مروري اجمالي بر مدل‌هاي پيشگويي رنگ

A Concise Review on Color Match Prediction Models

براي آن كه يك مدل رنگ همانندي بتواند پيشگويي صحيح و دقيقي از مقادير مواد رنگي اوليه مورد نياز ارايه دهد، نياز به شناخت عوامل موثر و لحاظ شرايط سيستم رنگ در آن است. از جمله اين عوامل، تعيين ضرايب جذب و انتشار مواد رنگي، ارتباط ميان انعكاس كلي و انعكاس داخلي لايه رنگ، فرض‌هاي اوليه در خصوص نور تابيده به لايه رنگ، هندسه انتشار و اندازه ذرات و ساير موارد مي‌باشد. همچنين يك لايه رنگ، ممكن است شفاف، نيمه شفاف و يا پشت پوش باشد. مدل‌هاي مختلف همچون مدل‌هاي فيزيكي، مدل‌هاي عددي و مدل‌هاي هوشمند و هيبريدي با تعيين عوامل موثر و ارايه فرمول هاي جديد، سعي در مدل‌سازي و در نتيجه ارايه يك پيشگويي صحيح از رنگ نهايي در شرايط خاص تعريف شده دارند. در اين مطالعه سعي در بررسي اين مدل‌ها و شرايط استفاده از آنها در كاربردهاي مختلف شده است. برخي از شناخته شده‌ترين اين مدل‌ها مانند كيوبلكا- مانك، تيوري چهار پرتويي، تيوري چند پرتويي، چاندراسخار، افزايشگر دوتايي معكوس، مونت كارلو، لايه نماينده و امكان استفاده از روش هاي هوشمند مانند شبكه عصبي نيز كه به نظر مي‌رسد نتايج خوبي را ارايه مي‌دهند، مورد بررسي اجمالي قرار گرفته و شرايط اوليه لازم براي استفاده بهينه از آنها بيان شده است.

In order for a color matching model to be able to predict the correct and precise amounts of colorants to achieve a certain color, numerous sets of information regarding the effective parameters of the colored system is required. These parameters include the absorbance and scattering coefficients of colorants, relations between total and internal reflection of a colored layer, basic assumptions relating to incident light interactions with and without the colored layer, geometry and size of the scattering particles, etc. Additionally a colored layer could be transparent, translucent or opaque. Various models such as physical, numerical, intelligent and hybrid models attempt to present a correct prediction of the amounts of components to give the precise color through determining the contribution of each effective parameter which may lead to new formulae. In the present study, a variety of such models and their various applications are reviewed. Most of the well-known physical models such as Kubelka-Munk, Four-Flux, Many-Flux, Chandrasekhar, inverse adding doubling, Monte Carlo, representative layer theory and even intelligent models such as artificial neural network models for optimal usage are herewith described.