人眼能感覺到物體的色彩，是由於物體受光線照射後，反射部份光線進入眼 睛所產生的感知，因此，唯有接收到光線的刺激，人眼才能識別色彩。在拍攝物 體時，影像呈現的色彩會因為場景光源的不同而有所變化，人眼因為有色適應
（chromatic adaptation）的特性，可以憑藉知覺經驗來判斷顏色的色相，但是數 位相機等攝影器材並不具備這種能力，必須依靠內建的白平衡機制，預先對拍攝 器材內的感應器進行感度的調整，藉此補償照明光產生色偏移時所造成的色彩失 真，但是若在後製階段要對影像進一步做合成處理時，就必須對拍攝時的環境光 源特性有所瞭解，才能獲得更精確的色彩重現效果。
因此，若能發展一套不用儀器就可以估計影像中光源頻譜的方法，便能有效 率地掌握影像的色彩變動情況，進而把重建後的光譜資訊應用於後製過程中，讓 校正後的數位影像可以呈現出更趨近人眼看到的色彩，所以本研究將會實做一套 估計自然影像中光譜分佈的方法，讓處理影像時可以有更多的資訊來進行色彩校 正及影像合成的工作。
第一節 研究背景與動機
政府於2002 年推動「兩兆雙星核心優勢產業計畫」時，將「數位內容」產 業列為未來國家經濟發展的重點產業，經過五年的發展，國內數位內容產業的產 值已由2001 年的 1334 億元成長到 2007 年的 3609 億元[1]。而圖文影音的多媒 體整合是決定數位內容品質的重要因素，其中影像合成技術也廣泛的應用於數位 遊戲、數位典藏和數位影音等產業中，經過合成後的影像，可以讓使用者看到更
豐富的視覺內容，因此如何掌握影像特性創造出更生動自然的影像將是決定數位 內容產業發展的重要因素。
而近年來Facebook、無名小站等網路相簿的興起，加上數位相機和照相手 機日趨普及，人們藉由這些器材來拍攝數位影像以便記錄生活中的點滴，而政府 極力扶植的數位內容產業也需要活潑生動的影像作為素材，所以需要影像擷取設 備來拍攝畫面，但上述的攝影器材缺乏像人眼一樣的色適應能力，雖然可以藉由 白平衡機制減少真實環境景物與影像內容間在色彩上的差異，但若能得到圖像中 的環境光譜資訊，將更有利於後製階段的處理工作並提供更好的影像品質。
一般在拍攝專業影像時，都會利用色溫表或光譜量測儀器來取得環境光源的 光譜資訊，以便在後製過程中利用相關資訊來輔助影像合成或色彩校正的工作，
然而上述的光譜量測設備成本較高，且量測工作費時費力，並不符合成本效益，
而一般民眾也沒有機會使用到相關光源量測設備來蒐集環境光源資訊。因此本研 究將發展一套估計影像中光源頻譜的方法，希望能以較低的成本來重建數位影像 中的光譜資訊，作為後續進行影像處理工作時的參考。
第二節 研究目的
光譜包含許多資訊，可以讓研究者推算出一張圖的色座標資訊及該光源的演 色性等訊息，因此本研究希望能發展出一套估計影像中光源頻譜資訊的方法，達 到不用執行拍攝前的光源量測程序就可獲得相關的環境光源資料，一方面可以減 少花費在量測時間和購買器材上成本，另一方面也可以運用在估計一般的數位影 像的光譜。為了達到這個目的，本論文計畫利用主成分分析法（Principal Component Analysis , PCA）和支援向量回歸（Support Vector Regression , SVR）
兩種統計方法，分別模擬出一個接近拍攝環境的光源頻譜，希望能在這兩種方法 中找出一個較精準的影像光譜估計模式，以減少在量測光源時金錢及時間的花 費。
由於本研究採取的PCA、SVR 兩種實驗方法，都需要一定數量的光譜資訊 作為訓練資料（training data），若能在有限的光譜資料下就能建構出接近實際環 境光源的頻譜分佈，那這個方法將具有更高的實用價值，因此本研究除了比較這 兩種方法在影像光譜估計的表現外，還將分析比較PCA 與 SVR 何者在數量較少 的訓練樣本中光譜重建的效果較佳，藉由上述的實驗方法希望能獲得一個低成本 高效率而又有合理準確度之光源重建方法，以便應用於影像處理工作及日後色彩 相關領域的研究。
綜合上述理由，整理本論文的研究目的如下：
一、 利用PCA 與 SVR 建構一套估計光譜的方法，來模擬自然影像中光源的 頻譜分佈。
二、 分析在模擬光譜時使用不同數量的主成分，是否影響到PCA 與 SVR 重 建光譜的效果。
三、 分析樣本數量的多寡是否會影響到PCA 與 SVR 兩種方法在光譜重建時 的表現。
第三節 研究問題
依據上述研究動機與目的，擬定研究問題如下：
一、 PCA 與 SVR 兩種方法，何者運用於光譜重建的效果較佳？
本研究利用RMSE 值與 CIE94 色差公式作為評量的工具，比較 PCA 與 SVR 兩種方法在光譜重建上的效果。
二、 不同數量的主成分對PCA、SVR 進行光譜重建效果的影響？
分析在主成分數量不同的情況下進行光譜重建時，對PCA 與 SVR 的重建 效果有什麼影響。
三、 不同數量的訓練樣本是否會影響PCA 與 SVR 進行光譜重建的效果？
分析在訓練樣本數量的多寡對PCA 與 SVR 在光譜重建效果上的影響。
第四節 名詞解釋
以下針對與本研究相關之專有名詞進行解釋：
1. 自然影像（natural image）
本研究中將自然影像定義為於光箱及自然光源下拍攝，且未經過修正的數位 影像。
2. 色適應（chromatic adaptation） [2] [3]
當照明光強度和光譜改變時，人眼視覺機制不會受到很大影響，仍可以正常 地辨識出物體的顏色。
3. 三刺激值（tristimulus values） [2]
由物體的頻譜反射率或頻譜透射率、照明光的頻譜分佈及人眼的配色函數 者積分所得的色彩物理量。
4. 物體反射譜（spectral reflectance） [2] [3]
入射光接觸物體後獲得反射光，兩者間比值為反射率，相對於每一波長的反 射率則能構成頻譜即為物體反射譜。
5. 光譜分佈（power spectral distribution） [2] [3]
將光源所發出光的光譜組成以能量形式來表示，即光源發出不同波長的輻射 功率（W）的相關分佈。
6. 同色異譜 （metamerism） [2] [3]
在特定的觀測條件下，觀察到兩個頻譜分布不同的色刺激，卻產生相同色彩 的現象，稱為條件等色或同色異譜。
7. 主成分分析（Principle Component Alaysis）[4]
主成分分析的目的在於將簡化變項個數，將有相互關係的變數，轉成互相獨 立的線性組合變數，經由線性組合後所獲得的成分，其變異數為最大，因此可以 在少數的資料成分上顯現出最大的個別差異。
8. 支援向量回歸（Support Vector Regression）
支援向量回歸主要是利用SVM 的概念對訓練資料（Training Data）找出最 佳模組後，建立一個回歸方程式，使測試資料（Testing Data）可以擁有誤差最 小的預測結果。