Uuring RGB-i kohta CIELab värviruumi konversioonide algoritmile, mis põhineb kohalikul polünoomi meetodil
Meil on suur trükikoda Shenzhen Hiinas. Pakume kõiki raamatuid, raamatu trükkimist kõvas köites, paberkandjal printimist, paberkandjal printimist, paberkandjal printimist, prügikonteksti printimist, sepistamisraamatu trükkimist, brošüüri trükkimist, pakendikarpi, kalendreid, igasuguseid PVC-e, tootevoldikuid, märkmeid, lasteraamatuid, kleebiseid, kõiki eri tüüpi paberi värviprintimise tooted, mängukaart ja nii edasi.
Lisateabe saamiseks külastage palun
http://www.joyful-printing.com. Ainult ENG
http://www.joyful-printing.net
http://www.joyful-printing.org
email: info@joyful-printing.net
Värvide reprodutseerimine ja reprodutseerimine sõltuvad mitmesugustest riistvaraseadetest, näiteks monitoridest, printeritest jms, kuid nende riistvaraseadmete omadused ei pruugi olla identsed, nii et isegi sama tüüpi seadmete jaoks, kui sama värvi väärtus (näiteks RGB, CMYK) on sisend, selle kuva või trükkimise mõju on isegi ebaühtlane, isegi üksteisest kaugel. Erinevate riistvaraseadmete värvide reprodutseerimise järjepidevuse saavutamiseks on ilmnenud seadme sõltumatu ruumilise värvide haldamise tehnoloogiad. Nagu on näidatud joonisel 1, teisendatakse seadmega seotud ruum (näiteks RGB, CMY) seadme sõltumatuks ruumiks (näiteks CIELab) ja seejärel seadme sõltumatu ruum konverteeritakse seadmele seotud ruumi. Seetõttu on värvihaldustehnoloogia põhisisaldus värviruumi teisendamine. Traditsioonilised matemaatilised meetodid, nagu interpoleerimine ja polünoomi regressioon, on praktikas laialt levinud ja saavutanud häid tulemusi. Selles dokumendis kasutatakse ülaltoodud kahest meetodist erinevat kohalikku polünoomi meetodit, et realiseerida konversioon RGBst CIELab värviruumi ja võrreldes polünoomi regressioonimeetodiga (20 kirjet). Katsetulemused näitavad, et mudelil on suur konversioonitäpsus ja see võib anda viite teaduslikele uuringutele.
Esiteks põhineb kohalikul polünoomi RGB-il CIELab värviruumi teisendamise algoritmil
1. Algoritmide põhimõte
Joonise 2 alamgraafis (a) on RGB ruumis 512 punkti, mis on korralikult paigutatud suureks kuubiks. Kuid kui CIELab väärtused, mis vastavad nendele punktidele, saadakse Photoshopi tarkvaras ja kuvatakse CIELab ruumis, nagu on näidatud joonise 2 alapildis (b), siis punktide jaotus ei ole suur kuubik, vaid ebaregulaarne kuju. . Seetõttu on RGB ja CIELab ruumi vahel mittelineaarne suhe.
(a) RGB ruum (b) CIELab ruum
Nende kahe mittelineaarse suhte ühtlustamiseks kasutatakse käesolevas dokumendis kohalikku polünoomi meetodit. Seda iseloomustab alamruumi jagamine, st suure värviruumi jagamine mitmeks alamvärviks ning seejärel alamvärvides ruumi värviruumi muundamise polünoomi regressioon. Traditsiooniline polünoomi regressioonimeetod on otseselt suured värviruumidesse teisendamine, mis põhjustab suuri vigu mõnes ruumi mõnes piirkonnas, kuna mõne piirkonna mittelineaarne suhe on nii ilmne, et seda on raske globaalse meetodiga lähendada. Seega, kui algset värviruumi jagatakse kõigepealt, kasutatakse alamruumis polünoomi regressiooni meetodit ruumilise teisenduse realiseerimiseks, mis võib paremini kahe värviruumi vahelist mittelineaarset suhet ja konversiooni täpsust parandada.
Kohaliku polünoomi meetodit saab jagada kahte etappi: esiteks, allikas värviruumi tuleb segmentida, saadakse modelleerimispunktid ja luuakse otsingu tabel. Kui segmentimise tase on suurem, seda väiksem jagatud alampiirkonna maht, seda suurem on konversioonide täpsus, kuid samal ajal suureneb arvutus. Teiseks kasutatakse ruumilise transformatsiooni mõistmiseks alamruumis polünoomi regressiooni meetodit. Esiteks lahendatakse polünoomi koefitsiendid, kasutades alamruumi punktivärskenduste värviväärtusi (RGB, CIELab), ja seejärel saadakse saadud koefitsientide alusel eesmärgipärasesse asukohta konverteeritavate punktide värviväärtused.
2. Rakendamise etappid
2.1 Loo otsingutabel
Esiteks, selles paberil on RGB-ruumis 8 taseme ühtlast jaotust, et saada 512 modelleerimispunkti (n-taseme segmenteerimine, seal on n3 modelleerimispunkti), see tähendab, et vastavalt on R, G, B kanalid võrdselt paigutatud proovid. Vahekoht on 36 ja proovivõtukohad on vastavalt joonise fig 3 alapunkti (a) kohased 0, 36, 72, 108, 144, 180, 216, 255. Teiseks, vea paremaks kontrollimiseks mudelist on vaja kõrvaldada muude vigade esinemine, näiteks katseandmete mõõtmisviga. Seetõttu ei kasuta käesolev artikkel eksperimendiandmete lugemiseks mõõtevahendit, vaid otseselt omandab Photoshop'i Photoshopi paneelil otseselt 512 modelleerimispunkti RGB väärtusi ja vastavaid CIELab väärtusi.
(a) RGB ruumi 8 taseme ühtlane jaotus (b) 8 alamruumi võrgupunkti
Joonis 3 RGB ruumi 8-astmeline ühtlane jaotamine ja selle alamruumi 8 võrgupunkti
2.2 allruumi otsimine
Kuna allika ruum on jaotatud kaheksast tasemest, moodustatakse 343 alamruumi (n-tasandi jaotus (n-1) 3 alamruumides), nagu on näidatud joonisel fig. Kui värvipunkt on teisendatav, kui punkt on modelleerimispunkt, vastab vastav CIELab väärtus väljundi tabeli kohaselt. Kui see ei ole modelleerimispunkt, kasutage selle RGB väärtust, et leida alamruum, milles punkt paikneb RGB kolmemõõtmelises ruumis, nagu on näidatud joonise 3 alapildis (b), ja seejärel ekstrakti RGB alamruumi 8 võrgupunkti. Ja CIELabi väärtus, mis on valmis polünomiaalseks regressiooniks, lahendab polünoomi koefitsiente.
Näiteks RGB väärtuseks (33, 144, 200), mida tuleb teisendada (punkt on mittemoduleerimispunkt), on alamruumides 8 võrgupunkti RGB väärtused (0, 108, 180). 0,108,216) (0,144,180), (0,144,216), (36,108,180), (36,108,216), (36,144,216). Kuna need võrgupunktid on modelleerimispunktid, siis vastavad CIELab väärtused on toodud otsingu tabelis. Pärast nende võrgupunktide RGB ja CIELab väärtuste määramist, vaadates üles tabelit, saate ette valmistada järgnevaks sammuks, et lahendada sellele alamruumile vastavad polünoomi koefitsiendid, ja igal alamruumis on kordumatu vastav polünoomi koefitsient.
2.3. Leia alamruumi polünoomi koefitsient
Polünoomia regressioon eeldab, et objektide arv peaks olema väiksem kui modelleerimispunktide arv. Alamruumi koefitsientide lahendamisel, kuna modelleerimispunktidena kasutatakse ainult 8 võrgupunkti, saab kasutada ainult 7 polünoomi, nagu on näidatud võrrandites (1), (2) ja (3).
Kus: R, G, B, L, A, B on alamruumi punktide R, G, B, L, a, b väärtused; ning polünoomid, mis vastavad L, a, b väärtustele vastavalt koefitsiendile.
Näiteks lahendusprotsessis tuleks alamruumi esimese kuni kaheksanda võrgupunkti RGB ja L väärtused asendada võrrandiga (1) ja saadakse kaheksa võrrandit, mis seejärel saadakse Gaussi kõrvaldamise teel. Sarnaselt on kahe võrguelemendi RGB, väärtuse, RGB ja b väärtused asuvad vastavalt võrrandites (2) ja (3) ning summat saab saada. Näiteks värvipunkt, mille RGB väärtus on (33, 44, 200), on võrrandites (4), (5) ja (6) näidatud alamruumile vastav polünoomi koefitsient, milles see asub.
2.4 CIELab väärtuse otsimine
Pärast pildistamist ja seejärel värviribade RGB väärtused asendatakse võrranditega (1), (2) ja (3) ja punkti CIELab väärtus on lahendatud. Näiteks RGB väärtus on ka (33, 44, 200) ja R = 33, G = 44 ja B = 200 värvipunkt on võrrandis (4) järjestikku asendatud, võrrand (5) ja võrrand (6) kus koefitsient on teada. , võite leida vastavalt L = 56, A = -15, B = -38, et saavutada RGB CIELab ruumi muundamiseks.
Teiseks katsetulemused ja analüüs
1. Täpsuskatse
Selles töös jagatakse RGB värviruum kuue tasemeni, et saada 216 testipunkti. Nende värvipunktide RGB väärtused ja vastavad CIELab väärtused saadakse ka Photoshopis ja siis kasutatakse andmeid mudeli täpsuse kontrollimiseks.
2. Tulemuste analüüs
Mudel mudeli täpsuse kontrollimisel kasutab seda paberit ka polünoomi regressioonimeetodi (20 kirjet). Eksperimentaalsed tulemused on toodud tabelis 1. Ilmselgelt on kohaliku polünoomi meetod palju parem kui polünoomi regressioonimeetod (20 kirjet), sõltumata maksimaalsest värvuse erinevusest, minimaalsest veast ja keskmisest veast.
Tabel 1 Kahe meetodi katsetulemuste võrdlus
Lisaks on kahe meetodi vea jaotamine näidatud joonisel 4 ja joonisel 5. 216 testipunkti jaoks kasutatakse kohalikku polünoomi meetodit. Vigade arv vahemikus 0 kuni 1 on umbes 150, mis on ligi 70% ja enamik vigu on vahemikus 0 ja 2. Kui kasutatakse polünoomi regressiooni (20 kirjet), viga jaguneb peamiselt 1 ja 5 vahel ning väike arv punkte jagatakse 7-9 ja jaotamine ei ole ideaalne. Seetõttu on kohaliku polünoomi meetod kõrge konversioonitäpsusega meetod.
Kolmandaks, järeldus
Selles töös rakendatakse RGB-i CIELab värviruumi konversioon kohaliku polünoomi meetodi abil ja võrreldakse polünoomi regressioonimeetodiga (20 kirjet). Katsetulemused näitavad, et kohaliku polünoomi meetod on väga täpne konversioonimeetod ja on polünoomi regressiooni meetodist parem (20 kirjet). Samal ajal, kui konversioonitäpsus on veelgi paranenud ja vigade levitamine paraneb paremini, saab modelleerimisandmeid jagada kaheksate või enama või ebavõrdselt jagatud või mitmemõõtmelist funktsiooni saab polünoomi sisse viia, et paremini ühtlustada kaks värvi. Ruumi mittelineaarne suhe.