光谱颜色复现和色度精度是评价光谱重建算法准确的基础。 简单而直观的评价指标对颜色复现控制是必不可少。 该指标需要同时表征复现颜色的光谱差和色度差。 在研究光谱匹配评估的方法基础上， 提出基于颜色视觉感知的三种光谱评估指标， 通过加权人眼视觉匹配函数， 实现颜色光谱差与色度的评估。 通过孟塞尔颜色系统的光谱数据， 该论文分析与验证三种视觉加权的评估指标的有效性。 通过孟塞尔颜色系统数据， 这些指标在CIELab均匀色空间中分布均匀而稳定， 从而证明加权算法的评估指标是既表征到颜色感知又反映出颜色的光谱相似度。 实证结果表明， 加权的指标可以实现同时表征实际人眼的颜色感知和颜色光谱差异。 基于人眼视觉感知的评估指标解决了颜色的原始光谱和重建光谱的光谱匹配精度的定量评价问题。 所提出评价指标通过一个简单而直观的数值实现对复现颜色光谱与色度评估。

传统主成分(PCA)光谱降维方法利用数学的方法, 保证降维后的重构光谱与原光谱在形状上尽可能相似, 但是传统PCA降维过程中无差别的对待每一个波段的光谱数据, 而人眼视觉对不同波段的光谱敏感程度不同, 会造成有时候虽然光谱误差较小, 但是人眼看上去色差较大的情况。 在保证光谱误差的同时, 为了能够有效的减少源光谱与重构光谱的色度误差, 提出了两种基于人眼视觉的加权函数对传统PCA降维方法进行优化, 并利用残差光谱对模型进行补偿。 实验过程以Munsell色卡作为训练样本, Munsell色卡和多光谱图像“young girl”作为测试样本, 然后利用本文提出的加权函数进行PCA降维并重构, 并与相关文献提出的方法进行了对比。 实验结果表明, 提出的两种加权算法, 与其他算法相比, 无论是色度精度还是在变光源的稳定性方面, 都有显著地提高。

针对目前多光谱图像去马赛克算法存在计算量大、效率低的缺点, 本文提出一种基于压缩感知的多光谱图像去马赛克算法。首先, 分析去马赛克与压缩感知问题的等价性, 建立基于压缩感知的去马赛克模型;然后, 采用离散余弦变换构建压缩感知的稀疏基, 将去马赛克问题转化为压缩感知的信号重构问题; 最后, 采用改进的光滑0范数和修正牛顿法的重构算法求解去马赛克问题, 得到重构的多光谱图像。仿真实验表明, 相对于基于克罗内克压缩感知和组稀疏两种算法, 本文算法提高了重构的多光谱图像的峰值信噪比, 能有效减少对比算法重构多光谱图像中出现的锯齿现象, 改善了重构图像具有更好的视觉效果。实验结果验证了本文算法的有效性。

对不同的半色调混合像元比例通过彩色喷墨打印机输出后的光谱反射率曲线的光谱形态特征进行了研究。选择反射光谱形态指标，分析了125组不同半色调混合比例下光谱混合像元反射光谱形态指标的变化规律。研究结果表明，半色调混合元的光谱形态指标与半色调混合像元的比例间存在明显的关系；选择分析的4个光谱形态指标之间存在着较大的相关性，按照0.05及以上置信水平和相关系数>0.9的条件对光谱形态指标进行剔除，确定了不同基色不同特征波段中的有效光谱形态指标；在不同波段范围内，各光谱形态指标随半色调混合像元比例的变化规律存在差异性；使用回归分析，各基色特征波段的光谱形态指标与半色调混合比例符合一次线性与二次多项式关系，R2可达到0.9以上。

针对传统数学建模法无法实现CIELAB颜色信号向孟塞尔色序系统精确转换的问题, 提出一种基于结构相似的分级转换算法。首先使用Pearson相关系数分析CIELAB颜色系统与孟塞尔色序系统间的结构关系, 接着在此基础上采用分级转换的方式先后得到CIELAB颜色信号对应的孟塞尔明度V、色调H和彩度C三色标, 并在第二级转换求色标H时使用了一种多次插值求最小色差的新方法, 以保证算法的计算精度。对2 735组检验样本的测试结果表明, 本文算法具有良好的计算精度和可靠性, 并可被广泛应用于各类图像颜色信号处理系统中。

对电子系统强电磁环境实验效应检测技术研究现状进行了系统的研究分析，提出通过对内部电路节点电压信号实时监测实现无人机电子系统强电磁环境效应检测判断的方法。设计了以阻抗变换和电光转换电路为核心的光纤输出型电压探头，实现1 MΩ高输入阻抗、DC – 450 MHz带宽、数百m传输距离等技术要求。在无人机系统强电磁脉冲环境实验中利用所设计的电压探头实现了无人机舵机、飞控、链路等电路节点工作电压信号波形的远程监测，获取了无人机电路节点耦合的电压脉冲波形。

为实现 LCD显示器的光谱特征化, 本文提出一种基于遗传算法优化(Genetic Algorithm, GA)的BP神经网络(GA-BP)结合PCA(Principal component analysis)的光谱特征化模型。首先对显示器色空间进行子空间划分, 同时采用PCA对光谱数据进行降维, 接着在各子空间中采用遗传算法对BP神经网络的权值阈值进行优化, 建立显示器驱动值与光谱数据之间的神经网络模型, 实现了显示器的光谱特征化。实验结果表明子空间划分后, 在子空间中进行模型参数的优化有利于模型整体精度的提高, GA的优化有效改善了BP神经网络的极值问题, 提高了模型的精度, PCA在不影响模型精度的同时提高了算法的运行效率。由此说明该模型是一种高精度显示器特征化模型。

针对打印机的非线性以及印刷条件的复杂性，提出一种基于遗传算法(GA)优化的径向基(RBF)神经网络与子空间划分的打印机颜色预测模型。对打印机进行子空间划分，在子空间中进行模型的构建，采用GA 同时对RBF 神经网络的隐含层节点的中心和宽度参数进行优化进而构建了GA-RBF 神经网络模型。同时将本文算法与RBF 神经网络、Yule-Nielsen 修正的Cell Neugebauer(CYNSN)模型两种主流算法的预测精度进行了比较。实验结果表明，GA 的优化弥补了RBF 神经网络可调参数单一的缺陷，提高了模型的预测精度，与其他模型相比，该模型具有较高的预测精度和泛化能力，用于打印机的颜色预测是切实可行的。

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(ΔE*ab)为1.669,光谱均方根误差(RMSE)为0.7%,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均ΔE*ab分别为3.267,2.776,2.175,光谱RMSE为0.97%,0.79%,0.76%)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.

针对跨媒体光谱颜色复制过程中出现的设备光谱域不一致问题，在加权人眼视觉特性的主成分分析(PCA)光谱降维空间内构建了一种光谱域映射模型。利用标准色度观察者匹配函数构造权重系数，对高维光谱进行加权，采用PCA 提取加权光谱的前三个主元，以构造低维加权PCA 空间，在加权PCA 空间内引入分区最大化色域边界描述算法描述设备光谱域，对超设备光谱域的颜色光谱进行裁切以映射到设备光谱域内。实验证明，新模型相比于常用的PCA空间内的光谱域映射模型而言，更能达到视觉感受的匹配，可以更为有效地解决设备光谱域不一致的问题。