传统色貌模型存在的问题

从传统色貌模型的具体计算过程分析，它们一般都包含有色适应变换、动态响应函数变换等过程。在这些变换环节中，一般都包含一系列线性或非线性的复杂数学变换过程。由此可以看出，现有色貌模型存在的一些根本性问题：

一.试图用精确的数学变换来描述人眼及人脑的颜色感知过程。然而有关研究结果表明，颜色视觉是一种与人的心理反应过程有关的结果，带有高度的非线性、模糊性以及与背景和环境的相关性等特点，因此很难用解析性的数学表达式进行归纳或模拟；事实上，有关研究结果表明，现有的各种色貌模型对典型条件下的色貌预测结果都存在较大的误差。

二．传统色貌模型中采用大量的指数性函数数学变换过程，其计算程序较大、耗时多，逆变换困难。从而降低了色貌模型在彩色图像实时处理领域中的使用效果。

三．传统色貌模型的输入量一般为CIE标准色度值，而这些CIE色度值又与具体设备的显示驱动参数之间不存在确定的映射关系，因此传统色貌模型属于一种与具体输入/输出设备无关的（Device-independent）的模型，或简称为“独立色貌模型”。需要通过“设备特性化”这一环节，才能将其应用到具体的设备上。

四．传统的色貌模型参数多，计算复杂，对观察条件要求严格，需要预先知道原图像与复制图像两边的照明条件，因此难于应用推广。

关联色貌模型的概念

从表面上看，这种“独立色貌模型”因为与设备无关，似乎更有利于普及和推广。但是，由于它还必须通过“设备特性化”这一环节与具体媒体、设备的颜色空间参数相联系。显然，这种“设备特性化”加“独立色貌模型” 的工作方式大大增加了整个系统的复杂程度，不利于实际应用（图1.2）。

本文认为色貌模型也可以是一种面向具体媒体的模型。正如ICC的色彩描述文件是建立在具体媒体之上的那样，是否也可以建立一种“与媒体关联的（Media-dependent）色貌模型”，本文将之归纳到“关联色貌模型”概念。这种建立在具体媒体上的色貌模型，既可以直接应用于各种自成体系的闭环颜色控制系统中，又可以与目前国际上流行的开放式系统中的“颜色特性描述文件”（Profile）融合为一体，从而使整个系统得以简化。图2.5是“关联色貌模型”的一个示意图，与图1.2比较可以看出，整个流程简化了许多。

由上述可知，色貌模型不仅在应用时需要大量的色貌属性参数，而且是一个复杂的非线性数学模型，计算繁杂，并且色貌模型需要预先知道原图像与复制图像两端的照明条件，不利于在普通的观察条件下推广使用。

本文提出的一种与媒体相联系的、将色适应与特性化相结合的、基于色貌的设备特性化方法，可以简化给定观察条件下的色貌保持颜色复制过程。通过整合后，可以形成一个完整的跨媒体颜色复制数据链，称为跨媒体颜色复制技术简化方法。进一步将物理目标表面的光谱信息引入到颜色复制的输入端，以解决主要由照明条件改变而引起的色貌不一致的问题。

采用“视觉匹配”方法获取训练样本数据对，把具体颜色传播媒体的颜色参数与通用的色貌属性参数（包括照明、背景、环境因素等）直接联系起来（图2.6）。这些联系类似于传统色貌模型中的正逆变换，在这里都是通过人的视觉感知来完成。因此需要处理的个性因素较多，这也正是传统色貌模型的方法难以解决的问题。为此，本文采用人工神经网络方法来解决这一问题。

图2.6 色适应对应色匹配技术与设备特性化相结合的跨媒体颜色复制简化流程

事实上，在视觉匹配过程中，人的视觉感知已经将一个给定的典型观察条件的一些色貌因素“映射”到输出媒体上。基于“视觉匹配”的CRT特性化是“关联色貌模型”的部分内容。

 iCAM模型

虽然经过20年的发展，CAM已经成为一个国际标准。但随着技术的不断发展，进一步要求CAM能够处理空间和时间的色貌现象。另外， CAM的色差测量与色貌分离，因此需要一个新的色貌模型。

iCAM（Image color appearance model）是一个新一代的色貌模型，称为图像色貌模型。其目的是在一个足够简单实用的模型中，同时提供传统的色貌模型属性、空间视觉属性和色差度量。该模型包括了色适应、色貌分度、色差、边缘增强、拉伸、高动态范围图像和图像质量测量等功能。