于海琦
,
刘真
,
田全慧
影像科学与光化学
doi:10.7517/j.issn.1674-0475.2015.03.238
本文提出一种基于RBF(Radial Basis Function,径向基函数)神经网络的打印机光谱预测模型,通过扩展神经网络模型输入变量的项数提高模型的预测精度,扩展项多采用通道驱动值的交叉值、平方值.实验结果表明[1 cmy]项的引入能够有效提高模型的预测精度,同时提高网络的泛化能力.而引入[cm2 cy2 mc2 my2 yc2 ym2]项会导致模型预测精度以及泛化能力降低.[1 cmy]、[c2m2y2]和[cmcy my]项的组合在预测精度和模型泛化能力上均是最优化的,对总样本预测的色度精度为0.475ΔE00,光谱精度RMSE为0.43％.因此选择[1 cmy c2m2y2 cmcy my c m y]作为输入变量的RBF神经网络训练模型是满足高精度光谱预测的最优模型.
关键词:
RBF神经网络
,
光谱预测
,
打印机
,
扩展项
于海琦
,
刘真
,
田全慧
影像科学与光化学
doi:10.7517/j.issn.1674-0475.2015.02.161
为了实现扫描仪在不同光源、不同观察者条件下准确获取颜色信息,最大程度的避免同色异谱现象,本文采用光谱的方法对扫描仪进行特性化处理,通过多项式回归和BP神经网络分别与主成分分析法结合,首先对检测样本的光谱反射率进行主成分分析,提取主成分与主成分系数,通过实验得到主成分系数与多项式回归、BP神经网络结构之间的转换模型,实现了扫描仪低维RGB信号对原始光谱反射率信息的重构,进而实现扫描仪的光谱特性化.实验结果表明,多项式项数为19项时,达到训练样本的均方根误差为1.7％,检测样本的均方根误差为1.9％.而包含15个隐层节点的单隐层BP神经网络结构为比较合理的网络结构,达到训练样本的均方根误差为1.3％,检测样本的均方根误差为1.5％.对彩色扫描仪的特征化处理,采用多项式回归法得到光谱特性化精度较低,采用BP神经网络模型能够实现更高的光谱特性化精度.
关键词:
彩色扫描仪
,
光谱特征化
,
多项式回归
,
BP神经网络
,
主成分分析
于海琦
,
刘真
,
田全慧
液晶与显示
doi:10.3788/YJYXS20163102.0201
为实现LCD显示器的光谱特征化,本文提出一种基于遗传算法优化(Genetic Algorithm,GA)的BP神经网络(GA-BP)结合PCA(Principal component analysis)的光谱特征化模型.首先对显示器色空间进行子空间划分,同时采用PCA对光谱数据进行降维,接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化,建立显示器驱动值与光谱数据之间的神经网络模型,实现了显示器的光谱特征化.实验结果表明子空间划分后,在子空间中进行模型参数的优化有利于模型整体精度的提高,GA的优化有效改善了BP神经网络的极值问题,提高了模型的精度,PCA在不影响模型精度的同时提高了算法的运行效率.由此说明该模型是一种高精度显示器特征化模型.
关键词:
BP神经网络
,
遗传算法
,
光谱特征化
,
液晶显示器
,
主成分分析
