计算机配色CCM(ComputerColorMatching)技术是采用现代色度学理论和计算机技术，通过光学仪器获取色样本的光学信息，由计算机给出最佳染色配方的一种新技术．传统配色的基本光学原理是Kubelka—Munk理论(P．Kubelka等，1937)tI，即光线在不透明介质中被吸收和散射的理论．美国的Park和Steams(RHPark．EISteams，1994)[z]提出了色料混合公式，即各种色料的光学特性能够独立地带进有几种色料拼合的结果中去．基于Kubelka—Munk理论的2种常见配色方法(董振礼，1996)t。1：三刺激值配色和全光谱f反射光谱)配色．在三刺激值配色方法的基础上，陈尊田等(1998年)提出“四刺激值”配色方法，即以施照态光源下的三刺激值、y、与施照态A光源下的刺激，)构成广义上的四维刺激矢量，使标样5与配色配方在四刺激值上相等．同期黑龙江巴以农业大学的王乐新(1998年)同提出了平均色差计算机配色．针对全光谱配色在实践中遇到的问题，CCM研究人员提出了多种改进方法，如2003年西安工程科技学院常薇、赵振河提出，在配色计算过程中的迭代算法中，采用3次B样条拟合来修正曲线[61，即对于任一染料采用了3次B样条拟合曲线来求某一浓度所对应的K／S值．中国科学院长春光机所应用光学国家重点试验室也提出了使用全光谱色差型权重因子计算机配色(1998年)7J及灵敏波段法对计算机配色提出了改进(1999年1．圈上述方法对于色样匹配的光学原理值得我们借鉴，但是国内当前印染行业的现状是多品种、小批量、快交货，染料的数目种类繁多．国产染料质量不稳定，国外染料价格高．要针对不同的客户需求采用不同的染料系列，利用传统的配色方法就需要多次重新获取基础数据，重新构建色料模型，这样的工作几乎要更改配色系统的程序算法核心，因此，要在以传统配色理论为基础的计算机配色系统中实现比较复杂．这些原因也就制约了国内计算机配色的应用和真正发挥效益．针对这样的现状，本文提出了基于神经网络的配色算法．
1 基于神经网络配色算法的研究
BP(BackPropagation)网络是目前应用最为广泛的人工神经网络．BP网络是通过指导性学习(样本学习1进行训练，通过改变连接方式和连接权重进行学习记忆和认识(冯天瑾，1994)．[91配色过程存在复杂的非线性关系，通过简单的数学公式又很难描述．而神经网络解决非线性问题简单有效，这一点从神经网络的普遍应用可以看出．
利用BP的自适应和学习特性，应用于计算机测配色领域，可以减少重复建立基础数据的工作量，避免了复杂的数学运算，提高了容错能力，达到精确配色的目的．1999年，刘芳等将BP网络用于油漆的计算机配色．f~20O0年左右，苏晓红等也使用神经网络解决了显示与打印空间的彩色匹配问题．…J神经网络在测配色领域的这些应用也给我们提供了成功的借鉴．为了有效地将神经网络应用于染色的计算机配色中，需要针对不同色系列、不同织物分别对BP网络进行训练，即采用分类学习，从而使配色神经网络模型在不同的工艺条件下都能实现精确的配色．试验中采用最常用的活性染料进行小样染色、样质地为纯棉针织坯布．继而对染色的小样进行颜色信息的分析与提取，获得了小样的三刺激值数据，然后用这些实际染色数据对网络进行训练．
[1][2][3]下一页>>
相关信息 
推荐企业 推荐企业
推荐企业
您所在的位置：
