統(tǒng)計(jì)學(xué)習(xí)在色彩校正和色彩恒常中的應(yīng)用.pdf

1、色彩管理技術(shù)是解決不同成像設(shè)備之間色彩再現(xiàn)不一致的一種技術(shù)，力求實(shí)現(xiàn)色彩“所見即所得”的終極目標(biāo)，已經(jīng)廣泛應(yīng)用于印刷、紡織和多媒體等領(lǐng)域。作為色彩管理的一項(xiàng)核心技術(shù)，色彩校正的主要任務(wù)是補(bǔ)償因外設(shè)非理想特性產(chǎn)生的色偏，在色彩管理系統(tǒng)中往往是和色彩轉(zhuǎn)換結(jié)合起來(lái)，其效果直接影響色彩再現(xiàn)的精確性，因而一直是國(guó)內(nèi)外研究的熱點(diǎn)問(wèn)題。近幾年來(lái)，考慮到光照等環(huán)境影響，色彩恒常也已成為未來(lái)色彩管理和實(shí)際需求迫切需要解決的一項(xiàng)重點(diǎn)技術(shù)。色彩恒常的目的是在

2、不同光照環(huán)境下保持對(duì)色彩的不變描述，這對(duì)計(jì)算機(jī)視覺(jué)中物體識(shí)別和基于內(nèi)容的圖像檢索等應(yīng)用至關(guān)重要。 色彩校正和色彩恒常通常借助彩色樣本集來(lái)描述、獲取某種色彩特性，并將問(wèn)題歸結(jié)為不同色彩空間之間的映射關(guān)系。然而，作為研究樣本集特征和關(guān)系描述的一種有力工具，統(tǒng)計(jì)學(xué)習(xí)技術(shù)當(dāng)前還未深入涉及到這一領(lǐng)域。為此，本文主要研究了統(tǒng)計(jì)學(xué)習(xí)技術(shù)在色彩校正和色彩恒常中的應(yīng)用問(wèn)題。結(jié)合色彩校正算法的傳統(tǒng)分類，本文按照校正機(jī)理的不同并依據(jù)統(tǒng)計(jì)學(xué)習(xí)概念將算法

3、分為四類，即，三維插值、鄰域回歸、稀疏貝葉斯學(xué)習(xí)及計(jì)算智能，重點(diǎn)討論了不同校正機(jī)理下的技術(shù)瓶頸及相應(yīng)解決方案，強(qiáng)調(diào)了方案的精度和速度效果。在色彩恒常中，結(jié)合目前國(guó)內(nèi)外研究現(xiàn)狀及課題的整體部署，主要討論了色彩恒常的實(shí)現(xiàn)過(guò)程，并分別提出了相應(yīng)的光源估計(jì)算法和監(jiān)督色彩恒常算法。 在三維插值類中，主要解決了當(dāng)前流行插值算法的幾何體定位難題并提出了一種新的高精度插值算法。首先提出了兩種基于四面體插值校正的加速算法。第一種算法為基于歷史的局

4、部搜索法，主要借助數(shù)據(jù)相關(guān)性，根據(jù)上次插值數(shù)據(jù)的鄰域來(lái)查找此次的數(shù)據(jù)。第二種算法為利用輔助表的快速定位法，采用了粗略定位和精確定位的兩步定位法。兩種算法均能促進(jìn)三維查找表數(shù)據(jù)的快速生成。此外，針對(duì)色域匹配的不同渲染目的，提出了再加速策略，以減小對(duì)應(yīng)不同渲染目的三種查找表數(shù)據(jù)的生成時(shí)間，實(shí)驗(yàn)證實(shí)了策略的有效性。最后提出了基于改進(jìn)最大模糊熵的線性插值算法。該算法定義了新的插值范圍，采用模糊熵形式確定插值系數(shù)。算法無(wú)需定位幾何體，其校正精度優(yōu)

5、于目前的三維插值算法。 在鄰域回歸類中，針對(duì)當(dāng)前回歸類算法的技術(shù)缺陷，提出了鄰域回歸校正概念，并提出了兩種不同的鄰域回歸算法。鄰域回歸算法深化了分區(qū)思想，克服了分區(qū)回歸存在的缺點(diǎn)。第一種算法為基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化和全最小二乘法的鄰域回歸算法，結(jié)構(gòu)風(fēng)險(xiǎn)化原則貼近了真實(shí)風(fēng)險(xiǎn)并減小了模型復(fù)雜度，而全最小二乘法考慮到了輸入輸出數(shù)據(jù)的噪聲。第二種算法為基于提升的核偏最小二乘回歸算法，核函數(shù)將源色彩空間數(shù)據(jù)映射到一個(gè)高維空間，偏最小二乘回歸提

6、取了主成分，而提升技術(shù)進(jìn)一步提高了精度。此外，還討論了鄰域的加速確定和范圍問(wèn)題。在稀疏貝葉斯學(xué)習(xí)類中，以當(dāng)前稀疏核工具的應(yīng)用利弊分析為基礎(chǔ)，提出了采用基于貝葉斯法則的稀疏核工具一相關(guān)向量機(jī)的校正方案，并提出了多種有效的改進(jìn)措施。該類算法采用了統(tǒng)計(jì)學(xué)習(xí)中最新的實(shí)效技術(shù)，在以往的色彩校正研究中從未出現(xiàn)過(guò)，且取得了滿意的校正效果。算法集成了多個(gè)核函數(shù)以提供一組完備基或超完備基。為了減小算法的訓(xùn)練時(shí)間，首先采用保局投影來(lái)約簡(jiǎn)多核輸入矩陣的列維數(shù)

7、，其次采用相關(guān)向量的預(yù)提取技術(shù)和分布式結(jié)構(gòu)來(lái)進(jìn)一步減小訓(xùn)練時(shí)間。其中，完備基主要通過(guò)尺度核函數(shù)及小波核函數(shù)實(shí)現(xiàn)，超完備基則使用到了現(xiàn)存的多種核函數(shù)。相關(guān)向量的預(yù)提取技術(shù)主要通過(guò)分層采樣和聚類來(lái)實(shí)現(xiàn)。算法在校正精度上優(yōu)于支持向量機(jī)和相關(guān)向量機(jī)，且訓(xùn)練時(shí)間小于相關(guān)向量機(jī)。 在計(jì)算智能類中，首先分析了當(dāng)前模糊邏輯和神經(jīng)網(wǎng)絡(luò)應(yīng)用于校正的實(shí)際困難，然后提出了相應(yīng)的措施以解決兩者的內(nèi)部結(jié)構(gòu)確定難題，最后給出了遺傳算法在色彩校正中的應(yīng)用可能。

8、首先提出了基于KPCA和ANFIS的校正算法，KPCA作為數(shù)據(jù)的預(yù)處理器，ANFIS自動(dòng)化了If-then規(guī)則。實(shí)驗(yàn)表明了算法在精度上的優(yōu)越性。隨后構(gòu)建了一種新的集成神經(jīng)網(wǎng)絡(luò)的校正模型，該模型解決了單個(gè)網(wǎng)絡(luò)中的結(jié)構(gòu)確定難題，通過(guò)集成多個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)提高了模型的泛化能力，其校正精度高于單個(gè)網(wǎng)絡(luò)和Bagging集成模型。最后，構(gòu)建了基于遺傳算法的簡(jiǎn)易提升校正模型，選擇算子挑選比較“難”學(xué)習(xí)的樣本組成下次訓(xùn)練樣本集，基于ANFIS的例子表明

9、了模型有效性。 在色彩恒常的實(shí)現(xiàn)中，結(jié)合前沿研究和實(shí)用目的，提出了基于自適應(yīng)約簡(jiǎn)相關(guān)向量機(jī)的光源色度估計(jì)算法以及基于薄板樣條和最小一乘法的監(jiān)督色彩恒常算法。前者采用自適應(yīng)混合核函數(shù)來(lái)提高精度，利用改進(jìn)的保局投影來(lái)減小訓(xùn)練時(shí)間；為估計(jì)光源色度，采用色度直方圖的模糊中心和相應(yīng)光源值訓(xùn)練算法。后者通過(guò)放置監(jiān)督色板來(lái)描述光源轉(zhuǎn)換關(guān)系，然后采用薄板樣條映射光照數(shù)據(jù)，再在約簡(jiǎn)后的映射數(shù)據(jù)上應(yīng)用最小一乘法捕獲轉(zhuǎn)化關(guān)系?；谡鎸?shí)圖像的實(shí)驗(yàn)表明了