專利名稱：基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法
技術(shù)領(lǐng)域：
本發(fā)明屬于印刷色彩管理技術(shù)領(lǐng)域，涉及一種色彩空間轉(zhuǎn)換的方法，具體涉及一種基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法。
背景技術(shù)：
色彩管理技術(shù)是為了解決顏色在不同成像設(shè)備之間的正確轉(zhuǎn)移問題，色彩管理技術(shù)的核心之一就是色彩空間模型的相互轉(zhuǎn)換。目前，常用的色彩空間轉(zhuǎn)換方法主要有紐介堡方程法、三維查找表(3D_LUT)、多項(xiàng)式回歸法，以及一些人工智能方法，如人工神經(jīng)網(wǎng)絡(luò)、 模糊邏輯和遺傳算法等。色度空間變換屬于三維空間的非線性映射問題，傳統(tǒng)的數(shù)學(xué)模型法都有一定的局限性，難以在自動(dòng)控制調(diào)整中獲得應(yīng)用。因此，目前很多學(xué)者把研究重點(diǎn)轉(zhuǎn)移到人工智能算法研究上。對(duì)于人工神經(jīng)網(wǎng)絡(luò)算法顏色空間轉(zhuǎn)換模型的研究，目前常采用BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)算法本質(zhì)上為梯度下降法，從數(shù)學(xué)角度看，BP算法是一種局部搜索的優(yōu)化方法，但當(dāng)它要解決的問題是求解復(fù)雜非線性函數(shù)的全局優(yōu)化時(shí)，算法很有可能陷入局部極值，使訓(xùn)練失敗，因此，其模型轉(zhuǎn)化方法還有待進(jìn)一步提高。基于生活中顏色常用自然語言描述，具有模糊性，此外，顏色空間變換具有高度非線性的特點(diǎn)，所以人們將模糊控制理論應(yīng)用于顏色空間轉(zhuǎn)換模型。與經(jīng)典控制理論和現(xiàn)代控制理論相比，模糊控制的主要特點(diǎn)是不需要建立對(duì)象的數(shù)學(xué)模型，構(gòu)造容易，魯棒性強(qiáng)，算法簡單，執(zhí)行快，容易實(shí)現(xiàn)等。然而，在模糊模型中，模糊規(guī)則及隸屬函數(shù)的選擇完全憑經(jīng)驗(yàn)，此外，信息簡單的模糊處理將導(dǎo)致系統(tǒng)的控制精度降低和動(dòng)態(tài)品質(zhì)變差，要提高精度則必然增加量化級(jí)數(shù)，從而導(dǎo)致規(guī)則搜索范圍擴(kuò)大。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，解決了現(xiàn)有色彩空間轉(zhuǎn)換方法存在的不適用于求解復(fù)雜非線性函數(shù)的全局優(yōu)化的問題。本發(fā)明所采用的技術(shù)方案是，基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，具體按照以下步驟實(shí)施
步驟1 選擇輸入顏色空間的采樣點(diǎn)，采集采樣點(diǎn)的建模數(shù)據(jù)； 步驟2:建立模糊神經(jīng)色彩空間轉(zhuǎn)換模型，將步驟1得到的采樣點(diǎn)的建模數(shù)據(jù)輸入到模糊神經(jīng)色彩空間轉(zhuǎn)換模型中，完成色彩空間的轉(zhuǎn)換。本發(fā)明的特點(diǎn)還在于，
其中的步驟1選擇輸入顏色空間的采樣點(diǎn)，采集采樣點(diǎn)的建模數(shù)據(jù)，具體按照以下步驟實(shí)施將RGB顏色空間等分成27個(gè)子空間，選擇立方體的中心點(diǎn)作為驗(yàn)證模型精度的驗(yàn)證點(diǎn)，總共27個(gè)，R、G、B顏色軸取值分別為43、129和213 ；在RGB顏色空間中選擇729個(gè)樣本點(diǎn)，采樣點(diǎn)的選擇是在RGB顏色空間中均勻取點(diǎn)，將R、G、B顏色軸八等分，訓(xùn)練樣本的 R、G、B 值分別取為 0，32，64，96，128，160，192，224 和 255，共有 729 組數(shù)據(jù)。其中的步驟2建立模糊神經(jīng)色彩空間轉(zhuǎn)換模型，具體按照以下步驟實(shí)施a.首先，輸入RGB顏色空間轉(zhuǎn)換點(diǎn)的顏色值，定義為X(r，g，b);
b.設(shè)定RGB子空間半徑，定義為δ，設(shè)定模糊劃分子空間半徑δ的初值為5;
c.輸入RGB顏色空間和對(duì)應(yīng)的CIELW顏色空間樣本集矩陣；
d.設(shè)X點(diǎn)為中心，計(jì)算X左(r-δ，g- δ，b- δ )和X右(r+ δ，g+ δ，b+ δ )點(diǎn)的坐標(biāo)，如果乂￡和Χ；^點(diǎn)超出RGB顏色空間，則乂￡和父；^點(diǎn)投影到RGB顏色立體的表面；
e.采用顏色空間轉(zhuǎn)換模糊模型輸出X左和X；^對(duì)應(yīng)的CIEL*a*b*顏色空間對(duì)應(yīng)的點(diǎn)坐標(biāo)，定義為Y左(L1, ai; b》和Y右(L2，a2, b2)；
f.求取既在以X為圓心，S為半徑的RGB子空間中的采樣點(diǎn)，又在以Y^YieS直徑的 CIEL^ab顏色子空間中的采樣點(diǎn)的樣本集；
g.如果樣本集的數(shù)量過少，則3= 5+5，再次計(jì)算步驟(1 €;
h.如果樣本集數(shù)量過多，則3= 5-1，再次計(jì)算步驟(1 €;
i.如果樣本集數(shù)量適當(dāng)，則在RGB顏色子空間和CIELW子空間內(nèi)采用神經(jīng)網(wǎng)絡(luò)，利用子空間樣本點(diǎn)訓(xùn)練網(wǎng)絡(luò)，在子空間內(nèi)建立基于BP神經(jīng)網(wǎng)絡(luò)的顏色空間轉(zhuǎn)換模型；
j.輸入X坐標(biāo)值，利用子空間BP神經(jīng)網(wǎng)絡(luò)的顏色空間轉(zhuǎn)換模型，輸出X點(diǎn)的CIELW 空間的坐標(biāo)值Y (L，a，b)，完成顏色空間轉(zhuǎn)換。其中的步驟e中的顏色空間轉(zhuǎn)換模糊模型采用三輸入三輸出模糊控制器。其中的步驟i中的神經(jīng)網(wǎng)絡(luò)，采用4層BP網(wǎng)絡(luò)結(jié)構(gòu)，包括一個(gè)輸出層和三個(gè)隱藏層，每個(gè)隱藏層的節(jié)點(diǎn)數(shù)為20，網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)采用log-sigmoid型函數(shù) Iogsig ()，輸出層神經(jīng)元傳遞函數(shù)采用純線型函數(shù)purelin ()，訓(xùn)練函數(shù)采用彈性梯度下降法trainrp函數(shù)，設(shè)定正確的訓(xùn)練參數(shù)，其中最大訓(xùn)練次數(shù)選擇1000次，訓(xùn)練精度選擇1， 學(xué)習(xí)率設(shè)定為0.2。其中的樣本集的數(shù)量為介于50與100之間。本發(fā)明的有益效果是，首先充分發(fā)揮了模糊辨識(shí)在廣域空間中的快速性強(qiáng)的優(yōu)勢(shì)，將輸入顏色空間動(dòng)態(tài)劃分為若干子空間；然后又充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)在局部子空間中自適應(yīng)辨識(shí)能力強(qiáng)和精度高的優(yōu)勢(shì)，合理實(shí)現(xiàn)了模糊與神經(jīng)網(wǎng)絡(luò)算法的優(yōu)勢(shì)互補(bǔ)，既大大提高了模型轉(zhuǎn)換的處理速度，又有效提高了模型轉(zhuǎn)換的精度。


圖1是本發(fā)明方法中將27個(gè)檢驗(yàn)色塊值輸入模型，模型輸出值與色塊實(shí)際測(cè)量值的色差關(guān)系圖2是本發(fā)明方法中將7 個(gè)建模色塊的RGB顏色值輸入模型，模型輸出值與色塊實(shí)際測(cè)量值的色差圖3是本發(fā)明方法中建模的程序流程圖4是本發(fā)明方法中模型的子空間內(nèi)包涵建模點(diǎn)數(shù)量與檢驗(yàn)色塊的平均色差的關(guān)系圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明進(jìn)行詳細(xì)說明。本發(fā)明基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，具體按照以下步驟實(shí)施步驟1 選擇輸入顏色空間的采樣點(diǎn)，采集采樣點(diǎn)的建模數(shù)據(jù)。檢驗(yàn)色塊將RGB顏色空間等分成27個(gè)子空間(即27個(gè)子立方體)，選擇立方體的中心點(diǎn)作為驗(yàn)證模型精度的驗(yàn)證點(diǎn)，總共27個(gè)，R、G、B顏色軸取值分別為43、1 和213。建模色塊在RGB顏色空間中選擇7 個(gè)樣本點(diǎn)，采樣點(diǎn)的選擇是在RGB顏色空間中均勻取點(diǎn)，將R、G、B顏色軸八等分，訓(xùn)練樣本的R、G、B值分別取為0，32，64，96，128，160， 192，224和255，共有729 (即93)組數(shù)據(jù)。步驟2 建立模糊神經(jīng)色彩空間轉(zhuǎn)換模型，將步驟1得到的采樣點(diǎn)的建模數(shù)據(jù)輸入到模糊神經(jīng)色彩空間轉(zhuǎn)換模型中，完成色彩空間的轉(zhuǎn)換。為了提高顏色空間轉(zhuǎn)化的精度，分別利用模糊模型和神經(jīng)網(wǎng)絡(luò)各自的特點(diǎn)，本專利提出首先采用顏色空間轉(zhuǎn)換模糊模型將顏色空間劃分成若干子空間，在子空間內(nèi)部采用 BP神經(jīng)網(wǎng)絡(luò)的方法輸出采樣點(diǎn)。模型的程序流程如圖3所示
(1)首先，輸入RGB顏色空間轉(zhuǎn)換點(diǎn)的顏色值，定義為X (r, g，b)。(2)設(shè)定RGB子空間半徑，定義為δ，在模型中，首先設(shè)定模糊劃分子空間半徑δ 的初值為5。(3)輸入RGB顏色空間和對(duì)應(yīng)的CIELW顏色空間樣本集矩陣。(4)設(shè) X 點(diǎn)為中心，計(jì)算 X左(r-δ，g-δ，b_ δ )禾口 X右(r+δ，g+δ，b+δ )點(diǎn)的坐標(biāo)。如果乂￡和Χ；^點(diǎn)超出RGB顏色空間，則乂￡和父；^點(diǎn)投影到RGB顏色立體的表面。(5)采用顏色空間轉(zhuǎn)換模糊模型輸出乂￡和對(duì)應(yīng)的CIELW顏色空間對(duì)應(yīng)的點(diǎn)坐標(biāo)，定義為Y左(L1Apb1)和Y^(L2Ayb2)tj顏色空間轉(zhuǎn)換模糊模型采用三輸入三輸出模糊控制器。(6)求取既在以X為圓心，δ為半徑的RGB子空間中的采樣點(diǎn)，又在以bY；^為直徑的CIELW顏色子空間中的采樣點(diǎn)的樣本集。(7)如果樣本集的數(shù)量過少，則δ = δ+5，再次計(jì)算步驟(4) (6)。(8)如果樣本集數(shù)量過多，則δ = δ-1，再次計(jì)算步驟(4) (6)。(9)如果樣本集數(shù)量適當(dāng)，則在RGB顏色子空間和CIELW子空間內(nèi)采用神經(jīng)網(wǎng)絡(luò)，利用子空間樣本點(diǎn)訓(xùn)練網(wǎng)絡(luò)，在子空間內(nèi)建立基于BP神經(jīng)網(wǎng)絡(luò)的顏色空間轉(zhuǎn)換模型。 神經(jīng)網(wǎng)絡(luò)采用4層BP網(wǎng)絡(luò)結(jié)構(gòu)(輸出層和3個(gè)隱藏層)，每個(gè)隱藏層的節(jié)點(diǎn)數(shù)為20，網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)采用log-sigmoid型函數(shù)Iogsig ()，輸出層神經(jīng)元傳遞函數(shù)采用純線型函數(shù)purelin ()，訓(xùn)練函數(shù)采用彈性梯度下降法trainrp函數(shù)。設(shè)定正確的訓(xùn)練參數(shù)，其中最大訓(xùn)練次數(shù)選擇1000次，訓(xùn)練精度選擇1，學(xué)習(xí)率設(shè)定為0. 2。(10)輸入X坐標(biāo)值，利用子空間BP神經(jīng)網(wǎng)絡(luò)的顏色空間轉(zhuǎn)換模型，輸出X點(diǎn)的 CIELVb*空間的坐標(biāo)值Y (L，a, b)，完成顏色空間轉(zhuǎn)換。為保證BP神經(jīng)網(wǎng)絡(luò)在子空間中的轉(zhuǎn)化精度，要確定模型子空間中采樣點(diǎn)數(shù)量，即子空間有多少采樣點(diǎn)才能保證模型轉(zhuǎn)化精度。為此，在RGB顏色空間中選擇7 個(gè)樣本點(diǎn)， 采樣點(diǎn)的選擇是在RGB顏色空間中均勻取點(diǎn)，將R、G、B顏色軸八等分，訓(xùn)練樣本的R、G、B 值分別取為0，32，64，96，128，160，192，224和255，共有729 (即93)組數(shù)據(jù)，測(cè)量其ΙΛ a*、 b*值。在RGB空間中輸入點(diǎn)χ (r, g，b)，計(jì)算χ點(diǎn)與顏色空間采樣點(diǎn)之間的距離，分別選擇與χ點(diǎn)距離最小的采樣點(diǎn)15，20，30，40，50，60，70，80，90、100，110及120個(gè)點(diǎn)，以χ點(diǎn)為圓心，分別包涵這15, 20, 30,40, 50,60, 70,80,90,100,110 ^P 120個(gè)建模點(diǎn)的空間為半徑，將RGB輸入顏色空間根據(jù)輸入點(diǎn)的坐標(biāo)動(dòng)態(tài)劃分為若干子空間，在子空間內(nèi)采用上述BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，建立基于動(dòng)態(tài)子空間劃分的BP神經(jīng)網(wǎng)絡(luò)顏色空間轉(zhuǎn)化模型。圖4是本發(fā)明方法中模型的子空間內(nèi)包涵建模點(diǎn)數(shù)量與檢驗(yàn)色塊的平均色差的關(guān)系圖，由圖4可以看出，隨子空間內(nèi)采樣點(diǎn)的增加模型轉(zhuǎn)換精度不斷提高，當(dāng)提高到一定精度，模型轉(zhuǎn)換精度趨于平穩(wěn)，當(dāng)子空間內(nèi)包含采樣點(diǎn)數(shù)大于50而小于120時(shí)，模型轉(zhuǎn)換精度在1. 6至1. 8之間， 再增加子空間樣本點(diǎn)數(shù)會(huì)導(dǎo)致BP神經(jīng)模型訓(xùn)練難度增加，訓(xùn)練時(shí)間延長，甚至網(wǎng)絡(luò)訓(xùn)練失敗，因此，可以采用子空間內(nèi)采樣點(diǎn)數(shù)量介于50與100之間，作為子空間采樣點(diǎn)數(shù)量的合理范圍。模型精度分析
輸入檢驗(yàn)點(diǎn)經(jīng)模型轉(zhuǎn)化后，對(duì)于27個(gè)檢驗(yàn)色塊的轉(zhuǎn)換平均色差為1. 92，最大色差為 2. 84，最小色差為0. 95，其色差分布圖如圖1所示。將7 個(gè)建模顏色值輸入模型，模型輸出值與實(shí)際測(cè)量值的平均色差為1. 82，其中最大色差為8. 78，最小色差為0. 13，其色差分布圖如圖2所示，其大部分色塊色差值小于 4. 0。通過對(duì)輸入顏色子空間的模糊劃分，在模糊子空間內(nèi)采用BP神經(jīng)網(wǎng)絡(luò)模型輸出顏色值，其模型輸出精度要優(yōu)于單獨(dú)的BP神經(jīng)模型和模糊模型，并且樣本點(diǎn)數(shù)量的增加不會(huì)影響模型的轉(zhuǎn)換速度，如果繼續(xù)增加樣本點(diǎn)數(shù)量其模型的轉(zhuǎn)化精度會(huì)更高。
權(quán)利要求
1.基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，其特征在于，具體按照以下步驟實(shí)施步驟1 選擇輸入顏色空間的采樣點(diǎn)，采集采樣點(diǎn)的建模數(shù)據(jù)；步驟2:建立模糊神經(jīng)色彩空間轉(zhuǎn)換模型，將步驟1得到的采樣點(diǎn)的建模數(shù)據(jù)輸入到模糊神經(jīng)色彩空間轉(zhuǎn)換模型中，完成色彩空間的轉(zhuǎn)換。
2.根據(jù)權(quán)利要求1所述的基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，其特征在于，所述的步驟1選擇輸入顏色空間的采樣點(diǎn)，采集采樣點(diǎn)的建模數(shù)據(jù)，具體按照以下步驟實(shí)施將RGB顏色空間等分成27個(gè)子空間，選擇立方體的中心點(diǎn)作為驗(yàn)證模型精度的驗(yàn)證點(diǎn)，總共27個(gè)，R、G、B顏色軸取值分別為43,129和213 ；在RGB顏色空間中選擇729個(gè)樣本點(diǎn)，采樣點(diǎn)的選擇是在RGB顏色空間中均勻取點(diǎn)，將R、G、B顏色軸八等分，訓(xùn)練樣本的R、 G、B 值分別取為 0，32，64，96，128，160，192，224 和 255，共有 729 組數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，其特征在于，所述的步驟2建立模糊神經(jīng)色彩空間轉(zhuǎn)換模型，具體按照以下步驟實(shí)施a.首先，輸入RGB顏色空間轉(zhuǎn)換點(diǎn)的顏色值，定義為X(r，g，b);b.設(shè)定RGB子空間半徑，定義為δ，設(shè)定模糊劃分子空間半徑δ的初值為5;c.輸入RGB顏色空間和對(duì)應(yīng)的CIELW顏色空間樣本集矩陣；d.設(shè)X點(diǎn)為中心，計(jì)算X左(r-δ，g- δ，b- δ )和X右(r+ δ，g+ δ，b+ δ )點(diǎn)的坐標(biāo)，如果乂￡和Χ；^點(diǎn)超出RGB顏色空間，則乂￡和父；^點(diǎn)投影到RGB顏色立體的表面；e.采用顏色空間轉(zhuǎn)換模糊模型輸出X左和X；^對(duì)應(yīng)的CIEL*a*b*顏色空間對(duì)應(yīng)的點(diǎn)坐標(biāo)，定義為Y左(L1, ai; b》和Y右(L2，a2, b2)；f.求取既在以X為圓心，S為半徑的RGB子空間中的采樣點(diǎn)，又在以Y^YieS直徑的 CIEL^ab顏色子空間中的采樣點(diǎn)的樣本集；g.如果樣本集的數(shù)量過少，則3= 5+5，再次計(jì)算步驟(1 €;h.如果樣本集數(shù)量過多，則3= 5-1，再次計(jì)算步驟(1 €;i.如果樣本集數(shù)量適當(dāng)，則在RGB顏色子空間和CIELW子空間內(nèi)采用神經(jīng)網(wǎng)絡(luò)，利用子空間樣本點(diǎn)訓(xùn)練網(wǎng)絡(luò)，在子空間內(nèi)建立基于BP神經(jīng)網(wǎng)絡(luò)的顏色空間轉(zhuǎn)換模型；j.輸入X坐標(biāo)值，利用子空間BP神經(jīng)網(wǎng)絡(luò)的顏色空間轉(zhuǎn)換模型，輸出X點(diǎn)的CIELW 空間的坐標(biāo)值Y (L，a，b)，完成顏色空間轉(zhuǎn)換。
4.根據(jù)權(quán)利要求3所述的基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，其特征在于，所述的步驟e中的顏色空間轉(zhuǎn)換模糊模型采用三輸入三輸出模糊控制器。
5.根據(jù)權(quán)利要求3所述的基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，其特征在于，所述的步驟i中的神經(jīng)網(wǎng)絡(luò)，采用4層BP網(wǎng)絡(luò)結(jié)構(gòu)，包括一個(gè)輸出層和三個(gè)隱藏層，每個(gè)隱藏層的節(jié)點(diǎn)數(shù)為20，網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)采用log-sigmoid型函數(shù)Iogsig ()，輸出層神經(jīng)元傳遞函數(shù)采用純線型函數(shù)purelin ()，訓(xùn)練函數(shù)采用彈性梯度下降法 trainrp函數(shù)，設(shè)定正確的訓(xùn)練參數(shù)，其中最大訓(xùn)練次數(shù)選擇1000次，訓(xùn)練精度選擇1，學(xué)習(xí)率設(shè)定為0.2。
6.根據(jù)權(quán)利要求3所述的基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，其特征在于，所述的樣本集的數(shù)量為介于50與100之間。
全文摘要
本發(fā)明公開了基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，選擇輸入顏色空間的采樣點(diǎn)，采集采樣點(diǎn)的建模數(shù)據(jù)；建立模糊神經(jīng)色彩空間轉(zhuǎn)換模型，將采樣點(diǎn)的建模數(shù)據(jù)輸入到模糊神經(jīng)色彩空間轉(zhuǎn)換模型中，完成色彩空間的轉(zhuǎn)換。本發(fā)明基于模糊理論和神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換方法，首先充分發(fā)揮了模糊辨識(shí)在廣域空間中的快速性強(qiáng)的優(yōu)勢(shì)，將輸入顏色空間動(dòng)態(tài)劃分為若干子空間；然后又充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)在局部子空間中自適應(yīng)辨識(shí)能力強(qiáng)和精度高的優(yōu)勢(shì)，合理實(shí)現(xiàn)了模糊與神經(jīng)網(wǎng)絡(luò)算法的優(yōu)勢(shì)互補(bǔ)，既大大提高了模型轉(zhuǎn)換的處理速度，又有效提高了模型轉(zhuǎn)換的精度。
文檔編號(hào)H04N9/67GK102170516SQ20111008662
公開日2011年8月31日 申請(qǐng)日期2011年4月7日 優(yōu)先權(quán)日2011年4月7日
發(fā)明者周世生, 智川, 梁巧萍, 石毅 申請(qǐng)人:陜西科技大學(xué)