تعیین توابع پایه بهینه بمنظور فشرده سازی و بازسازی توابع انعکاسی

در این رساله، الگوریتم جدیدی جهت تعیین توابع پایه بهینه داده های انعکاس طیفی مجموعه های متفاوتی از رنگ های سطوح به منظور پیشگویی تابع انعکاس طیفی اجسام رنگی که دارای مقادیر محرکه های سه گانه معلومی هستند ارایه گردیده است. بعلاوه بردارهای ویژه بهینه شده به منظور فشرده سازی و بازسازی داده های انعکاس طیفی مورد استفاده قرار گرفته اند. به این منظور: - روش تحلیل عناصر اصلی برای بازسازی داده های طیفی از روی اطلاعات رنگی با انجام پردازش اولیه روی داده های انعکاسی مورد استفاده قرار گرفت. بدین ترتیب که ابتدا بردارهای ویژه یک مجموعه داده پویا از این طریق که اجزاء آن متناسب با مقدار اختلاف رنگ هر نمونه با نمونه های مجموعه داده اصلی بودند، استخراج شده و سپس عملیات پیشگویی صورت می گرفت. - با استفاده از تیوری تجزیه طیفی مجموعه های بزرگ و متفاوتی از منحنی های انعکاسی به محرک های پایه رنگ و سیاه های متاماریک تفکیک شدند و سپس فشرده سازی با استفاده از روش تحلیل عناصر اصلی صورت گرفت و آنگاه از الگوریتم های مختلفی جهت بازسازی مناسب داده های اولیه استفاده شد. - نهایتا روش جدیدی با تلفیق دو روش شبکه های عصبی و تجزیه طیفی به منظور تخمین سیاه متامار از محرک پایه رنگی که از روی مقادیر محرکه های سه گانه هر نمونه بدست آمده بود معرفی گردید. کارآیی کلیه الگوریتم های پیشنهادی بر روی مجموعه های مختلفی از داده های انعکاس طیفی شامل 1269 نمونه مات مانسل، 2802 نمونه اکریلیکی مات و 917 نمونه منسوج رنگرزی شده مورد ارزیابی قرار گرفته اند. از سه شاخص میانگین مجموع مربعات خطا، ضریب مطلوبیت تطبیق و همچنین مقدار اختلاف رنگ در زیر منابع روشنایی متفاوت به این منظور استفاده شده است. در مجموع معیارهای ارزیابی ذکر شده کارایی کاملا بهتر الگوریتم های پیشنهادی را نسبت به روش کلاسیک نشان می دهند.