本發(fā)明屬于照明質量評價技術領域，具體涉及一種基于顏色樣本優(yōu)化的光照喜好度評價指標構建方法及系統(tǒng)。

背景技術：

照明質量評價對于照明工業(yè)的發(fā)展具有重要意義，科學合理的照明質量評價方法，是指導照明產品設計與生產的先決條件。目前，隨著照明技術的不斷發(fā)展，工業(yè)界以及學術界已普遍認同照明質量評價的多維性，即評價光源的照明質量，應包含光照還原性、喜好度、辨色力、自然度等多個維度。

在上述維度之中，光照喜好度是近年來業(yè)界研究的一大熱點，因為其更為綜合全面且直觀的反映了消費者對光源產品的喜好程度。目前，在光照喜好度評價指標構建方面，絕大多數研究者都是通過具體實驗(特定觀察物體，特定用戶群體，特定光源產品)，從而得出定性或定量的有關結論。

參考文獻1：wangq,xuh,zhangf,etal.influenceofcolortemperatureoncomfortandpreferenceforledindoorlighting.optik2017；129:21-29

參考文獻2：szabóf,kérir,schandaj,etal.astudyofpreferredcolourrenderingoflightsources:homelighting.lightingresearch&technology2016；48:103-125

然而，由于光照喜好是非常復雜的視覺感知過程，其涉及光度學、色度學以及認知科學等諸多領域，故該喜好評價過程受多種因素的影響，如觀察者群體、觀察物體等。在此種情況下，單一研究所獲得的研究結論往往具有片面性，即雖然其可以很好的解釋自身研究實驗數據，但對于其它相關研究數據，則無法合理解釋。

為此，在目前研究應用領域，已有研究者致力于通過綜合多項研究工作的有關數據，從而更為全面的對現(xiàn)有光源評價指標進行測評。

參考文獻3.smetk,ryckaertw,pointermr,etal.amemorycolourqualitymetricforwhitelightsources.energyandbuildings2012；49:216-225.

然而，受理論方法水平等主客觀因素的制約，上述工作也僅局限于現(xiàn)有光照評價指標的綜合測評方面，其尚無法依據所收集的多項研究數據，完成新型光照喜好度評價指標的構建工作。針對以上問題，目前學術界與工業(yè)界尚未提出相應解決方法。

技術實現(xiàn)要素：

本發(fā)明的目的是為了解決背景技術中所述問題，提出一種更具普適性的光照喜好度評價指標構建方法及系統(tǒng)。

本發(fā)明的技術方案為提供一種基于顏色樣本優(yōu)化的光照喜好度評價指標構建方法，包括以下步驟：

步驟1，選取典型色彩樣本，以所述典型色彩樣本可見光范圍內的光譜反射率數據構成典型色彩樣本光譜反射率數據集；

步驟2，在d50/2色度條件下，求取步驟1樣本集中各樣本對應主波長信息，并以主波長為依據將其分為m類；

步驟3，依據顏色易變性指數，剔除上述樣本中色牢度較差之樣本，即剔除顏色易變性指數不滿足cmccon02＜8的樣本；

步驟4，在d50/2色度條件下，以色純度為依據，求取各類色彩樣本中色純度最大的樣本，組成最終全色域樣本集g，其中g中含有m個樣本；

步驟5，求取從全色域樣本集g中的m個樣本任取n個樣本的全部組合，其中n＜m；

步驟6，收集代表性照明喜好度研究數據s項，其具體包括光源喜好度評價序數p組，每組包含若干光源喜好度評價序數以及各對應光源相對光譜功率分布信息，所述光源喜好度評價序數根據升序排列；

步驟7，針對步驟5中所求取的從全色域樣本集g中的m個樣本任取n個樣本的所有組合情況，結合步驟6中各光源相對光譜功率分布信息，求取全部組合條件下，n個樣本在各光源照明條件下于cielab顏色空間的色域體積；

步驟8，針對步驟6中所收集的s組研究工作中的各組數據，以及步驟5中的n個樣本的全部組合情況，計算步驟6中所提及的p組光源喜好度評價序數以及步驟7所求取的各光源色域體積之間的spearman相關系數r；

步驟9，針對步驟5中的全部色彩樣本組合，求解基于薈萃分析的綜合加權相關系數r；

步驟10，以步驟9求解的綜合加權相關系數r最大化為原則，確定最優(yōu)色彩樣本組合o；

步驟11，對于任意待測評光源，針對其相對光譜功率分布，求取步驟10中所確定之色彩樣本組合o于cielab顏色空間的色域體積，即為最終光照喜好度評價指標量值。

而且，步驟2中樣本集分類數量m值取值范圍為18≤m≤20，在以主波長對數據集進行分組時將主波長為負值的所有樣本均分為3組，之后將其它樣本以主波長為依據進行平均分組，分為m-3組；步驟5中n值取值范圍為14≤n≤16并且n＜m-3。

而且，步驟6中代表性研究數量s取值范圍為s＞6。

而且，步驟7以及步驟11中于cielab顏色空間求解色域的方法采用凸包算法或α-shape算法。

而且，步驟9中利用薈萃分析求解綜合加權相關系數r的公式如下，

其中，p為s項研究中所含光源喜好度評價序數的組數，ti為第i組光源喜好度評價序數中所采用光源種類與觀察者人數的乘積，通過步驟6)獲得，ri為第i組光源喜好度評價序數與各光源色域體積之間的spearman相關系數。

本發(fā)明提供一種基于顏色樣本優(yōu)化的光照喜好度評價指標構建系統(tǒng)，包括以下模塊：

典型色彩樣本光譜數據集構建模塊，用于選取典型色彩樣本，以所述典型色彩樣本可見光范圍內的光譜反射率數據構成典型色彩樣本光譜反射率數據集；

主波長分類模塊，用于在d50/2色度條件下，求取典型色彩樣本光譜數據集構建模塊樣本集中各樣本對應主波長信息，并以主波長為依據將其分為m類；

色牢度優(yōu)化模塊，用于依據顏色易變性指數，剔除上述樣本中色牢度較差之樣本，即剔除顏色易變性指數不滿足cmccon02＜8的樣本；

全色域樣本集構建模塊，用于在d50/2色度條件下，以色純度為依據，求取各類色彩樣本中色純度最大的樣本，組成最終全色域樣本集g，其中g中含有m個樣本；

樣本組合計算模塊，用于求取從全色域樣本集g中的m個樣本任取n個樣本的全部組合，其中n＜m；

相關研究數據收集模塊，用于收集代表性照明喜好度研究數據s項，其具體包括光源喜好度評價序數p組，每組包含若干光源喜好度評價序數以及各對應光源相對光譜功率分布信息；

色域體積計算模塊，用于針對樣本組合計算模塊中所求取的從全色域樣本集g中的m個樣本任取n個樣本的所有組合情況，結合相關研究數據收集模塊中各光源相對光譜功率分布信息，求取全部組合條件下，n個樣本在各光源照明條件下于cielab顏色空間的的色域體積；

相關系數計算模塊，用于針對相關研究數據收集模塊中所收集的s項研究工作中的各組數據，以及樣本組合計算模塊中的n個樣本的全部組合情況，計算相關研究數據收集模塊中所提及的p組光源喜好度評價序數以及色域體積計算模塊所求取的各光源色域體積之間的spearman相關系數r；

綜合加權相關系數計算模塊，用于針對樣本組合計算模塊中的全部色彩樣本組合，求解基于薈萃分析的綜合加權相關系數r；

最優(yōu)色彩樣本選擇模塊，用于以綜合加權相關系數計算模塊求解的綜合加權相關系數r最大化為原則，確定最優(yōu)色彩樣本組合o；

色域體積計算模塊，對于任意待測評光源，針對其相對光譜功率分布，求取最優(yōu)色彩樣本選擇模塊中所確定之色彩樣本組合o于cielab顏色空間的色域體積，即為最終光照喜好度評價指標量值。

而且，主波長分類模塊中樣本集分類數量m值取值范圍為18≤m≤20，在以主波長對數據集進行分組時將主波長為負值的所有樣本均分為3組，之后將其它樣本以主波長為依據進行平均分組，分為m-3組；樣本組合計算模塊中n值取值范圍為14≤n≤16并且n＜m-3。

而且，相關研究數據收集模塊中代表性研究數量s取值范圍為s＞6。

而且，色域體積計算模塊以及最優(yōu)色彩樣本選擇模塊中于cielab顏色空間求解色域體積的方法采用凸包算法或α-shape算法。

而且，綜合加權相關系數計算模塊中利用薈萃分析求解綜合加權相關系數r的公式如下，

其中p為s項研究中所含光源喜好度評價序數的組數，ti為第i組光源喜好度評價序數中所采用光源種類與觀察者人數的乘積，通過相關研究數據收集模塊獲得，ri為第i組光源喜好度評價序數與各光源色域體積之間的spearman相關系數。

與現(xiàn)有技術相比，本發(fā)明的有益效果如下：

本發(fā)明提出的一種基于顏色樣本優(yōu)化的光照喜好度評價指標構建技術方案，以色彩樣本優(yōu)化為技術途徑，以樣本色域體積量化為構建方法，通過相關系數的薈萃分析有效的綜合了現(xiàn)有領域的研究成果，從而保證了所構建指標的全面性與魯棒性。此方法較為理想的解決了背景技術部分所述問題，從而可以保證光源喜好度預測的科學合理性，且實施方便，在光照質量評價領域具有較強的適用性。由于本發(fā)明技術方案具有重要應用意義，受到多個項目支持：1.國家自然科學基金項目61505149，2.武漢市青年晨光人才計劃2016070204010111，3.湖北省自然科學基金項目2015cfb204，4深圳市基礎研究項目jcyj20150422150029093。對本發(fā)明技術方案進行保護，將對我國相關行業(yè)競爭國際領先地位具有重要意義。

附圖說明

圖1為本發(fā)明實施例的流程圖。

圖2為本發(fā)明實施例中最終選取的14個最優(yōu)色彩樣本光譜反射率圖。

具體實施方式

結合附圖，提供本發(fā)明實施例具體描述如下。

如圖1所示實施例提供的一種基于顏色樣本優(yōu)化的光照喜好度評價指標構建技術方案，以色彩樣本優(yōu)化為技術途徑，以樣本色域體積量化為構建方法，通過相關系數的薈萃分析有效的綜合了現(xiàn)有領域的研究成果，從而保證了所構建指標的全面性與魯棒性。此方法較為理想的解決了背景技術部分所述問題，從而可以保證光源喜好度預測的科學合理性，且實施方便，在光照質量評價領域具有較強的適用性。

實施例采用8560個色彩樣本構建典型色彩樣本集，以8組現(xiàn)有研究工作數據為研究對象，構建光照喜好度指標，并將其與ciecolorrenderingindex(cri),gamutareaindex(gai),fullspectrumcolourindex(fsci),colourqualityscale(cqs:qa,qf,qp,qg),feelingofcontrastindex(fci),colourdiscriminationindex(cdi),conesurfacearea(csa),colorpreferenceindex(cpi),cri-cam02ucs,cri2012,iestm-30(rfandrg),memorycolourrenderingindex(mcri)等共計16種現(xiàn)有經典指標喜好度預測精度進行比較。由于參考文獻較多，此處不一一給出，本領域技術人員可輕易通過其名稱檢索到相關技術細節(jié)。需要說明的是，本發(fā)明并不局限于上述研究所涉及光源、物體及觀察者群體，對于其它照明場景的喜好度指標構建，本方法同樣適用。

本發(fā)明技術方案具體實施時可由本領域技術人員采用計算機軟件技術實現(xiàn)自動運行。實施例提供的方法流程包括以下步驟：

1)選取典型色彩樣本，以各典型色彩樣本可見光范圍內的光譜反射率數據構成典型色彩樣本光譜反射率數據集；

實施例采用現(xiàn)有技術已公布之典型色彩樣本光譜反射率數據集，其包含均勻分布的全色域樣色樣本8560個，波長范圍400nm-700nm。詳見參考文獻：liuq,wanx,liangj,etal.neuralnetworkapproachtoacolorimetricvaluetransformbasedonalargescalespectraldataset.colorationtechnology2017；133:73-80

2)在d50/2色度條件下，求取1)樣本集中各樣本對應主波長信息，并以此為依據將其分為m類；而且，樣本集分類數量m值取值范圍為18≤m≤20，在以主波長對數據集進行分組時將主波長為負值的所有樣本均分為3組，之后將其它樣本以主波長為依據進行平均分組；分為m-3組。

在實施例中，m取值為18，即將主波長為負值的所有樣本均分為3組，之后將其它樣本以主波長為依據進行均分15組。其中，實施例中主波長分組節(jié)點分別為：-505nm,-553nm,-569nm,0nm,468nm,478nm,485nm,491nm,499nm,518nm,549nm,565nm,573nm,579nm,585nm,592nm,601nm,612nm。其中，主波長計算方法可參見j.schanda.ciecolorimetry.wileyonlinelibrary，2007，本發(fā)明不予贅述。

3)依據顏色易變性指數(cmccon02＜8)；剔除上述樣本中色牢度較差之樣本；

在實施例中，共從1)中的8560個樣本中，剔除不滿足(cmccon02＜8)條件的色彩樣本1054個。其中cmccon02指數計算為現(xiàn)有技術，可參見：luom,riggbandsmithk.cmc2002colourinconstancyindex；cmccon02.colorationtechnology2006；119:280-285,本發(fā)明不予贅述。

4)在d50/2色度條件下，以色純度為依據，求取各類色彩樣本中色純度最大的樣本，組成最終全色域樣本集g，其中g中含有m個樣本；

在實施例中，以色純度為依據，最終生成全色域樣本集g，其中g中含有18個樣本。其中，色純度計算方法可參見j.schanda.ciecolorimetry.wileyonlinelibrary，2007，本發(fā)明不予贅述。

5)求取從全色域樣本集g中的m個樣本任取n個樣本的全部組合(n＜m)，而且，n值取值范圍為14≤n≤16并且n＜m-3。

在實施例中，m取值18，n取值14，故此處從m個樣本任取n個樣本的全部組合共有3060種。

6)收集代表性照明喜好度研究數據s項，其具體包括光源喜好度評價序數p組，每組包含若干光源喜好度評價序數(升序排列，喜好度評價高者序數值大)以及各對應光源相對光譜功率分布信息；而且，s取值范圍為s＞6。

在實施例中，共計收集代表性照明喜好度研究數據s＝8項，因每項研究中可能包含多個照明評價場景(如藝術品場景、水果蔬菜場景等等)，故總計獲得光源喜好度評價序數p＝32組，同時收集p組光源喜好度評價序數中每組采用的光源種類和觀察者人數等信息。其中，實施例所采用的8項研究分別可參見參考文獻：

a.m.wei,k.w.houser,g.r.allen,andw.w.beers,leukos10,119-131(2014).

b.m.royer,a.wilkerson,m.wei,k.houser,andr.davis,lightingresearch&technology,1477153516663615(2016).

c.s.jost-boissard,m.fontoynont,andj.blanc-gonnet,journalofmodernoptics56,1420-1432(2009)

d.s.jost-boissard,p.avouac,andm.fontoynont,lightingresearch&technology47(2014)

e.f.szabó,r.kéri,j.schanda,p.csuti,ande.mihálykó-orbán,lightingresearch&technology48,103-125(2016).

f.z.huang,q.liu,s.westland,m.r.pointer,m.r.luo,andk.xiao,lightingresearchandtechnology(2017)

g.n.narendranandl.deng,internationalsocietyforopticsandphotonics,2002,61-67

h.q.wang,h.xu,f.zhang,andz.wang,optik129,21-29(2017)

其中，數據收集方式可通過與相關作者通訊聯(lián)系獲得，也可直接從相關研究論文提取獲得。

7)針對5)中所求取的從全色域樣本集g中的m個樣本任取n個樣本的所有組合情況，結合6)中各光源相對光譜功率分布信息，求取全部組合條件下，n個樣本在各光源照明條件下于cielab顏色空間的色域體積，其中色域色域體積的方法采用凸包算法或α-shape算法。

實施例中，從18個全色域樣本中選取14個樣本，共有3060種組合。則對于6)中各光源相對光譜功率分布信息，共可求得3060種色域體積。其中，cielab顏色空間、凸包算法及α-shape算法均為現(xiàn)有技術，此處不予贅述。

8)針對6)中所收集的s項研究工作中的各組數據，以及5)中的n個樣本的全部組合情況，計算6)中所提及的p組光源喜好度評價序數以及7)所求取的各光源色域體積之間的spearman相關系數r；

在實施例中，對于5)所述的3060種樣本組合的任意一種，皆可依據7)中所述凸包算法或α-shape算法(實施例具體采用凸包算法)，計算6)中所提及的各光源所對應的色域體積。隨后，針對6)中提及的p組光源喜好度評價序數以及對應光源色域體積，可計算得到對應spearman相關系數r。在此過程中，由于光源色域體積有3060種，光源喜好度評價序數有p＝32組，故此步驟共計計算出3060*32＝97920組spearman相關系數r。

9)針對5)中的全部色彩樣本組合，求解基于薈萃分析的綜合加權相關系數r，公式如下，其中p為s項研究中所含光源喜好度評價序數的組數，ti為第i組光源喜好度評價序數中所采用光源種類與觀察者人數的乘積，通過步驟6)獲得，ri為第i組光源喜好度評價序數與各光源色域體積之間的spearman相關系數。

在實施例中，此步驟為將3060*32＝97920組spearman相關系數r通過上述加權公式，綜合為3060組綜合加權相關系數r，其中每一組r皆對應5)中的一組樣本組合。

10)以9)求解的綜合加權相關系數r最大化為原則，確定最優(yōu)色彩樣本組合o；

在實施例中，選取9)中所求3060組綜合加權相關系數r的最大值(r＝0.83)，其對應14個色彩樣本即為最優(yōu)色彩樣本組合o，該14個色彩樣本的光譜反射率曲線如圖2所示。

11)對于任意待測評光源，針對其相對光譜功率分布，求取10)中所確定之色彩樣本組合o的色域體積，即為最終光照喜好度評價指標量值。

實施例以某熒光燈光源為例，通過求取10)中所確定的14組優(yōu)化樣本在該光源下于cielab顏色空間的色域體積，獲得其最終光照喜好度評價指標量值：14.92。喜好度與顏色的飽和度有關系，而色域體積是表示色彩飽和度的有效指標，因此，可以用色域體積作為光照喜好度評價指標量值，一般來說，色域體積越大，表示顏色越飽和，光照喜好度評價指標量值越高，其中，色域體積求解相關方法為色度學理論基本常識，本發(fā)明不予贅述。

為進一步證實本發(fā)明所述方法在光照喜好度評價方面所具有的技術優(yōu)勢，采用ciecolorrenderingindex(cri),gamutareaindex(gai),fullspectrumcolourindex(fsci),colourqualityscale(cqs:qa,qf,qp,qg),feelingofcontrastindex(fci),colourdiscriminationindex(cdi),conesurfacearea(csa),colorpreferenceindex(cpi),cri-cam02ucs,cri2012,iestm-30(rfandrg),memorycolourrenderingindex(mcri)等共計16種現(xiàn)有經典指標，依據8)9)中所述計算綜合加權相關系數r之方法，計算16種現(xiàn)有經典指標對于實施例所采用的8項研究的喜好度預測精度。(由于參考文獻較多，此處不一一給出，本領域技術人員可輕易通過其名稱檢索到相關技術細節(jié))。結果顯示，該16種經典指標所得綜合加權相關系數r最大值為r(gai)＝0.54，遠低于本發(fā)明所述之方法r＝0.83。

本發(fā)明還提供一種基于顏色樣本優(yōu)化的光照喜好度評價指標構建系統(tǒng)，包括以下模塊：

典型色彩樣本光譜數據集構建模塊，用于選取典型色彩樣本，以各典型色彩樣本可見光范圍內的光譜反射率數據構成典型色彩樣本光譜反射率數據集；

主波長分類模塊，用于在d50/2色度條件下，求取典型色彩樣本光譜數據集構建模塊樣本集中各樣本對應主波長信息，并以此為依據將其分為m類；

色牢度優(yōu)化模塊，用于依據顏色易變性指數(cmccon02＜8)；剔除上述樣本中色牢度較差之樣本；

全色域樣本集構建模塊，用于在d50/2色度條件下，以色純度為依據，求取各類色彩樣本中色純度最大的樣本，組成最終全色域樣本集g，其中g中含有m個樣本；

樣本組合計算模塊，用于求取從全色域樣本集g中的m個樣本任取n個樣本的全部組合(n＜m)；

相關研究數據收集模塊，用于收集代表性照明喜好度研究數據s項，其具體包括光源喜好度評價序數p組，每組包含若干光源喜好度評價序數(升序排列，喜好度評價高者序數值大)以及各對應光源相對光譜功率分布信息；

色域體積計算模塊，用于針對樣本組合計算模塊中所求取的從全色域樣本集g中的m個樣本任取n個樣本的所有組合情況，結合相關研究數據收集模塊中各光源相對光譜功率分布信息，求取全部組合條件下，n個樣本在各光源照明條件下于cielab顏色空間的色域體積；

相關系數計算模塊，用于針對相關研究數據收集模塊中所收集的s組研究工作中的各組數據，以及樣本組合計算模塊中的n個樣本的全部組合情況，計算相關研究數據收集模塊中所提及的光源喜好度評價序數以及色域體積計算模塊所求取的各光源色域體積之間的spearman相關系數r；

綜合加權相關系數計算模塊，用于針對樣本組合計算模塊中的全部色彩樣本組合，求解基于薈萃分析的綜合加權相關系數r；

最優(yōu)色彩樣本選擇模塊，用于以綜合加權相關系數計算模塊求解的綜合加權相關系數r最大化為原則，確定最優(yōu)色彩樣本組合o；

色域體積計算模塊，對于任意待測評光源，針對其相對光譜功率分布，求取最優(yōu)色彩樣本選擇模塊中所確定之色彩樣本組合o于cielab顏色空間的色域體積，即為最終光照喜好度評價指標量值。

其中，主波長分類模塊中樣本集分類數量m值取值范圍為18≤m≤20。在以主波長對數據集進行分組時將主波長為負值的所有樣本均分為3組，之后將其它樣本以主波長為依據進行平均分組；分為m-3組。

其中，樣本組合計算模塊中n值取值范圍為14≤n≤16并且n＜m-3。

其中，相關研究數據收集模塊中代表性研究數量s取值范圍為s＞6。

其中，色域體積計算模塊以及最優(yōu)色彩樣本選擇模塊中求解色域體積的方法采用凸包算法或α-shape算法。

其中，綜合加權相關系數計算模塊中利用薈萃分析求解綜合加權相關系數r的公式如下，其中p為s項研究中所含光源喜好度評價序數的組數，ti為第i組光源喜好度評價序數中所采用光源種類與觀察者人數的乘積，通過相關研究數據收集模塊獲得，ri為第i組光源喜好度評價序數與各光源色域體積之間的spearman相關系數。

各模塊具體實現(xiàn)和各步驟相應，本發(fā)明不予贅述。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權利要求書所定義的范圍。