专利名称：基于模糊理论和神经网络的色彩空间转换方法
技术领域：
本发明属于印刷色彩管理技术领域，涉及一种色彩空间转换的方法，具体涉及一种基于模糊理论和神经网络的色彩空间转换方法。
背景技术：
色彩管理技术是为了解决颜色在不同成像设备之间的正确转移问题，色彩管理技术的核心之一就是色彩空间模型的相互转换。目前，常用的色彩空间转换方法主要有纽介堡方程法、三维查找表(3D_LUT)、多项式回归法，以及一些人工智能方法，如人工神经网络、 模糊逻辑和遗传算法等。色度空间变换属于三维空间的非线性映射问题，传统的数学模型法都有一定的局限性，难以在自动控制调整中获得应用。因此，目前很多学者把研究重点转移到人工智能算法研究上。对于人工神经网络算法颜色空间转换模型的研究，目前常采用BP神经网络。BP神经网络算法本质上为梯度下降法，从数学角度看，BP算法是一种局部搜索的优化方法，但当它要解决的问题是求解复杂非线性函数的全局优化时，算法很有可能陷入局部极值，使训练失败，因此，其模型转化方法还有待进一步提高。基于生活中颜色常用自然语言描述，具有模糊性，此外，颜色空间变换具有高度非线性的特点，所以人们将模糊控制理论应用于颜色空间转换模型。与经典控制理论和现代控制理论相比，模糊控制的主要特点是不需要建立对象的数学模型，构造容易，鲁棒性强，算法简单，执行快，容易实现等。然而，在模糊模型中，模糊规则及隶属函数的选择完全凭经验，此外，信息简单的模糊处理将导致系统的控制精度降低和动态品质变差，要提高精度则必然增加量化级数，从而导致规则搜索范围扩大。
发明内容
本发明的目的是提供一种基于模糊理论和神经网络的色彩空间转换方法，解决了现有色彩空间转换方法存在的不适用于求解复杂非线性函数的全局优化的问题。本发明所采用的技术方案是，基于模糊理论和神经网络的色彩空间转换方法，具体按照以下步骤实施
步骤1 选择输入颜色空间的采样点，采集采样点的建模数据； 步骤2:建立模糊神经色彩空间转换模型，将步骤1得到的采样点的建模数据输入到模糊神经色彩空间转换模型中，完成色彩空间的转换。本发明的特点还在于，
其中的步骤1选择输入颜色空间的采样点，采集采样点的建模数据，具体按照以下步骤实施将RGB颜色空间等分成27个子空间，选择立方体的中心点作为验证模型精度的验证点，总共27个，R、G、B颜色轴取值分别为43、129和213 ；在RGB颜色空间中选择729个样本点，采样点的选择是在RGB颜色空间中均勻取点，将R、G、B颜色轴八等分，训练样本的 R、G、B 值分别取为 0，32，64，96，128，160，192，224 和 255，共有 729 组数据。其中的步骤2建立模糊神经色彩空间转换模型，具体按照以下步骤实施a.首先，输入RGB颜色空间转换点的颜色值，定义为X(r，g，b);
b.设定RGB子空间半径，定义为δ，设定模糊划分子空间半径δ的初值为5;
c.输入RGB颜色空间和对应的CIELW颜色空间样本集矩阵；
d.设X点为中心，计算X左(r-δ，g- δ，b- δ )和X右(r+ δ，g+ δ，b+ δ )点的坐标，如果乂￡和Χ；^点超出RGB颜色空间，则乂￡和父；^点投影到RGB颜色立体的表面；
e.采用颜色空间转换模糊模型输出X左和X；^对应的CIEL*a*b*颜色空间对应的点坐标，定义为Y左(L1, ai; b》和Y右(L2，a2, b2)；
f.求取既在以X为圆心，S为半径的RGB子空间中的采样点，又在以Y^YieS直径的 CIEL^ab颜色子空间中的采样点的样本集；
g.如果样本集的数量过少，则3= 5+5，再次计算步骤(1 €;
h.如果样本集数量过多，则3= 5-1，再次计算步骤(1 €;
i.如果样本集数量适当，则在RGB颜色子空间和CIELW子空间内采用神经网络，利用子空间样本点训练网络，在子空间内建立基于BP神经网络的颜色空间转换模型；
j.输入X坐标值，利用子空间BP神经网络的颜色空间转换模型，输出X点的CIELW 空间的坐标值Y (L，a，b)，完成颜色空间转换。其中的步骤e中的颜色空间转换模糊模型采用三输入三输出模糊控制器。其中的步骤i中的神经网络，采用4层BP网络结构，包括一个输出层和三个隐藏层，每个隐藏层的节点数为20，网络隐含层的神经元传递函数采用log-sigmoid型函数 Iogsig ()，输出层神经元传递函数采用纯线型函数purelin ()，训练函数采用弹性梯度下降法trainrp函数，设定正确的训练参数，其中最大训练次数选择1000次，训练精度选择1， 学习率设定为0.2。其中的样本集的数量为介于50与100之间。本发明的有益效果是，首先充分发挥了模糊辨识在广域空间中的快速性强的优势，将输入颜色空间动态划分为若干子空间；然后又充分发挥了神经网络在局部子空间中自适应辨识能力强和精度高的优势，合理实现了模糊与神经网络算法的优势互补，既大大提高了模型转换的处理速度，又有效提高了模型转换的精度。
图1是本发明方法中将27个检验色块值输入模型，模型输出值与色块实际测量值的色差关系图2是本发明方法中将7 个建模色块的RGB颜色值输入模型，模型输出值与色块实际测量值的色差图3是本发明方法中建模的程序流程图4是本发明方法中模型的子空间内包涵建模点数量与检验色块的平均色差的关系图。
具体实施例方式下面结合附图和具体实施方式
对本发明进行详细说明。本发明基于模糊理论和神经网络的色彩空间转换方法，具体按照以下步骤实施步骤1 选择输入颜色空间的采样点，采集采样点的建模数据。检验色块将RGB颜色空间等分成27个子空间(即27个子立方体)，选择立方体的中心点作为验证模型精度的验证点，总共27个，R、G、B颜色轴取值分别为43、1 和213。建模色块在RGB颜色空间中选择7 个样本点，采样点的选择是在RGB颜色空间中均勻取点，将R、G、B颜色轴八等分，训练样本的R、G、B值分别取为0，32，64，96，128，160， 192，224和255，共有729 (即93)组数据。步骤2 建立模糊神经色彩空间转换模型，将步骤1得到的采样点的建模数据输入到模糊神经色彩空间转换模型中，完成色彩空间的转换。为了提高颜色空间转化的精度，分别利用模糊模型和神经网络各自的特点，本专利提出首先采用颜色空间转换模糊模型将颜色空间划分成若干子空间，在子空间内部采用 BP神经网络的方法输出采样点。模型的程序流程如图3所示
(1)首先，输入RGB颜色空间转换点的颜色值，定义为X (r, g，b)。(2)设定RGB子空间半径，定义为δ，在模型中，首先设定模糊划分子空间半径δ 的初值为5。(3)输入RGB颜色空间和对应的CIELW颜色空间样本集矩阵。(4)设 X 点为中心，计算 X左(r-δ，g-δ，b_ δ )禾口 X右(r+δ，g+δ，b+δ )点的坐标。如果乂￡和Χ；^点超出RGB颜色空间，则乂￡和父；^点投影到RGB颜色立体的表面。(5)采用颜色空间转换模糊模型输出乂￡和对应的CIELW颜色空间对应的点坐标，定义为Y左(L1Apb1)和Y^(L2Ayb2)tj颜色空间转换模糊模型采用三输入三输出模糊控制器。(6)求取既在以X为圆心，δ为半径的RGB子空间中的采样点，又在以bY；^为直径的CIELW颜色子空间中的采样点的样本集。(7)如果样本集的数量过少，则δ = δ+5，再次计算步骤(4) (6)。(8)如果样本集数量过多，则δ = δ-1，再次计算步骤(4) (6)。(9)如果样本集数量适当，则在RGB颜色子空间和CIELW子空间内采用神经网络，利用子空间样本点训练网络，在子空间内建立基于BP神经网络的颜色空间转换模型。 神经网络采用4层BP网络结构(输出层和3个隐藏层)，每个隐藏层的节点数为20，网络隐含层的神经元传递函数采用log-sigmoid型函数Iogsig ()，输出层神经元传递函数采用纯线型函数purelin ()，训练函数采用弹性梯度下降法trainrp函数。设定正确的训练参数，其中最大训练次数选择1000次，训练精度选择1，学习率设定为0. 2。(10)输入X坐标值，利用子空间BP神经网络的颜色空间转换模型，输出X点的 CIELVb*空间的坐标值Y (L，a, b)，完成颜色空间转换。为保证BP神经网络在子空间中的转化精度，要确定模型子空间中采样点数量，即子空间有多少采样点才能保证模型转化精度。为此，在RGB颜色空间中选择7 个样本点， 采样点的选择是在RGB颜色空间中均勻取点，将R、G、B颜色轴八等分，训练样本的R、G、B 值分别取为0，32，64，96，128，160，192，224和255，共有729 (即93)组数据，测量其ΙΛ a*、 b*值。在RGB空间中输入点χ (r, g，b)，计算χ点与颜色空间采样点之间的距离，分别选择与χ点距离最小的采样点15，20，30，40，50，60，70，80，90、100，110及120个点，以χ点为圆心，分别包涵这15, 20, 30,40, 50,60, 70,80,90,100,110 ^P 120个建模点的空间为半径，将RGB输入颜色空间根据输入点的坐标动态划分为若干子空间，在子空间内采用上述BP神经网络模型结构，建立基于动态子空间划分的BP神经网络颜色空间转化模型。图4是本发明方法中模型的子空间内包涵建模点数量与检验色块的平均色差的关系图，由图4可以看出，随子空间内采样点的增加模型转换精度不断提高，当提高到一定精度，模型转换精度趋于平稳，当子空间内包含采样点数大于50而小于120时，模型转换精度在1. 6至1. 8之间， 再增加子空间样本点数会导致BP神经模型训练难度增加，训练时间延长，甚至网络训练失败，因此，可以采用子空间内采样点数量介于50与100之间，作为子空间采样点数量的合理范围。模型精度分析
输入检验点经模型转化后，对于27个检验色块的转换平均色差为1. 92，最大色差为 2. 84，最小色差为0. 95，其色差分布图如图1所示。将7 个建模颜色值输入模型，模型输出值与实际测量值的平均色差为1. 82，其中最大色差为8. 78，最小色差为0. 13，其色差分布图如图2所示，其大部分色块色差值小于 4. 0。通过对输入颜色子空间的模糊划分，在模糊子空间内采用BP神经网络模型输出颜色值，其模型输出精度要优于单独的BP神经模型和模糊模型，并且样本点数量的增加不会影响模型的转换速度，如果继续增加样本点数量其模型的转化精度会更高。
权利要求
1.基于模糊理论和神经网络的色彩空间转换方法，其特征在于，具体按照以下步骤实施步骤1 选择输入颜色空间的采样点，采集采样点的建模数据；步骤2:建立模糊神经色彩空间转换模型，将步骤1得到的采样点的建模数据输入到模糊神经色彩空间转换模型中，完成色彩空间的转换。
2.根据权利要求1所述的基于模糊理论和神经网络的色彩空间转换方法，其特征在于，所述的步骤1选择输入颜色空间的采样点，采集采样点的建模数据，具体按照以下步骤实施将RGB颜色空间等分成27个子空间，选择立方体的中心点作为验证模型精度的验证点，总共27个，R、G、B颜色轴取值分别为43,129和213 ；在RGB颜色空间中选择729个样本点，采样点的选择是在RGB颜色空间中均勻取点，将R、G、B颜色轴八等分，训练样本的R、 G、B 值分别取为 0，32，64，96，128，160，192，224 和 255，共有 729 组数据。
3.根据权利要求1所述的基于模糊理论和神经网络的色彩空间转换方法，其特征在于，所述的步骤2建立模糊神经色彩空间转换模型，具体按照以下步骤实施a.首先，输入RGB颜色空间转换点的颜色值，定义为X(r，g，b);b.设定RGB子空间半径，定义为δ，设定模糊划分子空间半径δ的初值为5;c.输入RGB颜色空间和对应的CIELW颜色空间样本集矩阵；d.设X点为中心，计算X左(r-δ，g- δ，b- δ )和X右(r+ δ，g+ δ，b+ δ )点的坐标，如果乂￡和Χ；^点超出RGB颜色空间，则乂￡和父；^点投影到RGB颜色立体的表面；e.采用颜色空间转换模糊模型输出X左和X；^对应的CIEL*a*b*颜色空间对应的点坐标，定义为Y左(L1, ai; b》和Y右(L2，a2, b2)；f.求取既在以X为圆心，S为半径的RGB子空间中的采样点，又在以Y^YieS直径的 CIEL^ab颜色子空间中的采样点的样本集；g.如果样本集的数量过少，则3= 5+5，再次计算步骤(1 €;h.如果样本集数量过多，则3= 5-1，再次计算步骤(1 €;i.如果样本集数量适当，则在RGB颜色子空间和CIELW子空间内采用神经网络，利用子空间样本点训练网络，在子空间内建立基于BP神经网络的颜色空间转换模型；j.输入X坐标值，利用子空间BP神经网络的颜色空间转换模型，输出X点的CIELW 空间的坐标值Y (L，a，b)，完成颜色空间转换。
4.根据权利要求3所述的基于模糊理论和神经网络的色彩空间转换方法，其特征在于，所述的步骤e中的颜色空间转换模糊模型采用三输入三输出模糊控制器。
5.根据权利要求3所述的基于模糊理论和神经网络的色彩空间转换方法，其特征在于，所述的步骤i中的神经网络，采用4层BP网络结构，包括一个输出层和三个隐藏层，每个隐藏层的节点数为20，网络隐含层的神经元传递函数采用log-sigmoid型函数Iogsig ()，输出层神经元传递函数采用纯线型函数purelin ()，训练函数采用弹性梯度下降法 trainrp函数，设定正确的训练参数，其中最大训练次数选择1000次，训练精度选择1，学习率设定为0.2。
6.根据权利要求3所述的基于模糊理论和神经网络的色彩空间转换方法，其特征在于，所述的样本集的数量为介于50与100之间。
全文摘要
本发明公开了基于模糊理论和神经网络的色彩空间转换方法，选择输入颜色空间的采样点，采集采样点的建模数据；建立模糊神经色彩空间转换模型，将采样点的建模数据输入到模糊神经色彩空间转换模型中，完成色彩空间的转换。本发明基于模糊理论和神经网络的色彩空间转换方法，首先充分发挥了模糊辨识在广域空间中的快速性强的优势，将输入颜色空间动态划分为若干子空间；然后又充分发挥了神经网络在局部子空间中自适应辨识能力强和精度高的优势，合理实现了模糊与神经网络算法的优势互补，既大大提高了模型转换的处理速度，又有效提高了模型转换的精度。
文档编号H04N9/67GK102170516SQ20111008662
公开日2011年8月31日 申请日期2011年4月7日 优先权日2011年4月7日
发明者周世生, 智川, 梁巧萍, 石毅 申请人:陕西科技大学