การวิจัยเกี่ยวกับอัลกอริธึมการแปลงสี RGB สู่ CIELab ด้วย Algorithm การแปลงพหุนามท้องถิ่น
เราเป็น บริษัท การพิมพ์ขนาดใหญ่ในเซินเจิ้นประเทศจีน เรานำเสนอสิ่งพิมพ์หนังสือทุกเล่มการพิมพ์หนังสือปกแข็งการพิมพ์หนังสือปกอ่อนโน๊ตบุ๊คปกแข็งการพิมพ์หนังสือ sprial อาน stiching การพิมพ์หนังสือการพิมพ์หนังสือเล่มเล็กกล่องบรรจุภัณฑ์ปฏิทินทุกชนิดของพีวีซีโบรชัวร์ผลิตภัณฑ์บันทึกย่อหนังสือเด็กสติกเกอร์ทั้งหมด ชนิดของผลิตภัณฑ์กระดาษพิมพ์สีพิเศษ, เกม cardand เป็นต้น
สำหรับข้อมูลเพิ่มเติมกรุณาเยี่ยมชม
http://www.joyful-printing.com ภาษาอังกฤษเท่านั้น
http://www.joyful-printing.net
http://www.joyful-printing.org
อีเมล: info@joyful-printing.net
การทำสำเนาสีและการทำสำเนาขึ้นอยู่กับอุปกรณ์ฮาร์ดแวร์ต่างๆเช่นจอภาพเครื่องพิมพ์ ฯลฯ แต่ลักษณะของอุปกรณ์ฮาร์ดแวร์เหล่านี้ไม่สามารถเหมือนกันได้เพื่อให้แม้แต่อุปกรณ์ประเภทเดียวกันถ้ามีค่าสีเดียวกัน (เช่น RGB, CMYK) เป็น input, display หรือผลของการพิมพ์ยังไม่สอดคล้องกันแม้ห่างจากกัน เพื่อให้เกิดความสม่ำเสมอในการทำสำเนาสีบนอุปกรณ์ฮาร์ดแวร์ที่ต่างกันเทคนิคการจัดการสีที่ขึ้นอยู่กับพื้นที่ที่ไม่ขึ้นกับอุปกรณ์เกิดขึ้น ดังแสดงในรูปที่ 1 พื้นที่ที่เกี่ยวข้องกับอุปกรณ์ (เช่น RGB, CMY) จะถูกแปลงเป็นพื้นที่ที่ไม่ขึ้นกับอุปกรณ์ (เช่น CIELab) จากนั้นพื้นที่ที่ไม่ขึ้นกับอุปกรณ์จะถูกแปลงเป็นพื้นที่ที่เกี่ยวข้องกับอุปกรณ์ ดังนั้นเนื้อหาหลักของเทคโนโลยีการจัดการสีคือการแปลงพื้นที่สี วิธีทางคณิตศาสตร์แบบดั้งเดิมเช่นการแก้ไขและการถดถอยพหุนามมีการใช้อย่างกว้างขวางในทางปฏิบัติและได้ผลดี ในบทความนี้จะใช้วิธีพหุนามในท้องถิ่นที่แตกต่างจากสองวิธีข้างต้นเพื่อให้ทราบถึงการแปลงจากพื้นที่สี RGB ไปเป็น CIELab และเมื่อเปรียบเทียบกับวิธีการถดถอยพหุนาม (20 รายการ) ผลการทดลองแสดงให้เห็นว่าแบบจำลองมีความแม่นยำในการแปลงสูงและสามารถให้ข้อมูลอ้างอิงสำหรับการวิจัยทางวิทยาศาสตร์
ขั้นแรกให้ใช้โพรโตคอล RGB ถึง CIELab ในการแปลงพื้นที่สี
1. หลักการขั้นตอนวิธี
ใน subgraph (a) ของรูปที่ 2 มี 512 จุดในพื้นที่ RGB ซึ่งจัดไว้อย่างเรียบร้อยในก้อนขนาดใหญ่ อย่างไรก็ตามหากค่า CIELab ตรงกับจุดเหล่านี้จะได้มาจากซอฟต์แวร์ Photoshop และแสดงในพื้นที่ CIELab ดังแสดงในรูปที่ 2 (b) ของรูปที่ 2 การกระจายจุดไม่ได้เป็นก้อนขนาดใหญ่ แต่มีรูปร่างผิดปกติ . ดังนั้นจึงมีความสัมพันธ์แบบไม่เชิงเส้นระหว่างพื้นที่ RGB และ CIELab
(ก) เนื้อที่ RGB (b) พื้นที่ CIELab
ในการประมาณความสัมพันธ์เชิงเสียงระหว่างสองบทความนี้ใช้วิธีพหุนามท้องถิ่น เป็นลักษณะการแบ่งพื้นที่ต้นทางนั่นคือการแบ่งพื้นที่สีขนาดใหญ่ออกเป็นช่องว่างย่อย ๆ และจากนั้นทำการถดถอยพหุนามในการแปลงพื้นที่สีในพื้นที่ย่อย วิธีการถดถอยพหุนามแบบดั้งเดิมคือการแปลงโดยตรงในพื้นที่สีขนาดใหญ่ซึ่งจะทำให้เกิดข้อผิดพลาดมากในบางพื้นที่ของพื้นที่เพราะความสัมพันธ์เชิงเส้นของบางภูมิภาคเป็นที่ชัดเจนเพื่อให้เป็นเรื่องยากที่จะประมาณด้วยวิธีการทั่วโลก ดังนั้นหากพื้นที่สีต้นทางถูกแบ่งออกเป็นครั้งแรกวิธีการถดถอยพหุนามจะถูกใช้ในสเปซย่อยเพื่อให้เกิดการเปลี่ยนแปลงเชิงพื้นที่ซึ่งจะสามารถประมาณความสัมพันธ์เชิงเส้นระหว่างช่องว่างของสีได้ดีขึ้นและปรับปรุงความแม่นยำในการแปลง
วิธีพหุนามในท้องถิ่นสามารถแบ่งออกเป็นสองขั้นตอนคือประการแรกพื้นที่สีต้นทางจะต้องมีการแบ่งส่วนจุดโมเดลจะได้รับและมีการสร้างตารางการค้นหาไว้ ถ้าระดับของการแบ่งเซ็กเมนต์สูงขึ้นปริมาณของสเปซย่อยที่แบ่งน้อยลงความแม่นยำในการแปลงจะสูงขึ้น แต่ในขณะเดียวกันจำนวนการคำนวณจะเพิ่มขึ้น ประการที่สองใช้วิธีการถดถอยพหุนามในสเปซเพื่อทราบการเปลี่ยนแปลงเชิงพื้นที่ อันดับแรกสัมประสิทธิ์ของพหุนามจะได้รับการแก้ไขโดยใช้ค่าสีของจุดตาแหน่งย่อย (RGB, CIELab) จากนั้นค่าสีของจุดที่จะแปลงเป็นพื้นที่เป้าหมายจะได้รับตามสัมประสิทธิ์ที่ได้รับ
2. ขั้นตอนการดำเนินการ
2.1 สร้างตารางค้นหา
ประการแรกกระดาษนี้ทำการแบ่งพื้นที่อย่างสม่ำเสมอ 8 ระดับในพื้นที่ RGB เพื่อให้ได้รูปแบบจำลอง 512 จุด (การแบ่งส่วน n ระดับมี n3 modeling points) นั่นคือการสุ่มตัวอย่างอย่างสม่ำเสมอใน R, G, B channels ตามลำดับ ระยะห่างคือ 36 และจุดเก็บตัวอย่างคือ 0, 36, 72, 108, 144, 180, 216, 255 ตามลาดับดังแสดงในรูปย่อย (a) ของรูปที่ 3 ประการที่สองเพื่อให้สามารถตรวจสอบข้อผิดพลาดได้ดีขึ้น ของรูปแบบนั้นจำเป็นต้องขจัดการเกิดข้อผิดพลาดอื่น ๆ เช่นข้อผิดพลาดในการวัดข้อมูลการทดลอง ดังนั้นบทความนี้จึงไม่ใช้เครื่องมือวัดในการอ่านข้อมูลการทดลอง แต่จะได้รับค่า RGB จาก 512 จุดจำลองและค่า CIELab ที่สอดคล้องกันในแผง Photoshop ของ Photoshop
(ก) การแบ่งพื้นที่ RGB แบบสม่ำเสมอ 8 ระดับ (ข) จุดกริด 8 จุดของสเปซย่อย
รูปที่ 3 แบ่งระดับ 8 ชุดของพื้นที่ RGB และ 8 จุดกริดของสเปซย่อย
2.2 กำลังมองหาสเปซย่อย
เนื่องจากพื้นที่แหล่งที่มาถูกแบ่งออกเป็น 8 ระดับ 346 subspaces จะถูกสร้างขึ้น (n-level division มี (n-1) 3 subspaces) ดังแสดงใน subgraph (a) ของ FIG. สำหรับจุดสีที่จะแปลงหากจุดเป็นจุดสร้างโมเดลค่า CIELab ที่สอดคล้องกันจะถูกส่งออกโดยตรงตามตารางการค้นหา ถ้าเป็นจุดที่ไม่เป็นแบบจำลองให้ใช้ค่า RGB เพื่อค้นหาสเปซที่จุดอยู่ในพื้นที่สามมิติของ RGB ดังที่แสดงในภาพย่อย (b) ของรูปที่ 3 จากนั้นแยก RGB ของ 8 จุดกริดของสเปซ และค่า CIELab พร้อมที่จะทำสมการถดถอยพหุนามแก้สัมประสิทธิ์พหุนาม
ตัวอย่างเช่นสำหรับค่า RGB (33, 144, 200) ที่จะแปลง (จุดเป็นจุดที่ไม่ใช่แบบจำลอง) ค่า RGB ของจุดกริด 8 ในสเปซคือ (0, 108, 180) (0,148,216), (36,108,180), (36,108,216), (36,144,216) เนื่องจากจุดกริดเหล่านี้เป็นจุดแบบจำลองค่า CIELab ที่สอดคล้องกันจึงสามารถพบได้ในตารางค้นหา หลังจากกำหนดค่า RGB และ CIELab ของจุดกริดเหล่านี้โดยการมองขึ้นไปบนโต๊ะคุณสามารถเตรียมตัวสำหรับขั้นตอนถัดไปเพื่อแก้สัมประสิทธิ์พหุนามที่สอดคล้องกับสเปซย่อยนี้และแต่ละสเปซจะมีสัมประสิทธิ์พหุนามที่ไม่ซ้ำกัน
2.3 หาสัมประสิทธิ์ของพหุนามของสเปซ
การถดถอยพหุนามจำเป็นต้องมีจำนวนรายการน้อยกว่าจำนวนจุดแบบจำลอง เมื่อแก้สัมประสิทธิ์ของ subspace เนื่องจากมีเพียง 8 จุดกริดของสเปซที่ใช้เป็นจุดการสร้างแบบจำลองจะมีเพียง 7 polynomials เท่านั้นที่สามารถใช้งานได้ดังแสดงในสมการ (1), (2) และ (3)
ที่ไหน: R, G, B, L, A, B คือค่า R, G, B, L, a, b ของจุดกระจุกดาวย่อย ตามลำดับและพหุนามที่สอดคล้องกับค่าสัมประสิทธิ์ L, a, b
ตัวอย่างเช่นในกระบวนการแก้ปัญหาค่า RGB และ L ของจุดกริดที่หนึ่งถึงแปดของสเปซจะถูกแทนที่ลงในสมการ (1) และสามารถหาสมการได้ถึงแปดสมการซึ่งได้จากการกำจัด Gaussian ในทำนองเดียวกัน RGB ค่า RGB และค่า b ของแปดจุดกริดจะถูกแทนที่ลงในสมการ (2) และ (3) ตามลำดับและผลรวมสามารถหาได้ ตัวอย่างเช่นสำหรับจุดสีที่มีค่า RGB (33, 44, 200) สัมประสิทธิ์พหุนามที่ตรงกับสเปซที่อยู่ในนั้นจะแสดงในสมการ (4), (5) และ (6)
2.4 กำลังมองหาค่า CIELab
หลังจากได้รับแล้วค่า RGB ของจุดสีจะถูกแทนที่ในสมการ (1) (2) และ (3) และค่า CIELab ของจุดจะได้รับการแก้ไข ตัวอย่างเช่นค่า RGB เป็นจุดสีของ (33, 44, 200) และ R = 33, G = 44 และ B = 200 ถูกแทนที่ตามสมการ (4) สมการ (5) และสมการ (6) เมื่อทราบค่าสัมประสิทธิ์ คุณสามารถหา L = 56, A = -15, B = -38 ตามลำดับเพื่อให้ได้การแปลงพื้นที่ RGB ไปยัง CIELab
ประการที่สองผลการทดลองและการวิเคราะห์
1. การทดสอบความถูกต้อง
ในกระดาษนี้พื้นที่สี RGB แบ่งออกเป็น 6 ระดับเพื่อให้ได้คะแนนทดสอบ 216 จุด ค่า RGB ของจุดสีเหล่านี้และค่า CIELab ที่สอดคล้องกันจะได้รับใน Photoshop จากนั้นข้อมูลจะถูกใช้เพื่อตรวจสอบความถูกต้องของรูปแบบ
2. การวิเคราะห์ผล
ในกระบวนการตรวจสอบความถูกต้องของแบบจำลองบทความนี้ยังใช้วิธีการถดถอยพหุนาม (20 รายการ) เพื่อเปรียบเทียบ ผลการทดลองแสดงไว้ในตารางที่ 1 เห็นได้ชัดว่าวิธีพหุนามในท้องถิ่นดีกว่าวิธีถดถอยพหุนาม (20 รายการ) โดยไม่คำนึงถึงความแตกต่างของสีสูงสุดข้อผิดพลาดขั้นต่ำและความผิดพลาดเฉลี่ยของการแปลง
ตารางที่ 1 เปรียบเทียบผลการทดลองในสองวิธี
นอกจากนี้การแจกแจงข้อผิดพลาดของสองวิธีดังแสดงในรูปที่ 4 และรูปที่ 5 สำหรับจุดทดสอบ 216 จะใช้วิธีพหุนามในท้องถิ่น จำนวนข้อผิดพลาดระหว่าง 0 ถึง 1 ประมาณ 150 ซึ่งเกือบ 70% และข้อผิดพลาดส่วนใหญ่อยู่ระหว่าง 0 ถึง 2 ถ้าใช้การถดถอยพหุนาม (20 รายการ) ข้อผิดพลาดจะกระจายส่วนใหญ่ระหว่าง 1 ถึง 5 และ จุดจำนวนน้อยมีการกระจายระหว่าง 7 และ 9 และการแจกจ่ายไม่เหมาะ ดังนั้นวิธีพหุนามในท้องถิ่นเป็นวิธีที่มีความแม่นยำในการแปลงสูง
ประการที่สามข้อสรุป
ในเอกสารฉบับนี้การแปลงพื้นที่สี RGB ไปยัง CIELab ใช้วิธีพหุนามท้องถิ่นและเปรียบเทียบกับวิธีการถดถอยพหุนาม (20 รายการ) ผลการทดลองแสดงให้เห็นว่าวิธีพหุนามในท้องถิ่นเป็นวิธีการแปลงที่แม่นยำสูงและดีกว่าวิธีถดถอยพหุนาม (20 รายการ) ในเวลาเดียวกันหากความถูกต้องของ Conversion ถูกปรับปรุงให้ดียิ่งขึ้นและการกระจายข้อมูลผิดพลาดดีขึ้นข้อมูลแบบจำลองสามารถแบ่งออกได้เป็น 8 หรือมากกว่าหรือแบ่งกันไม่สม่ำเสมอหรือสามารถนำฟังก์ชันไม่เชิงเส้นมาใช้ในพหุนามเพื่อให้ใกล้เคียงกับ สองสี ความสัมพันธ์แบบไม่เชิงเส้นระหว่างช่องว่าง

