彩色3D打印技术中的校色方法.doc

彩色3D打印技术中的校色方法该论文来源于网络,本站转载的论文均是优质论文,供学习和研究使用,文中立场与本网站无关,版权和著作权归原作者所有,如有不愿意被转载的情况,请通知我们删除已转载的信息,如果需要分享,请保留本段说明。摘要:为解决全彩3D打印中彩色信息在计算机与打印设备间的复制与传递问题,提出了基于BP神经网络色彩空间转换模型,并通过学习打印设备的输入/输出样本对构建打印设备內部的转换关系,改变网络隐层神经元数量,最终得到一个训练结果较好、速度较快的RGB到L*a*b*转换的网络结构。再按照心理明度值L*将样本数据通过等间隔及聚类两种分组方式进行建模,使用径向基函数作为神经元传递函数再次进行网络训练。该模型在网络结构最优值寻求的简便性、训练精度和速度上都具有相当的优势。关键词:全彩3D打印;校色算法;色彩管理技术;神经网络自从有了彩色打印技术,色彩管哩技术一直是印刷出版领域关注的重要内容,其首要任务就是解决色彩信息在各个没备间的转换问题,保证图像的色彩在传递过程中失真最小。全彩色3D打印作为3DP一个独特的亮点,包含了色彩管理技术、喷墨打印技术、材料科学与化学等关键领域。表现优异的色彩管理系统饀快速、精确的将色彩信息在输入与输出设备间进行匹配,使用户能提前预见色彩信息在不同设备、介质上的表现效果。色彩管理作为保证彩色印刷质量的前提,是全彩色3D打印中必不可少的一项技术。一、国内外研究现状分色技术是色彩管理系统中的关键技术。在颜色理论上,从RGB色空间向CMYK色空间转换的实质就是分色的过程。分色算法的优劣直接影响印刷输出的质量,Profile、多项式回归、修正的纽介堡方程、神经网络、多光谱和查找表等方法。20世纪末,这一规范。该规范系统描述了中间色彩空间与设备相关的色彩空间之间的转换关系,通常采用CIELAB作为中间色空间。CIELAB作为一个均匀颜色空间,能够直观表色和评色,较方便的表示出设备之间的色差并与视觉上达到一致。但该色彩空间不能预測不同视觉条件下的复杂空间图像的颜色差别,以及不适跨媒体和跨平台的颜色比较。由于色彩空间的转换是一个拟合非线性的过程且相对复杂,文献表明,BP神经网络能够不同程度的拟合出任意非线性复杂映射关系,适合于在外部求解内部复杂的问题。但是BP网络在网络调节时存在局部最优和收敛速度慢等劣势,因此本文进一步提出基于径向基函数的神经网络来提高拟合能力和收敛速度。通过神经网络学习输入空间RGB数值与输出空间CMYK数值之间的非线性关系得到两个空间之间的转换模型,进而计算足量输入/输出数值对生成三维查找表,彩色打印时,通过查找三维表来进行色彩匹配。二、神经网络分色模型的建立近年来,神经网络已经被尝试应用于色空间的转换和彩色油墨的调配问题中。其高度非线性表达能力作为最大亮点,非常适合彩色空间之间的非线性转换。同时它具有的强大非线性映射能力,使我们不需要了解系统内部结构就能得到其输入和输出之间的映射关系。 1、RGB到CMYK颜色空间的BP神经网络模型建立通过建立一个BP神经网络,并使其作为RGB颜色空间到CMYK颜色空间的转换模型,该方法具体原理如图l所示。在该转换方法中,将打印设备当作一个不知其内部结构的“黑盒子”,该黑盒子接受一个(R,G,B)格式的三维向量输入,经过打印后有一个(L*,a,b*)的颜色输出,该颜色输出值由SpyderPRlN/分光光度计进行測量。实验时,由打印机打印出大量已知(R,G,B)值的色块样本,并由SpyderPRINT进行测量得到每个色块的(L*,a*,b*)值,将两组数据一一对应组合成(R,G,B)-(L*,a*,b*)样本数据对。进行网络训练时,以(L*,a*,b*)值作为网络输出, (R,G,B)作为网络标准输出,训练结束后即可得到一个神经网络控制器。打印时,将所需要打印颜色的(L*,a*,b*)值输入控制器,即可得到打印机应有的(R,G,B)值,这样打印出来的效果即是用户所期望的颜色。(1)数据准备与处理。网络训练样本采用SpyderPRINT分光光度計自带的ExpertTargetPlusGrays试样,共967组数据,其中部分建模数据对如表l所列。网络测试数据的RGB值分别取为10、50、100、150、200和255六种之一进行组合,共216组数据。由于(L*,a*,b*)三个分量的取值范围的不统一不利于网络的训练,因此在输入网络进行训练前需要对数据进行归一化处理,经处理后的数据取值范围都为(0,1),经过归一化后的数据能够保证输入向量各维度具有相同的权重,使网络更快收敛,并能统一评价标准。(2)建立网络模型。根据训练样本三维输入输出的特点,选取含有两个隐含层的BP神经网络,使用MATLAB进行编程实现,训练最大步长为1000,,采