Exposition

Recherche sur l'algorithme de conversion d'espace colorimétrique RVB vers CIELab basé sur la méthode polynomiale locale

Oct 25, 2018 Laisser un message

Recherche sur l'algorithme de conversion d'espace colorimétrique RVB vers CIELab basé sur la méthode polynomiale locale

Nous sommes une grande imprimerie à Shenzhen en Chine. Nous proposons toutes les publications de livres, impression de livres à couverture rigide, impression de livres à couverture rigide, cahiers à couverture rigide, impression de livres en papier, impression de livres pour piqûre à cheval, impression de brochures, boîte d'emballage, calendriers, PVC de toutes sortes, brochures de produit, notes, livre pour enfants, autocollants, tout types de produits d'impression couleur spéciaux sur papier, cartes de jeu, etc.

Pour plus d'informations, s'il vous plaît visitez

http://www.joyful-printing.com. ENG seulement

http://www.joyful-printing.net

http://www.joyful-printing.org

email: info@joyful-printing.net


La reproduction des couleurs et la reproduction dépendent de divers périphériques, tels que des moniteurs, des imprimantes, etc., mais les caractéristiques de ces périphériques ne peuvent pas être identiques. Par conséquent, même pour le même type de périphérique, si la même valeur de couleur (telle que RVB, CMJN) est entré, son affichage ou l’effet de l’impression est également incohérent, même les plus éloignés les uns des autres. Afin de parvenir à la cohérence de la reproduction des couleurs sur différents périphériques matériels, des techniques de gestion des couleurs basées sur un espace indépendant du périphérique sont apparues. Comme le montre la figure 1, l'espace associé au périphérique (tel que RGB, CMY) est converti en un espace indépendant du périphérique (tel que CIELab), puis l'espace indépendant du périphérique est converti en l'espace associé au périphérique. Par conséquent, le contenu essentiel de la technologie de gestion des couleurs est la conversion de l’espace colorimétrique. Les méthodes mathématiques traditionnelles telles que l'interpolation et la régression polynomiale ont été largement utilisées dans la pratique et ont donné de bons résultats. Dans cet article, une méthode polynomiale locale différente des deux méthodes ci-dessus est utilisée pour la conversion de l'espace colorimétrique RVB vers l'espace colorimétrique CIELab, et comparée à la méthode de régression polynomiale (20 éléments). Les résultats expérimentaux montrent que le modèle présente une grande précision de conversion et peut servir de référence pour la recherche scientifique.


Tout d'abord, basé sur l'algorithme de conversion de l'espace colorimétrique RVB vers CIELab polynomial local


1. Principe de l'algorithme

Dans le sous-graphe (a) de la figure 2, il y a 512 points dans l'espace RVB, qui sont soigneusement disposés en un grand cube. Toutefois, si les valeurs CIELab correspondant à ces points sont obtenues dans le logiciel Photoshop et affichées dans l'espace CIELab, comme indiqué dans la sous-image (b) de la figure 2, la répartition des points n'est pas un grand cube, mais une forme irrégulière. . Par conséquent, il existe une relation non linéaire entre les espaces RVB et CIELab.

(a) espace RVB (b) espace CIELab


Pour approximer la relation non linéaire entre les deux, cet article utilise la méthode polynomiale locale. Elle se caractérise par la division de l'espace source, c'est-à-dire la division du grand espace colorimétrique en plusieurs espaces colorimétriques, puis la régression polynomiale de la conversion de l'espace colorimétrique dans cet espace colorimétrique. La méthode de régression polynomiale traditionnelle consiste à convertir directement dans le grand espace colorimétrique, ce qui provoquera de grandes erreurs dans certaines zones de l'espace, car la relation non linéaire de certaines régions est tellement évidente qu'il est difficile d'approximer avec une méthode globale. Par conséquent, si l’espace colorimétrique source est d’abord divisé, la méthode de régression polynomiale est utilisée dans le sous-espace pour réaliser la transformation spatiale, ce qui peut mieux rapprocher la relation non linéaire entre les deux espaces colorimétriques et améliorer la précision de conversion.


La méthode polynomiale locale peut être divisée en deux étapes: premièrement, l’espace colorimétrique source doit être segmenté, les points de modélisation sont obtenus et une table de correspondance est établie. Si le niveau de la segmentation est élevé, plus le volume du sous-espace divisé est petit, plus la précision de la conversion est élevée, mais parallèlement, la quantité de calcul augmente. Deuxièmement, la méthode de régression polynomiale est utilisée dans le sous-espace pour réaliser une transformation spatiale. Tout d'abord, les coefficients polynomiaux sont résolus en utilisant les valeurs de couleur des points de la grille de sous-espace (RGB, CIELab), puis les valeurs de couleur des points à convertir dans l'espace cible sont obtenues en fonction des coefficients obtenus.


2. Étapes de mise en œuvre

2.1 Créer une table de recherche

Tout d'abord, cet article effectue 8 niveaux de partitionnement uniforme sur l'espace RVB pour obtenir 512 points de modélisation (segmentation à n niveaux, il y a n3 points de modélisation), c'est-à-dire un échantillonnage à espacement égal sur les canaux R, V et B, respectivement. L'espacement est de 36 et les points d'échantillonnage sont respectivement 0, 36, 72, 108, 144, 180, 216, 255, comme indiqué à la sous-figure (a) de la figure 3. Deuxièmement, afin de mieux vérifier l'erreur du modèle, il est nécessaire d’éliminer l’apparition d’autres erreurs, telles que l’erreur de mesure des données expérimentales. Par conséquent, cet article n'utilise pas l'instrument de mesure pour lire les données expérimentales, mais obtient directement les valeurs RVB de 512 points de modélisation et les valeurs CIELab correspondantes dans le panneau Photoshop de Photoshop.


(a) division uniforme de l'espace RVB sur 8 niveaux (b) 8 points de grille du sous-espace

Figure 3 Division uniforme de l'espace RVB sur 8 niveaux et des 8 points de grille de son sous-espace


2.2 recherche de sous-espace

Comme l'espace source a été divisé en 8 niveaux, 343 sous-espaces sont formés (division à n niveaux, il y a (n-1) 3 sous-espaces), comme indiqué dans le sous-graphe (a) de la Fig. Pour qu'un point de couleur soit converti, s'il s'agit d'un point de modélisation, la valeur CIELab correspondante est directement générée en fonction de la table de consultation. S'il s'agit d'un point de non-modélisation, utilisez sa valeur RVB pour trouver le sous-espace dans lequel le point est situé dans l'espace tridimensionnel RVB, comme indiqué dans la sous-image (b) de la figure 3, puis extrayez le RVB de les 8 points de grille du sous-espace. Et la valeur CIELab, prête à faire la régression polynomiale, résout les coefficients polynomiaux.


Par exemple, pour qu'une valeur RVB (33, 144, 200) soit convertie (le point est un point non modélisable), les valeurs RVB des 8 points de la grille dans le sous-espace sont (0, 108, 180). 0,108,216) (0,144,180), (0,144,216), (36,108,180), (36,108,216), (36,144,216). Étant donné que ces points de la grille sont des points de modélisation, les valeurs CIELab correspondantes peuvent être trouvées dans la table de recherche. Après avoir déterminé les valeurs RVB et CIELab de ces points de la grille en consultant le tableau, vous pouvez vous préparer à la prochaine étape de résolution des coefficients polynomiaux correspondant à ce sous-espace, et chaque sous-espace possède un coefficient polynomial correspondant unique.


2.3 Trouver le coefficient polynomial du sous-espace

La régression polynomiale nécessite que le nombre d'éléments soit inférieur au nombre de points de modélisation. Lors de la résolution des coefficients du sous-espace, étant donné que seuls 8 points de grille du sous-espace sont utilisés comme points de modélisation, seuls 7 polynômes peuvent être utilisés, comme indiqué dans les équations (1), (2) et (3).


Où: R, V, B, L, A, B sont les valeurs R, G, B, L, a, b des points de la grille de sous-espace; respectivement, et les polynômes correspondant aux valeurs L, a, b respectivement du coefficient.


Par exemple, dans le processus de solution, les valeurs RGB et L des premier à huitième points de la grille du sous-espace doivent être substituées dans l'équation (1), et huit équations peuvent être obtenues, lesquelles sont ensuite obtenues par élimination gaussienne. De même, les valeurs RVB, une valeur, RVB et b des huit points de la grille sont substituées dans les équations (2) et (3), respectivement, et la somme peut être obtenue. Par exemple, pour un point de couleur avec une valeur RVB de (33, 44, 200), le coefficient polynomial correspondant au sous-espace dans lequel il se trouve est celui présenté dans les équations (4), (5) et (6).


2.4 rechercher la valeur de CIELab

Après avoir obtenu et ensuite, les valeurs RVB des points de couleur sont substituées dans les équations (1), (2) et (3), et la valeur CIELab du point est résolue. Par exemple, la valeur RVB est également le point de couleur de (33, 44, 200) et R = 33, G = 44 et B = 200 sont séquentiellement substitués dans l'équation (4), l'équation (5) et l'équation. (6) si le coefficient est connu. , vous pouvez trouver L = 56, A = -15, B = -38, respectivement, pour obtenir la conversion d’espace RVB vers CIELab.


Deuxièmement, les résultats expérimentaux et l'analyse


1. Test de précision

Dans cet article, l'espace colorimétrique RVB est divisé en six niveaux pour obtenir 216 points de test. Les valeurs RVB de ces points de couleur et les valeurs CIELab correspondantes sont également obtenues dans Photoshop. Les données sont ensuite utilisées pour vérifier la précision du modèle.


2. Analyse des résultats

Dans le processus de vérification de la précision du modèle, le présent document utilise également la méthode de régression polynomiale (20 éléments) pour la comparer. Les résultats expérimentaux sont présentés dans le tableau 1. Il est évident que la méthode polynomiale locale est bien meilleure que la méthode de régression polynomiale (20 éléments), quelles que soient la différence de couleur maximale, l’erreur minimale et l’erreur moyenne de la conversion.

Tableau 1 Comparaison des résultats expérimentaux des deux méthodes


En outre, les figures 4 et 5 illustrent la distribution des erreurs des deux méthodes. Pour les 216 points de test, la méthode polynomiale locale est utilisée. Le nombre d'erreurs entre 0 et 1 est d'environ 150, ce qui correspond à près de 70%. La plupart des erreurs se situent entre 0 et 2. Si une régression polynomiale est utilisée (20 éléments), l'erreur est principalement répartie entre 1 et 5, et a petit nombre de points sont répartis entre 7 et 9, et la distribution n'est pas idéale. Par conséquent, la méthode polynomiale locale est une méthode avec une précision de conversion élevée.


Troisièmement, la conclusion


Dans cet article, la conversion d'espace colorimétrique RVB vers CIELab est implémentée par la méthode polynomiale locale et comparée à la méthode de régression polynomiale (20 éléments). Les résultats expérimentaux montrent que la méthode polynomiale locale est une méthode de conversion extrêmement précise et supérieure à la méthode de régression polynomiale (20 items). En même temps, si la précision de la conversion est encore améliorée et la distribution des erreurs est améliorée, les données de modélisation peuvent être divisées par 8 ou plus, ou non uniformément divisées, ou une fonction non linéaire peut être introduite dans le polynôme pour mieux approcher la deux couleurs Une relation non linéaire entre les espaces.

Envoyez demande