基于样本筛选机制的自适应光谱重建算法.docVIP

基于样本筛选机制的自适应光谱重建算法 　　摘要：文章提出了一种新的样本筛选机制，该机制利用样本特征匹配的方式根据每个测试样本的特性选择最佳地自适应子集，然后在自适应子集中计算重建出物体的光谱反射率。考虑到计算复杂度和重建精度，根据测试样本的特性预先在光谱颜色空间进行预筛选，然后在预筛选的样本子集中计算与测试样本的相似度。正如结果显示的那样，文章提出的样本筛选机制是一种利用样本之间相似度而不是样本之间的距离的筛选方式，显著地提高了光谱重建精度。 　　关键词：光谱重建；伪逆法；三刺激值；颜色特征匹配 　　颜色的定量描述一直以来都是色彩学的研究热点，它通常在三维空间中由三刺激值来表示。在三维空间中，被广泛认可的表达方式为基于色度的三刺激值法，而物体表面的光谱反射率被人们称为物体颜色最本质的属性，它能准确地表示在任一观察环境下物体的颜色信息。因此，获取物体表面的光谱颜色信息可从根本上解决同色异谱问题，已成为最近的研究热点。然而，多光谱成像设备存在重构过程复杂、时间复杂度高、价格昂贵等因素限制了其在印刷、艺术品复制和网上购物等领域的应用；同时这些领域的颜色获取设备仅有三通道颜色值，例如常规相机、扫描仪及色度仪等。 　　因此，利用数学算法从颜色色度值到光谱反射率的光谱重建技术得到了广泛地研究。尽管该数学算法的求解是欠定矩阵的求解，但其重建的光谱反射率仍然具有较高地重建精度。目前，光谱反射率重建算法按照其原理基本上可分为两种类型：一种是基于机器学习的重建算法（神经网络、支持向量积、压缩感知、遗传算法等）；另一种是基于线性模型的重建算法（线性插值、非负矩阵分解、主成分分析法、伪逆法等）。很显然，基于机器学习的重建算法要求算法的时间复杂度高，这样基于线性模型的重建算法得到了广泛地研究。由于伪逆法是一种能够直接地反映颜色三刺激值与光谱反射率之间的对应关系的线性模型，所以样本筛选机制的精度评价都采用该方法进行。 　　为了提高光谱的重建精度，研究人员对标准的基于线性模型的重建算法进行了修正，其主要是为了根据每个测试样本的特性来创建最佳训练样本子集。这些训练样本的筛选机制可分为两种类型：第一种是固定分区法，它主要涉及到将光谱颜色空间按照颜色特性进行划分，且标准模型应用到每个子分区中；Garcia-Beltran等人通过聚类分析按照颜色的色相对光谱颜色空间进行固定分区划分，然后线性模型应用在每个分区中；Lee等人基于Macbeth ColorChecker颜色特性划分Munsell样本颜色空间，然后线性模型应用到每个分区中；Ayala等人和张显斗等人根据Munsell样本色相自身的特性对光谱颜色空间进行划分，在每个分区中进行光谱重建。另一种是以色差值作为样本的筛选机制，使用测试样本与训练样本之间的色差值大小进行样本预筛选，然后使用预筛选的样本进行光谱重建；Babaei等人利用色差值的大小来形成加权函数，从而通过加权函数来影响光谱的重建精度。然而，色差值的局限只能选择临近的样本对光谱重建精度产生较大影响，这样人为地导致把相似的光谱排除在外。 　　本文提出了一种基于样本筛选机制的自适应光谱重建算法，该方法基于颜色特征匹配来实现由CIE XYZ三刺激值来重建物体光谱反射率。我们根据颜色特征来筛选相似样本曲线，进而提高光谱重建的精度。为了体现提出样本筛选机制的优势，该方法的性能在色度精度和光谱精度上与传统的方法进行了比较分析。 　　一、基本理论 　　式中AT和 r 是表示为两个矩阵，分别涉及到样本的三刺激值和光谱反射率向量。AT是系数矩阵，是标准光源和颜色匹配函数的内积，而 r代表的是矩阵转换。由式（3）可知，光谱形状越相似，其对应的三刺激值向量也具有越高的相似度。 　　对于一个给定地三刺激值，物体的光谱反射率可直接通过系数矩阵的违逆而得到，而这种直接从三刺激值空间到光谱空间的重建方法叫做直接重构法。由于系数矩阵是欠定矩阵，光谱反射率的重构需使用违逆矩阵来进行计算，这样必然导致较大的重构误差。使用伪逆法来重建光谱反射率的公式如下： 　　公式（4）建立了三刺激值（CIE XYZ或RGB相机响应值）空间与相对应的光谱反射率之间的映射关系。一旦确定了转换矩阵，这时乘以三刺激值向量就可计算出相对应的光谱反射率。使用标准的伪逆法得到的转换矩阵是所有样本的最优解而非是每一个单独的样本，这也是造成标准线性模型重建光谱精度低的原因。如果转换矩阵的形成是根据每一个样本的特性进行确定来可以提高光谱的重建精度，所以样本筛选机制可根据样本三刺激值向量特征进行样本选择。然而，三刺激值不能代表着样本的光谱向量特征，这主要是由于同色异谱现象。正常情况下，样本之间的同色异谱现象并不严重，主要是由于同色异谱对具有相同的光谱形状趋势。因此，基于颜色特征匹配原理来从本质上