تحليل الگوريتم تبديل فضاي رنگي RGB به CIELab بر اساس روش چندجملهای محلی
ما یک شرکت چاپ بزرگ در شنژن چین هستیم. ما ارائه می دهیم تمام نشریات چاپی، چاپ کتاب های سختگیرانه، چاپ کتاب های کاغذی، نوت بوک های سخت افزاری، چاپ کتاب های جعلی، چاپ کتاب چاپی، چاپ بروشور، جعبه بسته بندی، تقویم، انواع PVC، بروشورهای محصول، یادداشت ها، کتاب کودکان، برچسب ها، همه انواع کاغذهای رنگی خاص، کارتهای بازی و غیره.
برای اطلاعات بیشتر مراجعه کنید به
http://www.joyful-printing.com. ENG فقط
http://www.joyful-printing.net
http://www.joyful-printing.org
ایمیل: info@joyful-printing.net
بازتولید رنگ و تولید مثل به دستگاه های مختلف سخت افزاری نظیر مانیتور، چاپگر و غیره بستگی دارد، اما ویژگی های این دستگاه های سخت افزاری نمی توانند یکسان باشند، به طوری که حتی برای همان نوع دستگاه، اگر مقدار همان رنگ (مانند RGB، CMYK) ورودی است، نمایش آن و یا اثر چاپ نیز متناقض است، حتی دور از یکدیگر. برای دستیابی به یکپارچگی تولید رنگ در دستگاه های سخت افزاری مختلف، تکنیک های مدیریت رنگ بر اساس فضای مستقل دستگاه ظهور کرده اند. همانطور که در شکل 1 نشان داده شده است، فضای مرتبط با دستگاه (مانند RGB، CMY) به یک فضای مستقل از دستگاه تبدیل می شود (مانند CIELab)، و سپس فضای مستقل دستگاه به فضای مرتبط با دستگاه تبدیل می شود. بنابراین محتوای هسته فن آوری مدیریت رنگ، تبدیل فضای رنگ است. روش های ریاضی سنتی مانند اینترپالسیون و رگرسيون چندجملهای در عمل به طور گسترده ای مورد استفاده قرار گرفته و نتایج خوبی به دست آورده اند. در این مقاله، یک روش چندجملهای محلی متفاوت از دو روش فوق برای تحقق تبدیل از RGB به فضای رنگی CIELab استفاده شده است و در مقایسه با روش رگرسيون چندجملهای (20 مورد). نتایج تجربی نشان می دهد که مدل دارای دقت بالا تبدیل و می تواند مرجع برای تحقیقات علمی باشد.
اول، بر اساس الگوریتم تبدیل فضای رنگی چندجملهای RGB به CIELab
1. الگوریتم اصل
در زیر گراف (الف) شکل 2، در فضای RGB 512 نقطه وجود دارد که به صورت منظم به یک مکعب بزرگ مرتب شده اند. با این حال، اگر مقادیر CIELab مربوط به این نقاط در نرم افزار فتوشاپ به دست می آید و در فضای CIELab نمایش داده می شود، همانطور که در زیر تصویر b) شکل 2 نشان داده شده است، توزیع نقاط یک مکعب بزرگ نیست، بلکه یک شکل نامنظم است. . بنابراین، رابطه ای غیر خطی بین فضای RGB و CIELab وجود دارد.
(a) فضای RGB (b) فضای CIELab
به منظور تقریب رابطه غیر خطی بین دو، این مقاله از روش چندجمله ای محلی استفاده می کند. آن را با تقسیم فضای منبع، یعنی تقسیم فضای رنگی بزرگ به چند فضای زیر رنگ مشخص می کند، و سپس رگرسیون چند جمله ای را در تبدیل فضای رنگ در فضای رنگ زیر رنگ، نشان می دهد. روش رگرسیون چندجملهای سنتی مستقیما در فضای رنگی بزرگ تبدیل شده است که خطاهای زیادی در برخی از مناطق فضا ایجاد می کند، زیرا رابطه غیر خطی برخی از مناطق بسیار واضح است که تقریبی با یک روش جهانی دشوار است. بنابراین، اگر فضای منبع منبع ابتدا تقسیم شود، در این زیرمجموعه، روش رگرسیون چندجملهای برای تحقق بخشیدن به تحول فضایی استفاده می شود که می تواند رابطه ی غیر خطی بین دو فضای رنگی را بهبود بخشد و دقت تبدیل را بهبود بخشد.
روش چندجملهای محلی را می توان به دو مرحله تقسیم کرد: اول، فضای رنگ منبع باید تقسیم شود، نقاط مدل سازی به دست می آیند، و یک جدول جستجو ایجاد می شود. اگر سطح تقسیم بندی بالاتر باشد، حجم تقسیم زیر فضای کوچکتر، دقت تبدیل بیشتر است، اما در عین حال مقدار محاسبه نیز افزایش می یابد. در مرحله دوم، روش رگرسیون چندجملهای در زیر فضای مورد استفاده برای تحقق فضایی استفاده می شود. اولا، ضرایب چندجمله ای با استفاده از مقادیر رنگ نقاط شبکه زیربنایی (RGB، CIELab) حل می شوند و سپس مقادیر رنگ نقاط مورد نیاز برای تبدیل در فضای هدف با توجه به ضرایب به دست آمده بدست می آید.
2. مراحل پیاده سازی
2.1 ایجاد یک جدول جستجو
در ابتدا، این مقاله 8 سطح تقسیم بندی یکنواخت در فضای RGB را برای به دست آوردن 512 نقطه مدل سازی (تقسیم بندی n-سطح، نقاط مدل سازی N3) انجام می دهد، به طوری که به طور مساوی بر روی نمونه های R، G، B بنا شده است. فاصله 36، و نقطه های نمونه برداری 0، 36، 72، 108، 144، 180، 216، 255، به ترتیب، همانطور که در شکل زیر نشان داده شده است (الف) شکل 3، نشان داده شده است. ثانیا، برای بررسی بهتر خطا از مدل، لازم است که وقوع خطاهای دیگر مانند خطای اندازه گیری داده های تجربی را از بین ببریم. بنابراین، این مقاله از ابزار اندازه گیری برای خواندن داده های تجربی استفاده نمی کند، اما به طور مستقیم ارزش های RGB از 512 نقطه مدل سازی و مقادیر CIELab مربوطه را در فتوشاپ در فتوشاپ به دست می آورد.
(الف) تقسیم یکنواخت 8 سطح فضای RGB (ب) 8 نقطه شبکه زیر فضای
شکل 3 یکنواخت تقسیم یکنواخت فضای RGB و 8 نقطه شبکه از زیرمجموعه آن
2.2 جستجوی زیرمجموعه
از آنجایی که فضای منبع به 8 سطح تقسیم شده است، 343 زیرمجموعه تشکیل شده اند (بخش n سطح، زیرموهای (n-1) 3)، همانطور که در زیرگراف (a) نشان داده شده است. برای یک نقطه رنگی که باید تبدیل شود، اگر نقطه یک نقطه مدل سازی باشد، مقدار مربوط به CIELab به طور مستقیم بر اساس جدول جستجو انجام می شود. اگر این یک نقطه غیر مدلسازی باشد، از مقدار RGB خود برای پیدا کردن زیرمجموعه ای که نقطه در فضای سه بعدی RGB قرار دارد استفاده کنید، همانطور که در زیر تصویر (b) شکل 3 نشان داده شده است، سپس RGB را از 8 نقطه شبکه از زیرمجموعه. و ارزش CIELab، آماده انجام رگرسیون چندجملهای، ضرایب چند جمله ای را حل می کند.
به عنوان مثال، برای مقدار RGB (33، 144، 200) تبدیل می شود (نقطه نقطه غیر مدل سازی)، مقادیر RGB از 8 شبکه در زیر فضای (0، 108، 180) است. 0،108،216) (0،144،180)، (0،144،216)، (36،108،180)، (36،108،216)، (36،144،216). از آنجا که این نقاط شبکه نقاط مدل سازی هستند، مقادیر CIELab مربوطه را می توان در جدول جستجوی یافت. پس از تعیین ارزش RGB و CIELab از این نقاط شبکه با نگاه کردن به جدول، شما می توانید برای گام بعدی برای حل ضرایب چند جمله ای مربوط به این زیر فضای آماده، و هر زیر فضای دارای ضریب چند جمله ای منحصر به فرد است.
2.3. ضریب چند جمله ای زیر فضای را پیدا کنید
رگرسيون چندجمله اي نياز دارد كه تعداد آيتم ها كمتر از تعداد نقاط مدلسازي باشد. در هنگام حل ضرایب زیر فضای، از آنجا که فقط 8 نقطه شبکه از زیر فضای به عنوان نقاط مدل سازی استفاده می شود، فقط 7 چند جملهای می تواند مورد استفاده قرار گیرد، همانطور که در معادلات (1)، (2) و (3) نشان داده شده است.
جایی که: R، G، B، L، A، B، R، G، B، L، a، b مقادیر شبکه زیر فضای؛ به ترتیب، و چند جمله ای های مربوط به مقدار L، a، b به ترتیب ضریب.
به عنوان مثال، در فرایند راه حل، مقادیر RGB و L از نقاط اول تا هشتم شبکه ای از زیرمجموعه باید به معادله (1) تعویض شوند و هشت معادله را می توان به دست آورد که توسط حذف گاوس بدست می آید. به طور مشابه، مقادیر RGB، ارزش، RGB و b از هشت نقاط شبکه به ترتیب معادلات (2) و (3) جایگزین می شوند و مجموع می تواند بدست آید. به عنوان مثال، برای یک نقطه رنگ با مقدار RGB (33، 44، 200)، ضریب چندجملهای مربوط به زیرمجموعه که در آن قرار دارد، همانطور که در معادلات (4)، (5) و (6) نشان داده شده است.
2.4 به دنبال ارزش CIELab
پس از به دست آوردن و سپس، مقادیر RGB نقاط رنگ به معادلات (1)، (2) و (3) تعویض می شوند، و مقدار CIELab نقطه حل شده است. به عنوان مثال، مقدار RGB نیز نقطه رنگ (33، 44، 200) و R = 33، G = 44 و B = 200 به صورت متوالی به معادله (4)، معادله (5) و معادله (6) که در آن ضریب شناخته شده است. ، شما می توانید L = 56، A = -15، B = -38 را بدست آورید تا RGB به تبدیل فضای CIELab برسد.
دوم، نتایج تجربی و تجزیه و تحلیل
1. آزمون دقیق
در این مقاله فضای رنگی RGB برای به دست آوردن 216 امتیاز آزمون به 6 سطح تقسیم می شود. مقادیر RGB این نقاط رنگی و مقادیر CIELab مربوطه نیز در فتوشاپ به دست می آید و سپس داده ها برای تأیید صحت مدل استفاده می شود.
2. تجزیه و تحلیل نتایج
در فرآیند تأیید صحت مدل، این مقاله همچنین از روش رگرسيون چندجملهای (20 مورد) برای مقايسه با آن استفاده می کند. نتایج تجربی در جدول 1 نشان داده شده است. بدیهی است، روش چندجملهای محلی بسیار بهتر از روش رگرسیون چندجملهای (20 مورد) است، صرف نظر از حداکثر تفاوت رنگ، حداقل خطا و خطای متوسط تبدیل.
جدول 1 مقایسه نتایج تجربی دو روش
علاوه بر این توزیع خطای دو روش در شکل 4 و شکل 5 نشان داده شده است. برای 216 امتیاز تست، روش چندجمله ای محلی استفاده می شود. تعداد اشتباهات بین 0 و 1 حدود 150 است که تقریبا 70٪ و بیشتر خطاها بین 0 و 2 است. اگر رگرسیون چند جملهای استفاده شود (20 مورد) خطا عمدتا بین 1 تا 5 توزیع می شود و یک تعداد کمی از نقاط بین 7 تا 9 توزیع می شود و توزیع ایده آل نیست. بنابراین روش چندجمله ای محلی یک روش با دقت بالا تبدیل است.
سوم، نتیجه گیری
در این مقاله، تبدیل فضای رنگ RGB به CIELab با استفاده از روش چندجملهای محلی و با روش رگرسیون چندجملهای (20 مورد) مقایسه شده است. نتایج تجربی نشان می دهد که روش چندجمله ای محلی یک روش بسیار دقیق تبدیل است و برتر از روش رگرسیون چندجملهای است (20 مورد). در عین حال، اگر دقت تبدیل بیشتر بهبود یافته و توزیع خطا بهتر بهبود یابد، داده های مدل سازی را می توان با تقسیم 8 یا بیشتر یا تقسیم غیر یکنواخت تقسیم کرد، یا یک تابع غیر خطی را می توان در چندجملهای معرفی کرد تا تقریبا دو رنگ یک رابطه غیر خطی بین فضاهای.

