CN112270397B - 一种基于深度神经网络的颜色空间转换方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的颜色空间转换方法，具体按照以下步骤实施：步骤1、制作训练样本和测试样本，训练样本用来建立神经网络模型，测试样本用来检验训练完成的模型的转换精度；建立深度置信网络模型；步骤2、使用粒子群算法优化深度置信网络的神经元连接权值等参数；步骤3、将训练样本输入到步骤3进行训练，随后使用BP神经网络进行反向微调，得到稳定的PSO‑DBN模型，得到L*a*b*到CMYK颜色空间转换模型；步骤4、将测试样本输入转换模型进行颜色转换并计算转换误差，检验模型精度，完成颜色空间转换。解决了现有技术中存在的L*a*b*到CMYK颜色空间转换模型转换精度低的问题。

Description

一种基于深度神经网络的颜色空间转换方法

技术领域

本发明属于图像处理技术领域，涉及一种基于深度神经网络的颜色空间转换方法。

背景技术

数码印花机的色彩管理可以分为校准设备、特征化和颜色空间转换三个步骤，颜色空间转换是数码印花色彩管理的重要部分。CMYK颜色空间是应用在数码印花中的色彩标准，描述的是数码印花产品中青(C)、洋红(M)、黄(Y)、黑(K)四种颜色的墨量之间的关系。L*a*b*颜色空间与设备无关，可以作为不同设备之间的连接色空间，广泛应用于数码印花机的色彩评价。L*a*b*中L取值代表明亮度；a值正数范围为红色色域，负数范围为绿色色域；b值正数范围为黄色色域，负数范围为蓝色色域。不同设备对图像具有不同的颜色空间描述方法，其色域具有较大差别，导致数码印花产品与样稿图像之间存在色差。建立转换精度较高的L*a*b*与CMYK颜色空间的转换关系，能很大程度提升数码印花产品质量。

神经网络技术在色彩管理和颜色空间转换应用中受到极大关注。传统的颜色空间转换方法使用浅层神经网络，如BPNN，GRNN和ELM等，它们受其本身结构的影响，在复杂问题下很容易获得局部最优解，其精度难以进一步提高。深度置信网络(Deep Belief Network,DBN)是一种无监督的学习方法，它可以从大量数据中提取特征，并且具有广泛的适应性和强大的映射能力，适合构建颜色空间转换模型。DBN算法的参数往往需要人工凭借经验和多次调整来确定，极大影响了网络实用性。粒子群优化算法(Particle Swarm Optimization,PSO)可对DBN算法的参数进行寻优，最后将最优参数赋给DBN网络，提高DBN的转换精度。

发明内容

本发明的目的是提供一种基于深度神经网络的颜色空间转换方法，解决了现有技术中存在的L*a*b*到CMYK颜色空间转换模型转换精度低的问题。

本发明所采用的技术方案是，一种基于深度神经网络的颜色空间转换方法，具体按照以下步骤实施：

步骤1、制作训练样本和测试样本，训练样本用来建立神经网络模型，测试样本用来检验训练完成的模型的转换精度；建立深度置信网络模型，初始化DBN中输入层、隐含层、输出层各层之间的参数，L*a*b*颜色空间作为神经网络的输入值，CMYK颜色空间作为神经网络的输出值；

步骤2、使用粒子群算法优化深度置信网络的神经元连接权值等参数；

步骤3、将训练样本输入到步骤3进行训练，随后使用BP神经网络进行反向微调，得到稳定的PSO-DBN模型，得到L*a*b*到CMYK颜色空间转换模型；

步骤4、将测试样本输入转换模型进行颜色转换并计算转换误差，检验模型精度，完成颜色空间转换。

本发明的特点还在于：

步骤1中建立深度置信网络模型，初始化DBN中输入层、隐含层、输出层各层之间的参数，L*a*b*颜色空间作为神经网络的输入值，CMYK颜色空间作为神经网络的输出值具体按照以下实施：建立深度置信网络模型，受限玻尔兹曼机是DBN的主要组成部分，DBN的训练过程可以分为两个阶段，即预训练和反向微调；首先，采用无监督贪婪学习算法逐层训练网络中的每个RBM，并逐层传递数据特征信息，以实现网络参数的初始化；随后，使用BP神经网络算法进行微调，通过从顶部到底部的预训练获得的初始权重；该过程进行监督训练，使模型得到最优解，从而确定整个DBN网络的结构。

步骤1中RBM的无监督训练具体按照以下实施：

在RBM中，v₁,v₂,…表示可见层，h₁,h₂,…表示隐藏层，w_ij表示每个神经元连接的权重；引入能量函数来定义***的总能量，并计算联合分布概率；

在上式中θ＝{a,b,w},w_ij是可见层和隐含层之间的连接权重，V是可见层中的单元数，H是隐含中的单元数，a_i是可见层的偏移量，a_j是隐藏层的偏移量；根据定义的***能量，可见和隐藏单元的联合分布定义如下。

Z＝∑_v′∑_h′e^{-E(v′,h′|θ)} 3

在上式中，Z是归一化因子，保证联合概率在[0,1]的范围内变化。因此，隐藏层的边缘分布如下：

由于RBM每一层中的神经元都是独立的，因此可以根据以下关系式获得每个单元的激活概率；

p(v_i＝I|h)＝f(a_i+∑_jh_jw_ij) 5

p(h_i＝I|v)＝f(b_j+∑_iv_iw_ij) 6。

步骤1中DBN网络的训练过程具体按照以下实施：

步骤1.1，设结点状态表示为F_i，F_j表示与结点i相连的结点j的状态，权重矩阵为W；随机选取一个训练样本，将其数据输入到第一个RBM的可见层，依公式(7)更新第一层隐含层各结点的状态F_j，其中σ∈[0,1]。

步骤1.2，利用步骤2.1求出的隐含结点状态F_j，依据公式(8)更新第一个RBM可见结点状态，记为F'_i；

步骤1.3，将上一步求得的第一个RBM的隐含层结点状态F'_i作为第二个RBM的输入，再按照上述步骤逐层更新DBN网络的各结点状态，直至将四个RBM结点更新完毕；

步骤1.4，根据公式(9)计算网络权重值，更新网络中的权重矩阵，直到网络的权重矩阵的变化量足够小或达到设定的最高训练次数，结束DBN训练；

Δω_ij＝η(＜F_iF_j＞-＜F'_iF'_j＞) 9。

步骤2具体按照以下步骤实施：

步骤2.1，对数据集进行预处理，首先初始化DBN神经网络中的参数，以此确定粒子的维度；

步骤2.2，初始化粒子群各参数，对4层隐藏层DBN，每层分别有m₁、m₂、m₃和m₄个神经元，学习率η∈[0,1)；因此设定粒子群中的每一个粒子为一个四维向量X(m₁,m₂,m₃,m₄,η)；

步骤2.3，利用公式(10)计算各个粒子的适应度函数值，求出个体极值P_best和群体极值G_best；

其中，N为样本总数目；m为粒子的维数；a_ij、b_ij分别为第i个样本的第j维数据的预测值和实际值；

步骤2.4，比较各粒子的适应度值与P_best的大小；若适应度大于个体极值，则将其更新为P_best，反之保持不变。同样步骤得出全局最优值G_best；

步骤2.5，更新各粒子的速度和位置。如果达到最大迭代次数，则迭代结束并输出最终参数，否则继续搜索最佳粒子位置。

步骤3具体按照以下步骤实施：

步骤3.1，将步骤3中的最优解拆分为DBN的各个参数，并输入DBN网络进行训练，得到稳定的神经网络模型；

步骤3.2，将训练样本L*a*b*颜色空间中的3个分量值作为神经网络输入，CMYK颜色空间4个分量的值作为神经网络输出，训练PSO-DBN网络。

本发明的有益效果是：本发明一种基于深度神经网络的颜色空间转换方法，解决了现有技术中存在的颜色空间转换方法转换精度低的问题。针对传统颜色空间转换方法转换精度低，神经网络算法易陷入局部最小值等问题，通过粒子群算法优化深度置信网络解决了传统浅层颜色转换方法转换精度低的缺陷，同时转换模型具有很高的稳定性。

附图说明

图1是本发明一种基于深度神经网络的颜色空间转换方法的流程示意图；

图2是本发明一种基于深度神经网络的颜色空间转换方法中深度置信网络结构图；

图3是本发明一种基于深度神经网络的颜色空间转换方法中粒子群算法优化深度置信网络算法流程图；

图4是本发明一种基于深度神经网络的颜色空间转换方法中建立了L*a*b*到CMYK颜色空间转换模型的流程图

图5是本发明一种基于深度神经网络的颜色空间转换方法的实施例中验证所设计的颜色空间转换方法的转换色差统计图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于深度神经网络的颜色空间转换方法，如图1所示，具体按照以下步骤实施：

步骤1、制作训练样本和测试样本，训练样本用来建立神经网络模型，测试样本用来检验训练完成的模型的转换精度；建立深度置信网络模型，初始化DBN中输入层、隐含层、输出层各层之间的参数，L*a*b*颜色空间作为神经网络的输入值，CMYK颜色空间作为神经网络的输出值；

步骤1中建立深度置信网络模型，初始化DBN中输入层、隐含层、输出层各层之间的参数，L*a*b*颜色空间作为神经网络的输入值，CMYK颜色空间作为神经网络的输出值具体按照以下实施：建立深度置信网络模型，如图2所示，受限玻尔兹曼机(RestrictedBoltzmann Machine，RBM)是DBN的主要组成部分，DBN的训练过程可以分为两个阶段，即预训练和反向微调；首先，采用无监督贪婪学习算法逐层训练网络中的每个RBM，并逐层传递数据特征信息，以实现网络参数的初始化；随后，使用BP神经网络算法进行微调，通过从顶部到底部的预训练获得的初始权重；该过程进行监督训练，使模型得到最优解，从而确定整个DBN网络的结构。

步骤1中RBM的无监督训练具体按照以下实施：

在RBM中，v₁,v₂,…表示可见层，h₁,h₂,…表示隐藏层，w_ij表示每个神经元连接的权重；引入能量函数来定义***的总能量，并计算联合分布概率；

在上式中θ＝{a,b,w},w_ij是可见层和隐含层之间的连接权重，V是可见层中的单元数，H是隐含中的单元数，a_i是可见层的偏移量，a_j是隐藏层的偏移量；根据定义的***能量，可见和隐藏单元的联合分布定义如下。

Z＝∑_v′∑_h′e^{-E(v′,h′|θ)} 3

在上式中，Z是归一化因子，保证联合概率在[0,1]的范围内变化。因此，隐藏层的边缘分布如下：

由于RBM每一层中的神经元都是独立的，因此可以根据以下关系式获得每个单元的激活概率；

p(v_i＝I|h)＝f(a_i+∑_jh_jw_ij) 5

p(h_i＝I|v)＝f(b_j+∑_iv_iw_ij) 6。

步骤1中DBN网络的训练过程具体按照以下实施：

步骤1.1，设结点状态表示为F_i，F_j表示与结点i相连的结点j的状态，权重矩阵为W；随机选取一个训练样本，将其数据输入到第一个RBM的可见层，依公式(7)更新第一层隐含层各结点的状态F_j，其中σ∈[0,1]。

步骤1.2，利用步骤2.1求出的隐含结点状态F_j，依据公式(8)更新第一个RBM可见结点状态，记为F'_i；

步骤1.3，将上一步求得的第一个RBM的隐含层结点状态F'_i作为第二个RBM的输入，再按照上述步骤逐层更新DBN网络的各结点状态，直至将四个RBM结点更新完毕；

步骤1.4，根据公式(9)计算网络权重值，更新网络中的权重矩阵，直到网络的权重矩阵的变化量足够小或达到设定的最高训练次数，结束DBN训练；

Δω_ij＝η(＜F_iF_j＞-＜F'_iF'_j＞) 9。

步骤2、使用粒子群算法优化深度置信网络的神经元连接权值等参数；

如图3所示，步骤2具体按照以下步骤实施：

步骤2.1，对数据集进行预处理，首先初始化DBN神经网络中的参数，以此确定粒子的维度；

步骤2.2，初始化粒子群各参数，对4层隐藏层DBN，每层分别有m₁、m₂、m₃和m₄个神经元，学习率η∈[0,1)。因此设定粒子群中的每一个粒子为一个四维向量X(m₁,m₂,m₃,m₄,η)；

步骤2.3，利用公式(10)计算各个粒子的适应度函数值，求出个体极值P_best和群体极值G_best；

其中，N为样本总数目；m为粒子的维数；a_ij、b_ij分别为第i个样本的第j维数据的预测值和实际值；

步骤2.4，比较各粒子的适应度值与P_best的大小；若适应度大于个体极值，则将其更新为P_best，反之保持不变。同样步骤得出全局最优值G_best；

步骤2.5，更新各粒子的速度和位置。如果达到最大迭代次数，则迭代结束并输出最终参数，否则继续搜索最佳粒子位置。

步骤3、将训练样本输入到步骤3进行训练，随后使用BP神经网络进行反向微调，得到稳定的PSO-DBN模型，得到L*a*b*到CMYK颜色空间转换模型；

如图4所示，步骤3具体按照以下步骤实施：

步骤3.1，将步骤3中的最优解拆分为DBN的各个参数，并输入DBN网络进行训练，得到稳定的神经网络模型；

步骤3.2，将训练样本L*a*b*颜色空间中的3个分量值作为神经网络输入，CMYK颜色空间4个分量的值作为神经网络输出，训练PSO-DBN网络。

步骤4、将测试样本输入转换模型进行颜色转换并计算转换误差，检验模型精度，完成颜色空间转换。

实施例

本实例的运行平台为Windows 10，仿真环境使用MATLAB R2016a，使用PANTONETCX色卡作为该实验的样本数据集，对色卡所有2310个色块进行编号，并使用MATLAB软件随机生成了1到2310范围内的800个随机数，这些随机数对应于编号为800的颜色块作为训练样本。L*a*b*值作为输入，使用对应的CMYK值用作输出，以训练网络并创建非线性映射。然后，从色卡中剩余的1510个色块中随机选择另外50个色块作为测试样本。

将50个测试样本输入颜色空间转换模型，得到50个CMYK预测值，与实际CMYK值进行对比，分别计算出C、M、Y、K四个分量的平均转换误差。如图5所示，可以看出L*a*b*到CMYK颜色空间转换精度较高。

本发明一种基于深度神经网络的颜色空间转换方法，将L*a*b*颜色空间转换为CMYK颜色空间。L*a*b*和CMYK分别对应深度置信网络的输入和输出值。使用粒子群算法优化深层置信网络的连接权值等参数，提高了深度置信网络的性能。其工作过程如下：建立数据集；确定深度置信神经网络结构并对参数进行初始化；通过粒子群优化深度置信神经网络的权值；最终得到稳定的神经网络模型。可实现数码印花中任意L*a*b*到CMYK颜色空间转换功能。该方法提高了颜色空间转换精度，并有较高转换效率。

Claims (1)

1.一种基于深度神经网络的颜色空间转换方法，其特征在于，具体按照以下步骤实施：

步骤1、制作训练样本和测试样本，训练样本用来建立神经网络模型，测试样本用来检验训练完成的模型的转换精度；建立深度置信网络模型，初始化DBN中输入层、隐含层、输出层各层之间的参数，L*a*b*颜色空间作为神经网络的输入值，CMYK颜色空间作为神经网络的输出值；

所述步骤1中建立深度置信网络模型，初始化DBN中输入层、隐含层、输出层各层之间的参数，L*a*b*颜色空间作为神经网络的输入值，CMYK颜色空间作为神经网络的输出值具体按照以下实施：建立深度置信网络模型，受限玻尔兹曼机是DBN的主要组成部分，DBN的训练过程可以分为两个阶段，即预训练和反向微调；首先，采用无监督贪婪学习算法逐层训练网络中的每个RBM，并逐层传递数据特征信息，以实现网络参数的初始化；随后，使用BP神经网络算法进行微调，通过从顶部到底部的预训练获得的初始权重；该过程进行监督训练，使模型得到最优解，从而确定整个DBN网络的结构；

所述步骤1中RBM的无监督训练具体按照以下实施：

在RBM中，,/>,…表示可见层，/>,/>,…表示隐藏层，/>表示每个神经元连接的权重；引入能量函数来定义***的总能量，并计算联合分布概率；

（1）

在上式中,/>是可见层和隐含层之间的连接权重，/>是可见层中的单元数，/>是隐含中的单元数，/>是可见层的偏移量，/>是隐藏层的偏移量；根据定义的***能量，可见和隐藏单元的联合分布定义如下：

（2）

（3）

在上式中，是归一化因子，保证联合概率在[0,1]的范围内变化，因此，隐藏层的边缘分布如下：

（4）

由于RBM每一层中的神经元都是独立的，因此可以根据以下关系式获得每个单元的激活概率 ；

（5）

（6）；

所述步骤1中DBN网络的训练过程具体按照以下实施：

步骤1.1，设结点状态表示为F_r，F_t表示与结点r相连的结点t的状态，权重矩阵为；随机选取一个训练样本，将其数据输入到第一个RBM的可见层，依公式(7)更新第一层隐含层各结点的状态F_t，其中/>，

（7）

步骤1.2，利用步骤1.1求出的隐含结点状态F_t，依据公式(8)更新第一个RBM可见结点状态，记为F_t’；

(8)

步骤1.3，将上一步求得的第一个RBM的隐含层结点状态F_t’作为第二个RBM的输入，再按照上述步骤逐层更新DBN网络的各结点状态，直至将四个RBM结点更新完毕；

步骤1.4，根据公式（9）计算网络权重值，更新网络中的权重矩阵，直到网络的权重矩阵的变化量足够小或达到设定的最高训练次数，结束DBN训练；

(9)；

步骤2、使用粒子群算法优化深度置信网络的神经元连接权值等参数；

所述步骤2具体按照以下步骤实施：

步骤2.1，对数据集进行预处理，首先初始化DBN神经网络中的参数，以此确定粒子的维度；

步骤2.2，初始化粒子群各参数，对4层隐藏层DBN，每层分别有、/>、/>和/>个神经元，学习率/>；因此设定粒子群中的每一个粒子为一个四维向量 />；

步骤2.3，利用公式(10)计算各个粒子的适应度函数值，求出个体极值和群体极值；

(10)

其中，n为样本总数目；为粒子的维数；/>、/>分别为第x个样本的第y维数据的预测值和实际值；

步骤2.4，比较各粒子的适应度值与的大小；若适应度大于个体极值，则将其更新为，反之保持不变，同样步骤得出全局最优值/>；

步骤2.5，更新各粒子的速度和位置，如果达到最大迭代次数，则迭代结束并输出最终参数，否则继续搜索最佳粒子位置；

步骤3、将训练样本输入到步骤3进行训练，随后使用BP神经网络进行反向微调，得到稳定的PSO-DBN模型，得到L*a*b*到CMYK颜色空间转换模型；

所述步骤3具体按照以下步骤实施：

步骤3.1，将步骤3中的最优解拆分为DBN的各个参数，并输入DBN网络进行训练，得到稳定的神经网络模型；

步骤3.2，将训练样本L*a*b*颜色空间中的3个分量值作为神经网络输入，CMYK颜色空间4个分量的值作为神经网络输出，训练PSO-DBN网络；

步骤4、将测试样本输入转换模型进行颜色转换并计算转换误差，检验模型精度，完成颜色空间转换。