CN113409206A - 一种高精度的数码印花颜色空间转换方法 - Google Patents
一种高精度的数码印花颜色空间转换方法 Download PDFInfo
- Publication number
- CN113409206A CN113409206A CN202110654803.9A CN202110654803A CN113409206A CN 113409206 A CN113409206 A CN 113409206A CN 202110654803 A CN202110654803 A CN 202110654803A CN 113409206 A CN113409206 A CN 113409206A
- Authority
- CN
- China
- Prior art keywords
- color space
- neural network
- space conversion
- rbf neural
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 46
- 241000283153 Cetacea Species 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005295 random walk Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种高精度的数码印花颜色空间转换方法，首先从标准色卡上采集色块CMYK值和LAB值构建数据集；建立RBF神经网络模型；用数据集训练RBF颜色空间转换模型；用鲸鱼优化算法对RBF神经网络的中心层向量，基宽向量以及连接权值进行优化；完成后，使用训练样本对优化后的RBF颜色空间转换模型进行训练，得到最终的颜色空间转换模型，实现CMYK到LAB颜色空间的转换；用测试样本对最终的颜色空间转换模型进行测试，检验所建立的颜色空间转换模型的精度；本发明针对神经网络方法存在精度不足、关键参数选取困难的问题，通过鲸鱼算法优化RBF神经网络不仅提升了颜色空间转换的转换精度，同时具有很强的自适应性。
Description
技术领域
本发明属于图像处理技术领域，涉及一种高精度的数码印花颜色空间转换方法。
背景技术
随着设备制造技术的发展和环境保护要求的提高，数字喷印技术被广泛应用于纺织印花、纸质印刷等多个领域。在纺织品的数码印花过程中，由于不同的设备所具有的色彩特征各不相同，图案印制到纺织品上所复现的色彩信息会受到影响，成品和原稿之间会产生色差，影响印花产品的最终质量。因此印花过程应用色彩管理技术保证色彩信息的准确传递，其核心过程就是将多种输入、输出、显示设备之间以设备无关的颜色空间为媒介进行色彩转换，从而实现高质量的颜色复现。CMYK颜色空间是目前数码印花行业常用的一种颜色空间，该颜色空间通过青(C)、品红(M)、黄(Y)、黑(K)四色的混合来表现丰富的颜色。LAB颜色空间是国际色彩联盟目前广泛使用的一种与设备无关的颜色空间，其原理是通过将人的视觉感知数字化来描述颜色特征。LAB颜色空间中的L分量代表色素的亮度，取值范围表示从纯黑到纯白；LAB颜色空间中的A分量和B分量根据亮度的不同，分别表示从红色(高亮度值)到绿色(低亮度值)和从黄色(高亮度值)到蓝色(低亮度值)。通过建立精确的CMYK到LAB色彩空间转换模型，可以确保原稿色彩信息的精确传递，提升数码印花产品的最终质量。
颜色空间转换的本质是非线性映射的问题，因而具有高性能非线性映射能力的径向基(RBF)神经网络十分适合于颜色空间转换，但是RBF神经网络存在精度不足、关键参数选取困难的问题。将鲸鱼优化算法(WOA)与RBF神经网络进行结合，对RBF神经网络中心向量、基宽向量、隐含层和输出层直接的连接权重三个参数进行优化，提高了RBF神经网络进行颜色空间转换的自适应性和转换精度。
发明内容
本发明的目的是提供一种高精度的数码印花颜色空间转换方法，使用鲸鱼优化算法优化径向基神经网络，实现了CMYK到LAB颜色空间的高精度转换。
本发明所采用的技术方案是，一种高精度的数码印花颜色空间转换方法，具体按以下步骤实施：
步骤1，从标准色卡上采集色块的CMYK值和LAB值构建数据集；
步骤2，建立RBF神经网络模型；初始化模型中的参数，并设定网络的学习速率和动量因子，利于步骤1构建的数据集训练RBF颜色空间转换模型；
步骤3，利用鲸鱼优化算法对RBF神经网络的中心层向量，基宽向量以及连接权值进行优化；
步骤4，经步骤3优化完成后，使用步骤1中的训练样本对优化后的RBF颜色空间转换模型进行训练，得到最终的颜色空间转换模型，实现CMYK到LAB颜色空间的转换；
步骤5，使用步骤1中的测试样本对最终的颜色空间转换模型进行测试，检验所建立的颜色空间转换模型的精度。
本发明的特点还在于：
其中步骤1中CMYK值用作神经网络的输入，LAB值用作神经网络的输出；数据集分为训练样本和测试样本，训练样本用以训练颜色空间转换模型，测试样本用以评估训练后模型的转换精度；
其中步骤2中建立RBF神经网络模型的具体过程如下：
设定RBF神经网络的学习速率为0.05，动量因子为0.85，初始化RBF神经网络的中心向量、基宽向量以及连接权值；选取高斯函数作为隐藏层节点的基函数，如式(1)所示：
式中，xn为第n个输入样本，cn、σn分别为隐含层第n个节点的基函数中心和基函数宽度；
RBF神经网络的输出可由式(2)得到：
其中步骤3中优化的具体过程按以下步骤实施：
步骤3.1，初始化鲸鱼优化算法，设置鲸鱼种群的数量为N＝10，算法的最大迭代次数Tmax＝50，鲸鱼种群中的每条鲸鱼个体的位置包含RBF神经网络中的中心向量、基宽向量以及连接权值，对每条鲸鱼个体的计算结果进行误差统计，将误差最小的个体的位置信息作为当前最优解，记为X*(t)；
步骤3.2，将步骤3.1中X*(t)保留，对鲸鱼种群位置进行更新，更新如式(3)所示：
式中，A＝2a·r-a，a＝2-2(t/tmax),r是位于[0,1]之间的随机向量，t、tmax分别表示当前迭代次数和最大迭代次数，X(t)表示当前位置向量，b是对数螺旋常数，l是位于[-1,1]之间的随机数，P是位于[0,1]之间的随机数，D和D′的计算如式(4)和式(5)所示：
D＝|C·X*(t)-X(t)| (4)
D′＝|X*(t)-X(t)| (5)
式中，C＝2·r；
为避免算法陷入局部最优的情况，增加随机游走来更新位置，如式(6)和式(7)所示：
X(t+1)＝Xr(t)-A·D (6)
D＝|C·Xr(t)-X(t)| (7)
式中，Xr(t)为随机挑选的鲸鱼个体的位置向量；
步骤3.3，对新生成的鲸鱼种群进行误差计算，并与上一代种群中的X*(t)进行对比，使用新一代的鲸鱼种群中误差较小的个体替代上一代误差较大的个体，生成新的X*(t)；
步骤3.4，对当前的X*(t)进行评估，若达到步骤3.1中设置的迭代次数N或转换精度，则将该个***置作为最优解
并将位置信息分别赋值给RBF神经网络的中心向量、基宽向量和连接权值，如果不满足迭代次数N或转换精度，返回步骤3.2继续寻求最优解；
其中步骤4中具体训练过程为：
步骤4.1，将步骤3中的最优解
分解为中心向量、基宽向量和连接权值三个参数并输入RBF神经网络之中，得到优化后的RBF神经网络；
步骤4.2，将任意的CMYK值作为RBF神经网络的输入值，通过RBF神经网络转换后，RBF神经网络输出转换后的LAB值。
本发明的有益效果是：
本发明的一种高精度的数码印花颜色空间转换方法，针对神经网络方法存在精度不足、关键参数选取困难的问题，通过鲸鱼算法优化RBF神经网络不仅提升了颜色空间转换的转换精度，同时具有很强的自适应性。
附图说明
图1是本发明的一种高精度的数码印花颜色空间转换方法的流程示意图；
图2是本发明的一种高精度的数码印花颜色空间转换方法中RBF神经网络结构图；
图3是本发明的一种高精度的数码印花颜色空间转换方法中RBF神经网络训练流程图；
图4是本发明的一种高精度的数码印花颜色空间转换方法中鲸鱼优化算法优化RBF神经网络算法流程图；
图5是本发明的实施例中验证所设计的颜色空间转换方法的转换色差分布图。
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。
本发明提供了一种高精度的数码印花颜色空间转换方法，如图1所示，具体按以下步骤实施：
步骤1，从标准色卡上采集色块的CMYK值和LAB值构建数据集，其中CMYK值用作神经网络的输入，LAB值用作神经网络的输出；数据集分为训练样本和测试样本，训练样本用以训练颜色空间转换模型，测试样本用以评估训练后模型的转换精度；
步骤2，如图2所示，建立RBF神经网络模型；初始化模型中的参数，并设定网络的学习速率和动量因子；用步骤1构建的数据集训练RBF颜色空间转换模型：
设定RBF神经网络的学习速率为0.05，动量因子为0.85.初始化RBF神经网络的中心向量、基宽向量以及连接权值。步骤2中选取高斯函数作为隐藏层节点的基函数，如式(1)所示：
式中，xn为第n个输入样本，cn、σn分别为隐含层第n个节点的基函数中心和基宽向量，RBF神经网络的输出可由式(2)得到：
RBF神经网络训练流程图如图3所示；
步骤3，使用鲸鱼优化算法对RBF神经网络的中心层向量，基宽向量以及连接权值进行优化：
如图4所示，步骤3的具体过程如下：
步骤3.1，初始化鲸鱼优化算法，设置鲸鱼种群的数量N，算法的最大迭代次数Tmax，鲸鱼种群中的每条鲸鱼个体的位置包含RBF神经网络中的中心向量、基宽向量以及连接权值，对每条鲸鱼个体的计算结果进行误差统计，将误差最小的个体的位置信息作为当前最优解，记为X*(t)；
步骤3.2，将步骤3.1中X*(t)保留，对鲸鱼种群位置进行更新，更新如式(3)所示：
其中，A＝2a·r-a，a＝2-2(t/tmax)，r是位于[0，1]之间的随机向量,t、tmax分别表示当前迭代次数和最大迭代次数，X(t)表示当前位置向量，b是对数螺旋常数，l是位于[-1,1]之间的随机数，P是位于[0,1]之间的随机数，D和D′的计算如式(4)和式(5)所示：
D＝|C·X*(t)-X(t)| (4)
D′＝|X*(t)-X(t)| (5)
其中，C＝2·r；
为避免算法陷入局部最优的情况，增加随机游走来更新位置，如式(6)和式(7)所示：
X(t+1)＝Xr(t)-A·D (6)
D＝|C·Xr(t)-X(t)| (7)
其中，Xr(t)为随机挑选的鲸鱼个体的位置向量；
步骤3.3，对新生成的鲸鱼种群进行误差计算，并与上一代种群中的X*(t)进行比较，使用新一代的鲸鱼种群中误差较小的个体替代上一代误差较大的个体，生成新的X*(t)；
步骤3.4，对当前的X*(t)进行评估，若达到步骤3.1中设置的迭代次数N或转换精度，则将该个***置作为最优解
并将位置信息分别赋值给RBF神经网络的中心向量、基宽向量和连接权值，如果不满足迭代次数或转换精度，返回步骤3.2继续寻求最优解；
步骤4，步骤3完成后，使用步骤1中的训练样本对优化后的RBF颜色空间转换模型进行训练，得到最终的颜色空间转换模型，实现CMYK到LAB颜色空间的转换；
步骤4的具体过程如下：
步骤4.1，将步骤3中的最优解
分解为中心向量、基宽向量和连接权值三个参数并输入RBF神经网络之中，得到优化后的RBF神经网络；
步骤4.2，将任意的CMYK值作为RBF神经网络的输入值，通过RBF神经网络转换后，RBF神经网络输出转换后的LAB值；
步骤5，使用步骤1中的测试样本对最终的颜色空间转换模型进行测试，检验所建立的颜色空间转换模型的精度。
实施例
本实例的操作***为Windows 10，使用MATLAB R2020a作为仿真软件，样本来源为PANTONE标准色卡，对色卡的2300个色块全部进行编号，然后利用MATLAB在[1,2300]范围内产生700个随机数，将700个随机数所对应的编号的色块作为训练样本，随后再用同样的方法生成80个随机数，从剩余的色块中挑选出80个色块作为测试样本。所挑选的色块的CMYK值作为神经网络的输入值，LAB值作为神经网络的输出值。使用训练样本对RBF神经网络进行训练，训练完成后，使用测试样本对模型进行色差评价，计算LAB转换值与真实值之间的评价，采用色差ΔE作为评价标准，计算公式如式(13)所示：
式中，
为经过模型转换得到的值LAB值，
为色块的标准LAB值；
统计测试的100个色差ΔE，如图5所示，可以看出CMYK到LAB颜色空间转换精度较高；
本发明的一种高精度的数码印花颜色空间转换方法，使用鲸鱼算法优化后的RBF神经网络完成CMYK颜色空间到LAB颜色空间的转换；将任意CMYK值输入训练后的转换模型，可以实现CMYK到LAB颜色空间转换。其工作过程如下：制作训练样本和测试样本；确定神经网络结构以及神经网络的学习速率和动量因子；将样本中色块的CMYK值作为RBF神经网络的输入值，LAB值作为RBF神经网络的输出值；对RBF神经网络进行训练，通过鲸鱼优化算法优化RBF神经网络的中心向量、基宽向量和连接权值；训练后得到最终的颜色空间转换模型，可将任意CMYK值通过该转换模型转换为对应LAB值，实现颜色空间转换功能；该方法使用鲸鱼优化算法优化RBF神经网络，解决了RBF神经网络存在精度不足、关键参数选取困难的问题，进一步提高了颜色空间转换的精度，并具有良好的自适应性。
Claims (5)
1.一种高精度的数码印花颜色空间转换方法，其特征在于，具体按以下步骤实施：
步骤1，从标准色卡上采集色块的CMYK值和LAB值构建数据集；
步骤2，建立RBF神经网络模型；初始化模型中的参数，并设定网络的学习速率和动量因子，利于步骤1构建的数据集训练RBF颜色空间转换模型；
步骤3，利用鲸鱼优化算法对RBF神经网络的中心层向量，基宽向量以及连接权值进行优化；
步骤4，经步骤3优化完成后，使用步骤1中的训练样本对优化后的RBF颜色空间转换模型进行训练，得到最终的颜色空间转换模型，实现CMYK到LAB颜色空间的转换；
步骤5，使用步骤1中的测试样本对最终的颜色空间转换模型进行测试，检验所建立的颜色空间转换模型的精度。
2.根据权利要求1所述的一种高精度的数码印花颜色空间转换方法，其特征在于，所述步骤1中CMYK值用作神经网络的输入，LAB值用作神经网络的输出；数据集分为训练样本和测试样本，训练样本用以训练颜色空间转换模型，测试样本用以评估训练后模型的转换精度。
3.根据权利要求1所述的一种高精度的数码印花颜色空间转换方法，其特征在于，所述步骤2中建立RBF神经网络模型的具体过程如下：
设定RBF神经网络的学习速率为0.05，动量因子为0.85，初始化RBF神经网络的中心向量、基宽向量以及连接权值；选取高斯函数作为隐藏层节点的基函数，如式(1)所示：
式中，xn为第n个输入样本，cn、σn分别为隐含层第n个节点的基函数中心和基函数宽度；
RBF神经网络的输出可由式(2)得到：
4.根据权利要求1所述的一种高精度的数码印花颜色空间转换方法，其特征在于，所述步骤3中优化的具体过程按以下步骤实施：
步骤3.1，初始化鲸鱼优化算法，设置鲸鱼种群的数量为N＝10，算法的最大迭代次数Tmax＝50，鲸鱼种群中的每条鲸鱼个体的位置包含RBF神经网络中的中心向量、基宽向量以及连接权值，对每条鲸鱼个体的计算结果进行误差统计，将误差最小的个体的位置信息作为当前最优解，记为X*(t)；
步骤3.2，将步骤3.1中X*(t)保留，对鲸鱼种群位置进行更新，更新如式(3)所示：
式中，A＝2a·r-a，a＝2-2(t/tmax),r是位于[0,1]之间的随机向量，t、tmax分别表示当前迭代次数和最大迭代次数，X(t)表示当前位置向量，b是对数螺旋常数，l是位于[-1,1]之间的随机数，P是位于[0,1]之间的随机数，D和D′的计算如式(4)和式(5)所示：
D＝|C·X*(t)-X(t)| (4)
D′＝|X*(t)-X(t)| (5)
式中，C＝2·r；
为避免算法陷入局部最优的情况，增加随机游走来更新位置，如式(6)和式(7)所示：
X(t+1)＝Xr(t)-A·D (6)
D＝|C·Xr(t)-X(t)| (7)
式中，Xr(t)为随机挑选的鲸鱼个体的位置向量；
步骤3.3，对新生成的鲸鱼种群进行误差计算，并与上一代种群中的X*(t)进行对比，使用新一代的鲸鱼种群中误差较小的个体替代上一代误差较大的个体，生成新的X*(t)；
步骤3.4，对当前的X*(t)进行评估，若达到步骤3.1中设置的迭代次数N或转换精度，则将该个***置作为最优解
并将位置信息分别赋值给RBF神经网络的中心向量、基宽向量和连接权值，如果不满足迭代次数N或转换精度，返回步骤3.2继续寻求最优解。
5.根据权利要求1或4所述的一种高精度的数码印花颜色空间转换方法，其特征在于，所述步骤4中具体训练过程为：
步骤4.1，将步骤3中的最优解
分解为中心向量、基宽向量和连接权值三个参数并输入RBF神经网络之中，得到优化后的RBF神经网络；
步骤4.2，将任意的CMYK值作为RBF神经网络的输入值，通过RBF神经网络转换后，RBF神经网络输出转换后的LAB值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654803.9A CN113409206A (zh) | 2021-06-11 | 2021-06-11 | 一种高精度的数码印花颜色空间转换方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654803.9A CN113409206A (zh) | 2021-06-11 | 2021-06-11 | 一种高精度的数码印花颜色空间转换方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113409206A true CN113409206A (zh) | 2021-09-17 |
Family
ID=77683647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110654803.9A Pending CN113409206A (zh) | 2021-06-11 | 2021-06-11 | 一种高精度的数码印花颜色空间转换方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409206A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116587759A (zh) * | 2023-07-13 | 2023-08-15 | 江苏龙达纺织科技有限公司 | 一种直观高效的数码印花颜色修正管理方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110428A (zh) * | 2009-12-23 | 2011-06-29 | 新奥特（北京）视频技术有限公司 | 一种cmyk到rgb色彩空间的转换方法和装置 |
| CN106937018A (zh) * | 2017-01-12 | 2017-07-07 | 浙江大学 | 基于rbf神经网络用于纺织品喷墨印染的色彩映射方法 |
| CN110377957A (zh) * | 2019-06-20 | 2019-10-25 | 浙江大学 | 一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 |
| CN110475043A (zh) * | 2019-07-31 | 2019-11-19 | 西安工程大学 | 一种CMYK到Lab颜色空间的转换方法 |
| CN112232493A (zh) * | 2020-11-09 | 2021-01-15 | 江苏科技大学 | 一种基于改进鲸鱼算法的rbf神经网络优化方法 |
| CN112270397A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的颜色空间转换方法 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
-
2021
- 2021-06-11 CN CN202110654803.9A patent/CN113409206A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110428A (zh) * | 2009-12-23 | 2011-06-29 | 新奥特（北京）视频技术有限公司 | 一种cmyk到rgb色彩空间的转换方法和装置 |
| CN106937018A (zh) * | 2017-01-12 | 2017-07-07 | 浙江大学 | 基于rbf神经网络用于纺织品喷墨印染的色彩映射方法 |
| CN110377957A (zh) * | 2019-06-20 | 2019-10-25 | 浙江大学 | 一种鲸鱼搜索策略灰狼算法的桥式吊车神经网络建模方法 |
| CN110475043A (zh) * | 2019-07-31 | 2019-11-19 | 西安工程大学 | 一种CMYK到Lab颜色空间的转换方法 |
| CN112270397A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的颜色空间转换方法 |
| CN112232493A (zh) * | 2020-11-09 | 2021-01-15 | 江苏科技大学 | 一种基于改进鲸鱼算法的rbf神经网络优化方法 |
| CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHANG XIN等: "Research on Transformer Oil Kinematic Viscosity Detection Method Based on IWOA-RBF and Multi-frequency Ultrasonic Technology", 2020 3RD INTERNATIONAL CONFERENCE ON CONTROL AND ROBOTS (ICCR), pages 199 - 203 * |
| 季鹏等: "基于ＲBF神经网络的船舶电站PID控制器研究", 《重庆理工大学学报( 自然科学)》 * |
| 季鹏等: "基于ＲBF神经网络的船舶电站PID控制器研究", 《重庆理工大学学报( 自然科学)》, vol. 34, no. 2, 28 February 2020 (2020-02-28), pages 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116587759A (zh) * | 2023-07-13 | 2023-08-15 | 江苏龙达纺织科技有限公司 | 一种直观高效的数码印花颜色修正管理方法及*** |
| CN116587759B (zh) * | 2023-07-13 | 2023-09-29 | 江苏龙达纺织科技有限公司 | 一种直观高效的数码印花颜色修正管理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10171706B2 (en) | Configuring an imaging system | |
| US9047804B1 (en) | Lexical-based processing of color images | |
| CN108830912A (zh) | 一种深度特征对抗式学习的交互式灰度图像着色方法 | |
| US20070091106A1 (en) | Adaptive lexical classification system | |
| US6381036B1 (en) | Method for determining printer colorant levels | |
| CN110475043B (zh) | 一种CMYK到Lab颜色空间的转换方法 | |
| CN110223359A (zh) | 一种基于生成对抗网络的双阶段多配色线稿上色模型及其构建方法和应用 | |
| CN1946563A (zh) | N－色色域构建 | |
| EP3135026B1 (en) | Generation of color mapping representative of a color halftone processing pipeline | |
| CN102110428B (zh) | 一种cmyk到rgb色彩空间的转换方法和装置 | |
| CN109816714B (zh) | 一种基于三维卷积神经网络的点云物体类型识别方法 | |
| CN105184370B (zh) | 一种基于som分类技术的河口流域水环境质量评价方法 | |
| CN108021881A (zh) | 一种肤色分割方法、装置和存储介质 | |
| CN113409206A (zh) | 一种高精度的数码印花颜色空间转换方法 | |
| CN112270397B (zh) | 一种基于深度神经网络的颜色空间转换方法 | |
| Kuo et al. | Computerized color separation system for printed fabrics by using backward-propagation neural network | |
| CN113807194A (zh) | 一种增强性电力传输线故障图像识别方法 | |
| WO2021092807A1 (zh) | 自适应预编码模型训练方法、自适应预编码方法和基站 | |
| CN113408798B (zh) | 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法 | |
| Yanzhe | A novel algorithm based on improved BP neural network and its application in color management | |
| CN114998454B (zh) | 一种动态多色码的生成、解析方法 | |
| Hu et al. | [Retracted] Automatic Color‐Matching Model of Environmental Art Based on Visual Matching by Using IoT | |
| US11321026B2 (en) | Color value prediction system and generation method for color value predictor | |
| KR102683611B1 (ko) | Mri 이미지의 노이즈 제거를 위한 후처리 장치의 학습방법 및 이를 위한 컴퓨팅 장치 | |
| CN112183546B (zh) | 一种具有权重约束的基于空间最近邻的图像分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |