面向不同介质的半色调设备分色模型批量构建方法及系统与流程

本发明属于半色调色彩复制技术领域，具体涉及一种面向不同介质的半色调设备分色模型批量构建方法及系统。

背景技术：

半色调色彩复制技术是目前影像色彩复制领域的主流技术，其通过半色调墨点的疏密排列与叠合，实现色彩的准确复制。在此项技术中，半色调设备分色模型构建是色彩复制过程中的关键环节，其实质为构建由待复制色彩信息至半色调设备墨量信息的映射模型。

目前，在半色调色彩复制技术领域，分色模型的构建都是以半色调预测模型的建立为基础的。其中，半色调色彩预测模型含义为由半色调墨量信息至样本色彩信息的映射函数。可见，分色模型以及色彩预测模型实际上互为逆向过程，在本研究领域，通常将色彩预测模型简称为正向模型，将分色模型简称为反向模型，而将二者的集合过程称为半色调设备特性化建模。在实际操作过程中，本领域技术人员通常利用半色调设备针对特定墨量信息制备色彩样本，测量其色彩信息，并以此构建正向模型。随后，利用相关最优化算法，从数学角度对正向模型求逆，从而构建反向模型，即分色模型。

目前，为了保证半色调分色模型的构建精度，现有方法普遍采用高密度采样方法，如参考文献1,2.

参考文献1：wangb,xuh,luomr,guoj.spectral-basedcolorseparationmethodforamulti-inkprinter.chineseopticsletters.2011；9(6):063301.

参考文献2：liuq,wanx,xied.optimizationofspectralprintermodelingbasedonamodifiedcellularyulenielsenspectralneugebauermodel.joptsocama.2014；31(6):1284-94.

然而，由于此高密度采样方法在色彩样本制作时间、耗材成本等方面都具有较为明显的缺陷，故其实际应用价值有限。特别是在半色调色彩复制介质种类较多时，逐一对各介质进行此类分色模型构建往往不具有可行性。

因此，本领域目前迫切需要一种更为简便快捷的方法，可以更为准确高效的实现面向不同介质的半色调分色模型批量构建，从而为半色调色彩复制技术的应用普及提供有效的方法支撑。然而，受理论方法水平等主客观因素的制约，针对以上问题，目前学术界与工业界尚未提出相应解决方法。

技术实现要素：

本发明的目的是为了解决背景技术中所述问题，提出一种面向不同介质的半色调设备分色模型批量构建方法及系统。

本发明的技术方案为提供一种面向不同介质的半色调设备分色模型批量构建方法，包括以下步骤：

步骤1，于设备墨色空间均匀采样，获得低密度样本集t，针对各介质制备色彩样本；

步骤2，利用颜色测量设备测量步骤1所制备的色彩样本的色彩信息；

步骤3，利用步骤2测量所得色彩信息，计算各介质色彩样本集的色域体积；

步骤4，以色域最大化为原则，选取色域最优介质j，并针对j构建基于高密度样本集g的特性化模型，特性化模型其中包含正向预测模型f以及反向分色模型b；

步骤5，利用步骤4中分色模型b求解其它介质色彩样本集t于步骤1所制备色彩样本的信息s所对应墨量信息t’；

步骤6，利用神经网络方法，构建步骤1中其它介质色彩样本集t与步骤5分色模型b所求样本集t’间的神经网络模型；

步骤7，针对任意待复制色彩信息，首先利用步骤4中分色模型b求解针对j介质的墨量信息，随后利用步骤6所构建的神经网络，求解针对步骤1中其它介质的墨量信息，完成分色。

而且，步骤1中低密度样本集t的采样方式为空间均匀采样，每一墨色维度采样样本数为4个。

而且，步骤2中测量所得色彩信息可为色度信息或光谱反射率信息。

而且，步骤3中色域体积计算方法为凸包算法或α-shape算法。

而且，步骤4中高密度采样方式为空间均匀采样，每一墨色维度采样样本数不少于5个。

本发明提供一种面向不同介质的半色调设备分色模型批量构建系统，包括以下模块：

低密度采样模块，用于设备墨色空间均匀采样，获得低密度样本集t，针对各介质制备色彩样本；

颜色测量模块，利用颜色测量设备测量低密度采样模块所制备的色彩样本的色彩信息；

色域体积计算模块，利用颜色测量模块测量所得色彩信息，计算各介质色彩样本集的色域体积；

最优介质特性化模块，以色域最大化为原则，选取色域最优介质j，并针对j构建基于高密度样本集g的特性化模型，其中包含正向预测模型f以及反向分色模型b；

低密度样本分色计算模块，利用最优介质特性化模块中分色模型b求解其它介质样本集t于低密度采样模块所制备色彩信息s所对应墨量信息t’；

神经网络构建模块，利用神经网络方法，构建其它介质样本集t与低密度样本分色计算模块分色模型b所求样本集t’间的神经网络模型；

最终分色模块，针对任意待复制色彩信息，首先利用最优介质特性化模块中分色模型b求解针对j介质的墨量信息，随后利用神经网络构建模块所构建的神经网络，求解针对其它介质的墨量信息，完成分色。

而且，低密度采样模块中低密度样本集t的采样方式为空间均匀采样，每一墨色维度采样样本数为4个。

而且，颜色测量模块中测量所得色彩信息可为色度信息或光谱反射率信息。

而且，色域体积计算模块中色域体积计算方法为凸包算法或α-shape算法。

而且，最优介质特性化模块中高密度采样方式为空间均匀采样，每一墨色维度采样样本数不少于5个。

本发明提出的一种面向不同介质的半色调设备分色模型批量构建技术方案，以色域最大介质高密度采样、高精度建模为基础，通过构建色域最大介质与其它介质墨量信息的关联性模型，进而实现基于色域最大介质分色模型的其它介质分色模型等效转换，从而以低密度采样方式实现其它介质的高精度分色模型批量构建。本方法有效解决了背景技术所述问题，且实施方便，在多色半色调色彩复制技术领域具有较强的适用性。由于本发明技术方案具有重要应用意义，受到多个研究项目支持：1.深圳市基础研究项目jcyj20150422150029093，2.国家自然科学基金项目61505149，3.武汉市青年晨光人才计划2016070204010111，4.湖北省自然科学基金项目2015cfb204。对本发明技术方案进行保护，将对我国相关行业竞争国际领先地位具有重要意义。

附图说明

图1为本发明构建方法实施例的流程图；

图2为本发明构建系统实施例的结构框图。

具体实施方式

结合附图，提供本发明实施例具体描述如下。

如图1所示实施例提供的一种面向不同介质的半色调设备分色模型批量构建方法，可以较为便捷而高效的实现面向多种介质的半色调设备分色模型批量化构建，进而进一步促进现阶段半色调设备色彩复制技术的应用与普及。实施例以某cmyk四色喷墨打印机为例，分别采用某品牌高光相纸h1，亚光相纸h2以及粗面艺术纸h3进行分色模型构建。需要说明的是，本发明并不局限于上述半色调设备以及介质，对于其它设备及介质，本方法同样适用。

本发明技术方案具体实施时可由本领域技术人员采用计算机软件技术实现自动运行。实施例提供的方法流程包括以下步骤：

步骤1、于设备墨色空间均匀采样，获得低密度样本集t，针对各介质制备色彩样本。而且，步骤1中低密度样本集t的采样方式为空间均匀采样，每一墨色维度采样样本数为4个；

针对实施例四色打印设备于其cmyk墨色空间进行低密度空间均匀采样，其中各墨色维度采样维度为4，即各墨色维度取值为0,33,67,100因此共生成4*4*4*4＝256个墨色样本，组成低密度样本集t，并于各类介质上打印制备色彩样本。

步骤2、利用颜色测量设备测量步骤1中所制备的色彩样本的色彩信息,而且，步骤2中测量所得色彩信息可为色度信息或光谱反射率信息；

利用x-ritespectroscan型推扫式分光光度计测量步骤1中所制备各样本的光谱反射率信息，其波长范围为400nm-700nm.在测量过程中，为提高测量精度，采用测量2次取平均的方式进行。

步骤3、利用步骤2中测量所得色彩信息，计算各介质色彩样本集的色域体积。而且，步骤3中色域体积计算方法为凸包算法或α-shape算法；

由于步骤2中测量所得数据具有高维性，为方便计算，可首先将其转换至色度空间，实施例采用d50/2条件下的cielab颜色空间。随后，利用凸包算法计算各介质低密度样本色域体积。其中，色度空间转换以及凸包算法分别为色度学以及计算机图形学领域公知，具体可参考：

schandaj.ciecolorimetry:wileyonlinelibrary；2007.

barbercb,dobkindp,huhdanpaah.thequickhullalgorithmforconvexhulls.acmtransactionsonmathematicalsoftware(toms).1996；22(4):469-83.

步骤4、以色域最大化为原则，选取色域最优介质j，并针对j构建基于高密度样本集g的特性化模型，其中包含正向预测模型f以及反向分色模型b，而且，步骤4中高密度采样方式为空间均匀采样，每一墨色维度采样样本数不少于5个；

实施例中，由步骤3中凸包算法计算可知，在低密度样本t的色域体积方面，h1>h2>h3，故此处采用h1介质作为最优介质j，并针对其构建bpncynsn模型，即正向模型f，并随后利用序列二次规划算法对f进行数学求逆，进而实现反向分色模型b的构建。其中，此处空间高密度均匀采样各墨色采样点数为6，其取值为0,20,40,60,80,100，共生成墨色样本6*6*6*6＝1296个(样本集g)。此处，利用bpncynsn模型以及序列二次规划算法分别构建正反向模型f与b为现有技术，可参见：

liuq,wanx,xied.optimizationofspectralprintermodelingbasedonamodifiedcellularyule2013；nielsenspectralneugebauermodel.joptsocama.2014；31(6):1284-94.

步骤5、利用步骤4中分色模型b求解其它介质样本集t于步骤1中所制备色彩信息s所对应墨量信息t’；

实施例中，以h2介质为例，针对样本集t中的256个样本于h2介质打印测量所得光谱反射率信息s，利用步骤4中所构建的反向分色模型b进行求解，得256组墨量信息t’。例如，对于t中墨色样本(33,33,33,33)所对应的色彩光谱反射率信息，经反向分色模型b分色后，该反射率于介质j所对应墨色空间的墨色值为(28,36,30,19)，即上述两组墨量值在光谱反射率表征方面具有等效性。

步骤6、利用神经网络方法，构建其它介质样色彩本集t与步骤5分色模型b所求样本集t’间的神经网络模型；

随后，实施例以t’所对应的256组四色墨量值为输入，以t所对应的256组四色模型为输出，构建三层bp神经网络，其中bp神经网络的构建方法为并领域公知，本发明不予赘述。

步骤7、针对任意待复制色彩信息，首先利用步骤4中分色模型b求解针对j介质的墨量信息，随后利用步骤6所构建的神经网络，求解针对其它介质的墨量信息，完成分色。

在实施例中，以h2介质为例，若拟于h2介质复制某青色样本光谱反射率信息，在可首先利用步骤4中分色模型b求解最优介质j所对应墨色信息(80,11,3,24)，并通过步骤6中构建的bp神经网络预测所对应于h2介质的墨色信息(85,12,2,19)，完成分色。

为进一步证实本发明方法在面向不同介质的半色调设备分色模型批量构建方面所具有的优势，本研究采用随机选取的100组色彩样本对h1，h2，h3介质的分色模型精度进展测评。其中，h1介质为色域最大介质j，由于其采用高密度采样建模，故其平均分色精度为1.02(cielab色差公式，详见schandaj.ciecolorimetry:wileyonlinelibrary；2007.)，而基于本发明方法所构建的h2，h3其分色精度分别为2.46，2.29(cielab色差公式)。虽然，相比于高密度采样建模方式，其分色模型精度明显低于高密度采样方法，但由于事实上在普通色彩复制领域可接受色差阈值为3-6(cielab色差公式)，故可见本发明方法所构建的分色模型精度仍处于可接受范围。而且，相比于高密度采样方式的1296个采样样本，本发明所述方法仅需256个采样样本，在耗材成本及颜色测量时间方面，仅为传统方法的20％。可以预见，在实际应用中，当介质种类明显增多时，本发明所述方法优势将更为明显。

本发明提供一种面向不同介质的半色调设备分色模型批量构建系统，包括以下模块：

低密度采样模块，用于设备墨色空间均匀采样，获得低密度样本集t，针对各介质制备色彩样本；

颜色测量模块，利用颜色测量设备测量低密度采样模块所制备的色彩样本的色彩信息；

色域体积计算模块，利用颜色测量模块测量所得色彩信息，计算各介质色彩样本集的色域体积；

最优介质特性化模块，以色域最大化为原则，选取色域最优介质j，并针对j构建基于高密度样本集g的特性化模型，其中包含正向预测模型f以及反向分色模型b；

低密度样本分色计算模块，利用最优介质特性化模块中分色模型b求解其它介质样本集t于低密度采样模块所制备色彩信息s所对应墨量信息t’；

神经网络构建模块，利用神经网络方法，构建其它介质样本集t与低密度样本分色计算模块分色模型b所求样本集t’间的神经网络模型；

最终分色模块，针对任意待复制色彩信息，首先利用最优介质特性化模块中分色模型b求解针对j介质的墨量信息，随后利用神经网络构建模块所构建的神经网络，求解针对其它介质的墨量信息，完成分色。

其中，低密度采样模块中低密度样本集t的采样方式为空间均匀采样，每一墨色维度采样样本数为4个。

其中，颜色测量模块中测量所得色彩信息可为色度信息或光谱反射率信息。

其中，色域体积计算模块中色域体积计算方法为凸包算法或α-shape算法。

其中，最优介质特性化模块中高密度采样方式为空间均匀采样，每一墨色维度采样样本数不少于5个。

各模块具体实现和各步骤相应，本发明不予赘述。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。