首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

色貌模型CIECAM02若干问题的研究

摘要第1-5页
ABSTRACT第5-12页
第一章 绪论第12-29页
   ·跨媒体颜色复制的需求及应用领域第12-20页
     ·跨媒体颜色复制及其存在的问题第12-14页
     ·不同颜色的复制要求第14-17页
     ·实现色度颜色复制的途径第17-20页
   ·国内外研究的历史、现状和发展方向第20-25页
     ·基于色度的跨媒体颜色复制第20页
     ·色貌现象第20-21页
     ·色貌模型第21-24页
     ·基于色貌模型的颜色管理系统第24-25页
   ·本论文研究的内容第25-29页
     ·关联色貌模型第25-27页
     ·关联色貌模型的神经网络实现第27页
     ·基于色貌的 CRT 特性化第27-28页
     ·对 CIECAM02 彩色背景输入色的预处理第28-29页
第二章 色貌现象、色适应及色貌模型第29-70页
   ·色貌现象第29-33页
     ·同时对比或诱导第30-31页
     ·色差增强第31页
     ·扩散效应第31-32页
     ·Bezold-Brücke 色调漂移第32页
     ·Hunt 效应第32页
     ·Stevens 效应第32页
     ·照明体折扣第32页
     ·其它色貌现象第32-33页
   ·色适应第33-40页
     ·色适应第33-35页
     ·色适应变换第35-40页
   ·混合色适应第40-46页
     ·混合色适应和不完全色适应第40-41页
     ·TC8-04 的实验条件第41-43页
     ·跨媒体图像比较的观察技术第43-46页
       ·记忆观察技术第43页
       ·相继双眼观察技术第43-44页
       ·同时双眼观察技术第44页
       ·同时单眼观察技术第44页
       ·相继匀场(Ganzfeld)单眼观察技术第44-46页
   ·色貌模型第46-69页
     ·色貌及其属性第47-48页
     ·早期的色貌模型第48-50页
     ·CIECAM97s 色貌模型第50-52页
     ·CIECAM02 色貌模型第52-66页
       ·观察视场的结构第52-54页
       ·输入数据与环境参数第54-56页
       ·输出数据第56页
       ·CIECAM02 的构成第56-59页
       ·CIECAM02 色貌模型的计算步骤第59-66页
       ·CIECAM02 的不足之处第66页
     ·图像色貌模型第66页
     ·色貌模型的应用第66-69页
   ·本章小结第69-70页
第三章 基于神经网络的关联色貌模型第70-117页
   ·传统色貌模型在颜色复制中的作用第70-71页
   ·关联色貌模型第71-72页
   ·关联色貌模型的神经网络实现方法第72-78页
     ·人工神经网络和 BP 训练算法第73-77页
     ·关联色貌模型人工神经网络的训练样本获取及模型预测精度检验方法第77-78页
   ·神经网络色貌预测能力的检验第78-94页
     ·LUTCHI 数据的 BP 神经网络预测第79-82页
       ·LUTCHI 数据第79-81页
       ·BP 网络的训练第81页
       ·神经网络预测能力检验第81-82页
     ·CIECAM02 模型的 BP 神经网络实现第82-89页
       ·ColorChecker 色卡及 Munsell 系统第82-86页
       ·网络结构和参数第86-87页
       ·网络预测的结果与讨论第87-88页
       ·实验结果分析第88-89页
     ·基于色貌模型的跨媒体颜色复制第89-94页
       ·实验数据的产生第89-91页
       ·神经网络训练第91页
       ·预测结果的评价第91-94页
       ·分析第94页
   ·基于视觉匹配的关联色貌模型神经网络实现第94-116页
     ·实验设备第95-103页
       ·NCS 色序系统及其量化表示第95-99页
       ·CRT 均匀性和稳定性测试实验第99-103页
         ·CRT 的屏幕均匀性和稳定性第100页
         ·CRT 均匀性和稳定性的检测流程第100页
         ·数据分析第100-103页
     ·样本集的产生第103-107页
       ·视觉匹配实验第103-105页
       ·关联色貌模型样本集产生第105页
       ·获取数据的可靠性第105-107页
     ·数据泛化处理第107-109页
     ·实验结果评价第109-115页
       ·正向预测的评价第109-110页
       ·视觉估计法(对逆向预测的评价)第110-115页
     ·结论第115-116页
   ·本章小结第116-117页
第四章 基于色貌的 CRT 视觉特性化第117-133页
   ·CRT 的特性化第117-122页
     ·基于 CIEXYZ 的传统 CRT 特性化第117-121页
       ·PLVC 法第119页
       ·三维查表法( 3D-LUT)第119-120页
       ·反馈校正法第120页
       ·GOG 模型法第120页
       ·神经网络法第120-121页
     ·基于色貌的 CRT 视觉特性化方法第121-122页
   ·视觉特性化实验第122-131页
     ·实验样本第122页
     ·数据泛化处理第122-124页
       ·预转换第123页
       ·分色调网络( Hue- Divided Neural Networks)训练第123-124页
     ·神经网络的精度第124-128页
       ·正向预测精度第124-126页
       ·逆向预测精度第126-128页
     ·色坐标系的转换第128-131页
     ·应用和讨论第131页
   ·本章小结第131-133页
第五章 对 CIECAM02 彩色背景输入颜色的预处理第133-149页
   ·CIECAM02 观察条件参数的描述第133-134页
   ·心理物理视觉实验第134-148页
     ·实验前的数据测量第134-136页
     ·黑、白无彩色背景实验第136-138页
       ·灯箱、显示器白点的设置第136页
       ·硬拷贝色样第136-137页
       ·观察条件第137页
       ·观察结构第137-138页
       ·实验结果分析第138页
     ·彩色背景视觉实验第138-143页
       ·硬拷贝背景第138-139页
       ·观察条件和观察结构第139页
       ·硬拷贝样本第139-141页
       ·数据的获取第141-142页
       ·数据的可靠性第142-143页
     ·彩色背景视觉实验的数据处理第143-144页
       ·数据处理流程第143页
       ·色诱导模型第143-144页
     ·色诱导公式的推导第144-148页
       ·数据分析第144-145页
       ·色诱导公式第145-147页
       ·公式性能的检验第147-148页
   ·本章小结第148-149页
第六章 总结与展望第149-152页
   ·总结第149-150页
   ·本论文的创新点第150-151页
   ·存在的问题与展望第151-152页
参考文献第152-174页
攻读博士期间发表的论文第174-176页
致谢第176-177页

论文共177页,点击 下载论文
上一篇:我国企业应用平衡记分卡的研究
下一篇:基于BREW的移动终端大型互动应用的开发与研究