一種cmyk到rgb色彩空間的轉換方法和裝置的制作方法

文檔序號：7721252閱讀：296來源：國知局

專利名稱：一種cmyk到rgb色彩空間的轉換方法和裝置的制作方法
技術領域：
本發明涉及圖像處理技術領域，特別是涉及一種CMYK到RGB色彩空間的轉換方法和裝置。
背景技術：
在近年應用日益廣泛的空間信息可視化中，空間信息的彩色表達與應用已經成為空間信息分析、處理和應用的主要目標之一。由于色彩能夠最準確地表達客觀物體，人的視覺對色彩反映最快的空間信息可視化方式的多樣性以及需要借助多種呈色設備與材料來再現空間信息的色彩，從而導致通過色彩變換在多種色彩描述空間和不同呈色設備與材料上實現和滿足色彩表達的需求，使色彩變換成為空間信息可視化的一個技術難題。色彩變換是指建立不同色彩空間之間一一對應的映射關系，使提供的色彩數據能夠滿足實際應用支持的色彩空間。廣義的色彩變換就是色彩空間變換，也即將某一種色彩空間表示的色彩變換到另一種色彩空間中進行表示，如常見的RGB (紅Red，綠Green，藍 Blue)，CMYK (青 Cyan，洋紅 Magenta，黃色 Yellow，黑色 Black)，LW (照明度 Luminosity， a、b分別表示色彩三維空間的兩個軸)等色彩空間的相互變換。在目前空間信息的色彩表達中，RGB色彩空間與CMYK色彩空間是空間信息顯示和打印的基本色彩空間。其中，RGB色彩模式是最基礎的色彩模式，只要在電腦屏幕上顯示的圖像，就一定是以RGB模式表現的，因為顯示器的物理結構就是遵循RGB的。而CMYK色彩模式，也稱作印刷色彩模式，只要是在印刷品上看到的圖像，就是以CMYK模式表現的。在圖像處理領域，經常存在從CMYK到RGB色彩空間的轉換需求。例如，考慮到AI 是平面設計人員用的，需要打印，AI (Adobe Illustrator)軟件中存儲的*. AI類型的文件都是以CMYK模式表現的。這樣，在設計人員在計算機屏幕上應用*. AI類型的文件時，就需要將其轉換為RGB模式。RGB色彩模式是工業界的一種顏色標準，是通過對R、G、藍B三個顏色通道的變化以及它們相互之間的疊加來得到各式各樣的顏色的，RGB即是代表紅、綠、藍三個通道的顏色，這個標準幾乎包括了人類視力所能感知的所有顏色。CMYK色彩模式是一種專門針對印刷業設定的顏色標準，是通過對C、M、Y、K四個顏色變化以及它們相互之間的疊加來得到各種顏色的，CMYK即是代表青、洋紅、黃、黑四種印刷專用的油墨顏色，具體到印刷上，是通過控制青、洋紅、黃、黑四色油墨在紙張上的相疊印刷來產生色彩的，它的顏色種數少于RGB色。Lab模式是由國際照明委員會(CIE)于1976年公布的一種色彩模式，是CIE組織確定的一個理論上包括了人眼可見的所有色彩的色彩模式。由于Lab模式所能表現的顏色大于RGB與CMYK兩種彩色模式，因此，現有的CMYK 到RGB色彩空間的轉換方法，往往將LAB模式作為一種內部色彩模式，也即，現有轉換方法的執行順序是首先CMYK — Lab，然后才是Lab — RGB。然而，Lab為設備無關顏色空間，CMYK、 RGB為設備相關顏色空間，所以，上述轉換關系非線性度高，轉換誤差往往不夠理想。
總之，需要本領域技術人員迫切解決的一個技術問題就是如何能夠解決CMYK到 RGB色彩空間的轉換誤差大的問題。

發明內容
本發明所要解決的技術問題是提供一種CMYK到RGB色彩空間的轉換方法和裝置，用以減少轉換誤差。為了解決上述問題，本發明公開了一種CMYK到RGB色彩空間的轉換方法，包括建立步驟建立BP神經網絡轉換模型，將CMYK空間中的C、M、Y、K作為該轉換模型的輸入變量，RGB空間中的R、G、B作為該轉換模型的輸出變量，所述模型的參數包括網絡權值和網絡閾值；獲取步驟以N個CMYK顏色值和對應的RGB顏色值為訓練樣本的輸入和期望輸出，獲得訓練樣本；訓練步驟針對所述訓練樣本，采用BP算法訓練該轉換模型，得到修正的模型參數，從而確定該轉換模型。優選的，所述轉換模型的結構包括輸入層、一個隱層和輸出層，輸入層節點數為4，輸出層節點數為3，隱層節點數為Α+ Ω，其中，1 < a < 30。優選的，所述隱層和輸出層的傳遞函數為Sigmoid型f(x) = l/[l+e"(-bx)], b > 0。優選的，所述訓練步驟包括初始化操作預置樣本個數K = 0，預設局部誤差上限和全局誤差上限，對網絡權值和網絡閾值進行初始化，其中，所述網絡權值包括輸出層節點和隱層節點之間的連接權值，以及隱層節點和輸入層節點之間的連接權值，所述網絡閾值包括隱層節點閾值和輸出層節點閾值；輸入操作輸入第K個訓練樣本，作為當前訓練樣本，其中，Ke {1,2,…，N}；第一計算操作計算隱層各節點的輸出值；第二計算操作計算輸出層各節點的輸出值；第三計算操作針對當前樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算當前樣本的誤差；第一判斷操作判斷當前樣本的誤差是否小于局部誤差上限，若是，則執行第二判斷操作；否則，執行第一修正操作；第二判斷操作判斷K > N-I是否成立，若是，則執行第四計算操作；否則，執行第一修正操作；第四計算操作針對所有N個樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算全局誤差；第三判斷操作判斷全局誤差是否小于全局誤差上限，若是，則算法結束；否則，執行第一修正操作；第一修正操作計算輸出層節點和隱層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對輸出層和隱層之間的連接權值和輸出層閾值進行修正；第二修正操作計算隱層節點和輸入層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對隱層和輸入層之間的連接權值和隱層節點閾值進行修正，并令K = K+1，返回輸入操作。優選的，所述訓練步驟包括初始化操作預置訓練次數T，K = 0，設定當前訓練次數t = 0，對網絡權值和網絡閾值進行初始化，其中，所述網絡權值包括輸出層節點和隱層節點之間的連接權值，以及隱層節點和輸入層節點之間的連接權值，所述網絡閾值包括隱層節點閾值和輸出層節點閾值；輸入操作輸入第K個訓練樣本，作為當前訓練樣本，其中，Ke {1,2,…，N}；第一計算操作計算隱層各節點的輸出值；第二計算操作計算輸出層各節點的輸出值；第一修正操作計算輸出層節點和隱層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對輸出層和隱層之間的連接權值和輸出層閾值進行修正；第二修正操作計算隱層節點和輸入層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對隱層和輸入層之間的連接權值和隱層節點閾值進行修正；第一判斷操作判斷K > N-I是否成立，若是，則執行第二判斷操作；否則，K = K+1，并返回輸入操作；第二判斷操作判斷t > T-2是否成立，若是，則算法結束；否則，更新訓練次數t =t+Ι，并返回輸入操作。優選的，當b = 1時，所述獲取步驟包括獲取N個CMYK顏色值和對應的RGB顏色值，并將其作為訓練樣本的輸入和期望輸出原始數據；對所述輸入和期望輸出原始數據進行歸一化處理，使其值在
之間。本發明還公開了一種CMYK到RGB色彩空間的轉換裝置，包括建立模塊，用于建立BP神經網絡轉換模型，將CMYK空間中的C、M、Y、K作為該轉換模型的輸入變量，RGB空間中的R、G、B作為該轉換模型的輸出變量，所述模型的參數包括網絡權值和網絡閾值；獲取模塊，用于以N個CMYK顏色值和對應的RGB顏色值為訓練樣本的輸入和期望輸出，獲得訓練樣本；訓練模塊，用于針對所述訓練樣本，采用BP算法訓練該轉換模型，得到修正的模型參數，從而確定該轉換模型。優選的，所述轉換模型的結構包括輸入層、一個隱層和輸出層。優選的，所述訓練模塊包括初始化子模塊，用于預置樣本個數K = 0，預設局部誤差上限和全局誤差上限，對網絡權值和網絡閾值進行初始化，其中，所述網絡權值包括輸出層節點和隱層節點之間的連接權值，以及隱層節點和輸入層節點之間的連接權值，所述網絡閾值包括隱層節點閾值和輸出層節點閾值；輸入子模塊，用于輸入第K個訓練樣本，作為當前訓練樣本，其中，K e {1,2,…，
N}；第一計算子模塊，用于計算隱層各節點的輸出值；
7
第二計算子模塊，用于計算輸出層各節點的輸出值；第三計算子模塊，用于針對當前樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算當前樣本的誤差；第一判斷子模塊，用于判斷當前樣本的誤差是否小于局部誤差上限，若是，則觸發第二判斷子模塊；否則，觸發第一修正子模塊；第二判斷子模塊，用于判斷K > N-I是否成立，若是，則觸發第四計算子模塊；否則，觸發第一修正子模塊；第四計算子模塊，用于針對所有N個樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算全局誤差；第三判斷子模塊，用于判斷全局誤差是否小于全局誤差上限，若是，則結束訓練；否則，觸發第一修正子模塊；第一修正子模塊，用于計算輸出層節點和隱層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對輸出層和隱層之間的連接權值和輸出層閾值進行修正；第二修正子模塊，用于計算隱層節點和輸入層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對隱層和輸入層之間的連接權值和隱層節點閾值進行修正，并觸發輸入子模塊。優選的，所述隱層和輸出層的傳遞函數為Sigmoid型f(x) = l/[l+e"(-x)]；所述獲取模塊包括顏色值獲取子模塊，用于獲取N個CMYK顏色值和對應的RGB顏色值，并將其作為訓練樣本的輸入和期望輸出原始數據；歸一化子模塊，用于對所述輸入和期望輸出原始數據進行歸一化處理，使其值在
之間。與現有技術相比，本發明具有以下優點本發明利用神經網絡可以在不了解輸入或輸出變量間關系的前提下完成非線性建模的特點，將CMYK到RGB色彩空間的轉換抽象為一個神經網絡建模問題，具體而言，首先，將CMYK空間中的C、M、Y、K作為輸入變量，RGB空間中的R、G、B作為輸出變量，建立BP 神經網絡轉換模型，所述模型的參數包括網絡權值和網絡閾值；然后，針對實際獲得的訓練樣本，采用BP算法訓練該轉換模型，得到修正的模型參數，從而確定該轉換模型；由于該轉換模型的訓練過程，是對所述模型參數進行不斷修正的過程，此過程能夠一直進行到轉換模型輸出的誤差減少到可以接受的程度，因此，本發明可以減少CMYK到RGB色彩空間的轉換誤差。

圖1是本發明一種CMYK到RGB色彩空間的轉換方法實施例的流程圖；圖2是本發明一種BP神經網絡結構圖；圖3是BP網絡常用的傳遞函數；圖4是本發明一種sigmoid函數示例；圖5是本發明一種誤差調整方案的流程圖。
具體實施例方式為使本發明的上述目的、特征和優點能夠更加明顯易懂，下面結合附圖和具體實施方式對本發明作進一步詳細的說明。由于空間信息系統中不同表色方法具有不同的色域與精度，常常會導致這種變換關系不能用簡單的顯式來表達，從而致使色彩變換關系非常復雜。RGB色彩模式使用RGB模型為圖像中每一個像素的R、G、B分量分配一個0 255 范圍內的強度值。例如純紅色R值為255，G值為0，B值為0 ；灰色的R、G、B三個值相等 (除了 0和255)；白色的R、G、B都為255 ；黑色的R、G、B都為0。RGB圖像只使用三種顏色，就可以使它們按照不同的比例混合，在屏幕上重現16777216種顏色。而在CMYK色彩模式的圖像中，每個像素都是由C、M、Y和K色按照不同的比例合成。每個像素的每種印刷油墨會被分配一個百分比值，最亮(高光)的顏色分配較低的印刷油墨顏色百分比值，較暗(暗調)的顏色分配較高的百分比值。例如，明亮的紅色可能會包含2%青色、93%洋紅、90%黃色和0%黑色。在CMYK圖像中，當所有4種分量的值都是 0%時，就會產生純白色。本發明的核心構思之一在于，既然CMYK色彩模式的圖像中包含四個通道C、M、Y、 K，RGB色彩模式的圖像中包含三個通道R、G、B，如果將所述兩種模式之間的關系抽象為一個數學模型，那么，CMYK到RGB色彩空間的轉換就可以簡化為一個數學建模問題。傳統數學建模方法，包括機理建模、多元統計方法、卡爾曼濾波方法、基于模型的回歸方法等，這些方法可以描述出一些簡單的線性系統，但是，對一些復雜的線性系統和非線性系統難以精確描述。而CMYK色彩模式到RGB色彩模式的轉換，是一個典型的非線性問題。本專利發明人注意到了這一點，創造性地利用神經網絡可以在不了解輸入或輸出變量間關系的前提下完成非線性建模的特點，來建立CMYK到RGB色彩空間的轉換模型。參照圖1，示出了本發明一種CMYK到RGB色彩空間的轉換方法實施例的流程圖，具體可以包括建立步驟101、建立BP神經網絡轉換模型，可以將CMYK空間中的C、M、Y、K作為該轉換模型的輸入變量，將RGB空間中的R、G、B作為該轉換模型的輸出變量，所述模型的參數可以包括網絡權值和網絡閾值；BP (Back Propagation)網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。如圖2所示，BP神經網絡可以包括以下單元①處理單元(神經元)(圖中用圓圈表示)，即神經網絡的基本組成部分。輸入層的處理單元只是將輸入值轉入相鄰的聯接權重，隱層和輸出層的處理單元將它們的輸入值求和并根據轉移函數計算輸出值；②聯接權重(圖中如V，W)。它將神經網絡中的處理單元聯系起來，其值隨各處理單元的聯接程度而變化；③層。神經網絡一般具有輸入層χ、隱層y和輸出層ο ；④閾值。其值可為恒值或可變值，它可使網絡能更自由地獲取所要描述的函數關系；
⑤傳遞函數f(x)。它是將輸入的數據轉化為輸出的處理單元，通常為非線性函數。因此，確定了網絡層數、每層節點數、傳遞函數、初始權系數等也就確定了 BP網絡。確定這些選項時有一定的指導原則，但更多的是靠經驗。具體到本發明實施例，則所述轉換模型的結構可以包括輸入層、隱層和輸出層，輸入層節點數為4，輸出層節點數為3。對于多層前饋網絡來說，隱層節點數的確定是成敗的關鍵。若數量太少，則網絡所能獲取的用以解決問題的信息太少；若數量太多，不僅增加訓練時間，而且，隱層節點過多還可能出現所謂“過渡吻合”(Overfitting)問題，即測試誤差增大導致泛化能力下降，因此，合理選擇隱層節點數非常重要。關于隱層數及其節點數的選擇比較復雜，一般原則是在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節點數，以使網絡結構盡量簡單。因此，本發明實施例優先選用單隱層結構，且根據如下經驗公式選擇隱層節點數/Z1 =V4 + 3+a，其中，1 < a < 30。BP網絡的傳遞函數有多種。如圖3所示，Log-sigmoid型函數的輸入值可取任意值，輸出值在0和1之間；tan-sigmod型傳遞函數的輸入值可取任意值，輸出值在-1到+1 之間；線性傳遞函數purelin的輸入與輸出值可取任意值。在本發明的一種優選實施例中，采用sigmoid型函數f(x) = 1/[l+e" (-bx) ] (b > 0)作為隱層和輸出層的傳遞函數。參考圖4，示出了 b= 1的sigmoid函數示例，其是一個良好的閾值函數，具有連續，光滑，嚴格單調，關于(0，0. 5)中心對稱的特點。獲取步驟102、以N個CMYK顏色值和對應的RGB顏色值為訓練樣本的輸入和期望輸出，獲得訓練樣本；例如，對于單隱層的預測模型，在隱層和輸出層的傳遞函數均為f(x) = 1/ [l+e"(-x)]時，其輸出值在0和1之間，此時，所述獲取步驟可以包括以下子步驟子步驟Al、獲取N個CMYK顏色值和對應的RGB顏色值，并將其作為訓練樣本的輸入和期望輸出原始數據；子步驟A2、對所述輸入和期望輸出原始數據進行歸一化處理，使其值在W，l]之間。訓練步驟103、針對所述訓練樣本，采用BP算法訓練該轉換模型，得到修正的模型參數，從而確定該轉換模型。BP算法的基本思想是，訓練過程由信號的正向傳播與誤差的反向傳播兩個過程組成。1)正向傳播輸入樣本_>輸入層_>各隱層(處理)_>輸出層；2)誤差反向傳播輸出誤差(某種形式)_>隱層(逐層)_>輸入層；其主要目的是通過將輸出誤差反傳，將誤差分攤給各層所有單元，從而獲得各層單元的誤差信號，進而修正各單元的權值(其過程，是一個權值調整的過程)。因此，周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的訓練次數為止。相應地，本發明實施例可以包括以下兩種訓練方案
一、誤差調整方案典型的BP算法采用梯度下降法，其基本思想是，在權向量空間執行誤差函數梯度下降策略，動態迭代搜索一組權向量，使網絡誤差函數達到最小值，從而完成信息提取和記憶過程。為使本領域技術人員更好地理解本發明，以下通過具體示例對本方案進行說明。假設該示例的訓練樣本獲取步驟為，通過Adobe的AI軟件，獲得N = 625個CMYK 顏色值和對應的RGB顏色值，作為訓練樣本；轉換模型為一個單隱層的三層BP網絡輸入層節點數為4，設Yi1為輸入層節點i(i =0，1，2，3)的輸出；隱層節點數Ii1 = 18，各節點的特性為Sigmoid型f(x) = l/[l+e~ (_x) ]，Y/為中間層節點j(j = 0，1，2，…，16，17)的輸出；輸出層節點數為3，各節點的特性為Sigmoid型f(x) = 1/[l+e~ (_x) ]，Yk3為輸出層節點k(k = 0，1，2)的輸出，Tk為輸出層節點k(k = 0，1，2)對應的期望輸出；Wij為節點i和節點j之間的連接權值，W#為節點j和節點k之間的連接權值，θ j 為中間層節點j的閾值，θ k為輸出層節點k的閾值；采用平方型誤差函數
權利要求
1.一種CMYK到RGB色彩空間的轉換方法，其特征在于，包括建立步驟建立BP神經網絡轉換模型，將CMYK空間中的C、M、Y、K作為該轉換模型的輸入變量，RGB空間中的R、G、B作為該轉換模型的輸出變量，所述模型的參數包括網絡權值和網絡閾值；獲取步驟以N個CMYK顏色值和對應的RGB顏色值為訓練樣本的輸入和期望輸出，獲得訓練樣本；訓練步驟針對所述訓練樣本，采用BP算法訓練該轉換模型，得到修正的模型參數，從而確定該轉換模型。
2.如權利要求1所述的方法，其特征在于，所述轉換模型的結構包括輸入層、一個隱層和輸出層，輸入層節點數為4，輸出層節點數為3，隱層節點數為巧+ a，其中，1 < a < 30。
3.如權利要求2所述的方法，其特征在于，所述隱層和輸出層的傳遞函數為Sigmoid 型:f(x) = l/[l+e"(_bx)]，b > 0。
4.如權利要求2所述的方法，其特征在于，所述訓練步驟包括初始化操作預置樣本個數K = 0，預設局部誤差上限和全局誤差上限，對網絡權值和網絡閾值進行初始化，其中，所述網絡權值包括輸出層節點和隱層節點之間的連接權值，以及隱層節點和輸入層節點之間的連接權值，所述網絡閾值包括隱層節點閾值和輸出層節點閾值；輸入操作輸入第K個訓練樣本，作為當前訓練樣本，其中，K e {1,2,…，N};第一計算操作計算隱層各節點的輸出值；第二計算操作計算輸出層各節點的輸出值；第三計算操作針對當前樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算當前樣本的誤差；第一判斷操作判斷當前樣本的誤差是否小于局部誤差上限，若是，則執行第二判斷操作；否則，執行第一修正操作；第二判斷操作判斷K > N-I是否成立，若是，則執行第四計算操作；否則，執行第一修正操作；第四計算操作針對所有N個樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算全局誤差；第三判斷操作判斷全局誤差是否小于全局誤差上限，若是，則算法結束；否則，執行第一修正操作；第一修正操作計算輸出層節點和隱層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對輸出層和隱層之間的連接權值和輸出層閾值進行修正；第二修正操作計算隱層節點和輸入層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對隱層和輸入層之間的連接權值和隱層節點閾值進行修正，并令K = K+1，返回輸入操作。
5.如權利要求2所述的方法，其特征在于，所述訓練步驟包括初始化操作預置訓練次數Τ，κ = 0，設定當前訓練次數t = 0，對網絡權值和網絡閾值進行初始化，其中，所述網絡權值包括輸出層節點和隱層節點之間的連接權值，以及隱層節點和輸入層節點之間的連接權值，所述網絡閾值包括隱層節點閾值和輸出層節點閾值；輸入操作輸入第K個訓練樣本，作為當前訓練樣本，其中，Ke {1,2,…，N}; 第一計算操作計算隱層各節點的輸出值；第二計算操作計算輸出層各節點的輸出值；第一修正操作計算輸出層節點和隱層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對輸出層和隱層之間的連接權值和輸出層閾值進行修正；第二修正操作計算隱層節點和輸入層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對隱層和輸入層之間的連接權值和隱層節點閾值進行修正；第一判斷操作判斷K > N-I是否成立，若是，則執行第二判斷操作；否則，K = K+1，并返回輸入操作；第二判斷操作判斷t > T-2是否成立，若是，則算法結束；否則，更新訓練次數t = t+Ι，并返回輸入操作。
6.如權利要求3所述的方法，其特征在于，當b= 1時，所述獲取步驟包括獲取N個CMYK顏色值和對應的RGB顏色值，并將其作為訓練樣本的輸入和期望輸出原始數據；對所述輸入和期望輸出原始數據進行歸一化處理，使其值在
之間。
7.一種CMYK到RGB色彩空間的轉換裝置，其特征在于，包括建立模塊，用于建立BP神經網絡轉換模型，將CMYK空間中的C、M、Y、K作為該轉換模型的輸入變量，RGB空間中的R、G、B作為該轉換模型的輸出變量，所述模型的參數包括網絡權值和網絡閾值；獲取模塊，用于以N個CMYK顏色值和對應的RGB顏色值為訓練樣本的輸入和期望輸出，獲得訓練樣本；訓練模塊，用于針對所述訓練樣本，采用BP算法訓練該轉換模型，得到修正的模型參數，從而確定該轉換模型。
8.如權利要求7所述的裝置，其特征在于，所述轉換模型的結構包括輸入層、一個隱層和輸出層。
9.如權利要求8所述的裝置，其特征在于，所述訓練模塊包括初始化子模塊，用于預置樣本個數K = 0，預設局部誤差上限和全局誤差上限，對網絡權值和網絡閾值進行初始化，其中，所述網絡權值包括輸出層節點和隱層節點之間的連接權值，以及隱層節點和輸入層節點之間的連接權值，所述網絡閾值包括隱層節點閾值和輸出層節點閾值；輸入子模塊，用于輸入第K個訓練樣本，作為當前訓練樣本，其中，K e {1,2,…，N}；第一計算子模塊，用于計算隱層各節點的輸出值；第二計算子模塊，用于計算輸出層各節點的輸出值；第三計算子模塊，用于針對當前樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算當前樣本的誤差；第一判斷子模塊，用于判斷當前樣本的誤差是否小于局部誤差上限，若是，則觸發第二判斷子模塊；否則，觸發第一修正子模塊；第二判斷子模塊，用于判斷K > N-I是否成立，若是，則觸發第四計算子模塊；否則，觸發第一修正子模塊；第四計算子模塊，用于針對所有N個樣本，基于期望輸出和輸出層各節點的輸出值，采用平方型誤差函數，計算全局誤差；第三判斷子模塊，用于判斷全局誤差是否小于全局誤差上限，若是，則結束訓練；否則，觸發第一修正子模塊；第一修正子模塊，用于計算輸出層節點和隱層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對輸出層和隱層之間的連接權值和輸出層閾值進行修正；第二修正子模塊，用于計算隱層節點和輸入層節點之間的連接權值的誤差修正量，并根據所述誤差修正量，對隱層和輸入層之間的連接權值和隱層節點閾值進行修正，并觸發輸入子模塊。
10.如權利要求8所述的裝置，其特征在于，所述隱層和輸出層的傳遞函數為Sigmoid 型:f(x) = l/[l+e"(-x)]；所述獲取模塊包括顏色值獲取子模塊，用于獲取N個CMYK顏色值和對應的RGB顏色值，并將其作為訓練樣本的輸入和期望輸出原始數據；歸一化子模塊，用于對所述輸入和期望輸出原始數據進行歸一化處理，使其值在
之間。
全文摘要
本發明提供了一種CMYK到RGB色彩空間的轉換方法和裝置，其中的方法具體包括建立步驟建立BP神經網絡轉換模型，將CMYK空間中的C、M、Y、K作為該轉換模型的輸入變量，RGB空間中的R、G、B作為該轉換模型的輸出變量，所述模型的參數包括網絡權值和網絡閾值；獲取步驟以N個CMYK顏色值和對應的RGB顏色值為訓練樣本的輸入和期望輸出，獲得訓練樣本；訓練步驟針對所述訓練樣本，采用BP算法訓練該轉換模型，得到修正的模型參數，從而確定該轉換模型。本發明用以減小CMYK到RGB色彩空間的轉換誤差。
文檔編號H04N1/60GK102110428SQ20091024386
公開日2011年6月29日申請日期2009年12月23日優先權日2009年12月23日
發明者李丹申請人:新奧特(北京)視頻技術有限公司

完整全部詳細技術資料下載