[发明专利]基于模糊理论和神经网络的色彩空间转换方法

说明书

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颜色空间中均匀取点，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CIEL^*a^*b^*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X_左和X_右点超出RGB颜色空间，则X_左和X_右点投影到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_右对应的CIEL*a*b*颜色空间对应的点坐标，定义为Y_左（L₁，a₁，b₁）和Y_右（L₂，a₂，b₂）；

f. 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Y_左Y_右为直径的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δ=δ+5，再次计算步骤d～f；

h. 如果样本集数量过多，则δ=δ-1，再次计算步骤d～f；

i. 如果样本集数量适当，则在RGB颜色子空间和CIEL^*a^*b^*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；