Investigación sobre algoritmo de conversión del espacio de color RGB a CIELab basado en el método polinómico local
Somos una gran empresa de impresión en Shenzhen, China. Ofrecemos todas las publicaciones de libros, impresión de libros de tapa dura, impresión de libros de papercobre, libretas de tapa dura, impresión de libros de sprial, impresión de libros de encuadernación, impresión de folletos, cajas de embalaje, calendarios, todo tipo de PVC, folletos de productos, notas, libros infantiles, pegatinas, todo tipos de productos especiales de impresión en color de papel, tarjeta de juego y así sucesivamente.
Para mayor información por favor visite
http://www.joyful-printing.com. Solo ENG
http://www.joyful-printing.net
http://www.joyful-printing.org
correo electrónico: info@joyful-printing.net
La reproducción del color y la reproducción dependen de varios dispositivos de hardware, como monitores, impresoras, etc., pero las características de estos dispositivos de hardware no pueden ser idénticas, por lo que incluso para el mismo tipo de dispositivo, si el mismo valor de color (como RGB, CMYK) se ingresa, su visualización O el efecto de impresión también es inconsistente, incluso lejos el uno del otro. Para lograr la consistencia en la reproducción del color en diferentes dispositivos de hardware, han surgido técnicas de administración del color basadas en un espacio independiente del dispositivo. Como se muestra en la Figura 1, el espacio relacionado con el dispositivo (como RGB, CMY) se convierte en un espacio independiente del dispositivo (como CIELab), y luego el espacio independiente del dispositivo se convierte en el espacio relacionado con el dispositivo. Por lo tanto, el contenido central de la tecnología de gestión del color es la conversión del espacio de color. Los métodos matemáticos tradicionales, como la interpolación y la regresión polinomial, se han utilizado ampliamente en la práctica y han logrado buenos resultados. En este documento, se utiliza un método polinomial local diferente de los dos métodos anteriores para realizar la conversión del espacio de color RGB a CIELab, y se compara con el método de regresión polinomial (20 elementos). Los resultados experimentales muestran que el modelo tiene una alta precisión de conversión y puede proporcionar una referencia para la investigación científica.
Primero, basado en el polinomio local RGB al algoritmo de conversión de espacio de color CIELab
1. Principio de algoritmo
En el subgrafo (a) de la Figura 2, hay 512 puntos en el espacio RGB, que están ordenados ordenadamente en un cubo grande. Sin embargo, si los valores de CIELab correspondientes a estos puntos se obtienen en el software Photoshop y se muestran en el espacio de CIELab, como se muestra en la imagen secundaria (b) de la Figura 2, la distribución de los puntos no es un cubo grande, sino una forma irregular. . Por lo tanto, existe una relación no lineal entre RGB y el espacio CIELab.
(a) espacio RGB (b) espacio CIELab
Para poder aproximar la relación no lineal entre los dos, este documento utiliza el método polinomial local. Se caracteriza por dividir el espacio de origen, es decir, dividir el espacio de color grande en varios espacios de sub color, y luego realizar una regresión polinomial en la conversión de espacio de color en el espacio de sub color. El método tradicional de regresión polinomial es convertir directamente en el gran espacio de color, lo que causará grandes errores en algunas áreas del espacio, porque la relación no lineal de algunas regiones es tan obvia que es difícil aproximarse con un método global. Por lo tanto, si el espacio de color de origen se divide primero, entonces se usa el método de regresión polinomial en el subespacio para realizar la transformación espacial, que puede aproximar mejor la relación no lineal entre los dos espacios de color y mejorar la precisión de conversión.
El método polinomial local se puede dividir en dos pasos: primero, el espacio de color de origen debe segmentarse, se obtienen los puntos de modelado y se establece una tabla de búsqueda. Si el nivel de la segmentación es mayor, cuanto menor sea el volumen del subespacio dividido, mayor será la precisión de conversión, pero al mismo tiempo aumenta la cantidad de cálculo. En segundo lugar, el método de regresión polinomial se utiliza en el subespacio para realizar la transformación espacial. Primero, los coeficientes polinomiales se resuelven utilizando los valores de color de los puntos de la cuadrícula subespacial (RGB, CIELab), y luego los valores de color de los puntos a convertir en el espacio objetivo se obtienen de acuerdo con los coeficientes obtenidos.
2. Pasos de implementación
2.1 Crear una tabla de búsqueda
En primer lugar, este documento realiza 8 niveles de partición uniforme en el espacio RGB para obtener 512 puntos de modelado (segmentación de nivel n, hay n3 puntos de modelado), es decir, muestreo espaciado de manera uniforme en los canales R, G, B, respectivamente. El espacio es 36, y los puntos de muestreo son 0, 36, 72, 108, 144, 180, 216, 255, respectivamente, como se muestra en la subfigura (a) de la Figura 3. En segundo lugar, para verificar mejor el error Del modelo, es necesario eliminar la ocurrencia de otros errores, como el error de medición de los datos experimentales. Por lo tanto, este artículo no utiliza el instrumento de medición para leer los datos experimentales, sino que obtiene directamente los valores RGB de 512 puntos de modelado y los valores correspondientes de CIELab en el panel de Photoshop de Photoshop.
(a) División uniforme de 8 niveles del espacio RGB (b) 8 puntos de cuadrícula del subespacio
Figura 3 División uniforme de 8 niveles del espacio RGB y 8 puntos de cuadrícula de su subespacio
2.2 buscando subespacio
Como el espacio fuente se ha dividido en 8 niveles, se forman 343 subespacios (división de n niveles, hay (n-1) 3 subespacios), como se muestra en el subgrafo (a) de la FIG. Para convertir un punto de color, si el punto es un punto de modelado, el valor CIELab correspondiente se envía directamente de acuerdo con la tabla de búsqueda. Si no es un punto de modelado, use su valor RGB para encontrar el subespacio en el que se ubica el punto en el espacio tridimensional RGB, como se muestra en la sub-imagen (b) de la Figura 3, y luego extraiga el RGB de Los 8 puntos de la rejilla del subespacio. Y el valor de CIELab, listo para hacer regresión polinomial, resuelve los coeficientes polinomiales.
Por ejemplo, para convertir un valor RGB (33, 144, 200) (el punto es un punto no modelado), los valores RGB de los 8 puntos de la cuadrícula en el subespacio son (0, 108, 180). 0,108,216) (0,144,180), (0,144,216), (36,108,180), (36,108,216), (36,144,216). Dado que estos puntos de cuadrícula son puntos de modelado, los valores correspondientes de CIELab se pueden encontrar en la tabla de búsqueda. Después de determinar los valores RGB y CIELab de estos puntos de la cuadrícula buscando en la tabla, puede prepararse para el siguiente paso para resolver los coeficientes polinomiales correspondientes a este subespacio, y cada subespacio tiene un coeficiente polinómico correspondiente único.
2.3 Encuentra el coeficiente polinomial del subespacio
La regresión polinomial requiere que el número de elementos sea menor que el número de puntos de modelado. Al resolver los coeficientes del subespacio, dado que solo se usan 8 puntos de cuadrícula del subespacio como puntos de modelado, solo se pueden usar 7 polinomios, como se muestra en las ecuaciones (1), (2) y (3).
Donde: R, G, B, L, A, B son los valores R, G, B, L, a, b de los puntos de la cuadrícula del subespacio; respectivamente, y los polinomios correspondientes a los valores de L, a, b, respectivamente, coeficiente.
Por ejemplo, en el proceso de solución, los valores RGB y L de los puntos de cuadrícula primero a octavo del subespacio deben sustituirse en la ecuación (1), y se pueden obtener ocho ecuaciones, que luego se obtienen por eliminación gaussiana. De manera similar, los valores RGB, a valor, RGB y b de los ocho puntos de la cuadrícula se sustituyen en las ecuaciones (2) y (3), respectivamente, y se puede obtener la suma. Por ejemplo, para un punto de color con un valor RGB de (33, 44, 200), el coeficiente polinomial correspondiente al subespacio en el que está ubicado es como se muestra en las ecuaciones (4), (5) y (6).
2.4 buscando el valor de CIELab
Después de obtener y luego, los valores RGB de los puntos de color se sustituyen en las ecuaciones (1), (2) y (3), y se resuelve el valor CIELab del punto. Por ejemplo, el valor RGB también es el punto de color de (33, 44, 200) y R = 33, G = 44 y B = 200 se sustituyen secuencialmente en la ecuación (4), ecuación (5) y ecuación (6) donde se conoce el coeficiente. , puede encontrar L = 56, A = -15, B = -38, respectivamente, para lograr la conversión del espacio RGB a CIELab.
En segundo lugar, los resultados experimentales y el análisis.
1. Prueba de precisión
En este documento, el espacio de color RGB se divide en seis niveles para obtener 216 puntos de prueba. Los valores RGB de estos puntos de color y los valores correspondientes de CIELab también se obtienen en Photoshop, y luego los datos se utilizan para verificar la precisión del modelo.
2. Análisis de resultados.
En el proceso de verificación de la precisión del modelo, este documento también utiliza el método de regresión polinomial (20 elementos) para compararlo. Los resultados experimentales se muestran en la Tabla 1. Obviamente, el método polinomial local es mucho mejor que el método de regresión polinomial (20 elementos), independientemente de la diferencia de color máxima, el error mínimo y el error promedio de la conversión.
Tabla 1 Comparación de resultados experimentales de los dos métodos.
Además, la distribución de errores de los dos métodos se muestra en la Figura 4 y la Figura 5. Para los 216 puntos de prueba, se usa el método polinomial local. El número de errores entre 0 y 1 es aproximadamente 150, que es casi el 70%, y la mayoría de los errores están entre 0 y 2. Si se usa la regresión polinomial (20 elementos) El error se distribuye principalmente entre 1 y 5, y un pequeño número de puntos se distribuyen entre 7 y 9, y la distribución no es ideal. Por lo tanto, el método polinomial local es un método con alta precisión de conversión.
Tercero, la conclusión
En este documento, la conversión del espacio de color RGB a CIELab se implementa mediante el método polinomial local, y se compara con el método de regresión polinomial (20 elementos). Los resultados experimentales muestran que el método polinomial local es un método de conversión altamente preciso y es superior al método de regresión polinomial (20 ítems). Al mismo tiempo, si la precisión de conversión se mejora aún más y la distribución de errores se mejora, los datos de modelado se pueden dividir en 8 o más o se pueden dividir de manera no uniforme, o se puede introducir una función no lineal en el polinomio para aproximar mejor el dos colores. Una relación no lineal entre espacios.

