CN114638786B - 一种面向不同工艺的图片印刷效果模拟***及调色方法 - Google Patents
一种面向不同工艺的图片印刷效果模拟***及调色方法 Download PDFInfo
- Publication number
- CN114638786B CN114638786B CN202210156241.XA CN202210156241A CN114638786B CN 114638786 B CN114638786 B CN 114638786B CN 202210156241 A CN202210156241 A CN 202210156241A CN 114638786 B CN114638786 B CN 114638786B
- Authority
- CN
- China
- Prior art keywords
- color
- image
- printing
- picture
- printing effect
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向不同工艺的图片印刷效果模拟***及调色方法,通过对具体材质产品所对应的印刷工艺建立颜色体系,颜色体系包含两个层级,第一级为工艺覆盖的主要的抽象颜色,第二级为抽象颜色按色卡截取的具体颜色;对第一级颜色对应的图像进行取样,并在该工艺标准条件下进行印刷,基于***的调色单元将取样图像调校为印刷后的实物色调,并记录为该第一级颜色适用调校参数于***;然后对用户的不同图片进行主色提取,用该主色在第二级颜色中进行色彩匹配,从而加载匹配的第二级颜色对应的第一级颜色适用调校参数,作用于用户图片进行颜色还原,实现该工艺下图片印刷效果的模拟,从而让用户在视觉上提前感知其图片在产品上的真实印刷效果。
Description
技术领域
本发明属于数字印刷、图像处理和图像识别技术领域,尤其是涉及一种面向不同工艺的图片印刷效果模拟***及调色方法。
背景技术
将图像内容印刷在各种材质的介质上并尽量保持原图像的色彩是印刷行业的核心诉求,对于特定的图像和特定的材质,以及特定的印刷效果验收方而言,这个诉求是容易满足的。但随着市场个性化需求的发展,印刷面向的场景就不那么确定了,特别是面向普通用户的个性化印刷。它允许用户提交自己的图片,并选择受印的各种材质的产品,期望着产品上原样地印刷着自己的图像,这对印刷***是一个挑战,用户常为产品上印刷的图像与自己提供的图片存在差异而抱怨。为尽量达到用户的预期,产品方通常是以文字的形式告知用户色差的存在,或者直接将用户的图片合成到产品图片上让用户产生视觉感知,但这些并不能给用户提供印刷效果的视觉感知。
发明内容
本发明旨在解决上述技术问题,提供一种面向不同工艺的图片印刷效果模拟***及调色方法。
为了达到上述目的,本发明采用如下技术方案:
一种面向不同工艺的图片印刷效果模拟***,包括:颜色体系建设模块、人工颜色调校参数建立模块、图像主色提取模块、颜色匹配模块、颜色还原模块、颜色调校模型训练模块、模拟印刷效果呈现模块;
所述颜色体系建设模块针对不同的印刷工艺建立颜色体系,颜色体系包含两个层级,第一级为抽象颜色,第二级为该抽象颜色按色卡截取的具体颜色;
所述人工颜色调校参数建立模块使用***提供的调色工具,将每一类颜色在某中工艺下的变化模拟出来,记录下调色工具每个操作的参数即为人工颜色调校参数;
所述图像主色提取模块提取图片中数量占比最大的颜色做为图像的主色;颜色匹配模块基于提取到的主色,在颜色体系的第二级颜色值集合中找到与其最接近的颜色,从而确定色系及对应的颜色调校参数;
所述颜色还原模块通过颜色匹配结果加载对应色系的人工颜色调校参数,在调色工具上输入图片进行颜色还原;
颜色调校模型训练模块对于某种工艺已经对一定量的不同用户图片进行过印刷,且印刷效果是被认可的,那么采集印刷的实物图像与对应提交印刷的用户图像形成样本对,建立卷积神经网络模型进行训练,生成颜色调校模型;
所述颜色还原模块基于颜色调校模型对图片进行颜色还原,所述模拟印刷效果呈现模块用于呈现模拟印刷后的效果图片;
对于某种印刷工艺,是否积累了一定量的被确认的印刷实物成像图片,并产生了由这些样本训练的颜色调校模型,若不存在则进行图像主色提取,若存在则直接进行颜色还原。
一种面向不同工艺的图片印刷效果调色方法,包括以下步骤:
S101、针对不同的印刷工艺建立颜色体系,颜色体系包含两个层级,第一级为抽象颜色,第二级为该抽象颜色按色卡截取的具体颜色;
S102、使用***提供的调色工具,将每一类颜色在某工艺下的变化模拟出来,记录下调色工具每个操作的参数即为人工颜色调校参数,基于该参数即可将对应色系的图像调校为接近该工艺印刷效果的图像;
S103、提取图片中数量占比最大的颜色做为图像的主色,该颜色将用于颜色体系的匹配,以确定色系及对应的颜色调校参数;
S104、基于步骤S103提取到的主色,在颜色体系的第二级颜色值集合中找到与其最接近的颜色,从而确定色系及对应的颜色调校参数;
S105、基于步骤S104的颜色匹配结果,加载对应色系的人工颜色调校参数,在调色工具上输入图片进行颜色还原。
作为优选,所述图片印刷效果调色方法还包括:
S106、对于某种工艺已经对一定量的不同用户图片进行过印刷,且印刷效果是被认可的,那么采集印刷的实物图像与对应提交印刷的用户图像形成样本对,建立卷积神经网络模型进行训练,生成颜色调校模型;
S107、加载基于历史数据训练的颜色调校模型,将作用于待印刷的用户图片,调校为接近该工艺印刷效果的图像;
S108、向用户展示其提交印刷的图片模拟印刷后的效果图片。
作为优选,步骤S102包括:
S1021、选择颜色体系的某色系对应的图片;
S1022、将上述图片按某工艺在具体材质的产品上进行印刷;
S1023、使用***的调色工具将色系图片,按色彩平衡、网线调整、图层混合的顺序将其颜色调校为与印刷效果尽量的接近;
S1024、保存主述调色工具的参数做为该工艺某色系的调色参数。
作为优选,步骤S103包括:
S1031、对输入的RGB图片缩放到256x256尺寸,对缩略图进行核大小为11的高斯模糊;
S1032、将上述处理后的RGB图像转换到Lab颜色空间,并展开成65536个3维数据,对该数据集进行K均值聚类;
S1033、上述颜色聚类结果返回K个颜色值及其他数量,按数量排序取数量最多的颜色即为图片的主色。
作为优选,步骤S104包括:
S1041、载入工艺颜色体系下所有的第二级RGB颜色值,并转换为Lab颜色空间的值;
S1042、将输入查询的RGB颜色转换为Lab颜色空间的值,并与步骤S1041的各个Lab颜色空间的值按CIE2000计算颜色距离;
S1043、取上述距离中最小的对应的第二级颜色值即为匹配到的颜色,该第二级颜色对应的第一级颜色标记即为颜色匹配的结果。
作为优选,步骤S105包括:
S1051、载入调校参数;
S1052、将用户图片按参数进行色彩平衡;
S1053、将上述结果按参数进行曲线调整;
S1054、将上述结果按参数进行图层混合;
S1055、输出颜色还原结果。
作为优选,步骤S106包括:
S1061、采集不同图片在具体某种工艺下某种材质上的印刷实物图像,并通过图像配准方法将每对印刷前的图像和印刷后的实物图像进行像素对齐,对齐后的印前图像做为训练的输入图像数据,对齐后的印后图像做为训练的输入标签数据;
S1062、输入图像数据进行预设图像增强;
S1062、对上述样本图片进行预处理;
S1063、将上述处理后的样本图片对输入到颜色调校网络,该网络为深度卷积神经网络;
S1064、构建颜色调校网络和训练流程;
S1065、最终输出颜色调校网络模型。
作为优选,步骤S107包括:
S1071、加载调校模型;
S1072、将用户图片按最长边缩放到512x512,在该图像RGB通道上各像素值减128并除128;
S1073、上述图像作为调校模型深度卷积神经网络的输入;
S1074、上述网络的输出结果乘以255并缩放到用户图片的尺寸即为颜色还原结果。
作为优选,步骤S108包括:
S1081、将模拟印刷效果的结果图像通过图层混合的方式合成到具体产品的特定区域,完成用户图片模拟印刷效果后跟产品的结合;
S1082、将用户图片和模拟印刷效果的结果图像都缩放到128x128,并转换到XYZ空间,将每个颜色按其XY呈现于坐标图像上,并呈现CMYK色域的约束范围,完成用户图片和模拟印刷效果的结果图像在色度图上的分布对比。
采用上述技术方案后,本发明具有如下优点:
本发明就个性化印刷场景,对于用户提供的不同图片以及其选择印刷的各种材质的产品,在图像印刷在实物之前,给用户提供一种该图像印刷在该材质实物上的模拟效果,从而让用户在视觉上提前感知其图片与真实印刷效果可能存在的差异。
具体而言,首先,对具体材质产品所对应的印刷工艺建立颜色体系,该颜色体系包含两个层级,第一级为该工艺覆盖的主要的抽象颜色,第二级为该抽象颜色按色卡截取的具体颜色值;其次,对第一级颜色对应的图像进行取样,并在该工艺标准条件下进行印刷,基于***的调色单元将取样图像调校为印刷后的实物色调,并记录为该第一级颜色适用调校参数于***;然后,对用户的不同图片进行主色提取,用该主色在第二级颜色中进行色彩匹配,从而加载匹配的第二级颜色对应的第一级颜色适用调校参数,作用于用户图片,完成该工艺下图片印刷效果的模拟。
附图说明
图1为一种面向不同工艺的图片印刷效果调色方法的流程图;
图2为步骤S101的流程图;
图3为步骤S102的流程图;
图4为步骤S103的流程图;
图5为步骤S104的流程图;
图6为步骤S105的流程图;
图7为步骤S106的流程图;
图8为步骤S107的流程图;
图9为步骤S108的流程图。
具体实施方式
以下结合附图及具体实施例,对本发明作进一步的详细说明。
一种面向不同工艺的图片印刷效果模拟***,包括:颜色体系建设模块、人工颜色调校参数建立模块、图像主色提取模块、颜色匹配模块、颜色还原模块、颜色调校模型训练模块、模拟印刷效果呈现模块;
所述颜色体系建设模块针对不同的印刷工艺建立颜色体系,颜色体系包含两个层级,第一级为抽象颜色,第二级为该抽象颜色按色卡截取的具体颜色;
所述人工颜色调校参数建立模块使用***提供的调色工具,将每一类颜色在某中工艺下的变化模拟出来,记录下调色工具每个操作的参数即为人工颜色调校参数;
所述图像主色提取模块提取图片中数量占比最大的颜色做为图像的主色;颜色匹配模块基于提取到的主色,在颜色体系的第二级颜色值集合中找到与其最接近的颜色,从而确定色系及对应的颜色调校参数;
所述颜色还原模块通过颜色匹配结果加载对应色系的人工颜色调校参数,在调色工具上输入图片进行颜色还原;
颜色调校模型训练模块对于某种工艺已经对一定量的不同用户图片进行过印刷,且印刷效果是被认可的,那么采集印刷的实物图像与对应提交印刷的用户图像形成样本对,建立卷积神经网络模型进行训练,生成颜色调校模型;
所述颜色还原模块基于颜色调校模型对图片进行颜色还原,所述模拟印刷效果呈现模块用于呈现模拟印刷后的效果图片;
对于某种印刷工艺,是否积累了一定量的被确认的印刷实物成像图片,并产生了由这些样本训练的颜色调校模型,若不存在则进行图像主色提取,若存在则直接进行颜色还原。
如图1所示,一种面向不同工艺的图片印刷效果调色方法,包括以下步骤:
S101、针对不同的印刷工艺建立颜色体系,颜色体系包含两个层级,第一级为抽象颜色,第二级为该抽象颜色按色卡截取的具体颜色;
S102、使用***提供的调色工具,将每一类颜色在某工艺下的变化模拟出来,记录下调色工具每个操作的参数即为人工颜色调校参数,基于该参数即可将对应色系的图像调校为接近该工艺印刷效果的图像;
S103、提取图片中数量占比最大的颜色做为图像的主色,该颜色将用于颜色体系的匹配,以确定色系及对应的颜色调校参数;
S104、基于步骤S103提取到的主色,在颜色体系的第二级颜色值集合中找到与其最接近的颜色,从而确定色系及对应的颜色调校参数;
S105、基于步骤S104的颜色匹配结果,加载对应色系的人工颜色调校参数,在调色工具上输入图片进行颜色还原;
S106、对于某种工艺已经对一定量的不同用户图片进行过印刷,且印刷效果是被认可的,那么采集印刷的实物图像与对应提交印刷的用户图像形成样本对,建立卷积神经网络模型进行训练,生成颜色调校模型;
S107、加载基于历史数据训练的颜色调校模型,将作用于待印刷的用户图片,调校为接近该工艺印刷效果的图像;
S108、向用户展示其提交印刷的图片模拟印刷后的效果图片。
如图2所示,步骤S101包括:
S1011、确定具体的印刷工艺以及可选择的受印材质;
S1012、选择第一级抽象颜色,如红、洋红、黄、绿、橙、紫、灰、蓝、青这些原色;
S1013、为每一级抽象颜色按色卡截取的具体颜色构成对应的第二级颜色,如对应青色系的具体颜色值(R,G,B)可设置为(174,235,232),(158,208,199),(133,203,191),(65,185,178),(0,175,158),(0,182,204),(0,172,208),(65,185,178),(0,147,172),(96,159,164);
如图2所示,步骤S102包括:
S1021、选择颜色体系的某色系对应的图片;
S1022、将上述图片按某工艺在具体材质的产品上进行印刷;
S1023、使用***的调色工具将色系图片,按色彩平衡、网线调整、图层混合的顺序将其颜色调校为与印刷效果尽量的接近;
S1024、保存主述调色工具的参数做为该工艺某色系的调色参数。
如图4所示,步骤S103包括:
S1031、对输入的RGB图片缩放到256x256尺寸,对缩略图进行核大小为11的高斯模糊;
S1032、将上述处理后的RGB图像转换到Lab颜色空间,并展开成65536个3维数据,对该数据集进行K均值聚类,设置K值为8,数据度量为欧氏距离,迭代次数为5,终止误差为0.0001;
S1033、上述颜色聚类结果返回K个颜色值及其他数量,按数量排序取数量最多的颜色即为图片的主色。
如图5所示,步骤S104包括:
S1041、载入工艺颜色体系下所有的第二级RGB颜色值,并转换为Lab颜色空间的值;
S1042、将输入查询的RGB颜色转换为Lab颜色空间的值,并与步骤S1041的各个Lab颜色空间的值按CIE2000计算颜色距离;
S1043、取上述距离中最小的对应的第二级颜色值即为匹配到的颜色,该第二级颜色对应的第一级颜色标记即为颜色匹配的结果。
如图6所示,步骤S105包括:
S1051、载入调校参数;
S1052、将用户图片按参数进行色彩平衡;
S1053、将上述结果按参数进行曲线调整;
S1054、将上述结果按参数进行图层混合;
S1055、输出颜色还原结果。
如图7所示,步骤S106包括:
S1061、采集不同图片在具体某种工艺下某种材质上的印刷实物图像,并通过图像配准方法将每对印刷前的图像和印刷后的实物图像进行像素对齐,对齐后的印前图像做为训练的输入图像数据,对齐后的印后图像做为训练的输入标签数据;
训练的目的是让模型学习到印前图像到印后图像颜色上的变化,那么使用训练出的模型即可将任意的图片做同等的颜色转变。
S1062、输入图像数据进行预设图像增强;
方案包括:随机颜色变换、随机旋转、随机高斯噪声、随机高斯模糊;
S1062、对上述样本图片进行预处理;
具体来说是对图片按最长边缩放到512x512,在该图像RGB通道上各像素值减128并除128;
S1063、将上述处理后的样本图片对输入到颜色调校网络,该网络为深度卷积神经网络;
具体来说深度卷积神经网络是由15个卷积层构成。
S1064、借助PyTorch构建颜色调校网络和训练流程,设置初始学习率为0.01和终止迭代循环次数为100,选择优化器为SGD;
S1065、最终输出颜色调校网络模型。
如图8所示,步骤S107包括:
S1071、加载调校模型;
S1072、将用户图片按最长边缩放到512x512,在该图像RGB通道上各像素值减128并除128;
S1073、上述图像作为调校模型深度卷积神经网络的输入;
S1074、上述网络的输出结果乘以255并缩放到用户图片的尺寸即为颜色还原结果。
如图9所示,步骤S108包括:
S1081、将模拟印刷效果的结果图像通过图层混合的方式合成到具体产品的特定区域,完成用户图片模拟印刷效果后跟产品的结合;
S1082、将用户图片和模拟印刷效果的结果图像都缩放到128x128,并转换到XYZ空间,将每个颜色按其XY呈现于坐标图像上,并呈现CMYK色域的约束范围,完成用户图片和模拟印刷效果的结果图像在色度图上的分布对比。
除上述优选实施例外,本发明还有其他的实施方式,本领域技术人员可以根据本发明作出各种改变和变形,只要不脱离本发明的精神,均应属于本发明所附权利要求所定义的范围。
Claims (10)
1.一种面向不同工艺的图片印刷效果模拟***,其特征在于,包括:颜色体系建设模块、人工颜色调校参数建立模块、图像主色提取模块、颜色匹配模块、颜色还原模块、颜色调校模型训练模块、模拟印刷效果呈现模块;
所述颜色体系建设模块针对不同的印刷工艺建立颜色体系,颜色体系包含两个层级,第一级为抽象颜色,第二级为该抽象颜色按色卡截取的具体颜色;
所述人工颜色调校参数建立模块使用***提供的调色工具,将每一类颜色在某种工艺下的变化模拟出来,记录下调色工具每个操作的参数即为人工颜色调校参数;
所述图像主色提取模块提取图片中数量占比最大的颜色做为图像的主色;颜色匹配模块基于提取到的主色,在颜色体系的第二级颜色值集合中找到与其最接近的颜色,从而确定色系及对应的颜色调校参数;
所述颜色还原模块通过颜色匹配结果加载对应色系的人工颜色调校参数,在调色工具上输入图片进行颜色还原;
颜色调校模型训练模块对于某种工艺已经对不同用户图片进行过印刷,且印刷效果是被认可的,那么采集印刷的实物图像与对应提交印刷的用户图像形成样本对,建立卷积神经网络模型进行训练,生成颜色调校模型;
所述颜色还原模块基于颜色调校模型对图片进行颜色还原,所述模拟印刷效果呈现模块用于呈现模拟印刷后的效果图片;
对于某种印刷工艺,是否积累了被确认的印刷实物成像图片,并产生了由这些样本训练的颜色调校模型,若不存在则进行图像主色提取,若存在则直接进行颜色还原。
2.一种面向不同工艺的图片印刷效果调色方法,其特征在于,包括以下步骤:
S101、针对不同的印刷工艺建立颜色体系,颜色体系包含两个层级,第一级为抽象颜色,第二级为该抽象颜色按色卡截取的具体颜色;
S102、使用***提供的调色工具,将每一类颜色在某种工艺下的变化模拟出来,记录下调色工具每个操作的参数即为人工颜色调校参数,基于该参数即可将对应色系的图像调校为接近该工艺印刷效果的图像;
S103、提取图片中数量占比最大的颜色做为图像的主色,该颜色将用于颜色体系的匹配,以确定色系及对应的颜色调校参数;
S104、基于步骤S103提取到的主色,在颜色体系的第二级颜色值集合中找到与其最接近的颜色,从而确定色系及对应的颜色调校参数;
S105、基于步骤S104的颜色匹配结果,加载对应色系的人工颜色调校参数,在调色工具上输入图片进行颜色还原。
3.根据权利要求2所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,所述图片印刷效果调色方法还包括:
S106、对于某种工艺已经对不同用户图片进行过印刷,且印刷效果是被认可的,那么采集印刷的实物图像与对应提交印刷的用户图像形成样本对,建立卷积神经网络模型进行训练,生成颜色调校模型;
S107、加载基于历史数据训练的颜色调校模型,将作用于待印刷的用户图片,调校为接近该工艺印刷效果的图像;
S108、向用户展示其提交印刷的图片模拟印刷后的效果图片。
4.根据权利要求2所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,步骤S102包括:
S1021、选择颜色体系的某色系对应的图片;
S1022、将基于步骤1021得到的图片按某种工艺在具体材质的产品上进行印刷;
S1023、使用***的调色工具将色系图片,按色彩平衡、网线调整、图层混合的顺序将其颜色调校为与印刷效果接近;
S1024、保存主述调色工具的参数做为该工艺某色系的调色参数。
5.根据权利要求2所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,步骤S103包括:
S1031、对输入的RGB图片缩放到256x256尺寸,对缩略图进行核大小为11的高斯模糊;
S1032、将基于步骤1031处理后的RGB图像转换到Lab颜色空间,并展开成65536个3维数据,并进行K均值聚类;
S1033、基于步骤1033得到的颜色聚类结果返回K个颜色值及其他数量,按数量排序取数量最多的颜色即为图片的主色。
6.根据权利要求2所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,步骤S104包括:
S1041、载入工艺颜色体系下所有的第二级RGB颜色值,并转换为Lab颜色空间的值;
S1042、将输入查询的RGB颜色转换为Lab颜色空间的值,并与步骤S1041的各个Lab颜色空间的值按CIE2000计算颜色距离;
S1043、取基于步骤1042计算的颜色距离中最小的对应的第二级颜色值即为匹配到的颜色,该第二级颜色对应的第一级颜色标记即为颜色匹配的结果。
7.根据权利要求2所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,步骤S105包括:
S1051、载入调校参数;
S1052、将用户图片按参数进行色彩平衡;
S1053、将基于步骤1052得到的结果按参数进行曲线调整;
S1054、将基于步骤1053得到的结果按参数进行图层混合;
S1055、输出颜色还原结果。
8.根据权利要求3所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,步骤S106包括:
S1061、采集不同图片在具体某种工艺下某种材质上的印刷实物图像,并通过图像配准方法将每对印刷前的图像和印刷后的实物图像进行像素对齐,对齐后的印前图像做为训练的输入图像数据,对齐后的印后图像做为训练的输入标签数据;
S1062、输入图像数据进行预设图像增强;
S1063、对基于步骤1062中经过预设图像增强后的印前图像和印后图像进行预处理;
S1064、将基于步骤1063预处理后的印前图像和印后图像输入到颜色调校网络,该网络为深度卷积神经网络;
S1065、构建颜色调校网络和训练流程;
S1066、最终输出颜色调校网络模型。
9.根据权利要求3所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,步骤S107包括:
S1071、加载调校模型;
S1072、将用户图片按最长边缩放到512x512,在基于步骤107中调校为接近该工艺印刷效果的图像的RGB通道上各像素值减128并除128;
S1073、将基于步骤1072得到的图像作为调校模型深度卷积神经网络的输入;
S1074、上述调校模型深度卷积神经网络的输出结果乘以255并缩放到用户图片的尺寸即为颜色还原结果。
10.根据权利要求3所述的一种面向不同工艺的图片印刷效果调色方法,其特征在于,步骤S108包括:
S1081、将模拟印刷效果的结果图像通过图层混合的方式合成到具体产品的特定区域,完成用户图片模拟印刷效果后跟产品的结合;
S1082、将用户图片和模拟印刷效果的结果图像都缩放到128x128,并转换到XYZ空间,将每个颜色按其XY呈现于坐标图像上,并呈现CMYK色域的约束范围,完成用户图片和模拟印刷效果的结果图像在色度图上的分布对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156241.XA CN114638786B (zh) | 2022-02-21 | 2022-02-21 | 一种面向不同工艺的图片印刷效果模拟***及调色方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210156241.XA CN114638786B (zh) | 2022-02-21 | 2022-02-21 | 一种面向不同工艺的图片印刷效果模拟***及调色方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638786A CN114638786A (zh) | 2022-06-17 |
CN114638786B true CN114638786B (zh) | 2022-12-13 |
Family
ID=81945614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210156241.XA Active CN114638786B (zh) | 2022-02-21 | 2022-02-21 | 一种面向不同工艺的图片印刷效果模拟***及调色方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638786B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115027161B (zh) * | 2022-07-27 | 2024-04-05 | 河南省邮电科技有限公司 | 一种荧光灯下多色叠印的彩色印刷方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109417586A (zh) * | 2016-06-30 | 2019-03-01 | 株式会社隆创 | 颜色变换***、颜色变换装置以及颜色变换方法 |
CN110418030A (zh) * | 2019-06-24 | 2019-11-05 | 浙江大学 | 基于图像色块用于纺织品喷墨印染的颜色一致性映射方法 |
CN112669238A (zh) * | 2020-12-31 | 2021-04-16 | 齐鲁工业大学 | 一种色彩校正后的数字图像精确恢复原图的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4594185B2 (ja) * | 2005-08-02 | 2010-12-08 | キヤノン株式会社 | 色処理方法およびその装置 |
CN101987529B (zh) * | 2009-08-07 | 2012-08-15 | 上海运安制版有限公司 | 一种专色参与图像的数码打样方法 |
RU2552503C2 (ru) * | 2009-12-17 | 2015-06-10 | Вин Кин Тон Принтинг Лимитэд | Способ контроля качества многоцветной печати первичными цветами |
JP5462756B2 (ja) * | 2010-09-27 | 2014-04-02 | 富士フイルム株式会社 | 色選択支援方法、色値取得方法、画像処理方法、色選択支援装置、色値取得装置、画像処理装置及びプログラム |
CN104139607B (zh) * | 2014-08-04 | 2016-05-11 | 星光印刷(苏州)有限公司 | 一种色彩管理和印刷机校正方法 |
US10508208B2 (en) * | 2015-02-06 | 2019-12-17 | Merck Patent Gmbh | Process for printing multicoloured printed images |
DE102015205275B8 (de) * | 2015-03-24 | 2017-08-03 | Heidelberger Druckmaschinen Ag | Verfahren zur Korrektur von Abweichungen gemessener Bilddaten |
CN107800915A (zh) * | 2017-09-11 | 2018-03-13 | 浙江理工大学 | 一种基于图像采集校正的色彩交换方法及*** |
CN113411466B (zh) * | 2021-05-08 | 2022-09-20 | 华南理工大学 | 基于彩色印刷生产***的多色彩色差智能校正方法及*** |
CN113306289A (zh) * | 2021-06-21 | 2021-08-27 | 深圳市裕同包装科技股份有限公司 | 一种哑膜表面的印刷颜色校正方法 |
-
2022
- 2022-02-21 CN CN202210156241.XA patent/CN114638786B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109417586A (zh) * | 2016-06-30 | 2019-03-01 | 株式会社隆创 | 颜色变换***、颜色变换装置以及颜色变换方法 |
CN110418030A (zh) * | 2019-06-24 | 2019-11-05 | 浙江大学 | 基于图像色块用于纺织品喷墨印染的颜色一致性映射方法 |
CN112669238A (zh) * | 2020-12-31 | 2021-04-16 | 齐鲁工业大学 | 一种色彩校正后的数字图像精确恢复原图的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114638786A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ni et al. | ESIM: Edge similarity for screen content image quality assessment | |
CN101213576B (zh) | 影集制作装置及方法 | |
US6198843B1 (en) | Method and apparatus for color gamut mapping | |
US20050152613A1 (en) | Image processing apparatus, image processing method and program product therefore | |
EP2741254A1 (en) | Color determination device, color determination system, color determination method, information recording medium, and program | |
US20100271513A1 (en) | Selection of decorative picture suitable for input picture | |
CN114638786B (zh) | 一种面向不同工艺的图片印刷效果模拟***及调色方法 | |
Yendrikhovskij et al. | Optimizing color reproduction of natural images | |
Hristova et al. | Style-aware robust color transfer. | |
CN107392710B (zh) | 一种个性化产品的远程智能定制加工方法 | |
CN113301408B (zh) | 视频数据处理方法、装置、电子设备和可读存储介质 | |
CN105160538A (zh) | 一种印刷品在线设计服务云平台及其在线设计方法 | |
JP2005151282A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
US20110274348A1 (en) | Image processing | |
Milić et al. | A content-dependent naturalness-preserving daltonization method for dichromatic and anomalous trichromatic color vision deficiencies | |
CN108615043A (zh) | 一种视频分类方法及*** | |
US20080025562A1 (en) | Data correction method, apparatus and program | |
CN110990617B (zh) | 一种图片标记方法、装置、设备及存储介质 | |
US9786076B2 (en) | Image combining apparatus, image combining method and non-transitory computer readable medium for storing image combining program | |
CN101184149A (zh) | 颜色处理装置和方法 | |
CN109784357B (zh) | 一种基于统计模型的图像重拍检测方法 | |
CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
CN107767367A (zh) | 一种针对hdr图的无参考质量客观评价方法 | |
CN111179293B (zh) | 一种基于颜色和灰度特征融合的仿生型轮廓检测方法 | |
Lee et al. | Towards anovel perceptual color difference metric using circular processing of hue components |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230719 Address after: No. 1361, Zhenghan South Street, Xiaoshun Town, Jindong District, Jinhua, Jinhua, China (Zhejiang) Pilot Free Trade Zone, 310000 (2nd Floor, Building 1, Zhejiang Iris japonica Knitting Co., Ltd.) (self declaration) Patentee after: Jinhua Routu Intelligent Manufacturing Co.,Ltd. Address before: 310030 6 / F, building a, golden Xixi, No. 199, Shuanglong street, Xihu District, Hangzhou, Zhejiang Patentee before: Hangzhou Yinge Technology Co.,Ltd. |