光谱重建模型的建立方法、系统、存储介质以及电子设备与流程

本发明涉及颜色测量技术领域，具体涉及一种光谱重建模型的建立方法、系统、存储介质以及电子设备。

背景技术：

颜色的光谱数据被称为颜色“指纹”，具有唯一性，通过光谱复制的色彩在视觉宽容度之内以及在大部分照明条件之下都是恒定不变的，这就保证了复制的色彩在多种照明和观察条件下都能够精确呈现。光谱反射率是指物体反射光通量与入射光通量的比值，是物体本身对光源做选择性吸收后反射剩余的色光，它不受外界因素的影响，根据光谱反射率可以预知在不同光源下的物体呈色特性。

在印刷颜色检测、印刷质量管控、织物印刷、艺术品复制等领域通常利用颜色色块的光谱反射率来进一步获得颜色色块的色度值、明度值、饱和度、实地密度值、网点面积率、网点扩大等质量控制参数，接下来再利用前述的质量控制参数来控制生产过程中的产品质量。

现有技术中，通常利用主成分分析方法(pca)、维纳法(wiener)以及r矩阵法等方法建立测量光谱反射率的测试模型，利用现有的方法建立的测试模型准确率较低，直接导致了对待测试色块的光谱反射率进行测量时存在很大误差，即不能准确的重建光谱，最终会造成印刷品质量评估错误，给工业生产带来损失。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中不能准确建立测量光谱反射率的测试模型的缺陷，提供一种光谱重建模型的建立方法、系统、存储介质以及电子设备。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种光谱重建模型的建立方法，所述建立方法包括如下步骤：

获取用于标准印刷测试的图像，所述图像包括多个标准色块；

提取每个所述标准色块的rgb(红、绿、蓝三个通道的颜色)值；

检测每个所述标准色块对应的光谱反射率；

将每个所述rgb值以及对应的所述光谱反射率进行组合，以得到组合数据集；

利用训练集数据对最小二乘支持向量回归模型进行训练，所述训练集数据为组合数据集中的部分组合数据，所述最小二乘支持向量回归模型用于预测待检测对象的光谱反射率；

利用所述训练集数据和/或测试集数据对训练后的所述最小二乘支持向量回归模型进行测试，所述测试集数据为所述组合数据集中与所述训练集数据无交集的组合数据；

判断所述测试的结果是否符合预设条件；

若判断结果为是，则将所述最小二乘支持向量回归模型确定为所述光谱重建模型。

较佳地，所述最小二乘支持向量回归模型包括径向基核函数；

所述利用训练集数据对所述最小二乘支持向量回归模型进行训练的步骤包括：

以所述rgb值为所述最小二乘支持向量回归模型的输入，并且以所述光谱反射率为所述最小二乘支持向量回归模型的输出，对所述组合数据集进行交叉验证，以确定所述最小二乘支持向量回归模型的训练用参数，所述训练用参数包括所述径向基核函数的最小方差以及所述最小方差对应的惩罚因子；

将所述训练用参数输入所述最小二乘支持向量回归模型，以得到待训练模型；

利用所述训练集数据对所述待训练模型进行训练。

较佳地，所述将每个所述rgb值与对应的所述光谱反射率进行组合，以得到组合数据集的步骤包括：

将所述rgb值进行归一化处理，以得到归一化rgb值；

将每个所述归一化rgb值与对应的所述光谱反射率进行组合，以得到所述组合数据集。

较佳地，所述利用所述训练集数据和/或测试集数据对训练后的所述最小二乘支持向量回归模型进行测试的步骤之前还包括：

存储所述训练后的所述最小二乘支持向量回归模型。

本发明还提供一种光谱重建模型的建立系统，所述建立系统包括：

图像获取模块，用于获取用于标准印刷测试的图像，所述图像包括多个标准色块；

提取模块，用于提取每个所述标准色块的rgb值；

检测模块，用于检测每个所述标准色块对应的光谱反射率；

组合模块，用于将每个所述rgb值以及对应的所述光谱反射率进行组合，以得到组合数据集；

训练模块，用于利用训练集数据对最小二乘支持向量回归模型进行训练，所述训练集数据为组合数据集中的部分组合数据，所述最小二乘支持向量回归模型用于预测待检测对象的光谱反射率；

测试模块，用于利用所述训练集数据和/或测试集数据对训练后的所述最小二乘支持向量回归模型进行测试，所述测试集数据为所述组合数据集中与所述训练集数据无交集的组合数据；

判断模块，用于判断所述测试的结果是否符合预设条件；若判断结果为是，则调用确认模块，所述确认模块用于将所述最小二乘支持向量回归模型确定为所述光谱重建模型。

较佳地，所述最小二乘支持向量回归模型包括径向基核函数；

所述训练模块包括参数寻优子模块、参数写入子模块以及训练执行子模块；

所述参数寻优子模块用于以所述rgb值为所述最小二乘支持向量回归模型的输入，并且以所述光谱反射率为所述最小二乘支持向量回归模型的输出，对所述组合数据集进行交叉验证，以确定所述最小二乘支持向量回归模型的训练用参数，所述训练用参数包括所述径向基核函数的最小方差以及所述最小方差对应的惩罚因子；

所述参数寻优子模块还用于调用所述参数写入子模块，所述参数写入子模块用于将所述训练用参数输入所述最小二乘支持向量回归模型，以得到待训练模型；

所述参数写入子模块还用于调用所述训练执行子模块，所述训练执行子模块用于利用所述训练集数据对所述待训练模型进行训练。

较佳地，所述组合模块包括归一化子模块以及组合执行子模块；

所述归一化子模块用于将所述rgb值进行归一化处理，以得到归一化rgb值；

所述归一化子模块还用于调用所述组合执行子模块，所述组合执行子模块用于将每个所述归一化rgb值与对应的所述光谱反射率进行组合，以得到所述组合数据集。

较佳地，所述建立系统还包括存储模块，所述存储模块用于存储所述训练后的所述最小二乘支持向量回归模型。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现前述的光谱重建模型的建立方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述的光谱重建模型的建立方法的步骤。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：本发明提供的光谱重建模型的建立方法、系统、存储介质以及电子设备通过标准印刷测试图像的rgb值以及光谱反射率训练最小二乘支持向量回归模型，并对训练后的模型进行测试，以得到满足条件的光谱重建模型，由此，建立的光谱重建模型具有较高的精准度和较小的误差。将该模型用于光谱重建过程中，便可以准确的检测待测试色块的光谱反射率，进而可以更加有效的进行印刷品质量评估。

附图说明

图1为本发明实施例1的一种光谱重建模型的建立方法的流程图。

图2为本发明实施例1的一种具体实施方式的流程图。

图3为本发明实施例1的另一种具体实施方式的流程图。

图4为本发明实施例1的又一种具体实施方式的流程图。

图5为本发明实施例2的一种光谱重建模型的建立系统的结构框图。

图6为本发明实施例3的实现光谱重建模型的建立方法的电子设备的结构框图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供一种光谱重建模型的建立方法，如图1所示，所述建立方法可以包括如下步骤：

步骤s0：获取用于标准印刷测试的图像，所述图像包括多个标准色块；

步骤s1：提取每个所述标准色块的rgb值；

步骤s2：检测每个所述标准色块对应的光谱反射率；

步骤s3：将每个所述rgb值以及对应的所述光谱反射率进行组合，以得到组合数据集；

步骤s4：利用训练集数据对最小二乘支持向量回归模型进行训练，所述训练集数据为组合数据集中的部分组合数据，所述最小二乘支持向量回归模型用于预测待检测对象的光谱反射率；

步骤s5：利用所述训练集数据和/或测试集数据对训练后的所述最小二乘支持向量回归模型进行测试，所述测试集数据为所述组合数据集中与所述训练集数据无交集的组合数据；

步骤s6：判断所述测试的结果是否符合预设条件；

若判断结果为是，则执行步骤s7：将所述最小二乘支持向量回归模型确定为所述光谱重建模型。

若判断结果为否，则执行步骤s8：重新选取所述训练集数据，并且重新训练所述最小二乘支持向量回归模型。

具体地，在执行步骤s1时，所述用于标准印刷测试的图像通过手机或工业相机拍摄标准印刷色卡而得到，所述标准印刷色卡可以是蒙赛尔色卡、ncs(naturalcoloursystem)色卡等，本实施例对此不作具体限制。

在步骤s2中，可以利用分光光度计分别检测每个所述标准色块对应的光谱反射率。

作为一个优选的实施方式，可以将组合数据集平均分成两个数据量均等的数据集，其中一个数据集用于模型的训练，另一个数据集用于训练后模型的测试。

为了增加测试结果的精确性，可以利用训练集数据和测试集对训练后的所述最小二乘支持向量回归模型进行测试，也就是说，将所述训练集和测试集中的rgb值分别输入所述训练后的模型，模型可以分别输出每个rgb值对应光谱反射率的预测值，利用所述预测值与每个rgb值对应的光谱反射率的实际值来计算评价参数，所述评价参数包括均方根误差、平均色差、最大色差以及拟合评价因子的一种或多种，将所述评价参数与预设参数进行对比，若评价参数与预设参数之间的比较结果满足预设条件，则可以认为训练后的模型是合格的。

在一个具体应用场景中，例如：对于所述训练集来说，若计算出的均方根误差为0.0086，所述平均色差为0.0889，所述最大色差为0.5597，所述拟合评价因子为0.9991；对于所述测试集来说，若计算出的均方根误差为0.0161，所述平均色差为0.1460，所述最大色差为1.4031，所述拟合评价因子为0.9967。在该应用场景中，若将最大色差的合格条件设定为3.0，此时，训练集对应的最大色差以及测试集对应的最大色差都小于3.0，则认为利用训练后的模型重建光谱的最大色差满足要求，依次按照相应的预设条件比对其他的评价参数是否满足要求，若所有的评价参数都符合预设条件，则认为所述评价模型是合格的光谱重建模型，即可以用于进行印刷品光谱反射率的测量。

需要说明的时，所述均方根误差、平均色差、最大色差以及拟合评价因子的计算公式都可以采用现有技术中常用的计算公式，本实施例对此不再赘述。

本实施例中，所述最小二乘支持向量回归模型在选择核函数时应满足mercer定理(mercer'stheorem)，即核函数在样本空间内的任意格拉姆矩阵(grammatrix)为半正定矩阵(semi-positivedefinite)。可以选用的核函数有：线性核函数、多项式核函数、径向基核函数、复合核函数、傅立叶级数核、b样条核函数或张量积核函数等。

优选地，本实施例中所述最小二乘支持向量回归模型可以采用径向基核函数。在这种情况下，请参考图2，所述步骤s4具体可以包括如下步骤：

步骤s41：以所述rgb值为所述最小二乘支持向量回归模型的输入，并且以所述光谱反射率为所述最小二乘支持向量回归模型的输出，对所述组合数据集进行交叉验证，以确定所述最小二乘支持向量回归模型的训练用参数，所述训练用参数包括所述径向基核函数的最小方差以及所述最小方差对应的惩罚因子；

步骤s42：将所述训练用参数输入所述最小二乘支持向量回归模型，以得到待训练模型；

步骤s43：利用所述训练集数据对所述待训练模型进行训练。

进一步地，为了提高服务器的运算速度，可以将所述rgb值进行归一化处理，以减少需要计算数据的字符数，请参考图3，所述步骤s3具体可以包括：

步骤s31：将所述rgb值进行归一化处理，以得到归一化rgb值；

步骤s32：将每个所述归一化rgb值与对应的所述光谱反射率进行组合，以得到所述组合数据集。

进一步地，请参考图4，为了更加便捷的测试训练后的所述最小二乘支持向量回归模型，在所述步骤s5之前还可以包括步骤s9：存储所述训练后的所述最小二乘支持向量回归模型。

优选地，可以将训练后的所述最小二乘支持向量回归模型存储在寄存器中或者计算机缓存中。

本实施例提供的光谱重建模型的建立方法通过标准印刷测试图像的rgb值以及光谱反射率训练最小二乘支持向量回归模型，并对训练后的模型进行测试，以得到满足条件的光谱重建模型，由此，建立的光谱重建模型具有较高的精准度和较小的误差。

实施例2

本实施例提供一种光谱重建模型的建立系统，如图5所示，所述建立系统1可以包括：

图像获取模块10，用于获取用于标准印刷测试的图像，所述图像包括多个标准色块；

提取模块11，用于提取每个所述标准色块的rgb值；

检测模块12，用于检测每个所述标准色块对应的光谱反射率；

组合模块13，用于将每个所述rgb值以及对应的所述光谱反射率进行组合，以得到组合数据集；

训练模块14，用于利用训练集数据对最小二乘支持向量回归模型进行训练，所述训练集数据为组合数据集中的部分组合数据，所述最小二乘支持向量回归模型用于预测待检测对象的光谱反射率；

测试模块15，用于利用所述训练集数据和/或测试集数据对训练后的所述最小二乘支持向量回归模型进行测试，所述测试集数据为所述组合数据集中与所述训练集数据无交集的组合数据；

判断模块16，用于判断所述测试的结果是否符合预设条件；若判断结果为是，则调用确认模块17，所述确认模块17用于将所述最小二乘支持向量回归模型确定为所述光谱重建模型。

若判断结果为否，则调用重试模块18，所述重试模块18用于重新选取所述训练集数据，并且重新训练所述最小二乘支持向量回归模型。

进一步地，所述最小二乘支持向量回归模型可以包括径向基核函数；

所述训练模块14包括参数寻优子模块141、参数写入子模块142以及训练执行子模块143；

所述参数寻优子模块141用于以所述rgb值为所述最小二乘支持向量回归模型的输入，并且以所述光谱反射率为所述最小二乘支持向量回归模型的输出，对所述组合数据集进行交叉验证，以确定所述最小二乘支持向量回归模型的训练用参数，所述训练用参数包括所述径向基核函数的最小方差以及所述最小方差对应的惩罚因子；

所述参数寻优子模块141还用于调用所述参数写入子模块142，所述参数写入子模块142用于将所述训练用参数输入所述最小二乘支持向量回归模型，以得到待训练模型；

所述参数写入子模块142还用于调用所述训练执行子模块143，所述训练执行子模块143用于利用所述训练集数据对所述待训练模型进行训练。

进一步地，所述组合模块13包括归一化子模块131以及组合执行子模块132；

所述归一化子模块131用于将所述rgb值进行归一化处理，以得到归一化rgb值；

所述归一化子模块131还用于调用所述组合执行子模块132，所述组合执行子模块132用于将每个所述归一化rgb值与对应的所述光谱反射率进行组合，以得到所述组合数据集。

进一步地，所述建立系统1还包括存储模块19，所述存储模块19用于存储所述训练后的所述最小二乘支持向量回归模型。

关于实施例2中的所述建立系统的工作原理、工作方式的更多内容，可以参照实施例1中的关于建立方法的相关描述，这里不再赘述。

本实施例提供的光谱重建模型的建立系统在运行时，通过标准印刷测试图像的rgb值以及光谱反射率训练最小二乘支持向量回归模型，并对训练后的模型进行测试，以得到满足条件的光谱重建模型，由此，建立的光谱重建模型具有较高的精准度和较小的误差。

实施例3

本发明还提供一种电子设备，如图6所示，所述电子设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现实施例1中的光谱重建模型的建立方法的步骤。

可以理解的是，图6所示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备2可以以通用计算设备的形式表现，例如：其可以为服务器设备。电子设备2的组件可以包括但不限于：上述至少一个处理器3、上述至少一个存储器4、连接不同系统组件(包括存储器4和处理器3)的总线5。

所述总线5可以包括数据总线、地址总线和控制总线。

所述存储器4可以包括易失性存储器，例如随机存取存储器(ram)41和/或高速缓存存储器42，还可以进一步包括只读存储器(rom)43。

所述存储器4还可以包括具有一组(至少一个)程序模块44的程序工具45(或实用工具)，这样的程序模块44包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

所述处理器3通过运行存储在所述存储器4中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1中的光谱重建模型的建立方法的步骤。

所述电子设备2也可以与一个或多个外部设备6(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口7进行。并且，模型生成的电子设备2还可以通过网络适配器8与一个或者多个网络(例如局域网lan，广域网wan和/或公共网络)通信。

如图6所示，网络适配器8可以通过总线5与模型生成的电子设备2的其它模块通信。本领域技术人员应当明白，尽管图中未示出，可以结合模型生成的电子设备2使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

需要说明的是，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例4

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1中的光谱重建模型的建立方法的步骤。

其中，计算机可读存储介质可以采用的更具体方式可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1中的光谱重建模型的建立方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。