[發(fā)明專(zhuān)利]一種色度空間變換方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310299077.9
• 申請(qǐng)日: 2013-07-16
• 公開(kāi)（公告）號(hào): CN103383743A
• 公開(kāi)（公告）日: 2013-11-06
• 發(fā)明（設(shè)計(jì)）人: 高超;楊樂(lè);胡凱;劉春輝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京信息工程大學(xué)
• 主分類(lèi)號(hào): G06N3/08
• 分類(lèi)號(hào): G06N3/08
• 代理公司: 南京經(jīng)緯專(zhuān)利商標(biāo)代理有限公司 32200
• 代理人: 朱小兵

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種色度空間變換方法。

背景技術(shù)

RGB（紅綠藍(lán)）是依據(jù)人眼識(shí)別的顏色定義出的空間，可表示大部分顏色。但在科學(xué)研究一般不采用RGB顏色空間，因?yàn)樗募?xì)節(jié)難以進(jìn)行數(shù)字化的調(diào)整。它將色調(diào)、亮度、飽和度三個(gè)量放在一起表示，很難分開(kāi)。

Lab顏色空間用于計(jì)算機(jī)色調(diào)調(diào)整和彩色校正，它獨(dú)立于設(shè)備的彩色模型實(shí)現(xiàn)，具有色彩均勻性的特點(diǎn)。Lab色彩空間取坐標(biāo)Lab，其中L代表亮度；a的正數(shù)代表紅色，負(fù)端代表綠色；b的正數(shù)代表黃色，負(fù)端代表藍(lán)色。

但傳統(tǒng)色度變換方法存在一個(gè)共同缺點(diǎn)，即每變換一個(gè)色樣都要經(jīng)過(guò)大量的數(shù)學(xué)計(jì)算，所以變換速度慢。因此有必要研究一種適合于當(dāng)前圖像信息快速顯示特點(diǎn)的色度變換方法。

近些年來(lái)，BP神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域得到了廣泛應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，它的學(xué)習(xí)規(guī)則是使用梯度下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小，從而到達(dá)預(yù)期學(xué)習(xí)的目的。這種方法訓(xùn)練速度慢，在學(xué)習(xí)的過(guò)程中會(huì)出現(xiàn)“鋸齒現(xiàn)象”。初始權(quán)值和閾值選擇不當(dāng)會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)可靠性低，泛化能力差，然而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值選取大多依賴于經(jīng)驗(yàn)。

PSO（粒子群）算法是對(duì)鳥(niǎo)群捕食活動(dòng)的一種模擬，粒子根據(jù)全局最優(yōu)粒子來(lái)移動(dòng)自身位置進(jìn)行搜索，它的多點(diǎn)搜索方式使其具有全局搜索能力，通過(guò)PSO算法可修正BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和搜索速度，增強(qiáng)了BP神經(jīng)網(wǎng)絡(luò)的泛化能力。然而當(dāng)某一粒子連續(xù)多次被選為全局最優(yōu)粒子時(shí)，整個(gè)群體粒子就會(huì)快速收斂于該最優(yōu)粒子，有可能陷入局部最優(yōu)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種色度空間變換方法。所述方法將與設(shè)備相關(guān)的RGB色度空間，轉(zhuǎn)化為與設(shè)備無(wú)關(guān)的Lab色度空間,實(shí)現(xiàn)了顏色信息的標(biāo)準(zhǔn)化顯示。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：一種色度空間變換方法，包括步驟如下：

步驟A：使用訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體步驟是：

步驟A-1，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：所述BP神經(jīng)網(wǎng)絡(luò)包括3個(gè)輸入節(jié)點(diǎn)、3個(gè)輸出節(jié)點(diǎn)和5個(gè)隱含層節(jié)點(diǎn)；

步驟A-2，以紅、綠、藍(lán)為坐標(biāo)系建立RGB三維色彩空間，將RGB顏色空間值轉(zhuǎn)化為L(zhǎng)ab顏色空間值，構(gòu)造訓(xùn)練樣本；

步驟A-3，采用步驟A-2所述的訓(xùn)練樣本，將RGB顏色空間值作為BP神經(jīng)網(wǎng)絡(luò)的輸入值，將Lab顏色空間值作為BP神經(jīng)網(wǎng)絡(luò)的輸出值，設(shè)定最大迭代次數(shù)和網(wǎng)絡(luò)訓(xùn)練允許誤差，使用改進(jìn)的粒子群算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；所述改進(jìn)的粒子群算法，其具體步驟如下：

步驟A-31，初始化粒子群，其中具有N個(gè)粒子；

步驟A-32，設(shè)立一個(gè)密度計(jì)數(shù)器，所述密度計(jì)數(shù)器為具有2N個(gè)元素的計(jì)數(shù)器數(shù)組，用于記錄2N個(gè)區(qū)間內(nèi)粒子出現(xiàn)次數(shù)；粒子運(yùn)動(dòng)時(shí)，若粒子出現(xiàn)在某區(qū)域內(nèi)，則將該區(qū)域的密度計(jì)數(shù)器加1；

步驟A-33，把各個(gè)粒子帶入BP神經(jīng)網(wǎng)絡(luò)傳播過(guò)程，計(jì)算每個(gè)粒子的個(gè)體極值即適應(yīng)度值，獲取當(dāng)前的全局最優(yōu)極值和各粒子的最優(yōu)個(gè)體極值：

步驟A-34，設(shè)定閾值，統(tǒng)計(jì)某一粒子連續(xù)多次被選為全局最優(yōu)粒子的次數(shù)，判斷所述次數(shù)是否達(dá)到設(shè)定閾值；如果沒(méi)有達(dá)到設(shè)定閾值，轉(zhuǎn)入步驟A-36；如果達(dá)到設(shè)定閾值，轉(zhuǎn)入步驟A-35；

步驟A-35，將步驟A-34所述粒子位置標(biāo)記，并將該粒子重新投放到密度計(jì)數(shù)器值最小的區(qū)域中；

步驟A-36，判斷是否達(dá)到最大迭代次數(shù)，或者是否達(dá)到網(wǎng)絡(luò)訓(xùn)練誤差；

如果達(dá)到最大迭代次數(shù)，或者達(dá)到網(wǎng)絡(luò)訓(xùn)練誤差，則訓(xùn)練完成，全局最優(yōu)粒子對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值與連接結(jié)構(gòu)，即為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問(wèn)題最優(yōu)解；

否則，轉(zhuǎn)到步驟A-37；

步驟A-37，調(diào)整粒子群中粒子的移動(dòng)速度和位置，返回執(zhí)行步驟A-33；

步驟B：使用步驟A訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)進(jìn)行色彩空間轉(zhuǎn)換，具體過(guò)程是：將任意RGB顏色空間值分別送入3個(gè)輸入節(jié)點(diǎn)，通過(guò)神經(jīng)網(wǎng)絡(luò)在3個(gè)輸出節(jié)點(diǎn)得到轉(zhuǎn)換后的Lab顏色值。

有益效果：本發(fā)明提出了一種色度空間變換方法。所述方法利用RPSO算法來(lái)修正BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和搜索速度，增強(qiáng)了BP神經(jīng)網(wǎng)絡(luò)的泛化能力；對(duì)PSO算法進(jìn)行了改進(jìn)，克服了該算法易陷入局部最優(yōu)的缺點(diǎn)，提高了搜索速度；通過(guò)改進(jìn)的RPSO-BP神經(jīng)網(wǎng)絡(luò)將RGB顏色空間值轉(zhuǎn)化為設(shè)備無(wú)關(guān)的Lab顏色空間值，提高了平均轉(zhuǎn)化精度和轉(zhuǎn)化速度。

附圖說(shuō)明