统计学习在色彩校正和色彩恒常中的应用

论文摘要

色彩管理技术是解决不同成像设备之间色彩再现不一致的一种技术,力求实现色彩“所见即所得”的终极目标,已经广泛应用于印刷、纺织和多媒体等领域。作为色彩管理的一项核心技术,色彩校正的主要任务是补偿因外设非理想特性产生的色偏,在色彩管理系统中往往是和色彩转换结合起来,其效果直接影响色彩再现的精确性,因而一直是国内外研究的热点问题。近几年来,考虑到光照等环境影响,色彩恒常也已成为未来色彩管理和实际需求迫切需要解决的一项重点技术。色彩恒常的目的是在不同光照环境下保持对色彩的不变描述,这对计算机视觉中物体识别和基于内容的图像检索等应用至关重要。色彩校正和色彩恒常通常借助彩色样本集来描述、获取某种色彩特性,并将问题归结为不同色彩空间之间的映射关系。然而,作为研究样本集特征和关系描述的一种有力工具,统计学习技术当前还未深入涉及到这一领域。为此,本文主要研究了统计学习技术在色彩校正和色彩恒常中的应用问题。结合色彩校正算法的传统分类,本文按照校正机理的不同并依据统计学习概念将算法分为四类,即,三维插值、邻域回归、稀疏贝叶斯学习及计算智能,重点讨论了不同校正机理下的技术瓶颈及相应解决方案,强调了方案的精度和速度效果。在色彩恒常中,结合目前国内外研究现状及课题的整体部署,主要讨论了色彩恒常的实现过程,并分别提出了相应的光源估计算法和监督色彩恒常算法。在三维插值类中,主要解决了当前流行插值算法的几何体定位难题并提出了一种新的高精度插值算法。首先提出了两种基于四面体插值校正的加速算法。第一种算法为基于历史的局部搜索法,主要借助数据相关性,根据上次插值数据的邻域来查找此次的数据。第二种算法为利用辅助表的快速定位法,采用了粗略定位和精确定位的两步定位法。两种算法均能促进三维查找表数据的快速生成。此外,针对色域匹配的不同渲染目的,提出了再加速策略,以减小对应不同渲染目的三种查找表数据的生成时间,实验证实了策略的有效性。最后提出了基于改进最大模糊熵的线性插值算法。该算法定义了新的插值范围,采用模糊熵形式确定插值系数。算法无需定位几何体,其校正精度优于目前的三维插值算法。在邻域回归类中,针对当前回归类算法的技术缺陷,提出了邻域回归校正概念,并提出了两种不同的邻域回归算法。邻域回归算法深化了分区思想,克服了分区回归存在的缺点。第一种算法为基于结构风险最小化和全最小二乘法的邻域回归算法,结构风险化原则贴近了真实风险并减小了模型复杂度,而全最小二乘法考虑到了输入输出数据的噪声。第二种算法为基于提升的核偏最小二乘回归算法,核函数将源色彩空间数据映射到一个高维空间,偏最小二乘回归提取了主成分,而提升技术进一步提高了精度。此外,还讨论了邻域的加速确定和范围问题。在稀疏贝叶斯学习类中,以当前稀疏核工具的应用利弊分析为基础,提出了采用基于贝叶斯法则的稀疏核工具—相关向量机的校正方案,并提出了多种有效的改进措施。该类算法采用了统计学习中最新的实效技术,在以往的色彩校正研究中从未出现过,且取得了满意的校正效果。算法集成了多个核函数以提供一组完备基或超完备基。为了减小算法的训练时间,首先采用保局投影来约简多核输入矩阵的列维数,其次采用相关向量的预提取技术和分布式结构来进一步减小训练时间。其中,完备基主要通过尺度核函数及小波核函数实现,超完备基则使用到了现存的多种核函数。相关向量的预提取技术主要通过分层采样和聚类来实现。算法在校正精度上优于支持向量机和相关向量机,且训练时间小于相关向量机。在计算智能类中,首先分析了当前模糊逻辑和神经网络应用于校正的实际困难,然后提出了相应的措施以解决两者的内部结构确定难题,最后给出了遗传算法在色彩校正中的应用可能。首先提出了基于KPCA和ANFIS的校正算法,KPCA作为数据的预处理器,ANFIS自动化了If-then规则。实验表明了算法在精度上的优越性。随后构建了一种新的集成神经网络的校正模型,该模型解决了单个网络中的结构确定难题,通过集成多个简单的神经网络提高了模型的泛化能力,其校正精度高于单个网络和Bagging集成模型。最后,构建了基于遗传算法的简易提升校正模型,选择算子挑选比较“难”学习的样本组成下次训练样本集,基于ANFIS的例子表明了模型有效性。在色彩恒常的实现中,结合前沿研究和实用目的,提出了基于自适应约简相关向量机的光源色度估计算法以及基于薄板样条和最小一乘法的监督色彩恒常算法。前者采用自适应混合核函数来提高精度,利用改进的保局投影来减小训练时间;为估计光源色度,采用色度直方图的模糊中心和相应光源值训练算法。后者通过放置监督色板来描述光源转换关系,然后采用薄板样条映射光照数据,再在约简后的映射数据上应用最小一乘法捕获转化关系。基于真实图像的实验表明了两种算法的优越性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 色彩校正和色彩恒常的研究背景和意义
• 1.2 国内外研究现状
• 1.2.1 色彩校正的国内外研究现状
• 1.2.2 色彩恒常的国内外研究现状
• 1.2.3 统计学习的引入
• 1.3 论文研究内容及章节安排
• 1.4 小结
• 第二章 色彩理论及统计学习基础
• 2.1 色彩空间
• 2.1.1 RGB 色彩空间
• 2.1.2 CMYK 色彩空间
• 2.1.3 XYZ 色彩空间
• 2.1.4 Lab 色彩空间
• 2.1.5 误差测量方法
• 2.2 色彩校正和色彩恒常的传统算法
• 2.2.1 色彩校正的基本算法
• 2.2.1.1 多重回归
• 2.2.1.2 三维插值
• 2.2.1.3 神经网络
• 2.2.1.4 模糊逻辑
• 2.2.2 色彩恒常的基本算法
• 2.2.2.1 灰度世界模型算法
• 2.2.2.2 视网膜皮层算法
• 2.2.2.3 色域匹配算法
• 2.2.2.4 贝叶斯色彩恒常
• 2.2.2.5 神经网络色彩恒常
• 2.3 统计学习基础
• 2.3.1 基于示例的学习方法
• 2.3.2 结构风险最小化原则
• 2.3.3 计算智能
• 2.3.3.1 模糊逻辑
• 2.3.3.2 遗传算法
• 2.4 小结
• 第三章 基于三维插值的色彩校正
• 3.1 三维插值类算法的分析与问题
• 3.2 非线性三维查找表的快速查找技术
• 3.2.1 打印机Profile 数据的生成过程
• 3.2.2 ICC 规范约束下的Profile 生成
• 3.2.3 两种加速算法的原理
• 3.2.3.1 原始方法
• 3.2.3.2 基于历史的局部搜索法
• 3.2.3.3 利用辅助表的快速定位法
• 3.2.4 理论及实验结果分析
• 3.2.4.1 理论分析
• 3.2.4.2 实验分析
• 3.2.5 结论
• 3.3 结合色域匹配的再加速策略
• 3.3.1 色域匹配简介
• 3.3.2 再加速策略
• 3.3.3 实验
• 3.4 基于改进最大模糊熵的色彩校正
• 3.4.1 三维插值算法的一般化表示
• 3.4.2 基于改进最大模糊熵估计的色彩校正方法
• 3.4.2.1 最大熵原理
• 3.4.2.2 最大模糊熵算法
• 3.4.2.3 改进的最大模糊熵算法
• 3.4.2.4 LIIMFE 的优化
• 3.4.3 实验结果与分析
• 3.4.4 结论
• 3.5 小结
• 第四章 基于邻域回归的色彩校正
• 4.1 回归类算法的分析及问题
• 4.2 基于结构风险最小化和全最小二乘法的色彩校正
• 4.2.1 邻域上的结构风险最小化
• 4.2.2 全最小二乘法的经验风险
• 4.2.3 局部回归校正
• 4.2.4 实验结果与分析
• 4.2.5 结论
• 4.3 基于提升偏最小二乘法的色彩校正
• 4.3.1 特征空间
• 4.3.2 邻域上的KPLS
• 4.3.3 基于Boosting KPLS 的色彩校正过程
• 4.3.4 实验结果与分析
• 4.3.5 结论
• 4.4 加速的措施和改进的措施
• 4.4.1 加速措施：K-D 树
• 4.4.1.1 K-D 树的定义
• 4.4.1.2 K-D 树的建立
• 4.4.1.3 K-D 树的查询
• 4.4.2 邻域的改进
• 4.4.2.1 距离改进
• 4.4.2.2 邻域的选取
• 4.5 小结
• 第五章 基于稀疏贝叶斯学习的色彩校正
• 5.1 稀疏核工具校正的分析及问题
• 5.2 稀疏贝叶斯回归
• 5.2.1 贝叶斯定理
• 5.2.2 相关向量机回归
• 5.2.2.1 模型描述
• 5.2.2.2 参数推理
• 5.2.2.3 超参数优化
• 5.2.2.4 预测
• 5.3 相关向量机校正的改进措施
• 5.3.1 多核技术的引入
• 5.3.2 多核的构造：完备基与超完备基
• 5.3.2.1 完备基的构造
• 5.3.2.2 超完备基的构造
• 5.3.3 维数约简
• 5.3.4 相关向量的预提取
• 5.3.4.1 基于分层采样的预提取
• 5.3.4.2 基于聚类的预提取
• 5.3.5 分布式结构
• 5.4 实验结果及分析
• 5.4.1 算法架构及参数设定
• 5.4.2 数值实验
• 5.4.2.1 混沌时间序列预
• 5.4.2.2 波士顿住房问题
• 5.4.3 色彩校正实验
• 5.5 小结
• 第六章 基于计算智能的色彩校正
• 6.1 计算智能类方法的分析及问题
• 6.2 基于KPCA 和ANFIS 的色彩校正
• 6.2.1 ANFIS 的结构
• 6.2.2 KPCA 的应用
• ANFIS 色彩校正过程'>6.2.3 KPCA_ANFIS 色彩校正过程
• 6.2.4 实验结果及分析
• 6.2.5 结论
• 6.3 色彩校正中的神经网络集成
• 6.3.1 集成算法简介
• 6.3.2 神经网络集成理论
• 6.3.3 基于聚类的改进自助法抽样
• 6.3.4 验证集上的泛化误差
• 6.3.5 自适应选择集成
• 6.3.6 实验结果与分析
• 6.3.7 结论
• 6.4 基于遗传算法的简易提升校正模型
• 6.4.1 Boosting 算法
• 6.4.2 简易提升算法
• 6.4.3 实验结果与分析
• 6.5 小结
• 第七章 色彩恒常的实现
• 7.1 色彩恒常概念
• 7.2 基于自适应约简相关向量机的光源色度估计
• 7.2.1 光源色度估计的数据准备
• 7.2.2 光源色度估计的一般方法
• 7.2.3 自适应约简相关向量机的应用
• 7.2.4 实验结果与分析
• 7.3 基于TPS 和LAD 回归的监督色彩恒常
• 7.3.1 新的基于有限维线性模型的监督色彩恒常
• 7.3.2 利用薄板样条的数据映射
• 7.3.3 基于保局投影的数据约简
• 7.3.4 基于LAD 回归的鲁棒估计
• 7.3.5 实验结果与分析
• 7.3.5.1 数据获得过程
• 7.3.5.2 测试过程
• 7.3.6 结论
• 7.4 小结
• 第八章 总结和展望
• 8.1 本文主要研究成果
• 8.2 后续工作与展望
• 致谢
• 参考文献
• 博士期间的学术论文及科研成果
• 附录A
• 附录B