[發明專利]一種打印印刷系統光譜預測方法有效
| 申請號: | 201410088051.4 | 申請日: | 2014-03-11 |
| 公開(公告)號: | CN103870689A | 公開(公告)日: | 2014-06-18 |
| 發明(設計)人: | 萬曉霞;劉強;朱時良;梁金星;李放;付馬 | 申請(專利權)人: | 武漢大學 |
| 主分類號: | G06F19/00 | 分類號: | G06F19/00;G06N3/02 |
| 代理公司: | 武漢科皓知識產權代理事務所(特殊普通合伙) 42222 | 代理人: | 嚴彥 |
| 地址: | 430072 湖*** | 國省代碼: | 湖北;42 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 打印 印刷 系統 光譜 預測 方法 | ||
技術領域
本發明屬于打印印刷色彩復制技術領域,具體涉及一種打印印刷系統光譜預測方法。
背景技術
打印印刷色彩復制技術具有色域寬廣、層次豐富、細節清晰等特性,是國內外影像復制領域的一大主流技術。此項技術以用戶輸入的影像色彩信息為原始數據,依據預先建立的輸入輸出量之間的關聯性模型,實現圖像的色彩復制。在此過程中,從打印印刷墨量信息到輸出色彩光譜信息之間的映射模型,稱為正向光譜預測模型,其對應反向映射模型則稱為反向光譜分色模型。在上述過程中,構建準確的光譜預測模型是準確描述打印印刷系統呈色特性、進而實現高保真分色復制的重要前提。因此,打印印刷系統光譜預測模型精度的高低,將直接影響打印印刷輸出色彩的效果。
目前,在打印印刷呈色正向光譜預測領域,業界提出了諸多經典模型,如Murray-Davies公式,Neugebauer方程,Yule-Nielsen方程,YNSN模型,CYNSN模型等。其中,細胞分區形式的尤爾-尼爾森修正的光譜涅格伯格模型(Celluar?Yule-Nielsen?Spectral?Neugebauer?Model,簡稱CYNSN模型)是目前光譜預測領域精度最為理想的模型之一。該模型通過增加采樣節點數的方法增加涅格伯爾基色數量,進而提高尤爾-尼爾森修正的光譜涅格伯格模型(Yule-Nielsen?Spectral?Neugebauer?Model,簡稱YNSN模型)中非線性插值預測的精度。然而,由于此類模型的實質為增加采樣節點數進而提高模型預測精度,當光譜預測精度無法滿足要求時,其唯有大幅提高采樣數量,故其建模過程較為復雜,建模成本較高。對于上述問題,目前學術界及工業界都尚未提出相應解決方法,以實現CYNSN模型建模效率與預測精度的綜合提升。
發明內容
本發明的目的是為了解決背景技術中所述問題,提出一種打印印刷系統光譜預測方法。
本發明的技術方案為一種打印印刷系統光譜預測方法,包括以下步驟:
步驟1,在打印印刷系統的系統顏色空間中進行全局均勻采樣,設采樣得到數量為N的顏色色塊樣本作為CYNSN模型的建模樣本,同時根據各采樣節點對系統顏色空間劃分細胞結構,得到CYNSN模型的細胞;
步驟2,將步驟1所得建模樣本用打印印刷系統輸出并測量光譜反射率,截取可見光范圍內的光譜反射率數據;
步驟3,利用如下公式推導計算出CYNSN模型每一個細胞內任意原始網點面積率ct相對應的有效網點面積率ceff,其中ct,upper,clower分別表示系統顏色空間內任意點所在細胞各墨色維度網點面積率的上限和下限,
步驟4,以步驟1所得N個建模樣本為基礎,以每個細胞內各頂點對應的光譜數據為涅格伯爾基色,結合步驟3所得每一個細胞內任意原始網點面積率相對應的有效網點面積率,采用YNSN模型對系統顏色空間內任意點對應的色彩信息進行光譜值預測,構建CYNSN模型;
步驟5,在系統顏色空間中,通過隨機采樣生成M個不同墨量值的顏色樣本,作為BP神經網絡的訓練樣本,M為預設取值;
步驟6,將步驟5所得BP神經網絡的訓練樣本用打印印刷系統輸出,并測量光譜反射率,截取可見光范圍內的光譜反射率數據;
步驟7,令CYNSN模型中非線性修正系數n在預設區間以一定預設步長w均勻采樣,以
CYNSN模型擬合光譜誤差最小化為依據,枚舉確定各訓練樣本墨量值所對應的CYNSN模型最優n值;
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于武漢大學,未經武漢大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201410088051.4/2.html,轉載請聲明來源鉆瓜專利網。
- 同類專利
- 專利分類
G06F 電數字數據處理
G06F19-00 專門適用于特定應用的數字計算或數據處理的設備或方法
G06F19-10 .生物信息學,即計算分子生物學中的遺傳或蛋白質相關的數據處理方法或系統
G06F19-12 ..用于系統生物學的建模或仿真,例如:概率模型或動態模型,遺傳基因管理網絡,蛋白質交互作用網絡或新陳代謝作用網絡
G06F19-14 ..用于發展或進化的,例如:進化的保存區域決定或進化樹結構
G06F19-16 ..用于分子結構的,例如:結構排序,結構或功能關系,蛋白質折疊,結構域拓撲,用結構數據的藥靶,涉及二維或三維結構的
G06F19-18 ..用于功能性基因組學或蛋白質組學的,例如:基因型–表型關聯,不均衡連接,種群遺傳學,結合位置鑒定,變異發生,基因型或染色體組的注釋,蛋白質相互作用或蛋白質核酸的相互作用





