基于优化的BPNN模型在色彩空间转换中的应用研究赵辉艾磊摘要摘要：色彩空间转换在图像采集、显示，色彩信息传递及重现中发挥着重要作用，为实现真正意义上的“所见即所得”，需提高色彩转换精度。针对传统色彩空间转换模型中BP神经网络转换精度低、易陷入局部最优等不足，使用萤火虫算法优化BP神经网络的初始权值和阈值，提出一种FABPNN算法的色彩空间转换模型，并使用色差模型进行验证。实验结果表明，该模型具有较高的色彩转换精度，达到预期效果。关键词关键词：萤火虫算法；色彩空间转换；BP神经网络DOIDOI：10.11907/rjdk.1431001：TP317.4：A：16727800（2015）0040151030引言色彩空间转换是色彩管理中的核心问题，彩色图像恢复或再现过程中出现的颜色失真或改变，受相关设备色彩特性、观测条件（如照明、观测视角、背景等）以及色域范围等因素的影响[1]。为保证图像信息传递的一致性，达到所见即所得的效果，需要通过色彩管理对颜色空间转换进行控制。色彩空间具有跨学科和跨行业的特点，所以诸多色彩空间之间存在相互转换的内在需求[2]。而转换的基本模式是选择一种与设备无关的色彩空间，比如CIELAB或CIEXYZ作为中介，通过RGB、CIELAB/CIEXYZ、CMYK等色彩空间来实现相互转换。近年来，关于色彩空间转换算法主要有混合色彩模型、回归分析法[3]、多项式法、线性插值法[4]、查表法[5]等。混合模型可以用相对较少的测量数据来预测色彩，但误差分布不均匀，而且应用范围受限。多元回归方法使用较少的样本实现彩色打印机色彩空间转换，不足之处在于转换精度较低。多项式方法的优点是不需要在源空间均匀采样，由于对象空间采样点分布的差异性，多项式回归转换精度也会有很大差异，而且测试时间比较长。查表法主要分为LUT和3DLUT两种，三维查表法主要采用等分分割方法，其变换精度取决于查找表的密度大小，会造成色域的准确性不一致[1]。在色彩空间转换中，色彩的映射关系并不是简单的对应关系，其变换过程是一种非线性映射[6]。神经网络由于其目标模拟的模糊性、泛化性以及非线性映射与彩色图像信息处理过程的特点相吻合，所以也被应用于色彩转换中。但神经网络存在一些不可避免的缺陷，比如网络结构选择困难，局部极值以及泛化能力差等。而且BP神经网络初始权值和阈值选择不当，将使BP网络难以收敛，从而影响预测效果。萤火虫算法[78]（FireflyAlgorithm，FA）受自然界中萤火虫通过荧光进行信息交流的群体行为启发演变而来。该算法由剑桥大学的Xin-SheYang教授于2008年提出，是一种新颖的仿生群智能优化算法。本文采用FA优化得到最优初始权值和阈值来构造BP神经网络。在此基础上建立色彩空间转换模型的FABPNN算法。1BP神经网络模型BP神经网络是一种采用误差逆传播（ErrorBack-Propagation）算法的多阶层前向反馈神经网络，BP是一种有监督的学习算法。标准的BP神经网络分3个部分，即输入向量、隐含层神经元和输出层神经元，如图1所示。输入层单元数等于输入向量分量的个数，隐含层神经元数可按经验通过公式取值，输出层神经元数为期望输出分量。BP神经网络算法基于误差校验学习准则，针对每个独立神经元，寻优过程采用最小均方（LMS）迭代完成，是一个向前计算和误差反向传播，不断修正权值的过程。2萤火虫算法2.1萤火虫算法原理萤火虫算法是通过模拟自然界中萤火虫发光行为构造出的一类随机优化算法，其舍弃了发光的生物学意义，只是利用萤火虫的发光特性来搜索伙伴，并向邻域结构位置较优的萤火虫移动，以此实现位置进化。萤火虫算法需3个理想化的条件：①所有萤火虫无性别差异，任何萤火虫都可能被其它萤火虫吸引；②亮度较暗的萤火虫会被亮度较高的萤火虫吸引，并向它移动，即吸引度和亮度相关；③如果萤火虫周围没有比其更亮的个体，它将随即移动。其仿生学原理为：用搜索空间中的点模拟萤火虫个体，将搜索和优化过程模拟为萤火虫个体的吸引和移动过程，将问题求解的目标函数度量成个体所处位置优劣，将个体优胜劣汰过程类比成搜索和优化过程中，用好的可行解取代较差的可行解的迭代过程[9]。2.2相关概念萤火虫算法主要包含两个要素：亮度和吸引度。亮度体现萤火虫所处位置...