CN104410850B - 一种彩色数字影像色度校正方法及*** - Google Patents

Abstract

一种彩色数字影像色度校正方法及***，包括构建典型色彩样本光谱反射率数据集，在源光源条件下计算数据集中各色彩样本色度信息并以主波长及色纯度为依据进行样本分组，求解目的光源条件下每组子集中各样本的色度信息；分别以源及目标光源条件下各分组样本子集色度信息为输入输出端，拟合构建神经网络；针对源光源下任一色度信息，通过分组判别方法确定对应神经网络，并依此预测其对应目标光源下色度信息。本发明可保证彩色影像色度信息在不同光照条件下映射的准确性，且实施方便。

Description

一种彩色数字影像色度校正方法及***

技术领域

本发明属于彩色数字影像记录与再现技术领域，具体涉及一种基于典型色彩样本光谱反射率数据集的彩色数字影像色度校正方法及***。

背景技术

彩色数字影像***是客观事物信息记录与再现的重要载体之一。在实际应用中，受不同客观环境条件及不同彩色影像设备自身差异性的影响，彩色数字影像色度信息记录与再现的光源条件存在多样性。为保证彩色数字影像信息记录与再现过程中颜色信息的准确性，需要借助特定的色彩校正方法以实现不同光源条件下影像色度信息的准确映射。

针对此问题，目前业界最为常用的解决方法为利用色适应变换方法，以实现同一色彩信息在不同光照场景条件下的准确映射。该方法通过模拟人眼色觉适应特性，通过结合不同光源色度信息，实现由原始光源下物体色度信息到目标光源下物体色度信息的模拟预测，进而保证影像客体色彩信息传递的准确性。目前，在彩色数字影像记录与再现领域，业界提出了诸多经典色适应变换方法，如Von Kries方法,Wrong Von Kries方法，Bradford方法,Helson方法,Bartleson方法以及Hunt方法等。

参考文献1.H.R.Kang.Computational color technology[M].Society of PhotoOptical，2006.

参考文献2.M.R.Luo.A review of chromatic adaptation transforms[J].Review of Progress in Coloration and Related Topics，2000.

此类方法通过人眼色觉适应机理的模拟，在一定程度上解决了彩色数字影像***不同光源条件下色度信息准确映射的问题。然而，由于上述色适应变换方法的构建皆基于人眼视觉心理物理学实验，即上述方法主要以人眼视觉主观匹配为构建基础，故在色度校正的客观准确性方面存在较为明显的缺陷。为此，在目前研究应用领域，已有研究者致力于从客观角度构建色度校正方法，以实现更高精度的彩色数字影像色度校正，如参考文献3所述。

参考文献3.Rok Kreslin et al.Linear Chromatic Adaptation TransformBased on Delaunay Triangulation[J].Mathematical Problems in Engineering，2014.

然而，受理论方法水平等主客观因素的制约，上述客观方法在色度校正准确性方面同样存在诸如饱和色彩区域误差过大等较为明显的缺陷。针对以上问题，目前学术界与工业界尚未提出相应解决方法，以实现不同照明场景条件下影像色彩色度信息的准确映射与传递。

发明内容

本发明的目的是为了解决背景技术中所述问题，提出一种基于典型色彩样本光谱反射率数据集的彩色数字影像色度校正方法及***。

本发明的技术方案为提供一种彩色数字影像色度校正方法，包括以下步骤：

步骤1，选取M个典型色彩样本，以各典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集G_s；

步骤2，以步骤1中各典型色彩样本的光谱反射率数据为基础，利用如下色度学公式分别计算各样本在源光源L_s条件下的色度信息，并组成典型色彩样本色度数据集G_c，

X＝k∫x(λ)E(λ)S(λ)dλ,

Y＝k∫y(λ)E(λ)S(λ)dλ,

Z＝k∫z(λ)E(λ)S(λ)dλ,

k＝100/[∫y(λ)E(λ)dλ],

其中，X、Y、Z表示色度三刺激值，λ表示可见光各波段波长；x(λ)、y(λ)、z(λ)为人眼视觉匹配函数，照明光源E(λ)采用源光源L_s相应的相对光谱功率分布曲线，颜色物体光谱反射率S(λ)采用样本相应可见光范围内的光谱反射率数据，k为参数；

步骤3，计算典型色彩样本色度数据集G_c中各样本主波长及色纯度信息，以主波长为分组依据对典型色彩样本色度数据集G_s进行首次分组，随后以色纯度为分组依据对首次分组所得集合进行二次分组，记最终分组数量为T，得到T个子集；

步骤4，针对步骤3二次分组后所得典型色彩样本色度数据集G_s的T个子集，分别以目的光源L_t为照明光源E(λ)，利用步骤2中所述色度学公式求解目的光源L_t条件下子集中各样本的色度信息；

步骤5，针对各子集，分别以步骤3分组所得该子集的源光源L_s条件下各样本色度信息为输入端，以步骤4求解所得该子集的目的光源Lt条件下各样本色度信息为输出端，训练相应的BP神经网络；

步骤6，针对源光源条件下某一色度信息Cs，计算主波长与色纯度信息，根据步骤3的分组方式，确定对应的子集及BP神经网络，并利用该BP神经网络预测色度信息Cs在目的光源条件下所对应的色度信息Ct。

而且，步骤3中以主波长对数据集G_s进行首次分组时将主波长为负值的所有样本作为一组，之后将其它样本以主波长为依据进行平均分组；随后将上述首次分组所得所有分组子集以色纯度为二次分组依据，进行平均分组。

本发明提供一种彩色数字影像色度校正***，包括以下模块：

典型色彩样本光谱数据集构建模块，用于选取M个典型色彩样本，以各典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集G_s；

典型色彩样本色度数据集计算模块，用于以典型色彩样本光谱数据集构建模块中各典型色彩样本的光谱反射率数据为基础，利用如下色度学公式分别计算各样本在源光源L_s条件下的色度信息，并组成典型色彩样本色度数据集G_c，

X＝k∫x(λ)E(λ)S(λ)dλ,

Y＝k∫y(λ)E(λ)S(λ)dλ,

Z＝k∫z(λ)E(λ)S(λ)dλ,

k＝100/[∫y(λ)E(λ)dλ],

其中，X、Y、Z表示色度三刺激值，λ表示可见光各波段波长；x(λ)、y(λ)、z(λ)为人眼视觉匹配函数，照明光源E(λ)采用源光源L_s相应的相对光谱功率分布曲线，颜色物体光谱反射率S(λ)采用样本相应可见光范围内的光谱反射率数据，k为参数；

数据集分组模块，用于计算典型色彩样本色度数据集G_c中各样本主波长及色纯度信息，以主波长为分组依据对典型色彩样本色度数据集G_s进行首次分组，随后以色纯度为分组依据对首次分组所得集合进行二次分组，记最终分组数量为T，得到T个子集；

分组子集色度信息求解模块，用于针对数据集分组模块二次分组后所得典型色彩样本色度数据集G_s的T个子集，分别以目的光源L_t为照明光源E(λ)，利用所述色度学公式求解目的光源L_t条件下子集中各样本的色度信息；

神经网络训练模块，用于针对各子集，分别以数据集分组模块分组所得该子集的源光源L_s条件下各样本色度信息为输入端，以分组子集色度信息求解模块求解所得该子集的目的光源L_t条件下各样本色度信息为输出端，训练相应的BP神经网络；

色度校正模块，用于针对源光源条件下某一色度信息Cs，计算主波长与色纯度信息，根据数据集分组模块的分组方式，确定对应的子集及BP神经网络，并利用该BP神经网络预测色度信息Cs在目的光源条件下所对应的色度信息Ct。

而且，数据集分组模块中以主波长对数据集G_s进行首次分组时将主波长为负值的所有样本作为一组，之后将其它样本以主波长为依据进行平均分组；随后将上述首次分组所得所有分组子集以色纯度为二次分组依据，进行平均分组。

本发明提出的一种基于典型色彩样本光谱反射率数据集的彩色数字影像色度校正技术方案，在确定典型色彩样本光谱反射率数据集以及色度校正源与目的光源的前提下，结合主波长及色纯度分组方法，通过BP神经网络构建同一颜色样本在不同照明条件下色度差异的关联性模型，进而实现了不同照明场景条件下影像色彩色度信息的准确映射与传递。此方法较为理想的解决了背景技术部分所述问题，从而可以保证彩色数字影像信息传递过程的准确性，进而满足高品质彩色影像信息记录与再现的需求。因此，本发明解决了不同照明条件下影像色彩色度信息准确传递的问题，且实施方便，在彩色数字影像记录与再现领域具有较强的适用性。由于本发明技术方案具有重要应用意义，受到多个项目支持：1.中国博士后面上基金2014M5606253.2.国家自然基金项目61275172.3.国家***文物保护领域科学和技术研究一般课题2013-YB-HT-034.4.国家973基础研究子项目2012CB725302。对本发明技术方案进行保护，将对我国相关行业竞争国际领先地位具有重要意义。

附图说明

图1为本发明实施例的流程图。

具体实施方式

结合附图，提供本发明实施例具体描述如下。

如图1所示实施例提供的一种基于典型色彩样本光谱反射率数据集的彩色数字影像色度校正方法，较为理想的解决了不同影像客体及照明场景条件下的色度校正问题，可以保证彩色数字影像信息传递过程的准确性，进而满足高品质彩色影像信息记录与再现的需求。实施例采用9297个色彩样本构建典型色彩样本集，以1250个孟赛尔无光泽色彩样本作为实验检验样本集，以D65标准照明体为源光源，以A标准照明体为目的光源，以本发明所述方法进行色度校正。并将Von Kries方法,Wrong Von Kries方法，Bradford方法,Helson方法,Bartleson方法，Hunt方法等6种色适应变换以及参考文献3中Kreslin方法共7种现有方法作为对照。需要说明的是，本发明并不局限于上述影像客体及光源类型，对于其它影像客体及光源类型，本方法同样适用。

本发明技术方案具体实施时可由本领域技术人员采用计算机软件技术实现自动运行。实施例提供的方法流程包括以下步骤：

1)选取M个典型色彩样本，以各样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集G_s；

本领域技术人员可以自行预设M的取值。具体实施时，应尽量保证样本集色彩色域的最大化。可见光范围一般为380nm—780nm。具体实施时，可预先用分光光度计测量各样本的相应光谱反射率信息，取380nm—780nm波段数据。实施例中，将打印设备色域内均匀采样制备的6000个色彩样本、1687个日本典型颜料色彩样本以及1600个孟赛尔光泽色彩样本共9297个样本作为典型样本集(M＝9297)，该样本集具有广阔的色域，且样本分布均匀。具体实施时，可以预先生成典型色彩样本光谱反射率数据集G_s并输入。

2)以1)中各样本的光谱反射率数据为基础，利用如下色度学公式分别计算各样本在源光源L_s条件下的色度信息，并组成典型色彩样本色度数据集G_c，

X＝k∫x(λ)E(λ)S(λ)dλ,

Y＝k∫y(λ)E(λ)S(λ)dλ, 式一

Z＝k∫z(λ)E(λ)S(λ)dλ,

k＝100/[∫y(λ)E(λ)dλ],

其中，X、Y、Z表示色度三刺激值，λ表示可见光各波段波长；x(λ)、y(λ)、z(λ)为人眼视觉匹配函数，照明光源E(λ)采用源光源L_s相应的相对光谱功率分布曲线，颜色物体光谱反射率S(λ)采用样本相应可见光范围内的光谱反射率数据，k为由y(λ)、E(λ)确定的参数；

在实施例中，本步骤实现M＝9297个典型色彩样本在源光源L_S下的色度值求解，各色度值即组成典型色彩样本色度数据集G_c。其中，源光源L_S设为D65标准照明体，即E(λ)采用D65标准照明体相应的相对光谱功率分布曲线。针对各样本，S(λ)分别采用相应可见光范围内的光谱反射率数据。

3)以色度学理论现有主波长及色纯度计算公式计算典型色彩样本色度数据集G_c中各样本主波长及色纯度信息，以主波长为分组依据对数据集G_s进行首次分组，随后以色纯度为分组依据对首次分组所得集合进行二次分组，记最终分组数量为T；

在实施例中，以主波长对数据集G_s进行首次分组时，将主波长为负值的所有样本作为一组，之后将其它样本以主波长为依据进行平均分组(具体分组数可由本领域技术人员设定)，实施例的主波长正值平均分组数为5，和负值样本组一起共分6组；随后将上述首次分组所得6组分组子集以色纯度为二次分组依据，进行平均分组(具体分组数可由本领域技术人员设定)，实施例二次分组的平均分组数为2，最终得T＝12个分组。其主波长及色纯度范围分别为

第一组：380nm≤主波长≤480nm,色纯度≤0.31；

第二组：380nm≤主波长≤480nm,色纯度＞0.31；

第三组：480nm＜主波长≤503nm,色纯度≤0.21；

第四组：480nm＜主波长≤503nm,色纯度＞0.21；

第五组：503nm＜主波长≤569nm,色纯度≤0.23；

第六组：503nm＜主波长≤569nm,色纯度＞0.23；

第七组：569nm＜主波长≤588nm,色纯度≤0.39；

第八组：569nm＜主波长≤588nm,色纯度＞0.39；

第九组：588nm＜主波长≤780nm,色纯度≤0.41；

第十组：588nm＜主波长≤780nm,色纯度＞0.41；

第十一组：主波长＜0,色纯度≤0.18；

第十二组：主波长＜0,色纯度＞0.18；

其中，主波长及色纯度的计算方法可参见J.Schanda.CIE colorimetry[M].WileyOnline Library，2007，本发明不予赘述。

4)针对3)二次分组后所得数据集G_s的各个子集，分别利用2)中所述方法求解目的光源L_t条件下各组子集中各样本的色度信息，包以目的光源L_t为照明光源E(λ)按式一进行求解；

在实施例中，针对3)所得数据集G_s的12个子集，分别利用2)中式一，以标准照明体A为目的光源L_t，求解目的光源条件下各组子集中各样本的色度信息。

5)针对各子集，分别以3)分组所得该组子集的源光源L_s条件下各样本色度信息为输入端，以4)求解所得该组子集的目的光源L_t条件下各样本色度信息为输出端，训练相应的BP神经网络；

实施例中，以3)中分组得到的各子集在源光源L_s条件下的色度信息作为输入数据，以4)中求解的各组子集在目标光源L_t条件下的色度信息作为输出数据，构建BP神经网络。其中，针对3)中所得12个分组子集，共需构建12条BP神经网络。具体实施时，可参见BP神经网络现有技术实现。

这样，基于源光源条件下各分组样本集色度信息和目的光源条件下各分组样本集色度信息，可以针对各对应分组数据拟合构建神经网络，用于后续源光源条件下色度信息基于分组判别获取目的光源条件下色度信息。

6)针对源光源条件下某一色度信息Cs，利用色度学理论现有主波长及色纯度计算公式计算其主波长与色纯度信息，并结合3)所述分组情况，确定与其对应的子集及BP神经网络，并利用该BP神经网络预测其在目的光源条件下所对应的色度信息Ct。

在实施例中，以某色彩样本在源光源条件下色度信息Cs为例，其CIEXYZ值为(84,89,99)利用色度学理论现有主波长及色纯度计算公式计算其主波长与色纯度信息，得其主波长为477nm，色纯度为0.01，则由实施例中3)可知其属于第一个分组，故利用第一组数据所对应BP神经网络预测其在目标光源条件下色度信息Ct，求解得其CIEXYZ值为(97,88,33)，与理论值(98,89,32)甚为接近。

具体实施时，针对任意源光源条件到任意目的光源条件按照步骤1～5预先建立子集划分及相应BP神经网络，即可用于相应色度信息预测。

为进一步证实本发明方法在色度校正精度方面的优势，以1250个孟赛尔无光泽色彩样本作为实验检验样本集，以D65标准照明体为源光源，以A标准照明体为目的光源，以本发明所述方法进行色度校正。并将Von Kries方法,Wrong Von Kries方法，Bradford方法,Helson方法,Bartleson方法，Hunt方法等6种色适应变换以及参考文献3中Kreslin方法共7种现有方法作为对照。实验结果显示，Von Kries方法,Wrong Von Kries方法，Bradford方法,Helson方法,Bartleson方法，Hunt方法以及Kreslin方法以色差公式CIEDE2000表示的色度校正精度分别为4.67、2.86、5.38、3.36、4.76、4.13、2.11，而本发明色度校正精度为1.53，精度优势明显。其中，CIEDE2000色差公式可参见Ming R Luo.CIE 2000 colordifference formula:CIEDE2000[A].In 9th Congress of the International ColorAssociation[C]，Year：554-9.本发明不予赘述。

本发明还相应提供一种彩色数字影像色度校正***，包括以下模块：

典型色彩样本光谱数据集构建模块，用于选取M个典型色彩样本，以各典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集G_s；

典型色彩样本色度数据集计算模块，用于以典型色彩样本光谱数据集构建模块中各典型色彩样本的光谱反射率数据为基础，利用如下色度学公式分别计算各样本在源光源L_s条件下的色度信息，并组成典型色彩样本色度数据集G_c，

X＝k∫x(λ)E(λ)S(λ)dλ,

Y＝k∫y(λ)E(λ)S(λ)dλ,

Z＝k∫z(λ)E(λ)S(λ)dλ,

k＝100/[∫y(λ)E(λ)dλ],

其中，X、Y、Z表示色度三刺激值，λ表示可见光各波段波长；x(λ)、y(λ)、z(λ)为人眼视觉匹配函数，照明光源E(λ)采用源光源L_s相应的相对光谱功率分布曲线，颜色物体光谱反射率S(λ)采用样本相应可见光范围内的光谱反射率数据，k为参数；

数据集分组模块，用于计算典型色彩样本色度数据集G_c中各样本主波长及色纯度信息，以主波长为分组依据对典型色彩样本色度数据集G_s进行首次分组，随后以色纯度为分组依据对首次分组所得集合进行二次分组，记最终分组数量为T，得到T个子集；

分组子集色度信息求解模块，用于针对数据集分组模块二次分组后所得典型色彩样本色度数据集G_s的T个子集，分别以目的光源L_t为照明光源E(λ)，利用所述色度学公式求解目的光源L_t条件下子集中各样本的色度信息；

神经网络训练模块，用于针对各子集，分别以数据集分组模块分组所得该子集的源光源L_s条件下各样本色度信息为输入端，以分组子集色度信息求解模块求解所得该子集的目的光源L_t条件下各样本色度信息为输出端，训练相应的BP神经网络；

色度校正模块，用于针对源光源条件下某一色度信息Cs，计算主波长与色纯度信息，根据数据集分组模块的分组方式，确定对应的子集及BP神经网络，并利用该BP神经网络预测色度信息Cs在目的光源条件下所对应的色度信息Ct。

其中，数据集分组模块中以主波长对数据集G_s进行首次分组时将主波长为负值的所有样本作为一组，之后将其它样本以主波长为依据进行平均分组；随后将上述首次分组所得所有分组子集以色纯度为二次分组依据，进行平均分组。

各模块具体实现和各步骤相应，本发明不予赘述。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种彩色数字影像色度校正方法，其特征在于，基于典型色彩样本光谱反射率数据集实现色度校正，包括以下步骤：

步骤1，选取M个典型色彩样本，以各典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集G_s；

步骤2，以步骤1中各典型色彩样本的光谱反射率数据为基础，利用如下色度学公式分别计算各样本在源光源L_s条件下的色度信息，并组成典型色彩样本色度数据集G_c，

X＝k∫x(λ)E(λ)S(λ)dλ,

Y＝k∫y(λ)E(λ)S(λ)dλ,

Z＝k∫z(λ)E(λ)S(λ)dλ,

k＝100/[∫y(λ)E(λ)dλ],

其中，X、Y、Z表示色度三刺激值，λ表示可见光各波段波长；x(λ)、y(λ)、z(λ)为人眼视觉匹配函数，照明光源E(λ)采用源光源L_s相应的相对光谱功率分布曲线，颜色物体光谱反射率S(λ)采用样本相应可见光范围内的光谱反射率数据，k为参数；

步骤3，计算典型色彩样本色度数据集G_c中各样本主波长及色纯度信息，以主波长为分组依据对典型色彩样本光谱反射率数据集G_s进行首次分组，随后以色纯度为分组依据对首次分组所得集合进行二次分组，记最终分组数量为T，得到T个子集；

步骤4，针对步骤3二次分组后所得典型色彩样本光谱反射率数据集G_s的T个子集，分别以目的光源L_t为照明光源E(λ)，利用步骤2中所述色度学公式求解目的光源L_t条件下子集中各样本的色度信息；

步骤5，针对各子集，分别以步骤3分组所得该子集的源光源L_s条件下各样本色度信息为输入端，以步骤4求解所得该子集的目的光源L_t条件下各样本色度信息为输出端，训练相应的BP神经网络；

步骤6，针对源光源条件下某一色度信息Cs，计算主波长与色纯度信息，根据步骤3的分组方式，确定对应的子集及BP神经网络，并利用该BP神经网络预测色度信息Cs在目的光源条件下所对应的色度信息Ct。

2.根据权利要求1所述彩色数字影像色度校正方法，其特征在于：步骤3中以主波长对典型色彩样本光谱反射率数据集G_s进行首次分组时将主波长为负值的所有样本作为一组，之后将其它样本以主波长为依据进行平均分组；随后将上述首次分组所得所有分组子集以色纯度为二次分组依据，进行平均分组。

3.一种彩色数字影像色度校正***，其特征在于，用于基于典型色彩样本光谱反射率数据集实现色度校正，包括以下模块：

典型色彩样本光谱数据集构建模块，用于选取M个典型色彩样本，以各典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集G_s；

典型色彩样本色度数据集计算模块，用于以典型色彩样本光谱数据集构建模块中各典型色彩样本的光谱反射率数据为基础，利用如下色度学公式分别计算各样本在源光源L_s条件下的色度信息，并组成典型色彩样本色度数据集G_c，

X＝k∫x(λ)E(λ)S(λ)dλ,

Y＝k∫y(λ)E(λ)S(λ)dλ,

Z＝k∫z(λ)E(λ)S(λ)dλ,

k＝100/[∫y(λ)E(λ)dλ],

其中，X、Y、Z表示色度三刺激值，λ表示可见光各波段波长；x(λ)、y(λ)、z(λ)为人眼视觉匹配函数，照明光源E(λ)采用源光源L_s相应的相对光谱功率分布曲线，颜色物体光谱反射率S(λ)采用样本相应可见光范围内的光谱反射率数据，k为参数；

数据集分组模块，用于计算典型色彩样本色度数据集G_c中各样本主波长及色纯度信息，以主波长为分组依据对典型色彩样本光谱反射率数据集G_s进行首次分组，随后以色纯度为分组依据对首次分组所得集合进行二次分组，记最终分组数量为T，得到T个子集；

分组子集色度信息求解模块，用于针对数据集分组模块二次分组后所得典型色彩样本光谱反射率数据集G_s的T个子集，分别以目的光源L_t为照明光源E(λ)，利用所述色度学公式求解目的光源L_t条件下子集中各样本的色度信息；

神经网络训练模块，用于针对各子集，分别以数据集分组模块分组所得该子集的源光源L_s条件下各样本色度信息为输入端，以分组子集色度信息求解模块求解所得该子集的目的光源L_t条件下各样本色度信息为输出端，训练相应的BP神经网络；

色度校正模块，用于针对源光源条件下某一色度信息Cs，计算主波长与色纯度信息，根据数据集分组模块的分组方式，确定对应的子集及BP神经网络，并利用该BP神经网络预测色度信息Cs在目的光源条件下所对应的色度信息Ct。

4.根据权利要求3所述彩色数字影像色度校正***，其特征在于：数据集分组模块中以主波长对典型色彩样本光谱反射率数据集G_s进行首次分组时将主波长为负值的所有样本作为一组，之后将其它样本以主波长为依据进行平均分组；随后将上述首次分组所得所有分组子集以色纯度为二次分组依据，进行平均分组。