基于图像处理的色彩管理技术研究.docxVIP

基于图像处理的色彩管理技术研究 目前，色彩管理技术已成为现代印刷系统、电子出版、图像行业、模式识别等重要领域的关键技术之一。它主要解决了不同设备和部门之间颜色信息的正确传播和一致性问题，具有广阔的市场和广泛的应用前景。扫描仪是印前系统中不可或缺的图像获取设备。实际生产过程中, 要想实现真正的“所见即所得”并不是一件简单的事情。由于受到设备呈色性能、观察条件、使用时间、色域范围等各种因素的影响, 扫描图像的阶调层次和色彩信息常常会丢失, 不能够忠实再现原稿, 直接影响着后续工作的正常进行。为了保证图像信息传递的一致性, 扫描仪获取原图像, 不仅得到图像的设备相关颜色数据, 更重要的是得到图像的设备无关颜色数据, 这就需要色彩管理对扫描仪进行颜色特征化。颜色特征化的核心任务是研究色彩空间的转换方法。目前实现颜色空间转换的方法较多, 如模型法, 多项式回归算法, 插值算法、平面方程及神经网络方法等。本文提出了一种基于RBF神经网络法建立扫描仪颜色特征化的模型, 实现了RGB色空间到CIE L*a*b*色空间的转换, 并以实验验证了该方法的准确性。 一、 扫描的基本原则和修改 1. 光电传感器检测原理 扫描仪是一种光、机、电一体化的计算机输入设备, 承担着将原稿信息转换成数字信息的功能, 常被喻为计算机的眼睛。它的成像原理如图1所示:扫描仪自身携带的光源提供线状的照明, 光源发出的光照在原稿上, 得到的反射光经过彩色滤色片分色、透镜聚焦, 到达光电传感器件 (CCD) , CCD可以检测反射的不同强度的光, 并将每个采样点的光波转换成随光强度的大小而变化的一系列R、G、B模拟电信号, 经过模拟/数字转换器将R、G、B电信号转换成计算机数字图像信号, 即图像的数字化, 进而供计算机显示、存储和输出。 2. 原理和方法介绍 为了得到一个正确的数字化结果, 必须对扫描仪进行校正, 使每一器件达到正常与最佳的工作性能与状态。校正扫描仪的原则就是将扫描仪调校成能够忠实复制原稿的阶调层次信息、色彩变化以及灰平衡。扫描仪校正通过扫描仪白平衡来实现, 白平衡校正的作用是调整扫描仪三原色通道光学器件的最大输出电压, 并保证三通道的信号混合中性色时达到平衡。不同类型的原稿白平衡的确定方法不同, 透射稿的白平衡选点在滚筒洁净处, 反射稿的白平衡选点在原稿白色区域或白色铜版纸上。 大部分的扫描仪在最初启动的时候都会自动校正。扫描仪内部的光源是恒定的, 扫描仪将以一个内置参考物为准进行检测。不同厂家生产的产品都有其独特的色彩校正系统, 如爱克发的Foto Tune色彩管理软件、柯达的色彩管理系统KCMS等。通过此类软件与扫描仪内置的校正装置, 自动进行色彩补偿, 有效地调整扫描仪的信号标准, 使扫描仪达到白平衡。如果一个扫描仪没有自动校正功能, 则必须对它进行手动校正, 即手动完成扫描仪的白平衡所使用的专用反射或者透射色标;调节扫描软件中的高光、暗调数值以及中间调的Gamma值;必要时调节红、绿、蓝单通道数值, 以使扫描图像的阶调、色彩与色标一致。 二、 rbf神经网络 随着计算机技术的发展, 神经网络方法近几年越来越多被运用在彩色油墨的调制和色空间转换问题中。人工神经网络是在现代神经生物学研究基础上提出的模拟生物过程, 反映人脑某些特征的一种计算结构, 具有非线性、可学习分类及高速并行处理等特性。而色空间转换正是一个非线性的映射问题, 因而神经网络适用于颜色空间的转换。 径向基函数 (Radial Basis Function, RBF) 神经网络是一种高效的前馈式神经网络, 其基本思想是:用径向基函数作为隐含层的“基”, 构成了隐含层空间。隐含层对输入矢量进行变换, 将低维的模式输入数据变换到高维空间中, 使得低维空间内不可分问题在高维空间内线性可分。从结构上看, RBF神经网络是一种三层前向神经网络。第一层为输入层, 由信号源节点组成;第二层为隐含层, 隐含单元的个数由所描述的问题而定, 隐含单元的变换函数是中心点径向对称且衰减的非负非线性函数;第三层为输出层, 它对输入模式做出响应。输入层节点只传递输入信号到隐含层, 经过隐含层节点的非线性变换后, 由输出层节点的线性函数产生输出。RBF网络结构如图2所示。 与BP神经网络相比, RBF神经网络采用的激励函数是径向对称函数, 它只在局部对输入信号产生响应, 因而避免了BP神经网络训练时间长且容易陷入局部极小的问题。事实证明, RBF神经网络学习速度可以比通常的BP神经网络提高上千倍, 容易适应新数据, 且具有更好的泛化能力。鉴于这些优点, 本文选择RBF神经网络建立颜色空间转换模型。 在本研究中, RBF神经网络的输入层为某一颜色的RGB值, 输出层为该颜色对应的CIE L*a*b*值。 三、 实验与