用多光譜照相機恢復(fù)圖片的紅光光譜反射率

用多光譜照相機恢復(fù)圖片的紅光光譜反射率NoriyukiShimano,*KenichiroTerai,andMikiyaHironaga部門信息，近畿大學(xué)科學(xué)與工程學(xué)院,3-4-1,Kowakae,大田區(qū)和東大阪市。577-8502年大阪,日本通訊地址:shimano@info.kindai.ac.jp2007年2月15日收到,2007年6月8日修改;2007年6月24日接受2007年7月16日發(fā)布(Doc.ID80035);2007年9月19日公布在不同的光照下，通過使用傳感器對要成像的物體進行光譜信息的采集使重要的復(fù)制彩色圖像的方法。這種方法的準(zhǔn)確性使依靠光譜相機模型對五種不同的恢復(fù)精度模型對比得出的。結(jié)果表明:維納估計,使用噪聲方差估計,提出了IEEE反式。圖像處理。從不同的學(xué)習(xí)樣本中，發(fā)現(xiàn)15，1848（2006）恢復(fù)譜的反射率比別的測試樣品更準(zhǔn)確。?2007美國光學(xué)學(xué)會330.1690:330.1730,OCIS守則,330.6180150.01501.介紹對象的顏色感覺取決于物體的表面,照明和人類視覺系統(tǒng)之間的相互作用。對象的光譜相對于紅光顏色的對象的物理特性,即,他們是獨立的燈飾和圖像采集設(shè)備。因此，光譜的恢復(fù)相對于紅光的要成像的對象來說，不僅復(fù)制很重要，而且彩色圖像在各種燈飾[1-3]研究計算顏色視覺[4-6]和顏色恒常性[7]方面也很重要。在很多調(diào)查中我們采用，光譜的恢復(fù)相對于紅光r，用傳感器反應(yīng)p并且還提出了幾個模型，其中，r是一個N1向量,p是一個M1向量,N代表樣品在可見光波長的數(shù)量,和M代表傳感器的數(shù)量。一個光譜反射率r?通常是通過應(yīng)用一個N中恢復(fù)過來。T傳感器響應(yīng)pM矩陣,即。,r?=Tp。這些模型主要分為兩類:首先是維納猜想,這樣可以最大限度減少的意義紅光相對恢復(fù)和測量光譜平方誤差(MSEs）[10-12],第二個是一個模型,該模型基于有限維線性模型的使用對象的光譜相對于紅光[13-16],即。,光譜反射率由正交線性組合基礎(chǔ)的載體。另一個修改后的線性模型使用重量列之間的回歸分析標(biāo)準(zhǔn)正交基向量的向量來表示。已知光譜相對于紅光和相應(yīng)的傳感器(20,24)的反應(yīng);在這個模型向量通常的基礎(chǔ)導(dǎo)出了光譜的主成分分析

相對于紅光或派生通過奇異值分解(圣)[25]。修改后的模型稱為Imai–Berns(26、27)模型。通?；A(chǔ)向量的數(shù)量用于恢復(fù)光譜的相對于紅光線性的模型的數(shù)量等于傳感器,因為一個數(shù)字向量的數(shù)量大于傳感器不能給出準(zhǔn)確恢復(fù)光譜(26、27),也沒有產(chǎn)生一個單一的解決方案。因此史和希利提議一種新的模式恢復(fù)光譜相對于紅光用基礎(chǔ)向量多傳感器,同時增加經(jīng)濟復(fù)蘇(28)的準(zhǔn)確性。最近,準(zhǔn)確性不同的光譜相對于紅光恢復(fù)模型比較[27日29日]。其他的模型提出了;例如,模型,使用metamer-setbased方法30-,Matrix-R方法(18、21),(33)和神經(jīng)網(wǎng)絡(luò)用于光譜相對于紅光恢復(fù)從傳感器的響應(yīng)。從實用的觀點來看,它相對于紅光成像沒有先驗知識對象的光譜是理想的恢復(fù)相對于紅光的光譜。的

圖像采集系統(tǒng)和噪聲方差自相關(guān)矩陣的譜相對于紅光對象。這將需要一個攝像頭捕捉到恢復(fù)光譜相對于紅光利用維納估計。估計的準(zhǔn)確性很大程度上取決于用于維納估計噪聲方差。最近我們中的一個(n.Shimano)提出了一種新的模型來估計噪聲方差的圖像采集系統(tǒng)。也表明,光譜相對于紅光的對象被成像通過使用圖像數(shù)據(jù)多光譜相機沒有的先驗知識光譜反射率的對象和噪聲中圖像采集系統(tǒng)[34-36]準(zhǔn)確恢復(fù)使用維納估計。在本文,的光譜相對于紅光恢復(fù)的準(zhǔn)確性使用不同的模型通過使用比較多光譜相機。結(jié)果表明,光譜相對于紅光恢復(fù)使用的維納濾波器噪聲方差估計,提出[36]更準(zhǔn)確當(dāng)學(xué)習(xí)光譜相對于紅光比其他人樣品不同的測試樣品。本文組織如下。第二部分描述光譜相對于紅光的恢復(fù)模型。在第三節(jié)、實驗過程和結(jié)果。第四節(jié)給出了結(jié)論。2.相對于紅光恢復(fù)光譜模型在本節(jié)中,相對于紅光光譜的恢復(fù)的模型簡要綜述。綜述了模型維納估計(維納估計使用估計噪聲方差(36)為簡便起見稱為維納估計,偽逆模型(18-23)(下面維納估計的修改通過回歸分析稱為偽逆模型),線性模型[7],Imai-Berns模型24日,29日,和Shi-Healey模型[28]。顏色復(fù)制允許的向量空間表示法簡單的配方的問題。在這種方法中,可見波長從400年到700海里采樣間隔10nm,的數(shù)量樣品是用n.正如第一節(jié)中提到的,傳感器的響應(yīng)矢量p從一組顏色傳感器為對象以N1光譜反射向量r可以表達通過p=SLr+e,
（1）

在p是M1傳感器響應(yīng)向量米通道傳感器,年代是一個光譜敏感性的錳矩陣的傳感器,L是一個神經(jīng)網(wǎng)絡(luò)對角矩陣與光源的光譜功率分布的樣本沿著對角線,e是M1加性噪聲向量,其中包含不僅來自傳感器的噪聲

光譜特性的測量誤差傳感器、燈飾和相對于紅光,這噪音是表示為系統(tǒng)噪聲[36]。

A.維納估計讓p是一個傳感器反應(yīng)所獲得的圖像收購對象的光譜反射率r。如果一組傳感器的光譜特性照明,和對象的相對于紅光已知,那么矩陣W的均方誤差最小化歐幾里得范數(shù)的Er?Wp2是派生(10、11)（2）E·和T代表了期望和轉(zhuǎn)置分別為一個矩陣,RSS是一種自相關(guān)矩陣的譜相對于紅光測試或?qū)W習(xí)樣本,SL代表SLe2是一個用于噪聲方差估計,我是單位矩陣,其中噪音被認為是不相關(guān)的隨機變量零的意思。如果用于估計噪聲方差E2等于實際系統(tǒng)的噪聲方差值MSE將最小化[36]。的自相關(guān)矩陣的譜相對于紅光和噪聲方差所需的光譜相對于紅光中恢復(fù)維納估計。因此很難估計方法在實際情況下,因為他們通常未知的。如果實際的系統(tǒng)噪聲方差估計可以通過學(xué)習(xí)樣本,然后可以使用噪聲方差和自相關(guān)矩陣的學(xué)習(xí)樣本的光譜相對于紅光Eq。(2)最小化的MSE的光譜相對于紅光中恢復(fù)過來。這是模型的動機。在維納估計噪聲方差必須分為兩類,即噪聲方差的估計和實際系統(tǒng)噪音。由于實際系統(tǒng)噪聲通常是未知的,噪聲方差用于Eq。(2)只是一個猜測。讓我們考慮如何估計實際系統(tǒng)噪聲方差。表面反射光譜的自相關(guān)矩陣通過RSS=ErrT給出。自自相關(guān)矩陣RSS是對稱的,它是由一組特征向量表示矩陣的特征值為RSS=VVT,在V代表基礎(chǔ)矩陣,即。,它包含一組自相關(guān)矩陣的特征向量。是一個護士

N用積極的特征值矩陣的對角矩陣沿著對角線降序。讓SLV=SLV1/2。用RSS=VVT的關(guān)系和SLV=SLV1/2Eq。(2),誤差向量r之間恢復(fù)向量r?和一個實際的表面反射向量r是由（3）矩陣的奇異值分解的可以寫成這里，，表示第i個奇異值和第i個左和右奇異向量,分別。如果測試的相對于紅光一樣相對于紅光用于學(xué)習(xí)樣本，然后替換這些關(guān)系和Eq。(1)為情商。(3)和假設(shè)r和e是互不相關(guān)的推導(dǎo)出（4）其中bij表示右奇異向量的第i個行，bj,j=1,。

的V和2代表了實際系統(tǒng)噪聲方差的定義,即,i,e,已經(jīng)習(xí)慣得到Eq。(4),最小值家中小企業(yè)的恢復(fù)光譜相對于紅光Eq。(4)可以得到如果噪聲方差用于大霸王-3212j.選擇。Soc。點。/卷。2007年10月24日,10號。同軸和e2等于實際系統(tǒng)噪聲方差2[36]。如果我們讓噪聲方差=0的維納估計,然后,MSEe2=0(通過讓派生E2=0Eq(4)]。(5)然后估計系統(tǒng)噪聲方差可以用表示為（6）因此系統(tǒng)噪聲方差可以用情商估計。(6),由于分子除了碩士=0和分母的Eq。(6)可以計算如果物體表面反射光譜,光譜敏感性傳感器的光譜功率分布光源是已知的,碩士=0在實驗中通過使用Eq。(3)與維納濾波器零噪音傳感器響應(yīng)方差和平均r2在顏色樣本。因此實際的噪聲方差估計從情商。(6)[36]。讀者誰有興趣評估方法可以參考嗎(36)的更多細節(jié)。因此譜相對于紅光恢復(fù)與維納估計用準(zhǔn)確情商的噪聲方差估計。(6)和自相關(guān)矩陣的譜相對于紅光學(xué)習(xí)樣本為情商。(2)。B.偽逆模型修改維納估計的回歸分析是出于不使用先驗知識，要求光譜敏感的傳感器和照明的光譜功率分布。讓π是一個傳感器響應(yīng)向量所獲得的一個已知的圖像采集光譜反射率ri第i個對象,i代表一個數(shù)字。讓P是一個可包含傳感器響應(yīng)矩陣p1,p2,。,pk,讓R是一個Nk矩陣包含相應(yīng)的光譜相對于紅光r1、r2。家鄉(xiāng),

凱西在哪里學(xué)習(xí)樣本的數(shù)量。的偽逆模型(18-23)是找到一個納米矩陣W最大限度地減少R?WP,符號表示

弗羅貝尼烏斯規(guī)范[37]的矩陣W（7）其中P+表示矩陣的偽逆矩陣[25]矩陣WP.通過應(yīng)用到傳感器響應(yīng)向量,即。光譜反射率rr?=Wp,?估計。因此該模型不使用傳感器的光譜敏感性和照明的光譜功率分布,但只使用光譜相對于紅光學(xué)習(xí)樣本。C.線性模型光譜相對于紅光對象通常是光滑的可見光波長,并由一個基礎(chǔ)向量的線性組合得到主成分分析或計算的光譜相對于紅光[13-16]表示，如果這些向量是由v1、v2，,然后光譜反射率r表示（8）d代表基礎(chǔ)向量的數(shù)量,代表的權(quán)重向量的基礎(chǔ),代表一個d1包含維列向量權(quán)重作為元素和V代表Nd基礎(chǔ)矩陣包含第一維基礎(chǔ)向量是列向量。被忽視了噪音和替代Eq。(8)為情商。(1),重量列向量是(9)替換(9)到情商Eq。(8)導(dǎo)致了光譜反射率中恢復(fù)過來,這個模型需要相對于紅光傳感器的光譜特性,照明。D.Imai-Berns模型Imai-Berns模型是線性模型的修改通過使用重量列向量之間的回歸分析基礎(chǔ)向量來表示已知的光譜相對于紅光和相應(yīng)傳感器響應(yīng)向量[24日29日]。讓Ω是一個包含了d×k矩陣列向量的權(quán)重來表示已知光譜相對于紅光k,是一個可矩陣包含相應(yīng)的傳感器響應(yīng)向量相對于紅光p1,p2,。,pk。之間的回歸分析這些矩陣表示為?BP。一個d×M矩陣B,最小化弗羅貝尼烏斯規(guī)范給出的(10)因為重量列向量傳感器響應(yīng)估計矢量p作為，估計光譜反射矢量來源于Eq。(8),該模型不使用傳感器的光譜特征和照明。E.Shi-Healey模型從Eq。(9),不能獨特的光譜反射率的線性模型,如果找到了基礎(chǔ)向量的數(shù)量是不同的傳感器。史和希利提出了一個模型來恢復(fù)光譜反射率,使用更多的基礎(chǔ)矢量傳感器相比較,最類似于一個學(xué)習(xí)光譜反射率之間的光譜相對于紅光符合線性模型和傳感器響應(yīng)[28]。讓V1成為一個矩陣,包含,讓V2是一個矩陣,包含。因此傳感器響應(yīng)矢量p通過收購對象的光譜反射率r等于（11）和分別代表重量列向量V1和V2,來自Eq。(11)，光譜反射向量r?由給出的線性模型表示（12）一般來說,會有一組光譜相對于紅光,符合線性模型和滿足。史和希利探討了解決方案,是最類似于一個學(xué)習(xí)光譜反射率之間的光譜相對于紅光符合線性模型和傳感器響應(yīng)，光譜反射向量,滿足上面兩個條件;然后列向量來自Eq。(12)，正如：（13）因此估計光譜反射率可替換的Eq,帶入Eq(13)。(12)的條件是最小化。這個模型使用傳感器的光譜特征和照明?；謴?fù)所需的先驗知識由五個不同的光譜反射率模型如表1中所示。開環(huán)和一個十字架的符號表中分別代表的需要和不需要相應(yīng)的先驗知識。3.實驗過程和結(jié)果A實驗過程組裝一個彩色圖像采集系統(tǒng)使用七干擾過濾器(朝日譜公司)與黑白CCD相機(柯達kai-4020)的光學(xué)透鏡(槍管lens變焦鏡頭V6×16).每個傳感器的光譜靈敏度是以下程序衡量。一塊白色的GretagMacbethColorChecker(19號)由單色光照明,使用單色儀,約45°方向的表面正常。單色光的強度是衡量一個光譜儀(美能達cs-1000)從正常的方向在可見光波長從400年到700海里每隔10納米。我們被照明表面法線方向的多光譜相機,即。,從同一地點光譜儀。相機的傳感器響應(yīng)被一個模擬數(shù)字轉(zhuǎn)換器轉(zhuǎn)換成16-bit-depth數(shù)字數(shù)據(jù),并除以每個波長的單色光的強度。七集傳感器進行優(yōu)化的基礎(chǔ)上比色評價模型由Shimano[38-40]的GretagMacbethColorChecker燈照亮了索拉克斯公司(中國的xc-100a)。測量光譜敏感波長從400到700納米10納米。圖1。光譜敏感性的一組七個傳感器用于實驗時間間隔是圖1中所示。三套顏色圖表,GretagMacbethColorChecker顏色(24),GretagMacbethColorChecker直流(166色),和柯達Q60(228色),和一個日本藝術(shù)繪畫被用于照明下的圖像采集索拉克斯公司的燈,燈的光譜功率分布是圖2所示。在實驗中相機和燈光的位置是固定的。顏色圖表和這幅畫從約45°方向照亮表面正常,然后圖像被多光譜相機從正常的方向發(fā)展。在先前的研究[36]進行空間校正最小化任何傳感器陣列的空間不均勻性的影響或光照強度。每種顏色一個像素提取中心補丁,并用于恢復(fù)。使用GretagMacbethColorChecker和柯達Q60的恢復(fù)性能進行評估的五個不同的模型。GretagMacbethColorCheckerDC圖被用來恢復(fù)光譜的相對于紅光藝術(shù)繪畫。圖2、索拉克斯公司燈的光譜功率分布學(xué)習(xí)自相關(guān)矩陣的RSS譜和噪聲方差估計相對于紅光利用圖像數(shù)據(jù)的學(xué)習(xí)樣本，用于維納估計。偽逆模型,一個矩陣W計算通過使用光譜相對于紅光學(xué)習(xí)樣本和相應(yīng)傳感器的響應(yīng)。線性模型,Imai-Berns模型,Shi-希利模型,特征向量的學(xué)習(xí)樣本的自相關(guān)矩陣的相對于紅光譜用于估計。Imai-Berns模型相對應(yīng)的傳感器響應(yīng)譜的相對于紅光學(xué)習(xí)樣本在Eq也用來計算一個矩陣B。(10)B.實驗結(jié)果光譜的準(zhǔn)確性相對于紅光恢復(fù)Shi-Healey模型取決于用于估計的數(shù)量的基礎(chǔ)向量,之前報道(26、27)。圖3顯示了MSE的光譜相對于紅光恢復(fù)Shi-Healey模型作為基礎(chǔ)的數(shù)量的函數(shù)向量的GretagMacbethColorChecker和柯達Q60。盡管結(jié)果取決于學(xué)習(xí)的結(jié)合和測試樣本,但MSE的價值由這個模型是最小化在8和9基礎(chǔ)向量學(xué)習(xí)樣本與測試樣本不同,而這是最小化在31日向量相同的樣本用于學(xué)習(xí)和測試。基礎(chǔ)向量的數(shù)量最小化Shi-Healey的MSE用于評價模型。表2-5顯示的準(zhǔn)確性由五個不同的光譜相對于紅光恢復(fù)模型,當(dāng)GretagMacbethColorChecker和柯達Q60使用。這些表中列出的結(jié)果顯示精度,當(dāng)一組七個,六個,五個過濾器被選為七個過濾器的一個子集,如圖1所示。因此7和21的組合傳感器分別用于6和5傳感器。因為每個模型的恢復(fù)性能評估通過恢復(fù)之間的MSE和光譜測量和平均相對于紅光CIELAB顏色差異空間圖3、在線(顏色)MSE恢復(fù)和測量之間的光譜相對于紅光Shi-Healey模型作為基礎(chǔ)的數(shù)量的函數(shù)向量。麥克白和柯達分別代表GretagMacbethColorChecker和柯達Q60圖表（）在所有顏色補丁為每個傳感器的組合,標(biāo)準(zhǔn)偏差和MSE和最大值(根據(jù)CIED65照明)總結(jié)了復(fù)數(shù)的組合傳感器用于6和5個傳感器；即，的平均值和標(biāo)準(zhǔn)偏差表計算和，分別在x代表的MSE或酒精濃度傳感器組和S組的數(shù)量。表2和圖3顯示實驗結(jié)果在相同的樣本用于測試和學(xué)習(xí)樣本。復(fù)蘇Shi-Healey模型優(yōu)越的性能在這些情況下,自31基礎(chǔ)向量,最小化MSE被使用,和線性模型的性能在所有情況下都很差。維納的性能評估、偽逆和Imai-Berns模型幾乎是相同的,但光譜相對于紅光恢復(fù)了偽逆和Imai-Berns模型更準(zhǔn)確比維納估計,因為這兩個模型使用光譜相對于紅光之間的最小均方誤差估計的學(xué)習(xí)樣本和對應(yīng)的傳感器的響應(yīng)。另一方面,最小化的維納估計解決了矩陣W，在Eq的數(shù)學(xué)分析。(2)。雖然這三個模型(維納估計、偽逆和Imai-Berns)在數(shù)學(xué)上是等價的,如果系統(tǒng)噪聲和光譜反射率r是不相關(guān)的,矩陣W[(Eq。(2)]中給出了傳感器的測量光譜特征和照明可能不是最優(yōu)的MSE最小化由于這些特征的測量誤差。因此當(dāng)同一樣本用于測試和學(xué)習(xí),偽逆和Imai-伯恩斯認為模型比維納估計更準(zhǔn)確?；貧w分析中,只使用一階多項式,但使用高階多項式在偽逆和Imai-Berns模型可以提高性能的恢復(fù)少量的傳感器(22)。表4和表5顯示實驗結(jié)果在不同的學(xué)習(xí)樣本的測試樣品。很明顯,經(jīng)濟復(fù)蘇維納估計優(yōu)越的性能是不同的從學(xué)習(xí)樣本和測試樣本,偽逆和Imai-Berns模型的性能幾乎是相同的，光譜的準(zhǔn)確性相對于紅光恢復(fù)Shi-希利模型減少當(dāng)學(xué)習(xí)樣本的數(shù)量很小,之前報道(26、27)。恢復(fù)之間的MSE的值和測量光譜相對于紅光表5中比在表4。線性模型的性能也是在這些情況下。典型的例子的光譜相對于紅光恢復(fù)模型通過使用five-channel相機圖4所示,其中GretagMacbethColorChecker和柯達Q60分別被用于測試和學(xué)習(xí)樣本。振蕩的光譜反射率的線性模型,由于下面討論找到了系統(tǒng)噪聲從實驗結(jié)果,很明顯復(fù)蘇Shi-Healey模型的性能優(yōu)越的學(xué)習(xí)樣本和測試樣本是圖4、在線(顏色)的典型例子的光譜相對于紅光恢復(fù)五個不同的模型?；謴?fù)光譜反射率是一片13號(藍色)的GretagMacbethColorChecker,使用柯達Q60的學(xué)習(xí)樣本和五個傳感器(渠道的結(jié)合1、2、3、4和6,頻道號碼在哪里從左到右計算在圖1)。相同的,但是它變得少時是不同的。Shi-Healey模型的準(zhǔn)確性取決于學(xué)習(xí)樣本(26、27);數(shù)量。即光譜相對于紅光恢復(fù)的準(zhǔn)確性,該模型提高了學(xué)習(xí)樣本的數(shù)量從模型上的增加。因此測試樣本的光譜相對于紅光恢復(fù)GretagMacbeth當(dāng)柯達Q60用作學(xué)習(xí)ColorChecker比柯達Q60GretagMacbethColorChecker用作學(xué)習(xí)集更準(zhǔn)確。在這個實驗中,根據(jù)向量的數(shù)量用于Shi-Healey模型確定了以最小化的MSE恢復(fù)光譜相對于紅光為每個組合的測試和學(xué)習(xí)樣本。在實際情況下是不可能選擇最佳數(shù)量的向量基礎(chǔ),由于測試和學(xué)習(xí)樣本的相對于紅光光譜必須已知。因此Shi-希利模型難以在實際的情況下使用。相反,從不同的學(xué)習(xí)樣本維納估計比其他人更能準(zhǔn)確地恢復(fù)光譜相對于紅光當(dāng)測試樣品。在偽逆和Imai-Berns模型,介紹了系統(tǒng)噪聲的統(tǒng)計特性自動成一個在Eq中的矩陣W。(7)和一個在Eq中的矩陣B。(10)通過使用傳感器響應(yīng)對應(yīng)的學(xué)習(xí)樣本因此,這些模型對維納估計的噪聲干擾具有很強的魯棒性,因為這些矩陣是正規(guī)化的引入噪聲的自相關(guān)矩陣[26]。另一方面,不穩(wěn)定的解決方案得到的線性模型發(fā)生在噪音的存在。大值在MSEfive-channel相機產(chǎn)生的表3和4是由于噪聲的存在的不穩(wěn)定,自振蕩的恢復(fù)光譜相對于紅光如圖4所示線性模型的觀察。一個光譜反射率被應(yīng)用于從矩陣T到M×1傳感器響應(yīng)向量由四個p

不同的模型,除了Shi-Healey模型；這是被恢復(fù)了，矩陣T等于偽逆,為維納估計。是線性的，和為Imai-Berns模型。從Eq。(1),一個傳感器響應(yīng)向量表達的p矢量信號和噪聲向量之和,即:,一個標(biāo)準(zhǔn)正交基向量矩陣表示向量s和e.分別作為和。從矩陣的奇異值分解,它可以寫成這里，和,分別代表第i個奇異值和左和右奇異向量。通過結(jié)合傳感器矢量p和一個矩陣,給出的光譜反射率恢復(fù)（14）的關(guān)系是標(biāo)準(zhǔn)正交基向量用來獲得Eq。(14)（代表Kronecker的三角洲）。預(yù)計來自Eq。(14)因為噪音方面由大奇異值放大，光譜反射率恢復(fù)的準(zhǔn)確性的一個矩陣T大奇異值會惡化。T矩陣的奇異值分解進行了四個不同的模型,而不是Shi-Healey模型和典型的示例矩陣的奇異值的六經(jīng)相機(一組六個傳感器除了敏感的傳感器與最短的峰值波長圖1)圖5所示。顯然,線性模型的奇異值比其他人更大,維納估計很小的值。有趣的是,經(jīng)濟復(fù)蘇表現(xiàn)并不總是當(dāng)大量的優(yōu)越使用傳感器,即。,傳感器組合圖5.在線(顏色)的典型例子的奇異值作為功能維度的六經(jīng)相機(只有第一個通道,左邊通道在圖1中,省略了)的測試樣品GretagMacbethColorChecker柯達Q60和學(xué)習(xí)樣本。圖6。在線(顏色)日本藝術(shù)繪畫選擇18分用來評估恢復(fù)性能。“123456”(6頻道)在其性能比貧窮結(jié)合“12357”(5頻道)當(dāng)GretagMacbethColorChecker被用作學(xué)習(xí)和測試樣品維納,偽逆,Imai-伯恩斯認為模型,在傳感器的數(shù)量計算從左邊(短峰值波長靈敏度)在圖1。也是有趣的注意,在MSE大值并不總是給大值顏色差異,是偽逆和線性模型的七個頻道在表2和圖4中,由于條件等色的光譜相對于紅光中恢復(fù)過來。最后一幅日本藝術(shù),它與天然礦物顏料繪制,如圖6所示,用于恢復(fù)了GretagMacbethColorCheckerDC作為學(xué)習(xí)樣本。評估恢復(fù)性能,在這幅畫被選18分,其光譜分光光度計測量相對于紅光(美能達CM2022)。恢復(fù)性能的典型例子7頻道總結(jié)在表6。維納估計給出最準(zhǔn)確的恢復(fù)。實驗結(jié)果表明，維納估計噪聲方差比其他人更準(zhǔn)確地恢復(fù)光譜相對于紅光當(dāng)測試樣品是不同的從學(xué)習(xí)樣本。線性模型的恢復(fù)性能差是由于噪聲的圖像采集系統(tǒng)。4、結(jié)論摘要譜相對于紅光恢復(fù)了五個不同模型的精度比較通過使用傳感器響應(yīng)從多光譜圖像采集系統(tǒng)。從實驗結(jié)果,光譜相對于紅光恢復(fù)了維納估計噪聲方差的估計更準(zhǔn)確比其他人當(dāng)測試樣本不同的學(xué)習(xí)樣本。線性模型的恢復(fù)性能惡化的噪聲在圖像采集系統(tǒng)。Shi-希利模型的恢復(fù)性能優(yōu)越當(dāng)測試樣本和學(xué)習(xí)樣本是相同的,但是它變得貧窮時是不同的,學(xué)習(xí)樣本的數(shù)量很小。偽逆的性能和Imai-伯恩斯認為模型幾乎是相同的,而這些模型有一個好處,那就是它們不需要事先知道鳴謝作者感謝評論者的評論非常有助于改善修訂后的手稿,以及長官(HiroyukiSakashita當(dāng)時表示他的幫助用軍機。NoriyukiShimano是支持他的工作的一部分日本社會科學(xué),促進科學(xué)研究補助金(C)17500131,2006。參考文獻1.M.D.Fairchild,顏色外觀模型(Addison-Wesley,1997)。2.Y.Miyake和y.Yokoyama”準(zhǔn)確的彩色圖像的獲取和復(fù)制人類感知的基礎(chǔ)上,“Proc。相比3300年,190-197(1998)。3.K.Martinez,J.Cupitt,D.Saunders,和R.Pillay”十年的藝術(shù)成像研究,“Proc,IEEE9028-41(2002)。4.H.C.Lee,E.J.Breneman,和C.P.Schulte“建模光反射對電腦顏色視覺IEEETrans.PatternAnal.Mach.Intell.12,79–86(1990).。5.G.Healey和D.Slater,“全球色彩恒常性:識別對象利用illumination-invariant屬性的顏色分布,“J.Opt.Soc.Am.A11,3003–3010(1994).。6.G.J.Klinker,S.A.Shafer,和T.Kanade,“一個物理彩色圖像理解方法,”Int.J.Comput.Vis.4,7–38(1990).7.L.T.Maloney和B.A.Wandell,“顏色恒常性:恢復(fù)表面光譜反射率的方法,”J.Opt.Soc.Am.A3,29–33(1986).8.J.Ho,B.V.Funt,和M.S.Drew,“顏色信號分離為照明和表面反射率的組件:理論和應(yīng)用程序,”IEEETrans.PatternAnal.Mach.Intell.12,966–977(1990).9.G.Iverson和M.D’Zumura,“標(biāo)準(zhǔn)顏色恒常性三原色的線性模型,”J.Opt.Soc.Am.A11,1970–1975(1994).10.A.RosenfeldandA.C.Kak,數(shù)字圖像處理技術(shù),2nded.(Academic,1982).11.G.Sharma和H.J.Trussell,“數(shù)字彩色掃描儀的優(yōu)點,”IEEETrans.圖像處理.6,990–1001(1997).12.H.Haneishi,T.Hasegawa,N.A.Hosoi,Y.Yokoyama,N.Tsumura,和Y.Miyake,“系統(tǒng)設(shè)計為準(zhǔn)確估計藝術(shù)繪畫的光譜反射率,”Appl.Opt.39,6621–6632(2000).13.J.Cohen,“依賴的光譜反射率曲線孟塞爾顏色芯片,”Psychon.Sci.1,369–370(1964).14.L.T.Maloney,“評估線性模型表面的光譜反射率與少量的參數(shù),”J.Opt.Soc.Am.A3,1673–1683(1986).15.J.P.S.Parkkinen,J.Hallikainen,和T.Jaaskelainen,“孟塞爾顏色的光譜特征,”J.Opt.Soc.Am.A6,318–322(1989).16.J.L.Dannemiller,“光譜反射率的自然對象:有多少基函數(shù)是必要的嗎?”J.Opt.Soc.Am.A9,507–515(1992).17.A.A.Afifi和S.P.Azen,統(tǒng)計分析,(Academic,1972),Chap.3.18.Y.Zhao,L.A.Taplin,M.Nezamabadi,和R.S.Berns,“使用R矩陣方法對光譜圖像檔案,”在第十屆國會國際色彩協(xié)會(AIC的5)(國際色彩協(xié)會,2005年),pp.469–472.19.H.L.Shen和H.H.Xin,“彩色掃描儀的光譜特征優(yōu)化的自適應(yīng)估計的基礎(chǔ)上,”J.Opt.Soc.Am.A23,1566–1569(2006).20.D.Connah,J.Y.Hardeberg,和S.Westland,“比較線性光譜重建的多光譜成像的方法,”訴訟IEEE國際會議的圖像處理(IEEE2004),pp.1497–1500.21.Y.Zhao,L.A.Taplin,M.Nezamabadi,和R.S.Berns,“方法的光譜反射率重建Sinarback54數(shù)碼相機,”孟塞爾顏色科學(xué)實驗室技術(shù)報告2004年12月,(孟塞爾顏色科學(xué)實驗室,2004),pp.1–36.22.D.Connah和J.Y.Hardeberg,“譜恢復(fù)使用多項式模型,”Proc.SPIE5667,65–75(2005).23.J.L.Nieves,E.M.Valero,S.M.C.Nascimento,J.H.Andrés,和J.Romero,“多光譜合成日光使用商業(yè)數(shù)字CCD相機,”Appl.Opt.44,5696–5703(2005).24.F.H.Imai和R.S.Berns,“譜估計使用三色數(shù)碼相機,”國際研討會論文集多光譜成像和色彩再現(xiàn)數(shù)字檔案,(多光譜成像的社會,1999),pp.42–49.25.B.Noble和J.W.Daniel,應(yīng)用線性代數(shù),3日。艾德(淡江大學(xué),1988),pp.338–346.26.M.A.López-álvarez,J.Hernández-André