Professional Documents
Culture Documents
Spectral Reflectance Recovery Using Natural Neighbor Interpolation With Band-Divided Linear Correction
Spectral Reflectance Recovery Using Natural Neighbor Interpolation With Band-Divided Linear Correction
圖文傳播學系
碩士論文
以自然鄰點內插法與頻帶分段線性修正
重建物體頻譜反射率之研究
Spectral reflectance recovery using natural neighbor
指導教授:周遵儒 博士
研究生:孫琮傑 撰
中華民國 104 年 6 月
中文摘要
本研究重點在提出一個新的物體頻譜反射率重建方法,將真實量測的物體頻
譜反射率資料與八條虛擬的反射頻譜,使用自然鄰點內插法(Natural Neighbor
Interpolation,NNI)並藉由頻譜不同頻帶的線性修正方法來估計待測物體的頻譜
許多研究提出各種解決的方法,並且各自有其重建優缺點。基於內插計算與線性
修正的處理,新方法不僅提高重建頻譜的準確率,也避免超出色域範圍外會產生
的外插情況。
本研究方法主要分為兩個步驟。首先,使用真實量測的色票資料以自然鄰點
內插法重建出反射頻譜。額外增加八條預先估計的虛擬頻譜,當作是 sRGB 色域
的最邊界處,確定所有在色域內的測試樣本都可以被計算出來,不會有外插的問
測試樣本比較,其色差結果是很精確的。接著,三個定義的波長 S、M、L 作為
調整內插重建後的頻譜控制點,讓新調整的頻譜色差繼續降低。這個頻帶修正方
在色彩顯像模擬實驗方面,首先將馬克貝斯頻譜資料加上八條虛擬頻譜為訓
數據證實本研究所提出的研究方法,估計的物體頻譜反射率相當準確。
關鍵詞:頻譜重建、頻譜反射率、自然鄰點內插法
i
Abstract
In this paper, we proposed an accurate recovery method of object spectral
reflectance using the traditional natural neighbor interpolation, shortly named as NNI,
with band-divided linear correction. Essentially, such a recovery problem was usually
to transform the RGB channel values into a spectrum to simulate the reflectance of an
object. There were many previous researches offering various solutions to this
problem with more or less advantages and drawbacks. Our work improved the
recovery result based on the interpolation approach with further correction of spectral
reflectance. This new solution proposed not only gives more accurate results, but also
avoids the extrapolation problem causing by the phenomena out of gamut.
Our method consists of two stages of recovery procedures. First, the NNI
interpolation was used to construct the spectral reflectance from the real samples of
color checkers. Eight additional pre-determined spectra were imposed for the corners
of the sRGB color space, named virtual extreme spectra, to guarantee all the test
samples in the gamut spanned by the known samples; such that, the interpolating
scheme worked well without the extrapolation problem. Secondly, the spectra
resulting from NNI were further fine-tuned according to the difference between its
sRGB color under illuminant of D65 and the original input one of ground true. Three
pre-specified wave lengths, denoted S, M, and L, were selected as the control points
to correct this NNI spectrum approaching to a new one with less color difference. This
correction was composed of 4 piecewise linear transformations related to 4 bands
from 400nm to S, from S to M, from M to L, and from L to 700nm respectively.
Some experiments were performed to evaluate the performance of the new NNI
with the virtual extreme spectra and the additional correction stage. At first, the 1269
checker spectra from Munsell book was used as the test samples under the training
samples from Macbeth 24 color checkers. The largest color difference of ∆E2000 was
1.6366 based on the illuminant of D65, and the average difference was 0.0915. And,
the color differences were further improved, if the band-divided correction was
adopted. Then, the largest ∆E2000 was 1.4869, and the average difference was
0.0726. In addition, the entire gamut of sRGB was also evaluated. The spectra
recovered from the specified RGB channel values lead to the largest color difference
was 1.6671 and the average one was 0.0315 under the illuminant of D65, based on the
training samples of Macbeth color checkers. The largest difference was 1.4915, and
the average one was 0.0126, based on the training samples of Munsell book checkers.
These experimental results showed that the proposed method was very accurate for
the recovery of spectral reflectance.
Keyword: Spectral Recovery, Spectral Reflectance, Natural Neighbor Interpolation
ii
誌謝
一直到現在,我才深刻體會到想拿碩士學位跟大學畢業根本是兩回事,當初
在接下實驗室學姊林瑋如的研究題目繼續做下去時,花了不算短的時間要先搞懂
究竟學姊面臨的研究問題是什麼,首先面臨的就是如何完整重建出 sRGB 色域範
圍內所有的物體頻譜反射率,再來就是如何修正現有的內插方法繼續改善,從剛
開始學習到進行實驗,甚至到了撰寫論文階段,不斷碰上各種的困難與挫敗,即
便如此,還是必須給自己信心也嘗試想想任何的解決辦法。
這段當研究生的日子以來,要十分感謝很多人的幫助,我的論文才能夠順利
完成。首先,要謝謝我的指導教授-周遵儒老師,當初剛接觸色彩工程這塊領域,
我的確學得不輕鬆。我曾經想過也許換個題目作看看,但又想想既然也花了幾個
學期學做這研究了,也希望能把研究做好,就埋頭試著繼續做完老師要求的實驗
項目。謝謝老師耐心地指導並提點任何我犯錯的地方,讓我有機會能第一次到日
本東京同時還參加 MCS 研討會進行英文口頭發表,本論文的摘要英文就是繼續
沿用研討會的結果貢獻。寫到這邊,一定還要感謝我的學姊-林瑋如同學,還記
得我花了一番功夫請教她論文的研究方法,在本研究中,部分擷取學姊的論文內
容盡可能轉化成自己能理解的程度加以論述。也要謝謝我計畫口試與論文口試的
口試委員們,提供對本研究任何的寶貴意見,使論文寫得更加完善。
孫琮傑(Tsung-Chieh) 謹誌於
國立臺灣師範大學
圖文傳播系碩士班
2015.06
iii
目次
中文摘要......................................................................................................................... i
Abstract ..........................................................................................................................ii
目次............................................................................................................................... iv
表次................................................................................................................................ v
圖次............................................................................................................................... vi
第一章 緒論............................................................................................................ 8
第一節 研究背景與動機...................................................................................... 8
第二節 研究目的................................................................................................ 10
第三節 研究問題................................................................................................ 11
第四節 研究範圍與限制.................................................................................... 12
第五節 名詞釋義................................................................................................ 13
第二章 文獻探討.................................................................................................. 15
第一節 色彩相關原理與公式............................................................................ 15
第二節 物體頻譜反射率的量測與估計............................................................ 20
第三節 文獻探討小結........................................................................................ 31
第三章 研究方法與設計...................................................................................... 31
第一節 研究流程................................................................................................ 32
第二節 研究設備和工具.................................................................................... 35
第三節 自然鄰點內插物體頻譜反射率重建法................................................ 36
第四節 頻帶分段線性修正法............................................................................ 46
第五節 實驗評估................................................................................................ 52
第四章 研究結果與討論...................................................................................... 62
第一節 三組實驗的物體頻譜反射率重建結果................................................ 62
第二節 與 ISRF 內插方法的比較 ..................................................................... 63
第五章 結論與建議.............................................................................................. 79
第一節 結論........................................................................................................ 79
第二節 未來工作與建議.................................................................................... 80
參考文獻...................................................................................................................... 81
iv
表次
表 2-1 色彩空間三參數對應與用途表 ...................................................... 17
表 3-1 實驗樣本一覽表 .............................................................................. 36
表 3-2 GFC 配適係數表 ............................................................................. 54
表 4-1 第一組實驗色差結果 ...................................................................... 62
表 4-2 第一組實驗 RMSE 和 GFC 結果 ................................................... 62
表 4-3 第二組實驗色差結果 ...................................................................... 63
表 4-4 第三組實驗色差結果 ...................................................................... 63
表 4-5 ISRF 方法與本研究方法的 RMSE 及 GFC 數值比較表 .............. 68
v
圖次
圖 2-1 判斷顏色圖 ...................................................................................... 15
圖 2-2 L* a* b*色彩空間算色差圖 .............................................................. 19
圖 2-3 各光源的光譜能量分布圖 .............................................................. 20
圖 2-4 Munsell 色票物體頻譜反射率圖形 ................................................ 21
圖 2-5 Macbeth 色票與其物體頻譜反射率圖形 ....................................... 22
圖 2-6 PCA 方法產生的基底函數 ............................................................. 23
圖 2-7 以 hue 色相分類共 11 組頻譜類型................................................. 24
圖 2-8 PCA 與 NNPCA 的基底函數頻譜圖 .............................................. 25
圖 2-9 基底函數圖形 .................................................................................. 27
圖 2-10 RGB 三原色反射率(模擬值) ........................................................ 28
圖 3-1 研究流程圖 ...................................................................................... 32
圖 3-2 第一組實驗的演算法流程圖 .......................................................... 33
圖 3-3 第二組實驗的演算法流程圖 .......................................................... 34
圖 3-4 第三組實驗的演算法流程圖 .......................................................... 34
圖 3-5 兩色票樣本與 sRGB 色域邊界 8 條頻譜在色度圖中的位置 ...... 36
圖 3-6 Delaunay 三角網與 Voronoi 圖形 ................................................... 37
圖 3-7 權重比例圖 ...................................................................................... 37
圖 3-8 二維自然鄰點插值法 ...................................................................... 38
圖 3-9 Delaunay 三角網圖 .......................................................................... 38
圖 3-10 Voronoi 多邊形圖 .......................................................................... 39
圖 3-11 以新插入點 x 內插計算圖 ............................................................ 40
圖 3-12 插入點 x 的 Voronoi 多邊形圖 ..................................................... 40
圖 3-13 鄰點的對應值與權重比例圖 ........................................................ 41
圖 3-14 24 組 RGB 建構的三維 Voronoi 圖 ............................................. 42
圖 3-15 Macbeth 色票訓練建構之模型 ..................................................... 43
圖 3-16 Delaunay 三角網之凸包範圍外的測試樣本圖 ............................ 44
圖 3-17 八條代表 sRGB 色域邊界的虛擬頻譜圖 .................................... 45
圖 3-18 虛擬頻譜在色度圖中的位置分布 ................................................ 46
圖 3-19 S、M、L 三波長控制點位置示意圖 ........................................... 47
圖 3-20 拉動長波長(L)後的頻譜形狀圖(以∆R 增加 20 為例) ................ 49
圖 3-21 拉動中波長(M)後的頻譜形狀圖(以∆G 增加 20 為例) ............... 49
圖 3-22 拉動短波長(S)後的頻譜形狀圖(以∆B 增加 20 為例)................. 50
圖 3-23 內插重建的頻譜與線性頻帶調整後的頻譜位置差異圖 ............ 52
圖 3-24 第一組實驗中 16 筆物體頻譜反射率內插重建曲線比較圖 ...... 57
圖 3-25 Macbeth 色票所形成凸包範圍外的八筆樣本 ............................. 57
圖 3-26 第二組實驗中 8 筆物體頻譜反射率重建曲線與 RGB 值 .......... 59
vi
圖 3-27 孟塞爾色票所形成凸包範圍外的八筆樣本 ................................ 60
圖 3-28 第三組實驗物體頻譜反射率重建曲線比較圖 ............................ 61
圖 4-1 大色差重建頻譜與目標頻譜比較圖 .............................................. 68
圖 4-2 ISRF 方法重建頻譜(左)與本研究方法重建頻譜(右)的比較 ....... 78
vii
第一章 緒論
本章節可分為五個部分,分別是研究背景與動機、研究目的、研究問題、研
究範圍與限制及名詞釋義。
第一節 研究背景與動機
物體頻譜反射率的量測技術主要應用包括數位典藏、地質與醫學影像圖辨識、
高光譜顯微應用等影像技術。在色彩顯示的品質要求日益提高情形下,該技術相
當受到各方重視(Berns, Imai, Burns, & Tzeng, 1998; Brauers, Schulte, & Aach,
2008; Murakami, Yamaguchi, & Ohyama, 2013; Vilaseca et al, 2008; Westland &
Ripamonti, 2004)。在量測物體頻譜的實務上,最直覺的想法就是以光譜儀實際接
觸目標物打光進行量測,在電腦或儀器中直接得到測量數據。往往這樣的作法需
要大量人力與時間進行,一旦量測的數量大到不是短時間內可完成,或是遇到設
備需更新或實驗環境不合條件的情形,便不是一個較有效率的解決方式。實際上,
有學者及研究員針對此一議題,提出任何數學和混合計算規則,試著模擬出同樣
器運作所帶來的困難。
歷年來有各種重建物體頻譜反射率的方式,這樣以手邊現有的量測資料來推
估那些未知的物體頻譜反射率是本研究一直以來要繼續發展的課題。從早期經典
Amirshahi, & Moradian, 2006; Ayala, Echávarri, Renet, & Negueruela, 2006; Cohen,
1964; Fairman & Brill, 2004; Maloney, 1986; Parkkinen, Hallikainen, & Jaaskelainen,
點間的內插關係(Abed, Amirshahi, & Abed, 2009; Kim, Han, & Park, 2012),還有其
8
他如迴歸概念來找出相似逼近曲線範圍的頻譜演算方式。各方法都有其優點和缺
點,當重建過程極為繁複時,相對會耗費大量演算時間,而若是沒了嚴謹的計算
規則,便不能有效正確重建出物體頻譜。可以預期當已量測資料非常多時,理論
上應當能更精準推估出欲測試的樣本,因此如何用有限的訓練樣本就能準確重建
欲求頻譜是相關研究包括本研究在內的目標。
PCA 方法在近幾年不斷有各種改良的方式呈現,最主要不外乎是要擺脫最
原始計算方式沒有特別在基底函數與係數的條件下限制,造成重建後的頻譜經過
累加運算後有超出實際物理範圍 0 到 1 的情形。為了改善此現象,限制各種數值
條件或是改用乘以不同矩陣運算的改良方式以及進一步做迴歸分析是這些所謂
本研究選擇以自然鄰點內插式的重建方法進行本研究所有實驗內容的原因,
最主要是研究設計上已在虛擬極限頻譜中確定了最低與最高的兩條頻譜其反射
率範圍定在 0 跟 1 上,本研究使用的兩種色票量測資料也確認於範圍內,在實際
實驗中,所有指定頻譜都會在此區域內內插而不會跑出已限制的反射率位置外,
出該方法能得到相當準確的反射率頻譜,唯獨有部分頻譜有色差過大的缺陷,並
出來的。
9
基於想要改善上述這些重建上可能帶來的瑕疵,本研究在研究方法的第一階
段是先延續自然鄰點內插方法的準確性,捨棄了原本用六種數學函數型態的理想
來確保在該色域內的所有物體頻譜都能被內插得來,判斷只有補足這些在色域最
外圍極限位置(比起理想頻譜族數量更少)之頻譜並個別配合兩款色票,是否就能
得到足夠準確的頻譜,也意味著在有限的資料條件下得到準確重建結果是可被接
受的。在本實驗的第二階段,找出三個適合控制頻譜曲線的控制點,各自代表短、
長控制點被上或下拉動時,該頻譜上的其他內插點會按照控制點所分割出的 4
個頻帶之距離比例原則跟著變動座標位置,待所有點調整後重新形成新的頻譜,
後,對於重建頻譜反射率此一技術上有相當的說服力。
第二節 研究目的
本研究的兩個目的,其一是要克服 PCA 方法會產生出無法滿足物理上實際
範圍的頻譜。另一方面,雖然過去的文獻中有使用內插方法重建頻譜的探討(Abed
譜反射率的基本要求,但這些研究顯示其重建結果雖然準確卻存在一個嚴重的問
題,也就是當我們原本輸入的那些量測色票資料,其形成內插所需要計算的凸包
(convex hull)無法包覆待測的樣本資料範圍時,其實驗結果的頻譜是幾乎無法被
計算得到,故本研究將設法解決此問題並列為第二項重要的研究目的。
在最新運用內插方法的文獻中得知,有研究者提出加入各數學函數型態的理
色彩顯像幾乎色差都小於 3,低於人眼對色可分辨的程度。在實驗條件一致的情
10
況下,此 ISRF 內插重建方法是比 PCA 來得更理想。然而,即使大部分內插重建
後的頻譜都可以計算得到,但觀察實驗結果後發現,由於在接近青色系區域的收
集樣本較少,因此重建後的估計反射譜其轉化後對應的顏色色差因而過大,甚至
有色差大於 7 的情形。因此證實此種內插設計方式在某些色系的重建上還是不夠
準確,而且在後續的實驗中,還發現該方法仍有外插現象也就是無法計算的狀況。
因此,如何有效增加有限且足夠的收集樣本協助內插資料重建,確定都能實際計
算得來後,想辦法繼續修正重建後的頻譜反射率使其更為精確是我們也要考慮的
重點。本研究的目的歸納如下:
第三節 研究問題
關於將一般數位影像採用的 3 維度 RGB 色頻資料透過演算法轉換到更高的
61 維度完整頻譜資料的重建問題,根據上述動機與目的,自然鄰點內插重建物
體頻譜反射率與頻帶分段修正方法為本研究的核心,藉由八條預先定義的虛擬頻
波長各自代表頻譜的短、中、長波長位置分割來的不同頻帶,頻帶間的線性運算
規則,皆會影響研究的成果,因此本研究的研究問題如下:
一、如何利用自然鄰點內插重建物體頻譜反射率?
二、如何設計不同頻帶的線性修正方法來調整頻譜形狀?
三、本研究開發之物體頻譜反射率的頻譜重建與色彩顯像模擬效果如何?
11
第四節 研究範圍與限制
本節對研究的範圍與限制做一說明,以釐清研究主題界定的範圍與其限制。
一、 研究範圍:
本研究之範圍專注於如何有效重建物體頻譜反射率此議題上。照明光頻譜的
圍中。
二、 研究限制:
Illuminant)D65,在此觀測條件下所擷取的數值,才能用於本研究模型的重建步驟。
在收集樣本與待測樣本方面的界定上,本實驗研究所收集的樣本侷限於 Macbeth
究進行重建物體頻譜反射率的所有待測樣本。
一個數值只能對應唯一的一條頻譜,因此暫不考慮探討同色異譜現象,而是先確
認本研究的新演算方法是否確實能重建出指定色域個別對應的所有數值並降低
轉換後對應值的色差。
12
第五節 名詞釋義
以下針對本研究最為相關之七個專有名詞進行解釋,讓讀者能更加容易了解
並提升整篇論文閱讀的流暢程度。
入射光與反射光,兩者之間的比值即為反射率,連接對應於每一波長的反射
率所形成的曲線即為該物體的物體頻譜反射率,物理學上理想實際的反射率範圍
應該要在 0 跟 1 之間。從頻譜曲線的波長分布位置,可略為判斷出物體屬於什麼
顏色(羅梅君,民 99)。
二、 頻譜重建(Spectral Recovery)
頻譜重建為本研究最著重的核心技術,指的是如何以數學方法計算出估計頻
譜。在本研究中重建的頻譜,是物體本身的頻譜,而非光譜。五十幾年來有色彩
相關學者提出各式各樣的數學計算模型,依類型大致可分為三大類:PCA 方法、
相反。若色差的計算結果在 3 以內,則表示人眼幾乎無法辨識其差異。
三、 三刺激值(Tristimulus values)
由物體的頻譜反射率或頻譜透射率、照明光的頻譜分布及人眼的配色函數積
分所得到的色彩物理量,以三個數值來表示某顏色時稱為三刺激值。
13
四、 CIE(International Commission on Illumination)
中文名國際照明委員會,致力於全球有關於科學與光的藝術、打光、色彩與
五、 內插法(Interpolation)
「內插」是給定一堆函數值,然後找出一個函數規則,用線性方式穿過所有
給定的函數值。該方法廣泛地被運用在工程領域的數學方法(Amidror, 2002)。它
可以在一群離散(Discrete)的已知資料中,建立出原本未知條件下的對應資料點。
在工程領域中,資料的取得大多藉由量測或是實驗而來,但是這些資料點並不足
以來解決問題。同樣的,在本研究主題中的物體頻譜反射率資料,因為已量測資
料有限的原因,需要內插方法來繼續推導出其他未知的頻譜。然而,內插方法依
數學計算式又可細分成以下幾種類型,如線性內插法、最鄰近距離內插法、自然
鄰點內插法,該選擇何種內插方法來求出所有的資料,對於本研究是相當重要而
且是否能準確內插出反射率頻譜的最大關鍵。
自然鄰點內插法,其概念是運用資料點間的幾何關係來選擇並加以計算各鄰
點比例的加權分析方法,此方法實際的應用分為兩個步驟: 第一步先將現有的
果(Amidror, 2002)。
14
第二章 文獻探討
在本章節中,第一節為基本色度學探討、運算方法與相關計算公式介紹;第
二節是針對本實驗有用到的兩種頻譜量測資料,與近幾年各學者們發展的不同物
體頻譜反射率重建法進行分析;最後將此兩節整理成第三小節文獻探討小結。
第一節 色彩相關原理與公式
人們會受到如圖 2-1 的光源、物體、人眼視覺得到所看到的顏色。以學術上
來講,分別對應的就是由照明光源(Source)、被照射物體(Attenuator 或 Object)、
觀測者(Detector 或 Observer,能感覺顏色的眼睛及大腦)三者所造成(Berns,
圖 2-1 判斷顏色圖
在此節依照色度學的數值理論一一簡介本研究所使用到的基本色彩原理,共
分為三刺激值計算、色彩空間簡介、色差公式∆𝐸2000 與多頻譜成像四個部分說明。
一、 三刺激值計算
本研究主要是以三刺激值(Tristimulus Values)為基礎的色彩混合表色系統
人,民 100)來計量。
15
三刺激值即是人眼對色彩三種原色刺激程度量的表現數值,以 RGB 三色色
則依照各別三原色之混合比值 R, G, B 將可以混色獲得任意混合色光[C],可以表
示如下,公式(2-1):
[C]=R[R0]+G[G0]+B[B0] (2-1)
此式稱為色彩方程式,其中,[R0]、[G0]、[B0]代表三原色光,R、G、B 即
(2-2)來表示,稱為三刺激值公式。
780
780
其中R(𝜆)是物體的頻譜反射率或頻譜透射率,P(𝜆)是照明光源的頻譜分布,
二、 色彩空間(Color Space)簡介
色彩空間是指各種顏色依照種類與規則依序排列在同一個空間中,每一個顏
三維座標來表示,例如最常被使用的三個參數如 RGB、XYZ、L*a*b*。
16
本研究中有使用到的色彩空間包括: RGB 色彩空間、XYZ 色彩空間、與
樣本之間的色差程度。
表 2-1 色彩空間三參數對應與用途表
17
如果 𝑅𝑛𝑜𝑛−𝑙𝑖𝑛𝑒𝑎𝑟 、𝑅𝑛𝑜𝑛−𝑙𝑖𝑛𝑒𝑎𝑟 、𝑅𝑛𝑜𝑛−𝑙𝑖𝑛𝑒𝑎𝑟 ≤ 0.03928
(2-4)
否則 𝑅𝑛𝑜𝑛−𝑙𝑖𝑛𝑒𝑎𝑟 、𝑅𝑛𝑜𝑛−𝑙𝑖𝑛𝑒𝑎𝑟 、𝑅𝑛𝑜𝑛−𝑙𝑖𝑛𝑒𝑎𝑟 > 0.03928
𝑅𝑙𝑖𝑛𝑒𝑎𝑟 = [(𝑅𝑛𝑜𝑛−𝑙𝑖𝑛𝑒𝑎𝑟 + 0.055)/1.055]2.4
可表示為公式(2-5)。矩陣 M 和參考白點座標、三原色的色度座標參數,可表示
為公式(2-6)、公式(2-7)、公式(2-8):
𝑋 𝑅
[𝑌 ]=[M] [𝐺 ] (2-5)
𝑍 𝐵
𝑆𝑟 𝑋𝑟 𝑆𝑔 𝑋𝑔 𝑆𝑏 𝑋𝑏 𝑆𝑟 0 0 𝑋𝑟 𝑋𝑔 𝑋𝑏
[M]= [ 𝑆𝑟 𝑌𝑟 𝑆𝑔 𝑌𝑔 𝑆𝑏 𝑌𝑏 ]=[ 0 𝑆𝑔 0 ] [ 𝑌𝑟 𝑌𝑔 𝑌𝑏 ] (2-6)
𝑆𝑟 𝑍𝑟 𝑆𝑔 𝑌𝑔 𝑆𝑏 𝑍𝑏 0 0 𝑆𝑏 𝑍𝑟 𝑌𝑔 𝑍𝑏
𝑆𝑟 𝑋𝑟 𝑋𝑔 𝑋𝑏 −1 𝑋𝑤
[𝑆𝑔 ]= [ 𝑌𝑟 𝑌𝑔 𝑌𝑏 ] [ 𝑌𝑤 ] (2-7)
𝑆𝑏 𝑍𝑟 𝑌𝑔 𝑍𝑏 𝑍𝑤
可以得到矩陣 M,公式(2-9)。
18
0.4124564 0.3575761 0.1804375
[𝑴]=[0.2126729 0.7151522 0.0721750] (2-9)
0.0193339 0.1191920 0.9503041
𝐿∗ = 116𝑓(𝑌⁄𝑌𝑛 ) − 16
𝑏 ∗ = 200[𝑓(𝑌⁄𝑌𝑛 ) − 𝑓(𝑍⁄𝑍𝑛 )]
三、 色差公式 ∆𝑬𝟐𝟎𝟎𝟎
2009)。此公式的算法規則上較為符合人眼判斷色差的結果,其公式如(2-11)。對
眼幾乎無法看出差異的。
圖 2-2 L* a* b*色彩空間算色差圖
資料來源:羅梅君(民 99)。數位色彩管理科學:色彩度量學。頁 177。
𝛥𝐿∗ 2 𝛥𝐶 ∗ 2 𝛥𝐻 ∗ 2 𝛥𝐶 ∗ 2 𝛥𝐻 ∗ 2
∆𝐸2000 = √(𝐾 ) + (𝐾 ) + (𝐾 ) + 𝑅𝑇 (𝐾 𝑆 ) (𝐾 ) (2-11)
𝐿 𝑆𝐿 𝐶 𝑆𝐶 𝐻 𝑆𝐻 𝑐 𝑐 𝐻 𝑆𝐻
19
四、 多頻譜成像
所謂的多頻譜成像是指將光譜數據、物體頻譜反射率值和人眼配色函數資料
彩空間值的過程。
圖 2-3 各光源的光譜能量分布圖
資料來源:黃日鋒等人(民 100)。顯示色彩工程學。頁 95。
多頻譜成像方式可在任何不同的光源打光條件下,轉換於不同色彩空間並在
模擬,評估並改善色差結果供後續實驗發展。
第二節 物體頻譜反射率的量測與估計
從第一節了解到,色彩觀察的三要素是光源、物體頻譜反射率與觀測者色彩
知覺。在本節中,物體頻譜反射率是本研究核心的議題,故本節將針對物體頻譜
反射率的量測與估計做進一步地了解。本研究將藉由檢視這些方法,試圖改善其
缺點,開發出一套新的物體頻譜反射率估計與修正方法。
20
一、 物體頻譜反射率的量測
透過物體頻譜反射率相關量測儀,可以量測出各物體的頻譜反射率。在本研
稱 Macbeth 色票)。
(一)孟塞爾色票書(Munsell 色票)
Munsell 色票被廣泛使用於設計領域中,因為色票顏色種類眾多,涵蓋色相
(二)馬克貝斯色票(Macbeth 色票)
以及作為物體頻譜反射率重建研究中的實驗訓練樣本(Training Data)與實驗測試
21
圖 2-5 Macbeth 色票與其物體頻譜反射率圖形
資料來源:Munsell Color Science Laboratory (2011). CIE standard illuminant data.
Retrieved from: http://www.cis.rit.edu/research/mcsl/online/cie.php.
二、 物體頻譜反射率的估計
本研究針對頻譜的估計方法,整理出最多相關研究所使用以主成分分析法為
主與本研究使用到的內插方法這兩種類型,也簡單介紹其他物體頻譜反射率重建
方法共三部分,簡述其操作方式並歸納其優缺點。
藉由畫 2D 散布圖來觀察兩個變數之間的相關性。同理,也可以畫 3D 立體
圖了解三個變數關係情況。然而,當變數非常多時,就有可能發生某一群變數間
有較高的相依性,某些變數的影響程度卻非常有限。主成分分析法(Principal
component analysis)其目的就在於將原有資料中多個變數予以縮減,也就是降低
維度(Dimensionality Reduction)的概念,找出真正核心的變數,成為數量較少且
互相獨立的線性組合變項(主成分)
,藉此達到化繁為簡的效果。(Agahian et al.,
2008; Ansari et al., 2006; Ayala et al., 2006; Cohen, 1964; Fairman & Brill, 2004;
PCA 方法求得的三個基底函數。再將這些頻譜經由線性累加的方式,就能重建
原始資料中的任一頻譜。
22
圖 2-6 PCA 方法產生的基底函數
物質的頻譜反射率,求出前三個主成分資料。
樣本先分類,依照頻譜形狀特性或是以顏色來分成不同樣本組。舉例來說,2006
空間分成十個區域,讓原本的訓練樣本對應到孟賽爾色相,以三個特徵向量來重
狀類型進而得到各組的基底函數,對於重建頻譜而言是非常有效的。
23
圖 2-7 以 hue 色相分類共 11 組頻譜類型
資料來源: “ Reconstructing spectral reflectance by dividing spectral space and
extending the principal components in principal component analysis, ” by Zhang, X.,
& Xu, H, 2008, Journal of the Optical Society of America A, 25(2), 371-378.
PCA 方法來重建物體頻譜反射率,其主要目的是最小化加權平方重建的誤差值 e,
陣運算會得到不同的特徵向量來估計反射率頻譜,其實驗結果會比傳統 PCA 方
法來得更理想。
𝑘
𝐞 = ∑𝟕𝟎𝟎
λ=𝟒𝟎𝟎 𝒘 (𝑟λ − (𝑽𝟎 + ∑𝑗=1 𝑐𝑗 𝑉𝑗 λ) )
2
(2-12)
2-8:
24
圖 2-8 PCA 與 NNPCA 的基底函數頻譜圖
資料來源:“ Fast model-based multispectral imaging using nonnegative principal
component analysis, ” by Lee, M. H., Park, H., Ryu, I., & Park, J.I., 2012, Optics
Letters, 37(11), 1937-1939.
針對某一樣本組所產生出來的基底函數,如果將其基底函數重建於其他色票樣本
的反射頻譜,並不見得能得到理想準確的值。因此,他們提出一個可以適用各種
頻譜最適合基底函數的計算方法,也就是以不同的權重來進一步改良傳統 PCA
的計算方式,接著再進一步做迴歸分析,即便此改良方法會讓計算時間相對變得
PCA 的相關延伸方法相當多,其估計的表現都算不錯,但是隨著特徵向量
的增加,其運算速度也會隨之降低,而且大部分實驗結果顯示透過主成分估計出
來的頻譜反射率,最主要的大問題還是有數值超過 1 或是出現負值的現象,是近
年來各研究仍然持續要努力的目標。
(二)內插法(Amidror, 2002)
內插方法有許多不同的種類,主要包括線性(Linear) 內插法、最鄰近內插法
25
法(Natural Neighbor interpolation)等,每一種內插法的計算方式皆不相同,各自都
有其優點與適合應用的對象與時機。若是以內插的影響範圍來區分,又分為全域
(Global)與局部(Local)兩種方法,全域方法指的是內插值會被所有其他資料點所
影響,因此較適用於樣本數較小的資料;相對來說,局部的內插方法,其內插值
只會被鄰近的點所影響,更適合應用在解決資料點分布不均勻的問題中(Amidror,
布的散布式資料(Scatter Data),因此較適合用特定的局部內插方法來計算。
夠產生相當精準的頻譜重建結果。值得一提的是,無限制地增加量測樣本雖然可
以提高重建精確度,但並無法保證所有的目標樣本都可以被重建得到,同時計算
所耗費的時間也會拉長。
插出待測的資料點,若資料點落在輸入資料範圍外,再繼續選擇以二維的內插方
Transformatin,NMT)試圖解決當使用前兩次內插法時,資料點仍落在凸包外的
問題。這樣混合依序計算的方式的確避免了無法計算得到頻譜的狀況,整個實驗
(三)其他頻譜重建方法
在這裡也簡介其他重建頻譜的數學應用,按順序分別是同色異譜的多頻譜估
計法、快速反射譜模擬方法、迴歸類的分析方法包括支援向量迴歸與典型相關迴
26
(1)同色異譜的多頻譜估計法
依據同色異譜的現象,利用虛反矩陣(Pseudo Inverse)的運算,將由數萬組的
RGB 色頻數值資料模擬出近似三原色刺激值的頻譜作為模擬頻譜反射率的基底
圖 2-9 基底函數圖形
資料來源:呂億德(民 98)。自然影像中最佳化物體反射譜估計及其後製應用之研
究(未出版之碩士論文)。頁 46。
踐結果發現整體色差平均值低,但是仍有幾個顏色出現大色差的現象。另外,其
估計的頻譜範圍會有出現負值的缺點。
(2)快速反射譜模擬方法
快速反射譜模擬法,是以 Sigmoid 函數及 Gaussian 函數,分別模擬 R、G、
B 三原色的反射譜,其餘色彩則運用三原色反射譜的比例關係進行模擬(周遵儒、
陳怡君,民 97)。依照比例來進行加成的方式,可快速獲得反射譜的模擬結果,
27
並能將反射率控制在實際範圍內。然而,高明度的色彩(RGB 值均大於 200)其重
建的反射譜會出現大幅度上下波動的現象,不符合一般非特殊物質應該會有的反
射頻譜曲線,因此進一步修正方程式找出較為平滑的曲線來取代震盪的現象。下
1 1 1
radiation
radiation
radiation
0 0 0
300 400 500 600 700 800 300 400 500 600 700 800 300 400 500 600 700 800
wavelength(nm) wavelength(nm) wavelength(nm)
(3)迴歸分析法(Regression Analysis)
迴歸(Regression)的意思指的是用已知的一組數值來推測要求的未知數。支
援向量回歸的作法即是要找出可推估資料樣本分布的平面。基本的線性迴歸公式
2-14 如下:
色彩的轉換矩陣,同理也可從感應器的資訊利用迴歸分析法找出頻譜反射率的轉
換矩陣。不過迴歸分析法可提高自變數的次方,使自變數與應變數之間成為非線
性關係,提高其準確度,相對地計算時間也提高了。
過去的機率統計分類方法,是假定這些資料是屬於常態分佈的情形,在隨機
取樣後找出最能夠描述整體資料分布型態的訓練樣本。一般而言,隨著資料的維
28
度 增 加 , 所 需 要 的 訓 練 樣 本 數 目 也 要 增 多 。 支 援 向 量 迴 歸 (Support Vector
為基礎發展成的回歸方法。SVM 是機器學習領域的演算方法,可廣泛運用於遙
測資料分類,已預先決定好的核函數(kernel function)將原資料映射至高維度的特
徵空間。其優勢是在解決小樣本及高維度模式下都有很好的效果,同時具有清楚
搭配不同數量的訓練樣本組與不同程度的雜訊計算來求出反射頻譜(Zhang &
重建的研究方法,關於核心(kernel)的選定將嚴重影響其重建的好壞,即便持續
增加訓練樣本同樣也可提高重建準確度,卻也相對耗費大量的計算時間。因此,
關指的是兩組變數都是一個變數以上,量測此兩組變數間的相關性即是典型相關,
所設計來量測兩組多變數間線性關係的方法。接著經過權重處理後的典型相關迴
而 ω 權重取決於樣本組的種類。
法重建效果最佳。不同的典型係數(Canonical coefficients)與相關型態關鍵取決於
目標顏色的特徵。
29
(4)非負矩陣分解方法(Non-negative Matrix Fatorization,NMF)
先前有先介紹過以矩陣分解概念来解決問題的分析方法,比如最著名的 PCA
相乘型態。其 A 和 B 中的數值可為正數或負數。也因為如此,計算分解得到的
者才提出非負矩陣分解(NMF)此矩陣解法理論,NMF 是應用於矩陣因式分解的
此方法概念上同樣能將高維的數據矩陣降維計算,適合處理大量的資料,其
優點是計算時間更快且更能解釋數據意義。[K]由受測樣本群所組成,其中 m 為
受測樣本集合的樣本數目,n 是樣本的特徵維度。[I]是受測樣本的基底特徵。[J]
是指[I]對應到[J]特徵組合的比例。
此演算法的特點與優勢主要:
30
第三節 文獻探討小結
如何掌握色彩的三要素,光源、物體頻譜反射率與觀測者知覺等條件,是能
否做好色彩重現的關鍵。以估計方式來重建物體頻譜反射率,比起實際量測動作
而言,更有效率且能省下大量成本。良好的估計方法要不僅速度快且足夠精確。
的增加,運算速度也會相對降低;而且其估計出來的反射率,不全然符合實際現
出,在運算速度方面加快許多但無法真正有效提高重建精確度。相關的內插方法,
最主要碰到的問題是當輸入的訓練樣本(training data)無法涵蓋整個待測樣本
(testing data)範圍時,就會產生無法內插的計算情形。其他類的重建方法各自有
其優缺點但最重要的還是必須想辦法找出一個歸納過後的適當運算模型來進行
重建。因此,宜整理前兩大研究方法的缺點,持續嘗試從中找到解決的辦法。
本研究希望能開發一套物體頻譜反射率估計模型,以有限的真實量測之頻譜
反射率作為樣本,利用內插重建法原理並整合常見的估計方法之優點,加上在頻
譜的不同頻帶分段進行對形狀的線性細部調整方法,試圖重建出更接近 sRGB 色
域範圍內的所有物體頻譜反射率並模擬出更為真實的色彩。
第三章 研究方法與設計
本研究是採取實驗研究法。本章節分為五個部分,首先訂定出整個研究的流
程圖,並以演算流程圖說明三組實驗各別的執行步驟,接著介紹本研究有使用到
的資料與開發工具,再依照第一章的三個研究問題分別討論自然鄰點內插物體頻
譜反射率重建法、不同頻帶的線性修正方法、實驗評估方式等三項主要實驗內容。
31
第一節 研究流程
圖 3-1 是本研究的研究流程圖。一開始先認識色度學理論,了解頻譜與其他
建方式的計算與其優缺點。接著選擇內插方法中的自然鄰點內插方式建構數學運
算內插模型,將選定的訓練樣本代入計算,重建出待測的測試樣本並初步評估實
驗結果。接著,進行本實驗第二階段的頻帶分段線性修正的演算法運算,新調整
後的估計頻譜同樣再次評估其成效。
圖 3-1 研究流程圖
本研究一共有三組實驗待測試。三組實驗主要都是藉由真實量測的物體頻譜
作輸入資料也就是所謂的訓練樣本,先進行第一階段的自然鄰點內插法,建構出
試樣本值透過內插的方式估計出對應的物體頻譜反射率。
32
在第二階段的方法中,根據這些估計得來的頻譜其對應的 RGB 值與原待測
的 RGB 值差距,將頻譜分成四個頻帶,進行各頻帶間的線性修正來調整頻譜形
譜為待測的測試樣本。先進行第一階段的自然鄰點內插法,再用第二階段的線性
修正方法來調整,並評估重建後的頻譜與色差結果。
圖 3-2 第一組實驗的演算法流程圖
法,再用第二階段的線性修正方法來調整,並評估重建後的色差結果。
33
圖 3-3 第二組實驗的演算法流程圖
鄰點內插法,再用第二階段的線性修正方法來調整,最後評估重建後的色差結
果。
圖 3-4 第三組實驗的演算法流程圖
34
為了考量到實驗的一致性,且配合大部分其他研究者的實驗規範,故將所有
的 數 據 。 換 句 話 說 , 本 研 究 中 的 任 何 一 條 頻 譜 都 是 以 61 個 座 標 點
(61=(700-400)/5+1)形成的。
最後的評估階段,在第一組實驗中,由於訓練樣本與測試樣本都是實際量測
配適係數(Goodness-of-Fit Coeifficient,GFC)的方式來評估對應頻譜的差異,同
是我們不可能得到該色域所有已量測到的頻譜數值,因此只能將重建值與原始值
第二節 研究設備與工具
本研究的演算法開發軟體 The MathWorks 公司的軟體 Matlab ® R2012a 版本
Matlab, 2010)。
Collection(半光澤)的物體頻譜反射率。這兩款實驗樣本皆為在物體頻譜反射率重
建研究中最普遍、也易於取得的實驗數據,於是本研究用來測試本研究開發之方
3-5。
35
表 3-1 實驗樣本一覽表
第三節 自然鄰點內插物體頻譜反射率重建法
在本節中將先描述此方法的特性,推導其數學演算規則,最後闡述本研究如
何運用自然鄰點內插完成物體頻譜反射率的重建,及在重建過程中遭遇的問題與
可行的改善方式。
的幾何關係來選擇並加以計算各鄰點比例的加權分析方法,先以整體方程式公式
(3-1)來說明:
G(x,y) = ∑𝑛𝑖=1 𝑤𝑖 𝒇(𝒙𝒊 ,𝒚𝒊 ) (3-1)
36
其中 G(x,y)是指(x,y)該座標點的估計值,n 是指(x,y)點的鄰點個數,𝒇(𝒙𝒊 ,𝒚𝒊 )
圖形中的多邊形(在三維稱多面體),利用這些鄰點的相對位置面積所構成的權重
可推算出符合比例之內插值。此屬於局部內插的方法,其內插的值只會被定義為
內插值的鄰點所決定。
圖 3-7 權重比例圖
資料來源:周小平、周瑞忠(民 94) 。用 Voronoi 圖進行新型自然鄰點插值的幾
何學方法與特性。2005 計算力學學報,22(3),頁 355-359。
37
本內插法可以應用於二維、三維的計算,當二維時使用的是鄰點與多邊形面
細節。
圖 3-8 二維自然鄰點插值法
資料來源:“ Scattered data interpolation methods for electronic imaging systems: A
survey,” by Amidror, I, 2002, Journal of Electronic Imaging, 11(2), 157–176. doi:
10.1117/1.1455013
38
在圖 3-8 中,粉紅色點 x1 至點 x9 是空間中的散布式資料點,虛線部分是經
找出它們的外接圓圓心(藍色點),繼續連接凸包上每一條邊的垂直平分線,就會
自然鄰點的數量取決於所建構的外接圓,若圖上的兩點都落在同一個外接圓
上,則表示他們互為彼此的自然鄰點。接著,Delaunay 三角網是被拿來決定權重
n.d.):
1. 單獨一個資料點不能自行形成外接圓。
2. 沒有額外的資料點靠近外接圓的圓心點。
3. 最小半徑通過三個任意資料點為原則。
4. 每個外接圓會通過三個資料點。
39
圖 3-11 以新插入點 x 內插計算圖
從圖 3-12 來繼續理解,粗實線範圍(灰色色塊)中的點線(Dot-line)範圍就是 x
40
從周圍鄰點畫分而來的區域面積佔 x 點的 Voronoi 多邊形全部面積的比值,比值
來理解。由於 x4 點所劃分到的面積範圍相對於其他鄰點是最多的。因此,x4 點
對於影響 x 這個內差點有相對最大的權重比例(綠色面積越大,表示權重越大)。
圖 3-13 鄰點的對應值與權重比例圖
在本研究中,將 RGB 與對應的物體頻譜反射率值作為輸入,是屬於三維空
間的內插(林瑋如,民 102),同上面敘述之二維模型建構方式,第一步同樣是先
41
圖 3-14 24 組 RGB 建構的三維 Voronoi 圖
資料來源:林瑋如,以 ISRF 內插法應用於物體頻譜反射率重建之研究(未出版之
碩士論文) 。國立臺灣師範大學,臺北市,頁 40。
𝑓1 (3-5)
𝑓2
̂𝑜 =
𝑅 ⋮
⋮ ,
𝑓60
(𝑓61 )
42
每一個新的內插點 x 的值可被定義如下,公式(3-6)
𝒇̂𝒏 (𝒙)=∑𝒊 𝒉𝒊 (𝐱)𝒛𝒊 (3-6)
其中
一組共 61 個數值所組成的物體頻譜反射率。整理以上說明的概念與演算規則,
圍之外,如圖 3-16。
43
圖 3-16 Delaunay 三角網之凸包範圍外的測試樣本圖
無法計算。加入更多元與更多數量的訓練樣本,是被考慮用來作為解決問題的方
法。即便如此,增加大量的資料雖然有利於擴充訓練樣本涵蓋的範圍,但過多的
顏色都能被計算出來。為了避免此問題發生,先確定色域範圍內所有 RGB 值都
間的八個非實際量測的虛擬頻譜當作整個色域最極限的地方,並與本實驗有使用
到的兩種色票資料當作訓練樣本開始往整個色域內進行內插計算。
本研究所選定所謂的八條虛擬頻譜是純粹以數學方式模擬出來的曲線,並非
藉由實驗或測量而來的真實物體頻譜反射率資料。根據研究者對蒐集之物體頻譜
反射率資料進行的觀察,依頻譜形狀差異在眾多數學函數中用逼近的方式修正出
的青色、(255,0,255)的洋紅色、(255,255,0)的黃色、(0,0,0)的黑色以及(255,255,255)
44
紅色頻譜 綠色頻譜
藍色頻譜 青色頻譜
洋紅色頻譜 黃色頻譜
黑色頻譜 白色頻譜
45
圖 3-11 虛擬頻譜在色度圖中的位置分布
第四節 頻譜分段線性修正方法
透過自然鄰點內插重建法運算後,確認整個 sRGB 空間的所有 RGB 數值皆
可被計算得出。因此,在第二階段的重建過程,針對各條重建後的頻譜,用不同
頻帶的線性修正方法調整頻譜座標來改變形狀,使原本的內插重建法獲得更好的
究第二階段的探討重點。
G 值和藍色 B 值的量。如果可以想出一個辦法來自動調整重建後的頻譜形狀,
方法有助於物體頻譜反射率的重建。換句話說,當知道如何在一條頻譜上,在適
46
譜上各點的座標位置,也就是得到根據方程組解出來的位移量調整後所產生的新
頻譜。
和長波長(L)的初始位置。至於三個波長對應到的 x 軸的定義方式,我們設計的
值和藍色 B 值延伸到馬蹄形色度圖上最邊界的交點處,最接近此三色的波長位
610 nm 位置處,成為之後調整任一條頻譜的三個主要控制點。
變化與∆ℎ𝑙 位移量的比值。
47
∆R = c1 ∗ ∆ℎ𝑠 + 𝑐2 ∗ ∆ℎ𝑚 + 𝑐3 ∗ ∆ℎ𝑙
∆G = c4 ∗ ∆ℎ𝑠 + 𝑐5 ∗ ∆ℎ𝑚 + 𝑐6 ∗ ∆ℎ𝑙
∆B = c7 ∗ ∆ℎ𝑠 + 𝑐8 ∗ ∆ℎ𝑚 + 𝑐9 ∗ ∆ℎ𝑙
(3-8)
1 時,∆B的變化與∆ℎ𝑚 位移量的比值。
加 1 時,∆G的變化與∆ℎ𝑠 位移量的比值。
研究的線性修正方法目前是以唯一的一組固定 c1 到 c9 值來線性修正所有的反射
頻譜。
48
從之前所述可以了解,當我們只拉動長波長(L)時,觀察圖 3-20 的藍線,可
c8 是∆B與∆ℎ𝑚 的比值。
49
只拉動短波長(S)時,觀察圖 3-22 的藍線,可以先確定出移動多少∆ℎ𝑠 時,會
座標位置,得到根據方程式計算得來所產生線性修正後的新頻譜。其聯立方程組
的矩陣公式(3-11)如下:
∆R c1 c2 c3 ∆ℎ𝑠
[∆G] = [c4 c5 c6] ∗ [∆ℎ𝑚 ]
∆B c7 c8 c9 ∆ℎ𝑙
(3-11)
波長範圍中,定好短波長(S)、中波長(M)和長波長(L)在反射率縱軸數值是 1 且橫
3-14 所示。決定好控制點位置後,藉著聯立方程組進一步求出每條頻譜各自所需
50
當三個控制點各自位移後,其頻譜上的其他座標也會依以下公式相對移動,
變成一個新的頻譜。頻譜上的 61 個點座標會根據點在不同區段有各自的公式計
算出移動後的座標位置,進而得到一條修正後的頻譜。
四個波長區段各自其座標移動的公式分別為:
1. 當座標點(x,p)在 x 軸的座標點位置是在 400nm 到控制點 S 對應到 x 軸上的波
長範圍間,其位移後新座標點(x,p’)與原座標點(x,p)的位置關係如(3-12)公式。
XS – X400 是指控制點 S 座標與座標點(400nm,1)處的間隔距離。
𝑥
p’ = p (1 + ∆ℎ𝑠 ) * 𝑋𝑆 −𝑋400
(3-12)
𝑥 (𝑋𝑀 −𝑋𝑆 ) − 𝑥
p’ = p (1 + ∆ℎ𝑚 ) * + p (1 + ∆ℎ𝑠 ) *
𝑋𝑀 −𝑋𝑆 𝑋𝑀 −𝑋𝑆
(3-13)
𝑥 (𝑋𝐿 −𝑋𝑀 ) − 𝑥
p’ = p (1 + ∆ℎ𝑙 ) * + p (1 + ∆ℎ𝑚 ) *
𝑋𝐿 −𝑋𝑀 𝑋𝐿 −𝑋𝑀
(3-14)
(𝑋700 −𝑋𝐿 ) − 𝑥
p’ = p (1 + ∆ℎ𝑙 ) * 𝑋700 −𝑋𝐿
(3-15)
51
Zoom In
圖 3-23 內插重建的頻譜與線性頻帶調整後的頻譜位置差異圖
圖 3-23 是線性調整後(藍線)與未經過線性調整的頻譜曲線(紅線)差異圖,由
認透過方程式計算確實能移動頻譜上那些點的位置。
得到最後調整後的新頻譜。三組實驗也證實經過線性修正方法調整後,色差結果
都繼續減小,表示此不同頻帶的線性修正方法對於重建物體頻譜反射率是有效的。
圖 3-18 是內插計算的頻譜與進一步用線性修正後的頻譜形狀差異,發現如果該
內差重建時,得到的色差會更小,表示新方法可以有效修正頻譜曲線使轉換後的
色彩值更為接近原輸入的測試值。
第五節 實驗評估
本節將介紹三組實驗各自的評估方式。第一組實驗除了使用色差公式∆𝐸2000
評估色差外,另有使用均方根誤差與配適係數兩種統計方法進行頻譜重建的評估。
第二和第三組實驗以色差公式∆𝐸2000 評估色差。
52
一、 頻譜重建評估
頻譜重建評估就是對重建的頻譜曲線和原始目標的曲線在形狀差異上做一
評估,本研究針對第一組實驗分別進行了均方根誤差與配適係數測試。
均方根誤差是統計學上時常被用來表示由模型所預測或估計而來的值與真
n 2 (3-16)
∑ (𝑟 −𝑟̂ )
RMSE =√ 𝑘=1 𝑘 𝑘
𝑁
公式中,𝑟𝑘 表示第 k 個測試目標樣本的值,𝑟̂𝑘 表示第 k 個重建頻譜的值,n
代表頻譜對各波長頻率之取樣,在本研究中 n 是 61。在數學意義上,RMSE 值
愈小表示兩頻譜形狀差異愈小。
配適係數主要利用數學的計算讓使用者知道使用某種分類模型或預測模型
的差異性,公式(3-17)
∑𝑛
𝑘=1 𝑟𝑘 𝑟̂ 𝑘
GFC = (3-17)
√∑𝑛 2 𝑛
𝑘=1(𝑟𝑘 ) √∑𝑘=1(𝑟̂ 𝑘 )
2
53
表 3-2 GFC 配適係數表
二、 色彩顯像模擬評估
關於色彩顯像色差的評估,通常使用色差公式。本研究是用第二章中介紹的
經過兩階段的重建方法修正後,任意挑選第一組實驗中的 16 筆各自代表不
與原始實際樣本頻譜的相似程度。
54
目標值 RGB(30,106,174) 目標值 RGB(10,110,114)
本研究方法重建後的 RGB (30,106,174) 本研究方法重建後的 RGB (7,110,114)
色差 0.1264 色差 0.5706
55
目標值 RGB(126,52,55) 目標值 RGB(67,108,41)
本研究方法重建後的 RGB (126,52,55) 本研究方法重建後的 RGB (67,108,41)
色差 0.0000 色差 0.0000
56
目標值 RGB(24,13,16) 目標值 RGB(140,128,131)
本研究方法重建後的 RGB (24,13,16) 本研究方法重建後的 RGB (140,128,131)
色差 0.0000 色差 0.0000
圖 3- 24 第一組實驗中的 16 筆物體頻譜反射率內插重建曲線比較圖
果進一步減小。我們可以看出經過本研究設計的兩階段重建方法後,重建值更為
接近目標值。
圖 3- 25 Macbeth 色票所形成凸包範圍外的八筆樣本
57
由於第一組實驗中證明了在 Macbeth 色票所形成的凸包範圍內,測試同樣是
中,因為這幾筆資料並無實際測量得來的頻譜目標曲線,只能透過對照重建後頻
RGB 值相比幾乎沒有差別,也就是色差趨近於 0。
58
目標值 RGB(35,227,231) 目標值 RGB(184,85,156)
重建頻譜的 RGB (35,227,231) 重建頻譜的 RGB (184,85,156)
圖 3- 26 第二組實驗中八筆物體頻譜反射率重建曲線與 RGB 值
目標數值觀察得知,經過本研究設計的兩階段重建方法後,在沒有同色異譜等現
象影響限制下,重建值是幾乎接近目標值的。
本研究同樣在最後一組實驗中,特意隨機挑出位於孟塞爾色票凸包範圍外,
中,同樣地,這幾筆資料並無實際測量得來的頻譜目標曲線,只能透過對照重建
應 RGB 值相比幾乎沒有差別,也就是色差趨近於 0。
59
圖 3- 27 孟塞爾色票所形成凸包範圍外的八筆樣本
60
目標值 RGB(161,244,167) 目標值 RGB(25,124,9)
重建頻譜的 RGB(161,244,167) 重建頻譜的 RGB (25,124,9)
圖 3- 28 第三組實驗物體頻譜反射率重建曲線比較圖
目標數值觀察得知,經過本研究設計的兩階段重建方法後,在沒有同色異譜等現
象影響限制下,重建值是幾乎接近目標值的。
第四章 研究結果與討論
根據研究流程的設計,本章節將各自分析並呈現三組不同實驗進行兩階段後
的重建結果。本研究找出部分的測試樣本其頻譜形狀用圖表的方式來呈現,再根
據實驗結果進行分析。
61
第一節 三組實驗的物體頻譜反射率重建結果
本研究的三組實驗的所有數據結果如表 4-1 到 4-3 所示,色差情況幾乎是人
資料加上八條虛擬極限頻譜為訓練樣本,孟塞爾色票頻譜作為測試樣本這組實驗
段各別比較數值後並無明顯不同。
表 4-1 第一組實驗色差結果
62
表 4-3 第二組實驗色差結果
表 4-4 第三組實驗色差結果
最後一組實驗表 4- 4 中,如果把訓練樣本改成孟塞爾色票加上八條虛擬頻譜
RGB 數值與目標值比較,仍有明顯的差距。
63
目標值 RGB(219,110,74) 目標值 RGB(225,114,39)
ISRF 方法重建後的 RGB(251,110,73) ISRF 方法重建後的 RGB(255,114,38)
色差 3.1205 色差 3.2316
64
目標值 RGB(27,110,130) 目標值 RGB(71,140,159)
ISRF 方法重建後的 RGB(6,110,130) ISRF 方法重建後的 RGB(54,140,160)
色差 3.9383 色差 3.1337
65
目標值 RGB(9,14,19) 目標值 RGB(47,103,146)
ISRF 方法重建後的 RGB(9,13,19) ISRF 方法重建後的 RGB(26,103,146)
色差 3.1178 色差 4.3359
66
目標值 RGB(79,129,182) 目標值 RGB(55,98,149)
ISRF 方法重建後的 RGB(61,129,185) ISRF 方法重建後的 RGB(37,98,149)
色差 3.2459 色差 3.8970
67
目標值 RGB(54,93,167) 目標值 RGB(23,66,145)
ISRF 方法重建後的 RGB(32,93,168) ISRF 方法重建後的 RGB(3,65,145)
色差 4.056 色差 4.0007
圖 4-1 大色差重建頻譜與目標頻譜比較圖
接著將這些不理想的重建頻譜,以本研究所提出運用虛擬極限頻譜來內插並
配合線性頻帶修正的演算方法再重新測試一次,發現實驗色差結果都大幅降低,
由重建頻譜形狀(藍色線)逐漸接近實際目標頻譜(紅色線)形狀可得知(表 4-5),本
68
如果把 ISRF 方法重建這些頻譜樣本跟本研究方法重建的結果圖放在一起比
69
目標值 RGB(28,118,53) 目標值 RGB(28,118,53)
ISRF 方法重建後的 RGB(8,118,53) ISRF 方法重建後的 RGB(28,118,53)
色差 3.9581 色差 0.0756
70
目標值 RGB(67,144,156) 目標值 RGB(67,144,156)
ISRF 方法重建後的 RGB(49,144,158) ISRF 方法重建後的 RGB(67,144,156)
色差 3.0663 色差 0.0022
71
目標值 RGB(32,109,139) 目標值 RGB(32,109,139)
ISRF 方法重建後的 RGB(8,109,139) ISRF 方法重建後的 RGB(31,109,139)
色差 4.4329 色差 0.1777
72
目標值 RGB(33,103,140) 目標值 RGB(33,103,140)
ISRF 方法重建後的 RGB(10,103,140) ISRF 方法重建後的 RGB(32,103,140)
色差 4.5058 色差 0.1923
73
目標值 RGB(30,106,174) 目標值 RGB(30,106,174)
ISRF 方法重建後的 RGB(0,106,174) ISRF 方法重建後的 RGB(30,106,174)
色差 5.0459 色差 0.1264
74
目標值 RGB(6,12,22) 目標值 RGB(6,12,22)
ISRF 方法重建後的 RGB(6,10,22) ISRF 方法重建後的 RGB(6,12,22)
色差 3.5251 色差 0.3830
75
目標值 RGB(44,101,176) 目標值 RGB(44,101,176)
ISRF 方法重建後的 RGB(14,100,177) ISRF 方法重建後的 RGB(43,101,176)
色差 4.7023 色差 0.0613
76
目標值 RGB(70,100,153) 目標值 RGB(70,100,153)
ISRF 方法重建後的 RGB(55,100,153) ISRF 方法重建後的 RGB(70,100,153)
色差 3.5270 色差 0.0163
77
目標值 RGB(10,11,24) 目標值 RGB(10,11,24)
ISRF 方法重建後的 RGB(10,9,24) ISRF 方法重建後的 RGB(10,11,24)
色差 3.2519 色差 0.0820
雖然 ISRF 補了更多的頻譜類型來進行內插,但實際以多頻譜成像來重建還
法真正解決所有色域裡的色彩都能被計算的問題。
之一,設計最直覺的想法就是找出該色域最邊界的幾條極限頻譜,如果我們能利
用這些頻譜來內插,照理就能重建出所有目標值。三組實驗證明了這樣的推論是
78
合理的,而且在色域圖上可以發現此八條邊界頻譜的連線範圍就是 sRGB 色域在
色域圖上的涵蓋範圍。本實驗結果與以往比較最大的貢獻在於,此方法不僅比
ISRF 的凸包範圍更為精確卻又能實際涵蓋了所有我們想要得到的測試值,透過
實驗發現幾乎所有色彩的色差又更為減小。
第五章 結論與建議
根據研究目的與研究問題,本研究設計一套利用八條極限頻譜配合兩種色票
頻譜以自然鄰點內插方式來重建物體頻譜反射率,解決了以往內插法重建時,少
部分測試資料值無法被計算的問題,接著評估開發方法的效果。在頻帶分段線性
修正的階段更進一步調整頻譜形狀,使重建結果更加理想,第四章節已呈現實驗
結果與進行討論。本章節將分為兩個部分,將整體研究做一結論,並提出未來工
作的建議供後續相關領域研究者參考。
第一節 結論
本研究提出的物體頻譜反射率重建方法開發出自然鄰點的演算方法,建構出
以 RGB 色頻數值為輸入,即可求出物體頻譜反射率的模型。從第二階段的線性
修正方法得知,藉由解出聯立線性方程式來用三個控制點相對移動頻譜上的其他
對應點,重新得到頻譜。在本研究中,完成三組不同數量與不同類型的色彩樣本
作為試驗,在第一組實驗中,本研究利用訓練樣本跟測試樣本同為色票的資料頻
譜進行重建比對,得到準確的結果。第二跟第三組實驗主要是測試所有在 sRGB
彩顯像,以色差公式來評估重建與模擬的結果。以本研究用了兩種色票和虛擬極
限頻譜進行內插重建並配合線性方程式修正後,幾乎所有樣本色差都在 2 以內。
以下將分為三點分別來陳述本研究的研究發現、限制及其應用。
79
一、 找出色域邊界的虛擬極限頻譜進行內插
虛擬頻譜後,再以自然鄰點內插的演算方法來重建頻譜,與其他使用內插重建物
體頻譜反射率方法的研究的最大不同處是,能夠徹底解決色域中部分顏色無法被
計算的問題。在本研究當中,嘗試製造虛擬極限頻譜來導入訓練樣本重建模型,
大問題也解決掉,這樣的結果是相當令人滿意的。
二、 自然鄰點內插物體頻譜反射率重建效果評估
下的重建都有相當好的準確率,由於是以反射率不超過 0 和 1 的邊界頻譜來內插,
範圍的缺點,這樣的內插方法是完全符合自然界現象的。
三、 兩階段的頻譜重建方法應用
本研究開發之物體頻譜反射率重建方法,解決了一般內插法部分數值無法計
因此,本方法在色彩重建、數位典藏、後製影像和色彩影像處理的應用是相當值
得被考慮的。
第二節 未來工作與建議
在本節中,將提出三個未來工作的方向與建議。後續的研究者可參考下列說
明做進一步的探討:
80
一、 不同光源下的頻譜重建與色彩顯像模擬
來建立頻譜重建的模型,以增加模型對物體頻譜反射率重建的準確性。例如:標
色彩顯像模擬的目標。
二、 八條虛擬極限頻譜的形狀最佳化
的貢獻在於,本研究僅補足八條關鍵的虛擬極限頻譜就能解決過去一些方法出現
部分色差過大頻譜的現象,因此,此演算法重點將可能在於如何繼續找出更為完
美的虛擬極限頻譜組的形狀,繼續提高重建準確性,用於後續實驗的研究。
三、 頻帶分段線性修正方程組的係數分析
在本研究方法的第二階段中,由於目前暫時只以頻譜反射數值都為 0.5 的頻
譜所測試得來的 c1 ~ c9 係數值作為所有測試樣本的依據。實際上,任一條頻譜
依照此方程組規則的係數值應該是不盡相同的,在重建過程中恐稍有瑕疵。因此,
如何找到足夠量的不同係數值來分類重建色域所有頻譜是接下來的改善重點。
參考文獻
呂億德(民 98)。自然影像中最佳化物體反射譜估計及其後製應用之研究(未出版
之碩士論文)。國立臺灣師範大學,臺北市。
林瑋如(民 102)。以 ISRF 內插法應用於物體頻譜反射率重建之研究(未出版之碩
士論文)。國立臺灣師範大學,臺北市。
周小平、周瑞忠(民 94) 。用 Voronoi 圖進行新型自然鄰點插值的幾何學方法與
特性。2005 計算力學學報,22(3),355-359。
周遵儒、陳怡君(民 97)。快速反射譜模擬方法。2008 色彩學研討會論文集。
113-120。
81
張智星(民 89)。MATLAB 程式設計與應用。新竹市:清蔚科技。
黃日鋒、詹文鑫、陳鴻興、胡國瑞、徐道義、孫沛立、羅梅君(民 100)。顯示色
彩工程學。新北市:全華圖書。
羅梅君(民 99)。數位色彩管理科學:色彩度量學。臺北市:羅梅君。
Amidror, I. (2002). Scattered data interpolation methods for electronic imaging
systems: A survey. Journal of Electronic Imaging, 11(2), 157–176. doi:
10.1117/1.1455013
Abed, F. M., Amirshahi, S. H., & Abed, M. R. (2009). Reconstruction of reflectance
data using an interpolation technique. Journal of the Optical Society of America
A, 26(3), 613-624. doi: 10.1364/JOSAA.26.000613
Agahian, F., Amirshahi, S. A., & Amirshahi, S. H. (2008). Reconstruction of
reflectance spectra using weighted principal component analysis. Color Research
and Application, 33(5), 360–371. doi: 10.1002/col.20431
Amiri, M., M., & Amirshahi, S. H. (2014). A hybrid of weighted regression and linear
models for extraction of reflectance spectra from CIEXYZ tristimulus values.
Optical Review, 21(6), 816-825.
Ansari, K., Amirshahi, S. H., & Moradian, S. (2006). Recovery of reflectance spectra
from CIE tristimulus values using a progressive database selection technique.
Coloration Technology, 122(3), 128-134. doi:10.1111/j.1478-4408.2006.00019.x
Ayala , F., Echávarri, J. F., Renet, P., & Negueruela, A. I. (2006). Use of three
tristimulus values from surface reflectance spectra to calculate the principal
components for reconstructing these spectra by using only three eigenvectors.
Journal of the Optical Society of America A, 23(8), 2020-2026.
doi:10.1364/JOSAA.23.002020
Bergquist, J. (2012). Display with arbitrary primary spectra. SID Symposium Digest of
Technical Papers, 39(1), 783-786. doi: 10.1889/1.3069786
Berns, R. S., Billmeyer, F. W., & Saltzman, M. (2000). Billmeyer and Saltzman's
principles of color technology. New York, NY: John Wiley & Sons, Ltd.
Berns, R. S., Imai, F. H., Burns, P. D., & Tzeng D. Y. (1998). Multi-spectral-based
color reproduction research at the Munsell Color Science Laboratory. Proceeding
of SPIE , 3409, 14-25. doi:10.1.1.23.6320
Brauers, J., Schulte, N., & Aach, T. (2008). Multispectral filter-wheel cameras:
Geometric distortion model and compensation algorithms. IEEE Transactions on
Image Processing, 17(12), 2368–2380. doi: 10.1109/TIP.2008.2006605
BruceLindbloom (2009). Chromatic Adaptation. Retrieved from:
http://www.brucelindbloom.com/index.html?ColorCheckerCalculator.html
Chou, T. R., & Lin, W. J. (2012). Optimal estimation of spectral reflectance based on
metamerism. Proceeding of SPIE-IS&T Electronic Imaging 2012, 8292,
82
829213-829213-10. doi: 10.1117/12.907606
Chou, T. R., & Sun, T. C. (2015). Spectral reflectance recovery using natural neighbor
interpolation with band-divided linear correction. The 16th International
Symposium on Multispectral Color Science 2015, 395-400.
CIE(2000). About us. Retrieved from: http://www.cie.co.at/
Cohen, J. (1964). Dependency of the spectral reflectance curves of the Munsell color
chips. Psychonomic Science, 1(12), 1964, 369-370.
Ergun, G., & Nagas, I. C. (2007). Color stability of silicone or acrylic denture Liners:
An in vitro investigation. European Journal of Dentistry, 2007(1), 144-151.
Eslahi, N., Amirshahi, S. H., & Agahian F. (2009). Recovery of spectral data using
weighted canonical correlation regression. Optical Review, 16(3), 296-303.
Fairman, H. S., & Brill, M. H. (2004). The principal components of reflectances.
Color Research and Application, 29(2), 104–110. doi: 10.1002/col.10230
Farajikhah, S., & Amirshahi, S. H. (2012). Initialization of nonnegative matrix
factorization by Gaussian primaries for reconstruction of spectral data. Optical
Review, 19(5), 294-305.
Harifi, T., Amirshahi, S. H., & Agahian, F. (2008). Recovery of reflectance spectra
from colorimetric data using principal component analysis embedded regression
technique. Optical Review, 15(6), 302-308. doi: 10.1007/s10043-008-0049-1
Imai, F. H., Rosen, M. R., & Berns, R. S. (2002). Metameric correction using
parametric decomposition. Proceeding of CGIV 2002: The First European
Conference on Colour Graphics, Imaging and Vision, 492-496.
Interpolate my data - Interview (n.d.). Natural Neighbor. Retrieved from
http://www.sadaproject.net/helpv4/natural_neighbor.html
Lee, M. H., Park, H., Ryu, I., & Park, J.I., (2012). Fast model-based multispectral
imaging using nonnegative principal component analysis. Optics Letters, 37(11),
1937-1939.
Kim, B., Han, J., & Park, S. (2012). Spectral reflectivity recovery from the tristimulus
values using a hybrid method. Journal of the Optical Society of America A,
29(12), 2612-2621. doi: 10.1364/JOSAA.29.002612
Maloney, L. T. (1986). Evaluation of linear models of surface spectral reflectance with
small numbers of parameters. Journal of the Optical Society of America A,
3(10), 1673-1683. doi:10.1364/JOSAA.3.001673
Munsell Color Science Laboratory (2011). CIE standard illuminant data. Retrieved from:
http://www.cis.rit.edu/research/mcsl/online/cie.php.
Murakami, Y., Yamaguchi, M., Ohyama, N. (2013). Dictionary-based estimation of
spectra for wide-gamut color imaging. Color Research and Application, 38(2), 120–
129. doi: 10.1002/col.20729
83
Parkkinen, J. P. S., Hallikainen, J., & Jaaskelainen, T. (1989). Characteristic spectra of
Munsell colors. Journal of the Optical Society of America A, 6(2), 318-322.
doi:10.1364/JOSAA.6.000318
Romero, J., García-Beltrán, A., & Hernández-Andrés, J. (1997). Linear bases for
representation of natural and artificial. Journal of the Optical Society of America
A, 14(5),1007-1014. doi:10.1364/JOSAA.14.001007
Sharma, G., Wu, W., & Dalal, E. N. (2005). The CIEDE2000 color-difference formula:
Implementation notes, supplementary test data, and mathematical observations.
Color Research Application, 30(1), 21-30. doi: 10.1002/col.20070
The Multi-Parametric Toolbox for Matlab (2010). MPT toolbox. Retrieved from:
http://control.ee.ethz.ch/overview.en.html
Tzeng, D. Y., & Berns, R. S. (2005). A review of principal component analysis and its
application to color technology. Color Research Application, 30(2), 84-98. doi:
10.1002/col.20086
University of Joensuu Color Group (n.d.). Spectral Database. Retrieved from:
https://www.uef.fi/spectral/spectral-database.
Vilaseca, M., Mercadal, R., Pujol, J., Arjona, M., de Lasarte, M., Huertas, R., Melgosa,
M., & Imai, F. H. (2008). Characterization of the human iris spectral reflectance
with a multispectral imaging system. Applied Optics, 47(30), 5622–5630. doi:
10.1364/AO.47.005622
Westland, S., & Ripamonti, C. (2004). Computational Colour Science using Matlab.
New York, NY: John Wiley & Sons, Ltd.
Wu, D., Tian, J., & Tang, Y. (2014). Optimized basis function for spectral reflectance
recovery from tristimulus values. Optical Review, 21(2), 117-216.
Zhang, W. F., & Dai, D. Q. (2008). Spectral reflectance estimation from camera
responses by support vector regression and a composite model. Journal of the
Optical Society of America A, 25(9), 2286-2296. doi: 10.1364/JOSAA.25.002286
Zhang, X., & Xu, H. (2008). Reconstructing spectral reflectance by dividing spectral
space and extending the principal components in principal component analysis.
Journal of the Optical Society of America A, 25(2), 371-378.
Zhao, Y., & Berns, R. S. (2007). Image-based spectral reflectance reconstruction using
the matrix R method. Color Research Application, 32(5), 343-350.
84