[发明专利]一种基于视觉感知特征的光谱降维方法及系统

摘要

本发明公开了一种基于视觉感知特征的光谱降维方法及系统，包括构造综合人眼视觉色度特性和光谱特性的权函数w(λ)，利用构造的权函数w(λ)计算任意光谱样本集S的权函数Siw(λ)，对样本集的权函数Siw(λ)进行均值化处理，得到样本集均值权函数矩阵Wfv，构造用于均值权函数Wfv平滑优化模型及约束目标函数，利用优化目标函数ObjFunc对平滑优化模型进行约束，确定权函数矩阵Wfv最佳平滑优化函数参数n值，利用确定的最佳平滑权函数对光谱样本集S进行加权，最后利用主成分分析方法完成光谱样本集S的降维处理。该方法能保持较高的色度重构精度，且在变换参考光源条件下具有良好的色差稳定性，能够较好地解决光谱的颜色高保真降维问题。

主权项

一种基于视觉感知特征的光谱降维方法，其特征在于，包括以下步骤：步骤1：构造综合人眼视觉色度特性和光谱特性的权函数w(λ)，其中，表示标准观察者光谱三刺激值函数；用全色差公式描述原始光谱r(λ)和重构光谱在波长λ处的颜色差异△E*(λ)，其中，L*(λ)、a*(λ)、b*(λ)均在CIED50光源下计算得到的样本颜色色度信息，式二的一阶Taylor展开为：其中，r(λ)表示原始光谱，表示降维后重构光谱；将式三的等式两边同时除以△r(λ)，并结合式二得到w(λ)：式中，L*(λ)，a*(λ)，b*(λ)对r(λ)的导数由复合函数的求导法则得到，至此完成综合人眼视觉色度特性和光谱特性的权函数w(λ)的构建；步骤2：利用构造的权函数w(λ)计算任意光谱样本集S的权函数Siw(λ)，其中i表示光谱样本集S中的第i个样本，i取值范围为1～k，k为光谱样本集S中样本的个数；步骤3：对样本集S的权函数Siw(λ)进行均值化处理，得到样本集S均值权函数矩阵Wfv，其中，Wfv为方阵权函数矩阵，其主对角线为所有样本计算得到的平均加权权重系数；步骤4：构造用于均值权函数Wfv平滑优化模型及约束目标函数，其中，n为优化因子，ε为一平滑常数，取值范围在[10‑3,10‑4]之间，简化计算条件下ε取值为0，I为单位矩阵，其维度为l×l，l为样本采样波段数；约束目标函数ObjFunc由四个评价指标综合而成，其计算方法为将样本集重构全色差△E*、光谱均方根误差RMSE、光谱拟合的度误差(1‑GFC)以及平均同色异谱指数MMI的归一化均值进行乘积，其中全色差△E*采用式二计算而得，光谱均方根误差RMSE的计算如式七所示，其中，r(λj),分别为原始光谱和重构光谱的光反射比，l为样本采样波段数，j表示光谱反射率的第j个波段；光谱拟合度误差(1‑GFC)的计算如式八所示，平均同色异谱指数MMI的计算方法为首先采用Fairman校正方法在D50/2°条件下对原光谱和重构光谱进行同色异谱校正，然后计算二者在多组代表性光源下的平均色差，其计算如式九所示，其中，p为选取的光源数，表示在第i个光源下计算得到的全色差值；步骤5：利用优化目标函数ObjFunc对平滑优化模型进行约束，设置n值的采样步长为△n，使n值在[1,2]范围内从小到大连续增大，针对任意一个n值，获得其对应的平滑加权函数Wfv*，原光谱样本集S经Wfv*加权后变为式十所示形式，其中，SW为加权后光谱样本集；则SW的协方差矩ΣW为，其中·表示向量点乘操作，表示矩阵乘法操作，I为对应大小的单位矩阵，仍取对ΣW进行特征分解后的前f个特征向量集则其主成分为：通过求逆操作，则加权后的重构光谱为：利用目标优化函数计算重构光谱样本集与原光谱样本集的约束目标函数ObjFunc，确定权函数矩阵Wfv最佳平滑优化函数参数n值，进而确定最优权函数Wfn；步骤6：计算最优加权光谱样本集，利用确定的最佳平滑权函数Wfn通过式十对光谱样本集S进行加权，获得最优加权光谱样本集Sn；步骤7：样本集最优化降维处理，利用式十一计算最优加权光谱样本集Sn的协方差矩阵，然后再利用式十二计算提取得到Sn对应的前f个特征向量的主成分，最终完成光谱样本集S的降维处理。