計算機配色CCM(ComputerColorMatching)技術是采用現代色度學理論和計算機技術,通過光學儀器獲取色樣本的光學信息,由計算機給出最佳染色配方的一種新技術.傳統配色的基本光學原理是Kubelka—Munk理論(P.Kubelka等,1937)tI,即光線在不透明介質中被吸收和散射的理論.美國的Park和Steams(RHPark.EISteams,1994)[z]提出了色料混合公式,即各種色料的光學特性能夠獨立地帶進有幾種色料拼合的結果中去.基于Kubelka—Munk理論的2種常見配色方法(董振禮,1996)t。1:三刺激值配色和全光譜f反射光譜)配色.在三刺激值配色方法的基礎上,陳尊田等(1998年)提出“四刺激值”配色方法,即以施照態光源下的三刺激值、y、與施照態A光源下的刺激,)構成廣義上的四維刺激矢量,使標樣5與配色配方在四刺激值上相等.同期黑龍江巴以農業大學的王樂新(1998年)同提出了平均色差計算機配色.針對全光譜配色在實踐中遇到的問題,CCM研究人員提出了多種改進方法,如2003年西安工程科技學院常薇、趙振河提出,在配色計算過程中的迭代算法中,采用3次B樣條擬合來修正曲線[61,即對于任一染料采用了3次B樣條擬合曲線來求某一濃度所對應的K/S值.中國科學院長春光機所應用光學國家重點試驗室也提出了使用全光譜色差型權重因子計算機配色(1998年)7J及靈敏波段法對計算機配色提出了改進(1999年1.圈上述方法對于色樣匹配的光學原理值得我們借鑒,但是國內當前印染行業的現狀是多品種、小批量、快交貨,染料的數目種類繁多.國產染料質量不穩定,國外染料價格高.要針對不同的客戶需求采用不同的染料系列,利用傳統的配色方法就需要多次重新獲取基礎數據,重新構建色料模型,這樣的工作幾乎要更改配色系統的程序算法核心,因此,要在以傳統配色理論為基礎的計算機配色系統中實現比較復雜.這些原因也就制約了國內計算機配色的應用和真正發揮效益.針對這樣的現狀,本文提出了基于神經網絡的配色算法.
1 基于神經網絡配色算法的研究
BP(BackPropagation)網絡是目前應用最為廣泛的人工神經網絡.BP網絡是通過指導性學習(樣本學習1進行訓練,通過改變連接方式和連接權重進行學習記憶和認識(馮天瑾,1994).[91配色過程存在復雜的非線性關系,通過簡單的數學公式又很難描述.而神經網絡解決非線性問題簡單有效,這一點從神經網絡的普遍應用可以看出.
利用BP的自適應和學習特性,應用于計算機測配色領域,可以減少重復建立基礎數據的工作量,避免了復雜的數學運算,提高了容錯能力,達到精確配色的目的.1999年,劉芳等將BP網絡用于油漆的計算機配色.f~20O0年左右,蘇曉紅等也使用神經網絡解決了顯示與打印空間的彩色匹配問題.…J神經網絡在測配色領域的這些應用也給我們提供了成功的借鑒.為了有效地將神經網絡應用于染色的計算機配色中,需要針對不同色系列、不同織物分別對BP網絡進行訓練,即采用分類學習,從而使配色神經網絡模型在不同的工藝條件下都能實現精確的配色.試驗中采用最常用的活性染料進行小樣染色、樣質地為純棉針織坯布.繼而對染色的小樣進行顏色信息的分析與提取,獲得了小樣的三刺激值數據,然后用這些實際染色數據對網絡進行訓練.
[1][2][3]下一頁>>
相關信息 







推薦企業
推薦企業
推薦企業