理单元联系起来，其值随各处理单元的联接程度而变化；

③层。神经网络一般具有输入层x、隐层y和输出层o；

④阈值。其值可为恒值或可变值，它可使网络能更自由地获取所要描述的函数关系；

⑤传递函数f(x)。它是将输入的数据转化为输出的处理单元，通常为非线性函数。

因此，确定了网络层数、每层节点数、传递函数、初始权系数等也就确定了BP网络。确定这些选项时有一定的指导原则，但更多的是靠经验。

具体到本发明实施例，则所述转换模型的结构可以包括输入层、隐层和输出层，输入层节点数为4，输出层节点数为3。

对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，而且，隐层节点过多还可能出现所谓“过渡吻合”(Overfitting)问题，即测试误差增大导致泛化能力下降，因此，合理选择隐层节点数非常重要。

关于隐层数及其节点数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。因此，本发明实施例优先选用单隐层结构，且根据如下经验公式选择隐层节点数：

其中，1＜a＜30。

BP网络的传递函数有多种。如图3所示，Log-sigmoid型函数的输入值可取任意值，输出值在0和1之间；tan-sigmod型传递函数的输入值可取任意值，输出值在-1到+1之间；线性传递函数purelin的输入与输出值可取任意值。

在本发明的一种优选实施例中，采用sigmoid型函数f(x)＝1/[1+e^(-bx)](b＞0)作为隐层和输出层的传递函数。参考图4，示出了b＝1的sigmoid函数示例，其是一个良好的阈值函数，具有连续，光滑，严格单调，关于(0，0.5)中心对称的特点。

获取步骤102、以N个CMYK颜色值和对应的RGB颜色值为训练样本的输入和期望输出，获得训练样本；

例如，对于单隐层的预测模型，在隐层和输出层的传递函数均为：f(x)＝1/[1+e^(-x)]时，其输出值在0和1之间，此时，所述获取步骤可以包括以下子步骤：

子步骤A1、获取N个CMYK颜色值和对应的RGB颜色值，并将其作为训练样本的输入和期望输出原始数据；

子步骤A2、对所述输入和期望输出原始数据进行归一化处理，使其值在[0，1]之间。

训练步骤103、针对所述训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型。

BP算法的基本思想是，训练过程由信号的正向传播与误差的反向传播两个过程组成。

1)正向传播：输入样本->输入层->各隐层(处理)->输出层；

2)误差反向传播：输出误差(某种形式)->隐层(逐层)->输入层；

其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值(其过程，是一个权值调整的过程)。

因此，周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的训练次数为止。

相应地，本发明实施例可以包括以下两种训练方案：

一、误差调整方案

典型的BP算法采用梯度下降法，其基本思想是，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。

为使本领域技术人员更好地理解本发明，以下通过具体示例对本方案进行说明。

假设该示例的训练样本获取步骤为，通过Adobe的AI软件，获得N＝625个CMYK颜色值和对应的RGB颜色值，作为训练样本；

转换模型为一个单隐层的三层BP网络：

输入层节点数为4，设Y_i ¹为输入层节点i(i＝0，1，2，3)的输出；

隐层节点数n₁＝18，各节点的特性为Sigmoid型：f(x)＝1/[1+e^(-x)]，Y_j ²为中间层节点j(j＝0，1，2，…，16，17)的输出；

输出层节点数为3，各节点的特性为Sigmoid型：f(x)＝1/[1+e^(-x)]，Y_k ³为输出层节点k(k＝0，1，2)的输出，T_k为输出层节点k(k＝0，1，2)对应的期望输出；

W_ij为节点i和节点j之间的连接权值，W_jk为节点j和节点k之间的连接权值，θ_j为中间层节点j的阈值，θ_k为输出层节点k的阈值；

采用平方型误差函数

参照图5，示出了本方案的实现流程图，具体可以包括：

初始化操作501、预置样本个数p＝0，预设局部误差上限和全局误差上限，对网络权值和网络阈值进行初始化，其中，所述网络权值可以包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值可以包括隐层节点阈值和输出层节点阈值；

例如，对网络权值和阈值赋予小的随机数，W_ij(t)∈[-1，1]，W_jk(t)∈[-1，1]，θ_j(t)∈[-1，1]，θ_k(t)∈[-1，1]；

输入操作502、输入第p个训练样本，作为当前训练样本，其中，p∈{1，2，…，N}；

第一计算操作503、计算隐层各节点的输出值 $Y_j^2=f(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{Y}_i^1-{\mathrm{\θ}}_j)=f(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{X}_k-{\mathrm{\θ}}_j);$

第二计算操作504、计算输出层各节点的输出值

第三计算操作505、针对当前样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算当前样本的误差

第一判断操作506、判断当前样本的误差是否小于局部误差上限，若是，则执行第二判断操作507；否则，执行第一修正操作510；

第二判断操作507、判断K＞N-1是否成立，若是，则执行第四计算操作508；否则，执行第一修正操作510；

第四计算操作508、针对所有N个样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算全局误差

第三判断操作509、判断全局误差是否小于全局误差上限，若是，则算法结束；否则，执行第一修正操作510；

第一修正操作510、计算输出层节点和隐层节点之间的连接权值修正量：

并根据误差修正量δ_k修正输出层和隐层间连接权值矩阵W_jk和阈值向量θ_k；

例如，对节点K和隐层j的连接权值W_jk和节点K的阈值的修正为：

θ_k(t+1)＝θ_k(t)+β·δ_k。

第二修正操作511、计算隐层节点和输入层节点之间的连接权值修正量：并根据所述误差修正量δ_j修正隐层和输入层间的连接权值矩阵W_ji和阈值向量θ_j，并令K＝K+1，返回输入操作502。

例如，隐层j和输入层节点i的连接权值W_ji和节点j的阈值向量θ_j的修正值为：

θ_j(t+1)＝θ_j(t)+α·δ_j。

二、训练次数调整方案

训练次数是神经网络的一个重要参数。训练次数过多会造成网络的过拟和，导致结果产生偏差；训练次数过少则使网络难以收敛，达不到训练要求。本方案的基本思想在于，通过预先设定的训练次数来结束学习过程。

在具体实现中，本方案的实现过程可以包括：

初始化操作、预置训练次数T，K＝0，设定当前训练次数t＝0，对网络权值和网络阈值进行初始化，其中，所述网络权值可以包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值可以包括隐层节点阈值和输出层节点阈值；

输入操作：输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算操作、计算隐层各节点的输出值；

第二计算操作、计算输出层各节点的输出值；

第一修正操作、计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正操作、计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正；

第一判断操作、判断K＞N-1是否成立，若是，则执行第二判断操作；否则，K＝K+1，并返回输入操作；

第二判断操作、判断t＞T-2是否成立，若是，则算法结束；否则，更新训练次数t＝t+1，并返回输入操作。

可以理解，上述两种方案的实现过程只是作为示例，本领域技术人员还可以根据需要，采用其他评价准则，如采用均方误差(MSE，Mean SquareError)；或者，采用其它训练规则，如利用动量法的改进BP算法、自适应调整学习速率、动量-自适应学习速率调整算法、L-M(Levenberg-Marquardt)学习规则等，本发明对具体的评价准则和训练规则不加以限制。

此外，还可以将上述两种方案结合起来，对权值和阈值进行调整，本发明对此不加以限制。

本发明还公开了一种CMYK到RGB色彩空间的转换装置实施例，具体可以包括：

建立模块，用于建立BP神经网络转换模型，可以将CMYK空间中的C、M、Y、K作为该转换模型的输入变量，将RGB空间中的R、G、B作为该转换模型的输出变量，所述模型的参数可以包括网络权值和网络阈值；

对于本发明实施例，所述转换模型的结构可以包括输入层、一个隐层和输出层；

获取模块，用于以N个CMYK颜色值和对应的RGB颜色值为训练样本的输入和期望输出，获得训练样本；

在所述隐层和输出层的传递函数为Sigmoid型：f(x)＝1/[1+e^(-x)]时，所述获取模块可以包括：

颜色值获取子模块，用于获取N个CMYK颜色值和对应的RGB颜色值，并将其作为训练样本的输入和期望输出原始数据；

归一化子模块，用于对所述输入和期望输出原始数据进行归一化处理，使其值在[0，1]之间。

训练模块，用于针对所述训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型。

在本发明的一种优选实施例中，所述训练模块可以包括以下子模块：

初始化子模块，用于预置样本个数K＝0，预设局部误差上限和全局误差上限，对网络权值和网络阈值进行初始化，其中，所述网络权值可以包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值可以包括隐层节点阈值和输出层节点阈值；

输入子模块，用于输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算子模块，用于计算隐层各节点的输出值；

第二计算子模块，用于计算输出层各节点的输出值；

第三计算子模块，用于针对当前样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算当前样本的误差；

第一判断子模块，用于判断当前样本的误差是否小于局部误差上限，若是，则触发第二判断子模块；否则，触发第一修正子模块；

第二判断子模块，用于判断K＞N-1是否成立，若是，则触发第四计算子模块；否则，触发第一修正子模块；

第四计算子模块，用于针对所有N个样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算全局误差；

第三判断子模块，用于判断全局误差是否小于全局误差上限，若是，则结束训练；否则，触发第一修正子模块；

第一修正子模块，用于计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正子模块，用于计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正，并触发输入子模块。

对于装置实施例而言，由于其与图1所示的方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种CMYK到RGB色彩空间的转换方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种CMYK到RGB色彩空间的转换方法，其特征在于，包括：

建立步骤：建立BP神经网络转换模型，将CMYK空间中的C、M、Y、K作为该转换模型的输入变量，RGB空间中的R、G、B作为该转换模型的输出变量，所述模型的参数包括网络权值和网络阈值；

获取步骤：以N个CMYK颜色值和对应的RGB颜色值为训练样本的输入和期望输出，获得训练样本；

训练步骤：针对所述训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型。

2.如权利要求1所述的方法，其特征在于，所述转换模型的结构包括输入层、一个隐层和输出层，输入层节点数为4，输出层节点数为3，隐层节点数为

其中，1＜a＜30。

3.如权利要求2所述的方法，其特征在于，所述隐层和输出层的传递函数为Sigmoid型：f(x)＝1/[1+e^(-bx)]，b＞0。

4.如权利要求2所述的方法，其特征在于，所述训练步骤包括：

初始化操作：预置样本个数K＝0，预设局部误差上限和全局误差上限，对网络权值和网络阈值进行初始化，其中，所述网络权值包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值包括隐层节点阈值和输出层节点阈值；

输入操作：输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算操作：计算隐层各节点的输出值；

第二计算操作：计算输出层各节点的输出值；

第三计算操作：针对当前样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算当前样本的误差；

第一判断操作：判断当前样本的误差是否小于局部误差上限，若是，则执行第二判断操作；否则，执行第一修正操作；

第二判断操作：判断K＞N-1是否成立，若是，则执行第四计算操作；否则，执行第一修正操作；

第四计算操作：针对所有N个样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算全局误差；

第三判断操作：判断全局误差是否小于全局误差上限，若是，则算法结束；否则，执行第一修正操作；

第一修正操作：计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正操作：计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正，并令K＝K+1，返回输入操作。

5.如权利要求2所述的方法，其特征在于，所述训练步骤包括：

初始化操作：预置训练次数T，K＝0，设定当前训练次数t＝0，对网络权值和网络阈值进行初始化，其中，所述网络权值包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值包括隐层节点阈值和输出层节点阈值；

输入操作：输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算操作：计算隐层各节点的输出值；

第二计算操作：计算输出层各节点的输出值；

第一修正操作：计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正操作：计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正；

第一判断操作：判断K＞N-1是否成立，若是，则执行第二判断操作；否则，K＝K+1，并返回输入操作；

第二判断操作：判断t＞T-2是否成立，若是，则算法结束；否则，更新训练次数t＝t+1，并返回输入操作。

6.如权利要求3所述的方法，其特征在于，当b＝1时，所述获取步骤包括：

获取N个CMYK颜色值和对应的RGB颜色值，并将其作为训练样本的输入和期望输出原始数据；

对所述输入和期望输出原始数据进行归一化处理，使其值在[0，1]之间。

7.一种CMYK到RGB色彩空间的转换装置，其特征在于，包括：

建立模块，用于建立BP神经网络转换模型，将CMYK空间中的C、M、Y、K作为该转换模型的输入变量，RGB空间中的R、G、B作为该转换模型的输出变量，所述模型的参数包括网络权值和网络阈值；

获取模块，用于以N个CMYK颜色值和对应的RGB颜色值为训练样本的输入和期望输出，获得训练样本；

训练模块，用于针对所述训练样本，采用BP算法训练该转换模型，得到修正的模型参数，从而确定该转换模型。

8.如权利要求7所述的装置，其特征在于，所述转换模型的结构包括输入层、一个隐层和输出层。

9.如权利要求8所述的装置，其特征在于，所述训练模块包括：

初始化子模块，用于预置样本个数K＝0，预设局部误差上限和全局误差上限，对网络权值和网络阈值进行初始化，其中，所述网络权值包括输出层节点和隐层节点之间的连接权值，以及隐层节点和输入层节点之间的连接权值，所述网络阈值包括隐层节点阈值和输出层节点阈值；

输入子模块，用于输入第K个训练样本，作为当前训练样本，其中，K∈{1，2，…，N}；

第一计算子模块，用于计算隐层各节点的输出值；

第二计算子模块，用于计算输出层各节点的输出值；

第三计算子模块，用于针对当前样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算当前样本的误差；

第一判断子模块，用于判断当前样本的误差是否小于局部误差上限，若是，则触发第二判断子模块；否则，触发第一修正子模块；

第二判断子模块，用于判断K＞N-1是否成立，若是，则触发第四计算子模块；否则，触发第一修正子模块；

第四计算子模块，用于针对所有N个样本，基于期望输出和输出层各节点的输出值，采用平方型误差函数，计算全局误差；

第三判断子模块，用于判断全局误差是否小于全局误差上限，若是，则结束训练；否则，触发第一修正子模块；

第一修正子模块，用于计算输出层节点和隐层节点之间的连接权值的误差修正量，并根据所述误差修正量，对输出层和隐层之间的连接权值和输出层阈值进行修正；

第二修正子模块，用于计算隐层节点和输入层节点之间的连接权值的误差修正量，并根据所述误差修正量，对隐层和输入层之间的连接权值和隐层节点阈值进行修正，并触发输入子模块。

10.如权利要求8所述的装置，其特征在于，所述隐层和输出层的传递函数为Sigmoid型：f(x)＝1/[1+e^(-x)]；

所述获取模块包括：

颜色值获取子模块，用于获取N个CMYK颜色值和对应的RGB颜色值，并将其作为训练样本的输入和期望输出原始数据；

归一化子模块，用于对所述输入和期望输出原始数据进行归一化处理，使其值在[0，1]之间。

Images