[发明专利]一种基于光源筛选的光谱重建方法

说明书

本发明提供了一种基于光源筛选的光谱重建方法，其特征在于，包括以下步骤：根据不同参考光源的光谱功率分布特点，利用光谱匹配方法获得筛选光源；然后在筛选光源下通过数字成像设备获得训练样本集和测试样本的多光源色度值；接着充分考虑测试样本的特征，选择一定数量与测试样本空间结构相近的训练样本进行局部样本加权，最后通过线性模型法计算得到测试样本的光谱反射率。因此，本发明提供了一种筛选参考光源、考虑局部样本加权策略的多光源光谱重建方法，计算简单，光谱重建精度高，并且相对用户使用而言也较为方便。

技术领域

本发明涉及一种光谱重建方法，具体涉及到一种基于光源筛选的多光源光谱重建方法，可广泛应用于远程医疗、纺织颜色、印刷检测、艺术品复制及电子商务等领域。

背景技术

物体的光谱反射率被称为物体“指纹”，它能够准确地预测物体在任何环境和观察条件下物体颜色外貌。通过物体的光谱反射率最准确地和最有效地展示物体颜色信息是非常有必要的，这是因为在远程医疗、印刷检测、艺术品复制以及电子商务等领域对颜色再现要求非常高。正常来说，分光光度计和多光谱相机可以直接测量物体表面的光谱反射率；但是这些设备的便携性、复杂性和价格性都限制其自身的可用性。而最常用地色度值则可以很容易地通过数码相机、手机和色度计测量。

色度值如RGB值或CIE XYZ值，仅是通过三通道记录固定观察条件下的物体颜色信息。在许多场景下这样表达颜色信息是远远不够的，这是因为颜色信息严重依赖于光源光谱。因此色度值一直随着光源的不同而显著地改变。尽管色度值通过物体光谱反射率唯一计算得到，但是通过色度值计算得到物体光谱反射率是欠定方程问题。许多不同的光谱重建计算方法现已得到广泛地应用，例如伪逆法(PI)、主成分分析法(PCA)、R矩阵法、非负矩阵分解(NNMF)、模拟退火法、压缩感知法、单纯形方法等。在所有这些方法，伪逆法是光谱重建方法中最简单和最直接的光谱重建方法，能够从本质上反映色度信息和物体光谱反射率之间的对应关系，所以在光谱重建方法中得到了广泛地应用。

事实上，通过一组在固定光源环境下的色度值被限制到三维信息进行光谱重建，这样会导致出现相对较大地光谱重建误差。基于多光源的光谱重建方法已经引起了一些研究者的广泛地重视。Schettini等人在基向量和基数确定的前提下在一个或多个光源环境下基于神经网络的方法计算光谱重建。Abed等人提出了在D65光源和A光源环境下使用插值策略的查找表法进行光谱重建。Harifi等人首先应用非线性回归法去增加一组色度值，然后通过六维特征向量计算光谱重建。Amiri等人通过已知CIE XYZ值计算得到其它光源下的CIE XYZ值，这时分别应用PCA或NNMF计算六维色度值下的光谱重建。Zhang等人最先通过相机响应值预测不同光源下的CIE XYZ值，这时使用PI重建出光谱反射率。光谱重建精确程度受到选择参考光源(Reference Illuminants)(例如A光源和D65光源)的数量和类型的影响。对于参考光源的数量，理论上来说增加参考光源的数量，光谱重建精度会增加；但是对于获取色度值的设备来说，增加额外的色度值将会不容易获取。同时，根据RaimondoSchettini和Silvia Zuffi的结论，在三个光源情况下光谱重建精度并不比在两个光源情况下光谱重建精度提高多少。对于参考光源的类型，参考光源的类型选择光谱功率分布(Spectral Power Distributions)连续且光滑，没有刺状辐射(Spiky Radiance)。正如Zhang等人之前讨论的，一种趋势被观察到，当两个光源的光谱功率分布曲线越相似，光谱重建精度越低；该假设缺少一个明确地数学解释来证实。

上述光谱重建方法都是建立在预先确定好的参考光源下，并在多光源光谱重建过程中公平地对待每一个训练样本。

发明内容

本发明为了弥补现有技术的缺陷，提供了一种重建精度高、计算简单、筛选参考光源、考虑局部样本加权策略的多光源光谱重建方法。

本发明是通过如下技术方案实现的：

一种基于光源筛选的光谱重建方法，其特征是，包括以下步骤：