人工神经网络在CRT色空间变换的应用-佳工网




人工神经网络在CRT色空间变换的应用
西安理工大学胡涛汪鑫张志刚

为节省流量，手机版未显示文章中的图片，请点击此处浏览网页版

摘　要：提出一种基于人工神经网络的色空间变换方法。该方法利用神经网络的非线性变换的特点，他既解决了RGB色彩空间到CIELAB色彩空间的非线性变换，又可用于其他的色彩空间转换。并对网络的学习，变换的色差进行了分析。如果采用硬件的神经网络，有望实现实时变换。关键词：BP神经网络；CRT色度；颜色空间变换；非线性变换 Application of Artificial Neural Network in CRT Color Space Conversion HU Tao，WANG Xin，ZHANG Zhigang (Xi'an University of Technology, Xi′an，710048，China) Abstract：Color space conversion method based on Artificial N eural Network(ANN) is proposed It takes advantage of the nonlinear conve rsion in ANN,which not only can be applied to the nonlinear conversion from RGB color space to CIELAB color spa ce but also can be applied to complete conversion between other two different co lor spacesAnd according to learn of networks and transforming color difference The realtime conversion can be made if use hardware network Keywords：BP neural networks； CRT colorimetry； color space conversion; nonlinear conversion 人工神经网络（Artificial Neural Networks）是人类探索模仿神经系统信息处理智能装置的一个相当重要的领域。由于他具有信息的分布存储、并行处理以及自学习等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是误差反向传播神经网络（BP网络），可以以任意精度逼近任意连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。计算机控制的CRT色度空间变换是实现显示器色彩管理的一个重要步骤，他主要是指CRT的R，G，B色彩空间和CIE（国际照明委员会）L，A，B色彩空间之间的转换，即将显示器测量到的颜色数据从设备依赖色空间转换到与设备无关色空间。由于BP网络具有模糊性、高速并行处理（硬件）和非线性映射等特点，与色空间转换过程的特点相吻合。因此，采用BP网络作为RGB→CIELab变换的网络模型。 1实验 1.1设备 CRT屏幕色度测量装置：X-rite Color Monitor Optimizer；CRT型号为：NESO FD77 0A 17英寸；计算机型号为Pentium Ⅲ/1.2 G；BP仿真软件编程环境为Matlab 6.1；R，G，B样本取值分别为：0,26,52,78,104,130,156,182,208,234,255；共有113=1 331个样本。测试色块在CIELAB空间均匀随机的取值，个数为300个。 1.2原理 CRT输入输出色度之间的关系较为复杂，很难用传统的数学方法建立。但是无论情况多么复杂，总可以用函数关系来表达CRT的色度控制关系：（图片）如此复杂的一个四维空间函数，对现有的人工神经网络方法来说却是很容易实现。神经网络理论认为，一个具有适当隐层结构的多层感知网可实现任意空间之间的非线性映射。下边用BP神经网络来承担CRT色空间变换控制功能，实验原理如图1所示。（图片）选定一系列CRT驱动值作为神经网络的输入样本，再用CRT屏幕色度测量仪，测量这些驱动值在CRT上的显示色度值，使其作为神经网络的教师值来进行网络的训练。网络的输入层和输出层分别有3个神经元，对应3个输入色度值R，G，B和3个显示值L，a，b。网络中间层的层数和神经元具体数目是可变的。 2网络的对比训练及结果分析网络的最终目的是实现RGB→CIELab的精确转换。转换精度通过1 631个色块的色差ΔE*ab来评价，包括1 331个建模色块和300个检测色块。每个色块的色差定义为：（图片）为了在色空间转换后得到最小的色差，分别在9种不同的条件下对网络结构进行训练。网络结构从3层(3-8-3)到5层(3-20-20-20-3)，在变换隐层数目的同时还要变换神经元的数目。用不同网络结构得到的建模色块和检测色块的色差分别填入表1。（图片）实验表明，在训练样本取1 331个的情况下，测试色块的平均色差控制精度达到了2～4，属于小色差范围。从1号（3-8-3），4号（3-10-10-3）和7号（3-10-10-10-3）神经网络的训练结果可以看出，样本点的训练并不是网络层数越多越好。从5号（3-15-15-3）和6号（3-20-20-3）神经网络的训练结果可以看出，对于层数相同的网络，并不是神经元的数目越多结果越精确。从图2看出，检测色块的平均色差并不是严格与建模色块的平均色差一致。例如,8号（3-15-15-15-3）神经网络比9号（3-20-20-20-3）神经网络训练得到的建模色块的平均色差大，但是8号神经网络的检测色块的平均色差却比9号小，5号和9号也是如此。如何选择BP网络的层数和神经元的数目，以使色空间转换后，得到最小的建模色差和检测色差，要根据具体的条件，如允许训练的时间和要求达到的最小色差，通过不断的训练取一个适当的值。对本次实验来说，训练得到最为满意的结果5号（3-15-15-3）神经网络，其建模色块的平均色差为0.852 1，检测色块的平均色差为2.4588。（图片） 3结语由于神经网络具有自学习、自组织、自适应能力，有很强的容错能力以及高度的非线性表达能力,并能有效地解决许多实际问题,特别符合颜色空间变换和彩色图像处理的特点，因此得到广泛的研究。实验结果表明，本文基于人工神经网络的CRT色空间变换方法达到了传统色空间变换的较好水平。由于条件限制，目前使用的BP神经网络是计算机软件模拟的。如使用硬件神经网络，有望实现实时转换。参考文献［1］闻新,周露,王丹力,等.MATLAB神经网络应用设计［M］.上海：科学出版社，2000 ［2］胡涛,张二虎,王歆平.计算机的色彩管理研究［J］.计算机工程与应用，2002 ［3］王敬平,赵达尊,朱正芳.计算机控制的CRT色度预测［J］.北京理工大学学报，1996 ［4］Berns R S, Motta R J, Gorzynski M E. CRT Colorimetry. Part I: Theory and Practice, Color Research & Application1993，18：299-314 ［5］Alman D H, Ningfang Liao.Overtraining in Backpropagation Neural Networks: A CRT Color Calibration Example. Color Research & Application,2002,27(2):122-125 8/1/2005


电脑版	客户端	关于我们
佳工机电网 - 机电行业首选网站