CN102111626A - 一种rgb到cmyk色彩空间的转换方法和装置 - Google Patents

Abstract

本发明提供了一种RGB到CMYK色彩空间的转换方法和装置，其中的方法具体包括：模型构造步骤：构造神经网络映射模型，该映射模型的输入是RGB空间中的R、G、B变量，输出是CMYK空间中的C、M、Y、K变量，作为该转换模型的输出变量，该映射模型的参数包括网络权值和网络阈值；数据获取步骤：以N个RGB颜色值和对应的CMYK颜色值为学习样本的输入和期望输出，获得学习样本；模型学习步骤：针对所述学习样本，采用BP算法训练该映射模型，得到模型参数，从而确定该映射模型。本发明用以减小RGB到CMYK色彩空间的转换误差。

Description

一种RGB到CMYK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RGB到CMYK色彩空间的转换方法和装置。

背景技术

广义的色彩变换是指色彩空间变换，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)，Lab(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。

RGB色彩空间最常用的用途就是显示器***，彩色阴极射线管、彩色光栅图形的显示器都使用R、G、B数值来驱动R、G、B电子枪发射电子，并分别激发荧光屏上的R、G、B三种颜色的荧光粉发出不同亮度的光线，并通过相加混合产生各种颜色；扫描仪也是通过吸收原稿经反射或透射而发送来的光线中的R、G、B成分，并用它来表示原稿的颜色。RGB色彩空间称为与设备相关的色彩空间，因为不同的扫描仪扫描同一幅图像，会得到不同色彩的图像数据；不同型号的显示器显示同一幅图像，也会有不同的色彩显示结果。

CMYK色彩空间应用于印刷工业，印刷业通过青(C)、品(M)、黄(Y)三原色油墨的不同网点面积率的叠印来表现丰富多彩的颜色和阶调，这便是三原色的CMY颜色空间。实际印刷中，一般采用青(C)、品(M)、黄(Y)、黑(K)四色印刷，在印刷的中间调至暗调增加黑版。当红绿蓝三原色被混合时，会产生白色，但是当混合蓝绿色、***和黄色三原色时会产生黑色。既然实际用的墨水并不会产生纯正的颜色，黑色是包括在分开的颜色，而这模型称之为CMYK。CMYK色彩空间是和设备或者是印刷过程相关的，则对于工艺方法、油墨的特性、纸张的特性等条件，不同的条件有不同的印刷结果。所以CMYK颜色空间称为与设备有关的表色空间。

而且，CMYK具有多值性，也就是说对同一种具有相同绝对色度的颜色，在相同的印刷过程前提下，可以用分种CMYK数字组合来表示和印刷出来。这种特性给颜色管理带来了很多麻烦，同样也给控制带来了很多的灵活性。在印刷过程中，必然要经过一个分色的过程，所谓分色就是将计算机中使用的RGB颜色转换成印刷使用的CMYK颜色。

在转换过程中存在着两个复杂的问题，其一是这两个色彩空间在表现颜色的范围上不完全一样，RGB的色域较大，而CMYK则较小，因此就要进行色域压缩；其二是这两个颜色都是和具体的设备相关的，颜色本身没有绝对性。因此，现有的转换方法，往往通过一个与设备无关的颜色空间来进行转换。例如，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RGB→Lab，然后才是Lab→CMYK。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RGB到CMYK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RGB到CMYK色彩空间的转换方法和装置，用以减小RGB到CMYK色彩空间的转换误差。

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

模型构造步骤：构造神经网络映射模型，该映射模型的输入是RGB空间中的R、G、B变量，输出是CMYK空间中的C、M、Y、K变量，作为该转换模型的输出变量，该映射模型的参数包括网络权值和网络阈值；

数据获取步骤：以N个RGB颜色值和对应的CMYK颜色值为学习样本的输入和期望输出，获得学习样本；

模型学习步骤：针对所述学习样本，采用BP算法训练该映射模型，得到模型参数，从而确定该映射模型。

优选的，所述映射模型的结构包括输入层、一个隐层和输出层，其中，输入层节点数为3，输出层节点数为4，隐层节点数为

其中，1＜a＜30。

优选的，所述模型学习步骤包括：

正向传播过程：

输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

隐层对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层对所述隐层的输出信息进行变换，得到实际输出；

判断过程：

计算实际输出与期望输出之间的误差，并判断该误差是否满足预定误差，若是，则算法结束；否则，执行反向传播过程；

反向传播过程：

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值，并在传播结束时，返回正向传播过程。

优选的，所述模型学习步骤包括：

初始化过程：预置学习次数T，设定当前学习次数t＝0，

正向传播过程：

对于当前学习次数t，输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

隐层对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层对所述隐层输出信息进行变换，得到实际输出；

反向传播过程：

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值；

判断过程：

判断t＞T-2是否成立，若是，则算法结束；否则，更新学习次数t＝t+1，并返回正向传播过程。

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，当b＝1时，所述数据获取步骤包括：

获取N个RGB颜色值和对应的CMYK颜色值，并将其作为学习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。

优选的，所述归一化步骤为，运用公式

对所述原始数据进行归一化处理，使其值在[0，1]之间，其中，x为原始数据，X′为归一化数据。

本发明还公开了一种RGB到CMYK色彩空间的转换装置，包括：

模型构造模块，用于构造神经网络映射模型，该映射模型的输入是RGB空间中的R、G、B变量，输出是CMYK空间中的C、M、Y、K变量，作为该映射模型的输出变量，该映射模型的参数包括网络权值和网络阈值；

数据获取模块，用于以N个RGB颜色值和对应的CMYK颜色值为学习样本的输入和期望输出，获得学习样本；

模型学习模块，用于针对所述学习样本，采用BP算法训练该映射模型，得到模型参数，从而确定该映射模型。

优选的，所述模型学习模块包括：

正向传播子模块，包括：

输入层单元，用于接收输入的学习样本信息，并传递给隐层各神经元；

隐层单元，用于对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层单元，用于对所述隐层的输出信息进行变换，得到实际输出；

判断子模块，用于计算实际输出与期望输出之间的误差，并判断该误差是否满足预定误差，若是，则算法结束；否则，执行反向传播过程；以及

反向传播子模块，用于将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值，并在传播结束时，触发正向传播子模块。

优选的，所述映射模型的结构包括输入层、一个隐层和输出层，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，并将其作为学习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BP神经网络来构造RGB到CMYK色彩空间的映射模型，由于BP神经网络能学习和存储大量的输入-输出映射关系，而无需事先揭示描述这种映射关系的数学方程；另外，该映射模型的学习过程，是对模型参数进行不断修正的过程，此过程能够一直进行到映射模型输出的误差减少到预定精度，因而，本发明能够在小误差的前提下，完成3维RGB色彩空间到4维CMYK色彩空间的近似精确映射。

附图说明

图1是本发明一种RGB到CMYK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神经网络的拓扑结构图；

图3是本发明一种基本BP神经元的示意图；

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，利用BP神经网络来构造RGB到CMYK色彩空间的映射模型，由于BP神经网络能学习和存储大量的输入-输出映射关系，而无需事先揭示描述这种映射关系的数学方程；它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差最小，因而能够解决本发明RGB到CMYK色彩空间的转换误差大的问题。

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

模型构造步骤101、构造神经网络映射模型，该映射模型的输入可以为RGB空间中的R、G、B变量，输出可以为CMYK空间中的C、M、Y、K变量，作为该转换模型的输出变量，该映射模型的参数可以包括网络权值和网络阈值；

BP(Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。参照图2所示的拓扑结构，BP神经网络模型一般包括输入层(input)、隐层(hide layer)和输出层(output layer)。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络***。

参考图3，示出了第j个基本BP神经元，它模仿了生物神经元所具有的三个最基本也是最重要的功能：加权、求和与转移。其中，x1、x2...xi...xn分别代表来自神经元1、2...i...n的输入；wj1、wj2...wji...wjn则分别表示神经元1、2...i...n与第j个神经元的连接强度，即权值；bj为阈值；f(·)为传递函数；yj为第j个神经元的输出。

第j个神经元的净输入值S_j为：

$S_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}\·x_i+b_j=W_{j}X+b_j$

其中，X＝[x₁ x₂…x_i…x_n]^T W_j＝[w_j1 w_j2…w_ji…w_jn]

若视x₀＝1，w_j0＝b_j，即令X及W_j包括x₀及w_j0，则

X＝[x₀ x₁ x₂…x_i…x_n]^T W_j＝[w_j0 w_j1 w_j2…w_ji…w_jn]

于是节点j的净输入S_j可表示为：

$S_j=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{x}_i=W_{j}X$

净输入S_j通过传递函数(Transfer Function)f(·)后，便得到第j个神经元的输出y_j：

$y_j=f\left(s_j\right)=f(\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}\·x_i)=F\left(W_{j}X\right)$

式中f(·)是单调上升函数，而且必须是有界函数，因为细胞传递的信号不可能无限增加。

综上，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3，输出层节点数为4。

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。例如，Matlab(矩阵实验室，MatrixLaboratory)中提供如下传递函数：

①PURELIN纯线性形函数

格式：PU RELIN(Z，B)，可以成批处理向量Z，并提供阈值B；

②对数S形LOGSIG函数

格式：LOGSIG(Z，B)；

③双曲正切S形TANSIG函数

格式：TANSIG(Z，B)。

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。

数据获取步骤102、以N个RGB颜色值和对应的CMYK颜色值为学习样本的输入和期望输出，获得学习样本；

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RGB颜色值和对应的CMYK颜色值，并将其作为学习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。

例如，所述归一化步骤可以为，运用公式

对所述原始数据进行归一化处理，使其值在[0，1]之间，其中，x为原始数据，X′为归一化数据。

模型学习步骤103、针对所述学习样本，采用BP算法训练该映射模型，得到模型参数，从而确定该映射模型。

BP算法的学习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，或者预先设定的学习次数为止。

相应地，本发明实施例可以包括以下两种学习方案：

一、误差调整方案

主要思想可以理解为：对确定的网络结构，根据期望输出值与实际输出值之间误差的大小，反复调整权值和阈值，直到此误差达到预定值为止。具体而言，可以在输出层得不到期望的输出时，转向误差信号的反向传播过程，具体可以包括以下过程：

正向传播过程A1、

输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

隐层对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层对所述隐层的输出信息进行变换，得到实际输出；

判断过程A2、

计算实际输出与期望输出之间的误差，并判断该误差是否满足预定误差，若是，则算法结束；否则，执行反向传播过程；

反向传播过程A3、

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值，并在传播结束时，返回A1。

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。

假设该示例的学习样本获取步骤为，获得N＝625个CMYK颜色值和对应的RGB颜色值，作为学习样本；

转换模型为一个单隐层的三层BP网络：

输入层节点数为3，设Y_i ¹为输入层节点i(i＝0，1，2)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4，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＝0，1，2，3)的输出，T_k为输出层节点k(k＝0，1，2，3)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；

评价函数为，平方型误差函数

学习准则采用BP算法也即，梯度下降法，其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。

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个学习样本，作为当前学习样本，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。

上述示例采用全局误差作为评价准则，可以理解，本领域技术人员还可以根据需要，采用其他评价准则，如采用局部误差，均方误差(MSE，MeanSquare Error)等，本发明对此不加以限制。

二、学习次数调整方案

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

在具体实现中，该方案可以包括以下过程：

初始化过程B1、预置学习次数T，设定当前学习次数t＝0，

正向传播过程B2、

对于当前学习次数t，输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

隐层对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层对所述隐层输出信息进行变换，得到实际输出；

反向传播过程B3、

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值；

判断过程B4、

判断t＞T-2是否成立，若是，则算法结束；否则，更新学习次数t＝t+1，并返回B2。

可以理解，本发明不局限于BP算法的反向传播学习规则，还可以适用于其它学习规则，如利用动量规则的改进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，本领域技术人员可以根据需要进行选择。

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RGB到CMYK色彩空间的转换装置实施例，具体可以包括：

模型构造模块，用于构造神经网络映射模型，该映射模型的输入可以为RGB空间中的R、G、B变量，输出可以为CMYK空间中的C、M、Y、K变量，作为该映射模型的输出变量，该映射模型的参数可以包括网络权值和网络阈值；

数据获取模块，用于以N个RGB颜色值和对应的CMYK颜色值为学习样本的输入和期望输出，获得学习样本；

对于本发明实施例，所述映射模型的结构可以为一三层结构，也即，可以包括输入层、一个隐层和输出层，所述隐层和输出层的传递函数可以为Sigmoid型：f(x)＝1/[1+e^(-x)]；

此时，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，并将其作为学习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；

模型学习模块，用于针对所述学习样本，采用BP算法训练该映射模型，得到模型参数，从而确定该映射模型。

在具体实现中，可以采用误差调整方案对该映射模型进行学习。也即，对确定的网络结构，根据期望输出值与实际输出值之间误差的大小，反复调整权值和阈值，直到此误差达到预定值为止。相应地，所述模型学习模块的结构可以为：

正向传播子模块，具体可以包括：

输入层单元，用于接收输入的学习样本信息，并传递给隐层各神经元；

隐层单元，用于对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层单元，用于对所述隐层的输出信息进行变换，得到实际输出；

判断子模块，用于计算实际输出与期望输出之间的误差，并判断该误差是否满足预定误差，若是，则算法结束；否则，执行反向传播过程；以及

反向传播子模块，用于将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值，并在传播结束时，触发正向传播子模块。

当然，本领域技术人员还可以根据需要，采用学习次数调整方案，也即，通过预先设定的学习次数来结束学习过程，对所述模型学习模块的结构进行设计，本发明对此不加以限制。

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RGB到CMYK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RGB到CMYK色彩空间的转换方法，其特征在于，包括：

模型构造步骤：构造神经网络映射模型，该映射模型的输入是RGB空间中的R、G、B变量，输出是CMYK空间中的C、M、Y、K变量，作为该转换模型的输出变量，该映射模型的参数包括网络权值和网络阈值；

数据获取步骤：以N个RGB颜色值和对应的CMYK颜色值为学习样本的输入和期望输出，获得学习样本；

模型学习步骤：针对所述学习样本，采用BP算法训练该映射模型，得到模型参数，从而确定该映射模型。

2.如权利要求1所述的方法，其特征在于，所述映射模型的结构包括输入层、一个隐层和输出层，其中，输入层节点数为3，输出层节点数为4，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，所述模型学习步骤包括：正向传播过程：

输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

隐层对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层对所述隐层的输出信息进行变换，得到实际输出；

判断过程：

计算实际输出与期望输出之间的误差，并判断该误差是否满足预定误差，若是，则算法结束；否则，执行反向传播过程；

反向传播过程：

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值，并在传播结束时，返回正向传播过程。

4.如权利要求2所述的方法，其特征在于，所述模型学习步骤包括：

初始化过程：预置学习次数T，设定当前学习次数t＝0，

正向传播过程：

对于当前学习次数t，输入层各神经元接收输入的学习样本信息，并传递给隐层各神经元；

隐层对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层对所述隐层输出信息进行变换，得到实际输出；

反向传播过程：

将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值；

判断过程：

判断t＞T-2是否成立，若是，则算法结束；否则，更新学习次数t＝t+1，并返回正向传播过程。

5.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。

6.如权利要求5所述的方法，其特征在于，当b＝1时，所述数据获取步骤包括：

获取N个RGB颜色值和对应的CMYK颜色值，并将其作为学习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.如权利要求6所述的方法，其特征在于，所述归一化步骤为，运用公式

对所述原始数据进行归一化处理，使其值在[0，1]之间，其中，x为原始数据，X′为归一化数据。

8.一种RGB到CMYK色彩空间的转换装置，其特征在于，包括：

模型构造模块，用于构造神经网络映射模型，该映射模型的输入是RGB空间中的R、G、B变量，输出是CMYK空间中的C、M、Y、K变量，作为该映射模型的输出变量，该映射模型的参数包括网络权值和网络阈值；

数据获取模块，用于以N个RGB颜色值和对应的CMYK颜色值为学习样本的输入和期望输出，获得学习样本；

模型学习模块，用于针对所述学习样本，采用BP算法训练该映射模型，得到模型参数，从而确定该映射模型。

9.如权利要求8所述的装置，其特征在于，所述模型学习模块包括：

正向传播子模块，包括：

输入层单元，用于接收输入的学习样本信息，并传递给隐层各神经元；

隐层单元，用于对所述学习样本信息进行变换，并传递给输出层各神经元；

输出层单元，用于对所述隐层的输出信息进行变换，得到实际输出；

判断子模块，用于计算实际输出与期望输出之间的误差，并判断该误差是否满足预定误差，若是，则算法结束；否则，执行反向传播过程；以及

反向传播子模块，用于将所述误差信号通过输出层，向隐层、输入层逐层反传，其中，反传过程中按误差梯度下降的方式修正各层权值，并在传播结束时，触发正向传播子模块。

10.如权利要求8所述的装置，其特征在于，所述映射模型的结构包括输入层、一个隐层和输出层，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，并将其作为学习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