基于人工神经网络的CCD数码相机颜色特征化

    0 引 言

    随着数字技术的发展,以电荷耦合器件(charge coupleddevice,CCD)为光敏元件的彩色信息采集装置已在彩色复制、机器视觉等领域中发挥作用,而数码相机是获取彩色图像的有效工具。然而,数码相机产生的RGB(红、绿、蓝)信号是依赖于设备的,不同的数码相机所使用的传感器,其光谱响应差别很大,其输出的RGB值与CIE标准色度观察者光谱三刺激值之间存在某种非线性关系,其非线性特征和复杂程度直接与设备的技术性能相关。只有在特定的色彩工作状态下,数码相机的色彩控制值与其视觉色度值存在着一种对应关系;当数码相机偏离这个特定工作状态时,原色彩对应关系不再成立。因此,有必要建立数码相机输出的RGB信号值与不依赖于设备的颜色空间CIEXYZ的转换关系,以进行颜色传递和精确使用。将设备色彩值与CIE色度值(例如:XYZ)建立对应关系的过程称为设备的特征化[1]。在彩色视觉检测系统中, CCD作为彩色视觉传感器,其特征化将彩色信息客观化,数字化,更加有利于利用颜色信息进行特征提取,提高测量精度。常用的技术方法有基于最小二乘法的多项式回归技术[2]、三维查找表与插值技术(3D-LUT)[3]及神经网络技术[4]。

    针对数码相机的性能特点,本文确定了BP神经网络特征化技术方法,以NIKON D200为实验对象,对基于BP神经网络技术的性能特点与实验精度进行了比较和说明。

    1 特征化原理

    数码相机特征化方法通常分为基于光谱灵敏度的方法和基于色标的方法。基于光谱灵敏度的特征化方法,需要使用专用仪器测量相机的光谱灵敏度,从而找到相机的光谱灵敏度和CIE颜色匹配函数之间的关系,建立RGB到XYZ间的转换关系。基于色标的特征化方法的基本思想是使一定数量的参考色标,分别使用数码相机和光谱计测得其RGB值和相应的XYZ值[2],利用基于最小二乘法的多项式回归技术、三维查找表与插值技术及神经网络技术建立RGB到XYZ的转换关系。

    1.1 BP网络结构

    BP神经网络通常是指基于误差反向传播(back propa-gation,BP)算法的多层前向神经网络[5]。文本采用的是三层与四层的BP网络,本实验应用的是由RGByXYZ的网络结构,如图1所示。

    1.2 CIELAB色差公式

    国际照明委员会推荐使用的CIELAB色差公式中,L*代表眀度,a*代表色度从绿色(-a*)到红色(+a*), b*代表色度从蓝色(-b*)到黄色(+b*)。本文中,XYZ的拟合误差所产生的视觉色差以D65下CIELAB均匀色空间的色差$E表示

    1.3 CIEXYZ与CIELAB的转换