摘要
动机： 对印刷网点图像进行精确的光谱重建对于实现高保真色彩再现和现代印刷系统中的稳健色彩管理至关重要。然而，传统的基于物理的模型（如Yule–Nielsen和Clapper–Yule公式）依赖于简化的经验假设，往往无法捕捉多油墨叠加和基底光散射引起的复杂非线性和非对称相互作用。同时，现有的基于单一学习模型的数据驱动方法在模拟网点结构所固有的互补和对称特性方面能力有限，导致预测准确性和泛化性能不佳。 方法： 为了解决这些限制，我们提出了一个堆叠集成光谱预测（SESP）框架。该方法采用双层堆叠架构，整合了异构的基础回归器，包括支持向量回归（SVR）、随机森林（RF）和极端梯度提升（XGBoost 3.0.3），并使用岭回归作为元学习器进行最优预测聚合。这种集成设计能够有效模拟网点图案的对称性和复杂的基底散射行为。 结果： 在印刷网点图像数据集上进行的广泛实验表明，所提出的SESP框架具有出色的性能。与表现最佳的参考方法（PCA-IPSO-DNN）相比，SESP在A光源下的RMSE和CIEDE2000指标分别降低了12.8%和6.8%，在D50光源下降低了9.5%和6.9%，在D65光源下降低了12.2%和7.2%。此外，SESP在光谱预测准确性和色彩保真度方面始终优于传统的基于物理的模型（包括Yule–Nielsen和Clapper–Yule）。这些结果证实了所提出框架在模拟CMYK网点图案与光谱反射率之间复杂非线性和非对称关系方面的有效性。
