影像科学与光化学
影像科學與光化學
영상과학여광화학
IMAGING SCIENCE AND PHOTOCHEMISTRY
2015年
2期
161-167
,共7页
彩色扫描仪%光谱特征化%多项式回归%BP神经网络%主成分分析
綵色掃描儀%光譜特徵化%多項式迴歸%BP神經網絡%主成分分析
채색소묘의%광보특정화%다항식회귀%BP신경망락%주성분분석
color scanners%spectral characterization%polynomial regression%BP neural network%principal component analysis
为了实现扫描仪在不同光源、不同观察者条件下准确获取颜色信息,最大程度的避免同色异谱现象,本文采用光谱的方法对扫描仪进行特性化处理,通过多项式回归和BP神经网络分别与主成分分析法结合,首先对检测样本的光谱反射率进行主成分分析,提取主成分与主成分系数,通过实验得到主成分系数与多项式回归、BP神经网络结构之间的转换模型,实现了扫描仪低维RGB信号对原始光谱反射率信息的重构,进而实现扫描仪的光谱特性化.实验结果表明,多项式项数为19项时,达到训练样本的均方根误差为1.7％,检测样本的均方根误差为1.9％.而包含15个隐层节点的单隐层BP神经网络结构为比较合理的网络结构,达到训练样本的均方根误差为1.3％,检测样本的均方根误差为1.5％.对彩色扫描仪的特征化处理,采用多项式回归法得到光谱特性化精度较低,采用BP神经网络模型能够实现更高的光谱特性化精度.
為瞭實現掃描儀在不同光源、不同觀察者條件下準確穫取顏色信息,最大程度的避免同色異譜現象,本文採用光譜的方法對掃描儀進行特性化處理,通過多項式迴歸和BP神經網絡分彆與主成分分析法結閤,首先對檢測樣本的光譜反射率進行主成分分析,提取主成分與主成分繫數,通過實驗得到主成分繫數與多項式迴歸、BP神經網絡結構之間的轉換模型,實現瞭掃描儀低維RGB信號對原始光譜反射率信息的重構,進而實現掃描儀的光譜特性化.實驗結果錶明,多項式項數為19項時,達到訓練樣本的均方根誤差為1.7％,檢測樣本的均方根誤差為1.9％.而包含15箇隱層節點的單隱層BP神經網絡結構為比較閤理的網絡結構,達到訓練樣本的均方根誤差為1.3％,檢測樣本的均方根誤差為1.5％.對綵色掃描儀的特徵化處理,採用多項式迴歸法得到光譜特性化精度較低,採用BP神經網絡模型能夠實現更高的光譜特性化精度.
위료실현소묘의재불동광원、불동관찰자조건하준학획취안색신식,최대정도적피면동색이보현상,본문채용광보적방법대소묘의진행특성화처리,통과다항식회귀화BP신경망락분별여주성분분석법결합,수선대검측양본적광보반사솔진행주성분분석,제취주성분여주성분계수,통과실험득도주성분계수여다항식회귀、BP신경망락결구지간적전환모형,실현료소묘의저유RGB신호대원시광보반사솔신식적중구,진이실현소묘의적광보특성화.실험결과표명,다항식항수위19항시,체도훈련양본적균방근오차위1.7％,검측양본적균방근오차위1.9％.이포함15개은층절점적단은층BP신경망락결구위비교합리적망락결구,체도훈련양본적균방근오차위1.3％,검측양본적균방근오차위1.5％.대채색소묘의적특정화처리,채용다항식회귀법득도광보특성화정도교저,채용BP신경망락모형능구실현경고적광보특성화정도.
