[发明专利]印刷品原色油墨光谱预测方法

权利要求书

1.一种印刷品原色油墨光谱预测方法，其特征在于，包括：

获取印刷品光谱数据；

将所述印刷品光谱数据转换成线性空间中的目标光谱数据；

根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目；

根据所述目标光谱数据和所述印刷品原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：根据所述印刷品光谱数据建立所述线性空间。

3.如权利要求2所述的方法，其特征在于，所述根据所述印刷品光谱数据建立所述线性空间包括：

建立光谱反射率空间到所述线性空间的转换模型；

将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值；

根据所述印刷品光谱数据、所述转换模型和所述线性程度指数目标值建立所述线性空间。

4.如权利要求3所述的方法，其特征在于，所述转换模型为：

Ф＝R_纸^1/n-R_测^1/n，其中，所述n表示线性程度指数且n≥2，Ф表示所述线性空间，R_纸表示印刷品纸张的光谱反射率空间，R_测表示印刷品油墨区的光谱反射率空间。

5.如权利要求3所述的方法，其特征在于，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值的步骤中，所述约束条件包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。

6.如权利要求3所述的方法，其特征在于，在将所述印刷品光谱数据和线性程度指数初始值代入所述转换模型，根据有约束条件的非负矩阵分解算法和优化算法，得到满足指定误差要求的线性程度指数目标值的步骤中，所述有约束条件的非负矩阵分解算法使用以下表达式：

Ψ＝Σa_i*y_i；0<a_i<1；0<y_i<1；Σy_i＝1；

其中Ψ表示预测线性空间，a_i表示所述预测线性空间中的第i个基向量，y_i表示浓度系数。

7.如权利要求6所述的方法，其特征在于，所述指定误差要求为：所述线性空间和所述预测线性空间的差值的二范数平方的最小值收敛。

8.如权利要求1所述的方法，其特征在于，所述根据所述目标光谱数据，在所述线性空间中利用主成分分析法预测印刷品原色油墨数目包括：

在所述线性空间中，将满足累计贡献率和增长速度要求的基向量数目作为所述印刷品原色油墨数目。

9.如权利要求8所述的方法，其特征在于，所述累计贡献率和增长速度要求为所述累计贡献率大于99.9％且所述增长速度小于0.02％。

10.如权利要求1所述的方法，其特征在于，在根据所述目标光谱数据和所述印刷品原色油墨数目，在所述线性空间利用有约束条件的非负矩阵分解算法预测印刷品原色油墨光谱的步骤中，所述约束条件包括：基向量和浓度系数的非负约束和浓度系数的加和为1约束。