結論與建議

與支援向量回歸(SVR)兩種統計學方法來重建影像的光源頻譜，並探討訓練樣本 數量和主成分個數的選擇對重建效果的影響。

在PCA 的部分，本研究承襲先前研究的架構，以假轉置矩陣結合三刺激值 公式求得特徵向量的係數C 之後，與特徵向量相乘即為模擬的光譜。在 SVR 的 部分則引用特徵向量係數C 作為訓練資料的輸入項，輸出項則為實際測量到的 光源，藉由支援向量回歸求出兩者間的關係Model 後，加入測試資料進行實際的 預測，因此本研究的基本架構是衍生自主成分分析法中，各個主成分相互獨立又 能代表各自的光譜特性的特質，將主成分的係數當作輸入項進行回歸估計。

第一節 結論

本研究結果顯示只要有完整的訓練資料，PCA 與 SVR 都能重建出影像中的 光源頻譜，綜合第四章的結果討論，本研究歸納出下列幾點結論：

一、樣本數量對光譜重建的影響：

一組能代表自然影像光源特徵的訓練資料，對於研究者能提供更精確的實驗 結果，這樣的訓練資料數量越多就越能提高光譜重建的準確度，尤其對主成分分 析與回歸分析這類需要大量訓練資料作預測的統計模式而言，樣本能否精確的反 映出原始資料的特性，並且提供數量足夠的訓練資料是非常重要的，而SVR 以 結構風險最小化的概念，加入了容忍小誤差的容錯機制，因此在本研究的實驗結 果中，證實了對於數量較少的樣本可以展現出了比PCA 更為精確的光譜重建能 力。

二、主成分數量對光譜重建的影響：

在本研究中顯示，以 PCA 方法重建光譜時，基本上取 6 個主成分就可以代 表大部分的光譜特性，並獲得可以接受的重建結果，而主成分數量的增加會增加 估計的準確度，這種趨向也呈現在SVR 的實驗結果裡，隨著輸入項的增加，預 估的精準度有所提升，不過對SVR 而言在輸入項相同的情況下，參數的設定和 核心函數的抉擇也是決定光譜估計成果的重要因素。

三、PCA 與 SVR 的效果比較：

研究結果和文獻顯示 SVR 在小樣本訓練資料的表現優於 PCA，但隨著樣本 數量擴充，PCA 的精確度會有所提升，不過在本實驗所設定的 240 個測試樣本 中，SVR 的效果仍然優於 PCA，但是 SVR 是否能在更大量訓練樣本的情況下保 持預估光譜的精確度，還必須做進一步的驗證才能瞭解。

第二節 未來工作與建議

本研究受限時間與天候因素，建立的光源訓練樣本不算足夠，未來如果要繼 續從事影像頻譜的研究，建議可注意下列方向：

1.建立足夠的頻譜資料庫，最好能收集一整年的日光光譜資訊，讓光譜的代表性 加強，這樣才能確保訓練樣本的可靠度，讓研究結果更精準。

2.考慮加入類神經網路（Neural Network）等機械學習理論於頻譜重建領域，與 SVR 和傳統的回歸以及主成分分析等統計學技術做比較，瞭解這些技術在光譜 重建表現上的優點和缺失。

3.確立 SVR 輸出、輸入項的選擇與參數設定的模式，找到適當的參數、輸出項 和輸入項才能取得合理的預測效果，本論文利用主成分分析法求出特徵向量的 係數作為輸出項，後續研究者或許可以考慮加入影像的RGB 值作為輸入項進行 實驗。

本論文以實做驗證了 SVR 在樣本數量較小的訓練資料中，仍然保有 令人滿意的光譜重建效果，同時也分析了訓練樣本數量及主成分對PCA 與 SVR 在光譜重建效果上的影響，同樣的方法應用在反射譜估計的領域，相信也會有 可以發展的空間，若能有效整合光譜與反射譜估計的成果，就可以應用於數位 影像的校正與合成的工作，讓影像後製過程可以有更準確的色彩調整依據。

。

參考文獻

[1] 財團法人資訊策進會，“2007 台灣數位內容產業發展白皮書＂，台北：經濟 部工業局，p10-16，2008。

[2] 大田 登著/陳鴻興、陳詩涵合譯，“色彩工程學：理論與應用＂，台北：全 華圖書股份有限公司，2007。

[3] F. Billmeyer、M. Saltzman, “Billmeyer and Saltzman's principles of color technology”,New York : Wiley, 2000.

[4] 李明來，“實用多變數分析＂，台北：九州圖書文物有限公司，452-486，2007。

[5] http://www.tasi.ac.uk/images/cielab

[6] 山中俊夫著/黃書倩譯，“色彩學的基礎＂台北：六合出版社，2003。

[7] 一見敏男(1995)。グラフィック表現のための色彩学入門。東京：日本印刷 新聞社。

[8] D. Tzeng, R. Berns, “A Review of Principal Component Analysis and Its Application to Color Technology,” Color research and application, Vol, 29（4）, pp.84-98, 2005.

[9] J. Romero, G Beltrán, and H Andrés, “Linear bases for representation of natural and artificial illuminants,” J. Optical Society America,.Vol. 14, pp.1007-1014, 1997

[10] H. Andrés , J. Romero, J. Nieves, and L. Lee, “Color and spectral analysis of daylight in southern Europe,” J. Optical Society of America, Vol. 18, pp.1325- 1335, 2001.

[11] J. Nieves, E. Valero, S. Nascimento, H. Andrés, and J. Romero, “Multispectral synthesis of daylight using a commercial digital CCD camera,” Applied Optics, Vol. 44,pp.5696-5703, 2005.

[12] F. Imai, R. Berns, “Spectral estimation using trichromatic digital cameras,” in International Symposium on Multispectral Imaging and Color Reproduction for

Digital Archives, pp.42–49, 1999..

[13] F. Agahian, S Amirshahi, S Amirshahi , “Reconstruction of Reflectance Spectra Using weighted, principal component Analysis,” Color Research and Application, Vol. 33, No.5,pp.360-371,2008.

[14] G.. Corzo., A. Pe˜naranda., P. Peer , “Estimation of a fluorescent lamp spectral distribution for color image in machine vision,” Machine Vision and Applications, Vol. 10, 2005.

[15] V. Bochko, N Tsumura, Y Miyake, “A Spectral Color Imaging System for Estimating Spectral Reflectance of Paint,” The Journal of imaging science and technology, Vol. 51, n1, pp.70-78, 2007.

[16] J. Nieves, C. Plata, E. Valero, and J. Romero, ”Unsupervised illuminant estimation from natural scenes: an RGB digital camera suffices ” APPLIED OPTICS , Vol. 47, No. 20, pp.3574-3584,2008.

[17] Weida Zhou1, Li Zhang1, Licheng Jiao1, and Jin Pan, ”Regression Based on Unconstrained Convex Quadratic Programming,” Lecture Notes in Computer Science , Vol. 4221, pp.167-174, 2006.

[18] R. Duda, P. Hart,D. Stork, “Pattern Classification ”,New York, A Wiley-Interscience Publication, 2000.

[19] 白鵬，“支援向量機理論及工程應用實例”，西安：西安電子科技大學出版 社，2008.

[20] M. Ferris, and T. Munson. "Interior-point methods for massive support vector machines". SIAM Journal on Optimization , Vol. 13, pp.783–804, 2002.

[21]V. Agarwal, A. Gribok, M. Abidi “Machine learning approach to color constancy,”

Neural Network , Vol. 20, pp.559-563, 2007.

[22] B. Funt ,W. Xiong “Estimating Illumination Chromaticity via Support Vector Regression,” IS&T/SID Twelfth Color Imaging Conference, 2004.

[23] W. Zhang, D. Dai “ Spectral reflectance estimation from camera responses by support vector regression and a composite model,” J. Optical Society of America, pp.2286-2269, 2008.

[24] V. Cherkassky, M, Yunqian “Practical Selection of SVM Parameters and Noise Estimation for SVM Regression,” Neural Network[J], 2004.

[25] http://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html

[26] Jing Zhang, Xue-dong Zhang^, Seok-wun Ha“A Novel Approach Using PCA and SVM for Face Detection,” IEEE Computer Society,Vol. 10, pp.29-33,2008.

[27] http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf