柔版專色印刷油墨配色理論與技術研究.pdf

1、目前大多數(shù)小型印刷廠的油墨配色仍然是以人工配色作為其主要的配色方式，人工配色對配色師有很大的依賴性，而且配色周期長，油墨浪費現(xiàn)象嚴重?，F(xiàn)階段對計算機配色的研究主要是以 KM理論和紐介堡方程為主。但是它們存在一些缺點：基于紐介堡方程的配色算法的配色精度較差；基于 KM理論的油墨配色算法配色精度比較高，廣泛應用于配色軟件中，但是其配色過程中涉及大量的矩陣運算，而且配色過程中需要測量每種油墨和基底的光譜反射率，通常這種儀器價格都比較高，這對于

2、一些小型的印刷廠來說，無疑造成了配色成本的增加。因此提出精度高成本低的油墨配色算法刻不容緩。本文首先對現(xiàn)在常用的油墨配色算法以及其修正方法做了實驗驗證，之后根據(jù)現(xiàn)有算法的一些缺點與不足，提出了將智能仿生算法應用到油墨配色中去。在智能仿生算法的選擇上選用近幾年應用非常廣泛的BP神經(jīng)網(wǎng)絡，將其應用到油墨配色中去，由于初始化的權值和閾值對網(wǎng)絡性能至關重要，所以采用遺傳算法和粒子群算法分別對網(wǎng)絡訓練時初始的權值和閾值進行優(yōu)化，這樣 BP神經(jīng)網(wǎng)絡

3、在訓練初期，不再使用隨機地權值和閾值，從而改善了配色效果。本文取得的實驗結果如下：
　　(1)首先對基于KM理論和紐介堡方程的油墨配色算法進行實驗驗證。對基于新雙常數(shù) KM理論的油墨配色算法進行實驗驗證。實驗結果表明基于新雙常數(shù)的配色精度可以滿足印刷品對顏色精度的要求，但是經(jīng)過分析可知道計算過程中涉及大量的矩陣運算，在循環(huán)逼近最優(yōu)解的過程中，要經(jīng)過多次迭代才能滿足實驗要求，運算過程比較復雜，而且實驗過程中需要測量每種油墨和基底的光

4、譜反射率，通常這種儀器價格比較高，這直接導致配色成本加大。對于一些沒有該類設備的小型印刷廠來說無疑增大了對配色成本的投資?；诩~介堡方程的修正方法很多，在實驗驗證過程中分別對基于一階線性回歸修正、二階曲線修正和指數(shù)修正的紐介堡方程的配色方法進行了實驗驗證。實驗結果表明，基于一階線性回歸和二階曲線回歸修正的紐介堡配色方法的配色效果不能滿足印刷品對顏色精度的要求，基于指數(shù)修正的紐介堡方程的配色方法可以滿足印刷品對顏色精度的需要，但是它對色相

5、的依賴性很強，即在同一色相下配色準確性很高，但是在不同色相下，配色準確性降低。因此在實際的生產(chǎn)應用中會使計算機配色系統(tǒng)變得比較復雜。
　　(2)根據(jù)常見的配色算法存在的缺點與不足，本文提出使用BP神經(jīng)網(wǎng)絡對配色算法進行改進。選用五種改進的BP神經(jīng)網(wǎng)絡進行油墨配色，這五種配色方法結果雖有差異，但是基本上都能滿足印刷品對顏色精度的要求。其中，BFGS擬牛頓算法的配色效果最好。只是在最初訓練時，BP神經(jīng)網(wǎng)絡的初始權值和閾值是隨機確定的，

6、而初始權值和閾值的選擇對網(wǎng)絡性能至關重要，尤其對網(wǎng)絡的穩(wěn)定性至關重要。
　　(3)根據(jù)上述原因，使用遺傳算法和粒子群算法對BP神經(jīng)網(wǎng)絡分別進行優(yōu)化，它們的優(yōu)化原理實質上都是對訓練初期的權值和閾值進行優(yōu)化，在神經(jīng)網(wǎng)絡的訓練初期不再使用隨機的權值和閾值，而是使用優(yōu)化后的權值和閾值。實驗結果表明，優(yōu)化后的BP神經(jīng)網(wǎng)絡的配色算法的配色效果要優(yōu)于僅使用BP神經(jīng)網(wǎng)絡的配色算法。但是遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡存在一個致命的缺點，就是訓練時間比較