CN101485234A - 根据目标光分布控制照明系统的方法 - Google Patents

Abstract

本发明涉及用多个可控光源3a、3b控制一个照明系统的方法和因之的系统。按照本发明的第一方面，获得照明系统的影响数据，影响数据代表一个或多个所述的光源3a、3b对于照明环境的一个或多个部分的照明的作用效果。在一种优化方法中，连续地确定控制指令组；从所述的影响数据确定这些控制指令的预测的光分布；并且确定所述的预测的光分布和目标光分布之间的色度差。进行多个调节步骤以使所述的色度差最小。按照第二方面，使用所述的影响数据训练一个神经网络；并且使用神经网络确定用于控制照明系统的一组控制指令。

Description

根据目标光分布控制照明系统的方法

技术领域

本发明涉及控制具有多个可控光源的照明系统的方法以及因之的系统。

背景技术

具有多个可控照明单元的照明系统现在正在用于办公室和商业应用，并且在不久的将来它的重要性还要增加，其中的这些可控照明单元是通过一个控制单元进行控制的。对于中期的和长期的办公室和商业照明可以预测，采用新的光源将能对于用户在颜色、亮度级别、光束的方向性、光束的形状、光束图案、或动态效果等方面提供广泛范围的新能力。在产生室内光效果方面的功能性和灵活性的这种加强对于照明情况的设计将导致较高级别的自由度。另一方面，必须设定的光源参数数目猛烈的增加，这将导致一个更加复杂的设立和操作程序。在先进的照明基础结构的这个方面，自动控制照明系统并将照明系统设定到期望的目标光分布的需要是存在的。

在US2002/0015097A1中公开了解决这个问题的一种方案。这篇文献公开了一种照明控制设备，它能够自动地根据环境条件，即阳光、人的存在、和附加光源，来控制室内的照明系统。照明控制设备包含能够产生房间的电子图像的传感器。控制装置按照预先确定的亮度水平响应从电子图像取出的测量辐射值能够控制照明系统。

所公开的照明控制设备的确提供一种自动控制，但不可能将照明系统自动地设定到用户指定的期望的照明情况。因此，本发明的一个目的是提供一种方法和一种系统，用于控制具有多个可控光源的照明系统，根据期望的目标光分布提供自动控制。

发明内容

本发明的目的是通过根据权利要求1和10所述的用多个可控光源控制照明系统的方法以及根据权利要求12和13所述的用于控制照明系统的系统来解决的。从属权利要求涉及本发明的优选实施例。

为了操作照明系统，要使用一组控制指令。本发明能够实现根据用户指定的目标光分布自动产生用于控制照明系统的光源的控制指令。因此有益的是，不必手动地设定每个相关的可控光源的每个参数。用户只需要确定目标光分布，目标光分布在本发明的范围内被理解为：包括要用于环境如一个房间的期望照明情况的任何表示。目标的照明情况或期望的照明情况可以包括任何照明效果，并且因此例如包括具有不同颜色和亮度值的区域。目标光分布可以是任何合适的表示的形式，例如彩色比特图、数字值的阵列或矢量。目标光分布可以借助适当的设计装置如具有照明设计软件的计算机而设计出来。因此，按照本发明的系统可根据目标光分布自动产生用于照明系统的合适的一组控制指令。

光源可以是任何合适的类型，如市场上可以得到的卤素照明单元、CDM照明单元、HID照明单元、UHP照明单元、OLED照明单元、或LED照明单元。每个光源的至少一个参数是可控的。这个参数的最简单情况可以是相应的光源的通/断状态。优选的是，光源在所发射的光的亮度方面也是可控的，即是可变暗淡的。最为优选的是，光源或光源组产生多种颜色的光，因而使所发射的光的颜色也是可控的。例如，在这里可以使用彩色高功率的发光二极管阵列。而且，还可以考虑摇头(moving-head)照明单元。

在一般情况下，一组控制指令包括将可控光源的参数设定到确定值的命令。虽然可控光源的所有参数都是可以寻址的，但一组控制指令不必寻址所有光源或者甚至于不必寻址单个光源的所有参数。例如在一个大房间(如百货公司)内安装的照明系统中，用户可能只想设定百货公司的一个有限的区域内的光分布，因此控制指令只需寻址安装在该房间的这个区域内的可控照明单元。

为了按照本发明的第一方面确定合适的一组控制指令，所述的方法包括具有一系列步骤的一个优化程序。

在确定合适的一组控制指令的第一步，要获得代表一个或多个光源对照明所述的照明环境的一个或多个部分的作用效果的影响数据。在本发明的范围内，一个部分可以是照明环境的任何空间部分，例如一个环境内的一点，一个光点，一个小的区域，或者甚至于是例如是一个百货公司内的一个特定的销售区域。

在影响数据的上下文中，术语光源的“作用效果”指的是在观察空间内描述光源对目标(如反射壁)的影响的任何可测值。在一个简单的实施例中，这个值可以是几何图形的亮度分布，只描述光源照明某个目标或区域的强度。还可能有光谱信息，优选涉及颜色，但不必限于可见光范围。在一般情况下，可以将作用效果写成p(x，y，z，λ)，在这里p是在几何位置x，y，z测量的功率分布，λ是波长。优选的是，可以将彩色信息指定为RGB数据或RGBE数据。

应当说明的是，虽然目标光分布和测量的作用效果优选采用同一格式(即优选包括在相同位置测量的相同参数)，但这不是必要的情况。

因此，影响数据可以由任何类型的信息形成，这样就使在至少一个控制指令和控制指令对照明系统和照明环境的作用效果之间的映射成能可能。

为了寻找能够产生目标照明情况的合适的一组控制指令，要确定第一组控制指令。这个第一组控制指令可以被认为是按照指定的目标光分布控制照明系统的“初估值(first guess)”。第一组控制指令可以基于先前的目标光分布，或者将其简单地设定为通常规定的值，例如在亮度方面，将其设定为50％亮度。下面描述确定第一组控制指令的各种优选方法。

如果使用以上所述的影响数据，有可能为指定的一组控制指令确定一个预测的光分布，在这里是第一组控制指令。然后将这个预测的光分布与目标光分布进行比较。

按照本发明，要确定预测的光分布和目标光分布之间色度差。因此有利地确定按照第一组控制指令设定的预测的光分布是如何接近期望的目标光分布。根据这个确定的结果，再确定新的一组控制指令。这样一种程序可以称之为迭代操作。

色度差指的是一个或多个数值，用于确定预测的光分布和期望的或目标光分布之间的接近程度的一个量度。在这里使用的色度差应该提供人的眼睛感觉到的两种颜色是如何不同的量度。因此，术语“色度差”预示色差和/或相关的色温差的计算。

两点之间的色差可以根据本领域的普通技术人员公知的标准方程计算出来，色差适合于确定两点之间的色度差，例如CIE94，BFD，AP，CMC，或CIEDE2000，其中的CIEDE2000方程是特别优选的。无论何时图像一旦用于描述光分布，在确定色度差之前就可以将进一步的滤波或其它的处理应用到光分布上，下面对此再进行详细的说明。

从计算的色差和/或相关的色温差(优选在多个位置上进行计算)，有可能为色度差计算出一个总标准。

一旦已经确定用于描述预测的光分布和目标光分布之间的差的这种标准，就可以根据这个确定的结果来决定这一组控制指令的进一步优化是否必要。为了进一步优化这一组控制指令，可以进行多个调节步骤以使色度差最小。每个调节步骤都包括：确定新的一组控制指令、使用影响数据为新的一组控制指令确定一个最终的预测的光分布、在预测的光分布和目标光分布之间确定色度差。进行每个步骤的方式都类似于上述的方式。如果预测的光分布和目标光分布之间的差不是足够的，则可以进行进一步的调节步骤。

在按照本发明的迭代方法中，可以使用几种算法来优化色差。在一般情况下，多维的、多目标的优化方法(矢量优化)对于使色度差最小是必要的。这样一些方法本身在本领域中是公知的。特别优选的方法包括基于梯度的方法和遗传算法。基于梯度的方法的一个例子可以是NBI(正常边界交汇(Normal-Boundary Intersection))，可以使用这种方法获得最合适的解。当然，本发明不限于上述的优化方法。优化的标准例如可以是最小二乘方准则(即，使得预测的光分布和目标光分布之间的计算的色度差的平方之和的平方根最小)，或者按照Peroto的意义，使得计算的色度差的平均值和大于第95个百分点值的那些计算的色度差的平均值的平均数最小。

影响数据可以由检测步骤、合适的数据库、或手动输入获得。特别优选的是，影响数据从至少一个检测步骤获得，在这个检测步骤中，按照多个参数值来操作每一个光源，并且检测每个参数对于照明环境的一个或多个部分的影响。在每个检测步骤，获得一组测光数据，这些测光数据代表所代表的光源的一个或多个参数的影响。

在上述检测步骤中，可以使用合适的检测器进行照明系统的初始建立。进一步的操作不再使用这些检测器。

按照本发明的第二方面，借助一个神经网络来确定用于控制照明系统的一组控制指令。使用例如以上描述的获得的影响数据来训练所述的神经网络。在第二方面内，以上所述的迭代过程不再必要，它可极其快速地确定一组控制指令。另一方面，对于所确定的这组控制指令，不进行核实确认。

因此，为了获得本发明的第一和第二这两个方法的优点，还可以使用按照本发明的第二方面的方法来确定按照上述的本发明的第一方面的方法的第一组控制指令。这一优化在这种情况下的调节步骤内明显地加快，因为按本发明的第二方面确定的第一组控制指令已经可以提供非常接近期望的光分布的一种光分布。

神经网络例如可以是一种人工神经网络(ANN)，其中的影响数据用作训练组，并且这组控制指令构成了人工神经网络的输出。在这种情况下，对于人工神经网络进行训练，以便将一组控制指令编译成一个预测的光分布。使用影响数据来产生输入神经元。

优选的是，目标光分布包括用于照明系统的一个或多个照明单元的参数的边界条件。边界条件包括以下所述的至少一个或多个：最大允许功耗、亮度的最小平均值、最小所需的发光效率、每个参数的一组可能的值(例如，每个通道的离散步骤数，如8个比特或简单地通-断)、彩色再现指数(CRI)的平均范围、相关色温(CCT)的边界值、或最小彩色和谐指数(HRI)，当然本发明不限于此。包括在目标光分布中的这些边界条件在确定合适的一组控制指令过程中要进行考虑。可选择地，在本发明的第一方面，任何矢量优化都可以包含功耗和发光效率作为性能标准，代替边界条件。

在本发明的优选实施例中，色度差的确定包括将预测的光分布和目标光分布变换到感觉均匀的色空间。这个优选实施例给出结论：计算的色度差与比较点的绝对颜色无关。这个感觉均匀的色空间可以是一个非线性空间，例如CIELAB或其它可用的色空间。在另一个优选实施例中，实现了到线性色空间的变换。这使有益的直接增加相关光源的三基色激励值以便获得与目标光分布匹配的一组控制指令成为可能。合适的色空间的例子包括线性的RGB、RGBE、和CIE XYZ。在通过以上说明的矩阵求逆(matrix-inversion)确定预测的光分布当中，使用线性色空间是特别有益的。如果使用线性色空间，还可以考虑非系统光源的作用。

优选的是，在确定色度差之前借助空间滤波功能对于预测的光分布和目标光分布进行滤波。使用空间滤波器有益地增强了在预测的光分布和目标光分布之间的色度差的确定。由于色度差要确定为尽可能地接近人眼感受到的光分布的差，所以人眼不可能看见的那些图像分量都已除掉，而最具代表性的图像分量得到了加强。特别优选的是，空间滤波器类似于人类视觉的对比灵敏度函数(CSF)。在G.M.Johnson和M.D.Fairchild的“S-CIELAB和CIDE2000的顺序描述”中[彩色研究和应用，28(6)：425-435(2003年12月)]可以找到CSF的细节。

在确定色度差之前，可以增加另外的滤波器，或者替换上述的滤波器，例如，这个滤波器类似于E.W.Jin，X.F.Feng和J.Newell在“彩色视差模型(CVDM)的发展”[IS&Ts1998，图像处理、图像质量、图像俘获、系统会议，第154-158页，1998年]中说明过的彩色视差模型(CVDM)。

为了应用空间滤波器，优选将光分布变换成一个对立色空间，对立色空间的特征是一个亮度和两个色度的维数。

当用测光数据组描述一个光分布时，通过比较光分布的所有数据点，就可以很容易地确定色度差。这种解决方案可以导致一个很长的计算时间并因而效率低。

为了避免花费巨大的计算努力，有益的作法是，在确定色度差之前，应用分段处理步骤。因此，优选的是在确定色度差之前进行分段。这个分段包括：确定目标光分布和/或预测的光分布的表示值，这些表示值是表示要照明的环境的相关部分或对应的光分布的特性。然后，将预测的光分布和目标光分布之间的色度差的确定限制在这些表示值，这样就减少了计算时间。

与这种分段步骤有关的清晰优点是，减小了必须确定色差的数据点的数目。两种光分布，即预测的光分布和目标光分布，都可以分段，但是仅分段一个光分布是足够的，条件只是要保证从第一光分布的一个像素值到另一个像素值要有一个确定的映像。

在分段方法的一个优选实施例中，例如使用一个规则的长方形网格，将光分布分成较小的区域。然后对于这个网格的每个子区，识别一系列以色度为特征的像素。

在分段方法的另一个实施例中，根据对应的光分布内的彩色分布来分段这个光分布。在这里，将光分布分段为表示某种彩色均匀性的若干部分。对于这些部分，选择代表所述的某种颜色的一个或多个表示值。

在分段方法的另一个优选实施例中，根据照明环境的若干部分分段所述的光分布，所述的照明环境的若干部分是以某个光源的影响为特征的。

当然，上述的分段方法的组合也是可能的。上述的分段方法应该根据对应的应用进行仔细的选择，因为每一次分段都将导致可能引起触发目标光分布的这组控制指令的质量损耗的信息的固有的减少。

在用于控制包括与控制装置相连的一个或多个可控照明单元的照明系统的系统中，要对于控制装置进行设计，以便获得照明系统的影响数据，影响数据代表一个或多个所述的光源对于照明区域的一个或多个部分的照明的作用效果。进一步设计控制装置以便确定第一组控制指令，从所述的影响数据确定所述的第一组控制指令的预测的光分布，确定在所述的预测的光分布和目标光分布之间的色度差，并且对于所述的这组控制指令应用多个调节步骤以此使所述的色度差最小。确定新的一组控制指令，从所述的影响数据对于所述新的一组控制指令确定一个预测的光分布，并且在每一个步骤确定所述的色度差。

为了控制对应的照明单元的每个参数，要将照明单元连接到控制装置。在本发明范畴内的术语“连接”应该理解为包括所有合适种类的控制连接，无论是无线的还是有线的，这种控制连接使对应的照明单元的可控参数的设定成为可能。控制连接例如可通过简单的可控中继形成。优选地，可使用电控制连接，例如有线的DMX(USITTDMX512，USITT DMX512/1990)连接或LAN连接。最优选地，使用无线控制连接，这种连接有益地减小了安装时间。例如使用可以在市场上得到的ZigBee(IEEE802.15.4)、WLAN(IEEE802.11b/g)、蓝牙、或RFID技术，都可以建立无线的控制连接。

控制装置可以是任何类型合适的电路或电子电路。例如，控制装置可以是一个逻辑电路、微处理器单元、或计算机。控制装置实施所述的方法，以便获得如以上所述的一组控制指令。

影响数据可以从数据库装置获得，或者通过手动输入获得。优选的是，所述的系统进一步还包括如以上所述通过适当的连接而连接到控制装置的检测器装置。检测器装置在一个或多个检测步骤按照多个参数值通过操作每个光源从照明系统获得影响数据。检测每个参数对于照明环境的一个或多个部分的影响。在每个检测步骤，获得一组测光数据，测光数据代表对应的光源的一个或多个参数的影响。

检测器装置可以包括一个合适的传感器，例如CCD传感器。检测器装置应该能够检测光源对它的位置的作用效果。通过这个传感器可以测量这种作用效果的任何一个上述的参数。例如，CCD传感器可以简单地测量强度。根据放在CCD上的滤光片，传感器可以测量RGB，RGBE，或其它颜色。如果CCD配有窄带滤光片，CCD还可以实现准光谱测量。

根据应用这样一种编程系统的房间的大小，检测器装置最好包括不止一个的传感器，以获得一个完整的大监视区域。当然，检测器装置在对应的环境中的位置在照明系统的操作期间应该保持不变。

附图说明

下面，参照附图详细描述本发明，其中

图1表示安装在一个房间里的用于控制照明系统的一个系统的实施例；

图2用按照本发明的第一方面的方法的示意图示出了第一实施例；

图3表示按照图2所示的实施例的确定色度差的步骤的详细示意图；

图4表示按照本发明的实施例的使用神经网络的方法的步骤的示意图。

具体实施方式

图1表示按照本发明用于控制的照明系统的一个系统的实施例。这个系统包括几个光源3a、3b，这些光源设置成照明一个房间的部分5。虽然放在这个房间的天花板上的光源3a主要用来照明这个房间，但光源3b则是用于特殊的照明效果，即建筑照明。光源3a、3b通过DMX512连接与一个控制和接口单元(CUI)1相连。提供控制和接口单元1是为了与用户互动。控制和接口单元1包括具有图形接口的一个显示器，这个图形接口允许用户输入期望的目标光分布，这个目标光分布要通过光源3a、3b加到房间。控制和接口单元1进一步还包括一个处理器单元，处理器单元确定与要建立的目标光分布对应的合适的控制指令，并且还用于控制这个系统。

这个系统包括用于获得影响数据的一个CCD照相机2，影响数据反映每个参数对于房间的一个或多个部分5的影响。CCD照相机2观察整个房间，如在图1中用虚线表示的。进而，照相机2可用于从不同的观察点获得影响数据，特别是在一个大的房间内。可以使用其它的传感器4，如日光或散射光传感器，用于补偿对于期望的目标光分布的任何作用效果。

根据优化确定用于控制照明系统的一组控制指令，从而可以按照本发明的第一方面获得期望的目标光分布。

图2表示按照本发明的第一方面的第一实施例的操作顺序。开始时，用户确定期望的目标光分布21，例如使用图1所示的控制和接口单元1的图形接口进行这种确定。可选择地，还可能例如从一个数据库获得目标光分布21。

在步骤22，获得照明系统的影响数据，影响数据代表一个或多个所述的光源对于照明环境的一个或多个部分的照明的作用效果。因为有了影响数据，所以有可能形成照明系统的模型并确定一组控制指令的作用效果。

为了获得影响数据，典型的方法可以包括取得这个房间的图像，这时所有的光源都断开。如以上所述，通过CCD传感器、光传感器等可以取得这个图像。然后，对于特定的照明单元进行切换，按照确定的结构进行驱动，并且取得另一个图像。然后，从两个图像(之前/之后)之间的比较可以确定这个特定光源的影响，并且产生一组测光数据。这样一个启发式的方法必须应用到照明系统中的所有光源，并且用于每个对应的光源的每个参数设定值。每一组测光数据代表一个特定的设定值，即用于每个光源的可控参数的一组数值，如颜色、昏暗水平、光的图案、等。为了允许添加不同光源的光，必须在线性色空间中，如线性sRGB空间中，确定所述的影响数据。可选择地，还能从数据库或者从用户的手动输入获得影响数据。

在步骤23，根据目标光分布产生用于控制照明系统的第一组控制指令。如以上所述，可以将第一组控制指令认为是用于控制照明系统的“初估值”。可以例如从存储某些标准光分布的数据库中选择第一组控制指令。在这种情况下，选择数据库的接近目标光分布的光分布。通过按照如以下所述的本发明的第二方面的方法，可以进一步确定第一组控制指令。当然，本发明不限于此。

因为有了影响数据，所以有可能为所述的第一组控制指令确定预测的光分布。这在步骤24中进行。

在一般情况下，大多数目标光分布意味着照明系统中对应的光源的光与多个光源的光的混合。

按照对于线性色空间进行附加彩色混合的Grasmann定律总结出来的人的彩色感受接近线性，可以将从组合几种彩色光源得出的颜色预估为分开取得的对应光源的三基色激励值之和：

$K_1(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{K}_{1,i}(x,y)$

$K_2(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{K}_{2,i}(x,y)$

$K_3(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{K}_{3,i}(x,y)$

其中的Km指的是在对应的线性色空间中第m个三基色激励值。

x，y是数据点的坐标，i指的是照明系统中第i个光源。

于是，有可能通过对于每个光源的三基色激励值求和来计算多个光源对照明房间的部分的影响。因此，当获得有关光源的每个参数对照明房间的影响的信息时，就能确定当同时操作多个光源单元时将要施加的分布(即，预测将要看见的)。

在这个校准步骤中，确定一个矢量或矩阵Ik，保持由这个校准步骤得到的第k个基础图像/光度测量值。将一个空间滤波(CVDM或S-CIELAB)加到Ik。在设备独立色空间表示Ik。这样的数字图像通常是作为Xr×Yr×3矩阵存储的，这个矩阵保持Nb比特值(在这里，Nb是色深度)。

按照Grassman定律，能用下面的表达式计算预测的光分布：

$\tilde{I}=I_{\mathrm{pred}}\left({\left\{{\mathrm{\α}}_k\right\}}_{k\∈\mathrm{\Ω}}\right)=\underset{k\∈\mathrm{\Ω}}{\mathrm{\Σ}}{I}_k$

然后将预测的光分布按照下述的公式从线性光设备独立色空间变换到CIE Lab色空间：

$\tilde{J}=T_{\mathrm{CIE\; Lab}}^{\mathrm{dev\; indep}}\left\{\tilde{I}\right\}$

对于目标光分布，做法是相同的：

J_目标＝_devindepT^CIE Lab{I_目标}

在下面的步骤25，计算在步骤24中确定的目标光分布和预测的光分布之间的色度差。步骤25的细节如以下所述。

如果在步骤25计算的色度差足够小，则方法结束。然后可将这个预测的光分布在步骤26加到照明系统。

如果色度差太大，要实现进一步的优化。然后在调节步骤27调节可控参数的值，并且重复进行上述步骤。这样形成的“迭代循环”继续进行，一直到色度差充分地低或者不可能再减小为止。

如以上所述，多维优化方法(矢量优化)在一般情况下进行到使色度差最小。在第一例中，利用具有最小二乘方准则的基于梯度的方法获得适当的一组控制指令。这样的方法的本身对于本领域的普通技术人员来说是公知的。例如在Lawson，C.L.和R.L.Hanson的“求解最小二乘方问题”(Prentice-Hall，1974，第23章第61页)中就描述了一种可能的解决方案。如进一步将要说明的，另外优化还可以是多目标的，即不仅目的在于优化作为单个标准的色度差，而且还要优化其它的标准，如最小的功耗、最大的发光效率、等。

如以上所述，光分布可由数字矢量表示。通过在安装照明系统的房间内的对应点的三基色激励值，可以形成这些矢量。例如图1所示的CCD传感器可形成一个像素图像，其中的每个像素代表对应的点。

当确定了色度差时，比较目标光分布与期望的光分布。为此，就色差来说，比较两个光分布的对应数据点。为此目的，两个光分布应该匹配，即，目标光分布中的数据点和预测光分布中的数据点应该指的是房间中的同一个“真实”点。例如，如果通过图像形成两个光分布，应该从同一个观察角度以相同的像素分辨率拍摄图像。如果两个光分布不匹配，则映射是必要的。

例如使用下面的方程之一对于每个数据点可以计算出色差：CIEDE2000、CIE94、BFD、AP、或CMC。为了确定整个光分布的色度差，计算所有数据点的色差的平均值。在以下的文献中可以找到S-CIELAB和CIEDE2000方程的技术描述：G.M.Johnson和M.D.Fairchild的文章“S-CIELAB和CIEDE2000的顺序说明”(彩色研究和应用，28(6)425-435，2003年12月)；G.Sharma，M.J.Vrhel和H.J.Trussel的文章“用于多媒体的彩色成像”(IEEE86(6)会议录：1088-1108，1998年6月)；M.C.Stone的文章“将颜色表示为3个数字”(IEEE计算机图形和应用，25(4)：78-85，2005年8月)。

当计算色度差时为了获得合适的结果，步骤25可以包括图3所示的几个预处理步骤。必须将这种预处理应用到两个光分布上。首先，将光分布变换到在步骤31中的设备独立色空间，以便实现在两个光分布之间的可比性。设备独立色空间可以从sRGB，LMS，和CIE XYZ中选择。

然后，在步骤32，将两个光分布变换成有一个亮度和两个色度维数的特征的一个对立色空间。

在此之前，在步骤33，对于光分布逐个地进行滤波，为此使用与人类视觉的对比灵敏度函数(CSF)类似的空间滤波器。在这里，除去人眼看不见的光分布分量，并且强化最具代表性的光分布分量。这些分量例如可以是特殊的颜色。这种空间的预处理允许依次确定色度差，以便解决复杂色刺激和人的空间灵敏度和感色灵敏度。

做为选择或除了使用对比灵敏度函数的滤波步骤以外，可以使用色视差模型(CVDM)来滤波光分布。色视差模型(CVDM)的详细描述见X.F.Feng和S.Daly的文章“用于减小图像俘获设备的感觉到的彩色误记录的基于视觉的策略”(IEEE会议录，90(1)：18-27，2002年1月)。

在步骤34，将经过滤波的光分布变换到CIELAB色空间。这个色空间是比前一个色空间更加均匀的色空间，即，在光分布的外观上，类似的感受差别产生了色度差的类似计算的大小，于是提供了与通过人眼观察的色差的一个较好的匹配。

在变换之后，在步骤35，将光分布分段。如以上所述，分段包括确定目标光分布和/或预测的光分布的具有代表性的数值。具有代表性的数值是表示对应光分布的相关部分的特性。

在一个典型的分段方法中，例如使用规则的长方形网格将光分布分成较小的一些区域。例如，如参照图1所说明的，将光分布分成几个部分5。然后，对于网格的每个子区，识别一系列代表色度的数据点。为此目的，将每个部分的数据点组合成簇。对于分量的一种选择可以是数据点的三基色激励值，如RGB值，或者可选择地是任何其它的色度三元组，如在CIE XYZ色空间中的X、Y、Z的坐标值，或者还有其它的色度值，如亮度、色度、心理测量饱和度、等。

在本领域内已知许多可替换的方法可以实现上述的分类集群(clustering)步骤。例如，Lloy算法、Fuzzy-c装置、或神经气体都可以用于分类集群步骤。一旦识别出一个敏感的低数群集，就应该对于每个群集选择一个具有代表性的数据点，例如根据色度和位置分量估算出来的数据点之一，这个数据点的欧几里得距离最接近它所属群集的中心。可选择地，这样一个具有代表性的数值点可以是随机选择的群集号。与这个分段步骤相关的明显好处是减小了必须确定色差的数据点的数目。

对于两个光分布，预测的光分布和目标光分布，可以分段，但只分段一个光分布也是足够的，条件只是要保证从第一光分布的一个数据点到另一个数据点有确定的映像。

在分段步骤之后，在步骤36确定所述光分布的对应数据点之间的色差。

按照CMC、CIE94、CIEDE2000等(并且根据像素)计算预测的和期望的光分布之间色差的矩阵(矢量)：

然后从这个色差矢量计算出一个标准，用作感受的预测光分布相对于目标光分布如何接近的度量。

计算这样一个标准有几种可能的方法。在一个最简单的解决方案中，在步骤37，可以确定所有数据点的色差平均值。可用一种多维单目标的优化方法来优化这个单一的标准。

然而，优选的作法是，用使用权重函数的比较适合的方法计算这个标准。这个权重函数w_i，j对于每个位置i，j都有一个权重因子，因此，某些位置可以加强(较大的w)，或者某些位置的影响可以受到限制(小的w)，或者甚至于受到抑制(w＝0)。另一种优选的作法是，不只使用一个标准，而是计算出多个标准，然后使用多维多目标优化方法。

可以通过一对目标函数来描述要求解的数学问题。在本例中，第一标准(目标函数)是两个光分布(在加权的测量点，有可能取决于面积的相关性)之间的色差的平均值。第二标准(目标函数)定义为相同数值的平均值，这些数值大于或等于矩阵中色差的第95个百分点：

$\underset{\left\{{\mathrm{\α}}_k\right\}}{\min }\left[\begin{array}{c}\mathrm{avg}\left(w_{i,j}{\mathrm{\δi}}_{i,j}\right)\\ \mathrm{avg}(w_{i,j}{\mathrm{\δi}}_{i,j}>{\mathrm{\δi}}_{95})\end{array}\right]$

优化的目的是计算使这两个标准按照Peroto的意义变为最小的那种组成。

多维多目标优化和多维单目标优化这两者都可以通过本领域的普通技术人员公知的通用算法或NBI(正常边界交汇(Normal-BoundaryIntersection))方法求解。

在一个可替换的实施例中，用于色度差的标准进一步可以包括相关的色温。在下面的例子中，除了用亮度和色度方面的目标光分布以外，还期望在某个工作表面上/在某个工作表面上方再现/显示用相关色温(CCT)表示的目标分布。

借助所谓的Robertson方法(RobertsonA.R.美国光学社会期刊，58，1528-1535页；G.Wyszecki，W.S.Stiles，彩色科学概念和方法，定量数据和公式，第2版，Wiley-Interscience，1982年)或其它可替换的公式(A.Borbely，A.Samson，J.Schnda)对于相关色温的概念进行了修正，彩色研究和应用，第26卷，第6期，450-457页，2001年；K.Wnukowicz，W.Skarbek，用于数字图像—性质和会聚的色温估算算法，光电子学评论，11(3)193-196页，2003年)可以很简单地从一个图像或从光度/色度测量值估算出CCT。

$\tilde{T}=\mathrm{CCT}\left(\tilde{I}\right)=\left[{\widetilde{\mathrm{\τ}}}_J\right]$

CCT是按照像素进行估算的，与以上相对于色度差描述的情况类似，因此预测的CCT之间的欧几里得差的矩阵(矢量)是从基本图像/色度测量值的预测线性组合得到的。

$\mathrm{\ΔT}=\left[{({\widetilde{\mathrm{\τ}}}_{i,j}-{\mathrm{\τ}}_{i{j}_0})}^2\right]=\left[{\mathrm{\δ\τ}}_{i,j}\right]$

并且这个问题可以利用下式近似得到解决：

$\underset{\left\{{\mathrm{\α}}_k\right\}}{\min }\left[\begin{array}{c}\mathrm{avg}\left(w_{i,j}{\mathrm{\δi}}_{i,j}\right)\\ \mathrm{avg}(w_{i,j}{\mathrm{\δi}}_{i,j}>{\mathrm{\δi}}_{95})\\ \sqrt{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\mathrm{\δ\τ}}_{i,j}}\end{array}\right]$

确定基于优化的一组控制指令，用于控制照明系统，从而按照本发明的第二方面获得目标光分布。

本发明的第二方面涉及如何找到合适的一组控制指令而不用任何迭代优化这组控制指令。这是通过使用人工神经网络(ANN)实现的。

在这里，将影响数据用作训练组，这组控制指令就是人工神经网络的输出。于是，将人工神经网络训练成能够将一组控制指令编译成预测的光分布。使用影响数据来产生输入神经元。可以将影响数据写成一个数字矩阵。如果使用以上所述方法获得影响数据，在一组控制指令或在数学上是一个控制矢量c与相关的预测光分布之间的关系就可写成：

i≈Jc

其中的相关的预测光分布是当用这一组控制指令i操作这个照明系统时获得的。

在这里，J是影响矩阵。上述的方程在一般情况下将是多个估算值，不同于精确方程，因此用“大约相等”的符号。使用上述典型的检测方法，可以将典型的控制矢量C描述为[100...0]^T，[010...0]^T，...[000...1]^T。影响矩阵的伪-求逆(pseudo-inverse)J⁺可以被认为是对于在这组控制指令之间的影响和对于照明环境的影响的一个可能的模型。当矩阵求逆时，可将这个方程写为：

c≈J⁺i.

因此，在上述方程中可将目标光分布替换为矢量i，并且通过人工神经网络就可以确定控制矢量c，控制矢量c即按照期望的目标光分布控制照明系统的一组控制指令。

虽然以上所述解决方案不可能获得在数学上精确的解，但人工神经网络可以使用这种解决方案来根据影响数据确定预测的目标光分布。

在本例中，假定光的控制和它们的作用效果之间的关系基本上是线性的。因此，可以假定一种简单的多个自适应线性神经元(MADALINE)的体系结构。然后，使用监视学习的概念训练按照这种体系结构构造的人工神经网络。对于这种概念所要求的训练数据就是成对的已知系统的输入-输出。这就构成了上述的影响数据。

图4说明训练数据是如何收集的：指定一个系统(如图1中的房间)，用可控的灯3a、3b、反射壁、和传感器设备2(CCD照相机)，可将一组控制矢量(C_i)加到这个系统，并且测量作用效果(E_i)。然后使用作用效果(E_i)和控制矢量(C_i)作为人工神经网络的训练数据，从而实现了这个控制系统。控制系统一旦得到了很好的训练，当指定输入(E_i)时控制系统将产生控制矢量C_i。E_i可以看作是通过施加C_i要获得的目标作用效果。如果指定任何期望的作用效果D作为输入，则这个控制系统将迅速产生一个控制矢量。

可以使用这个矢量作为以上所述优化的初估值。做为选择，还可以使用人工神经网络解决方案作为用于存储已知结构的存储器，或者作为根据期望目标和测量目标之间的差产生控制矢量的调节值的差分控制系统。

按照本实施例确定的这一组控制指令还可以被认为是参照图2说明的按照本发明第一方面的实施例中的第一组控制指令。

Claims (13)

1、用多个可控光源(3a、3b)控制一个照明系统的方法，其中：

-获得照明系统的影响数据，影响数据代表一个或多个所述的光源(3a、3b)对于照明环境的一个或多个部分的照明的作用效果；

-确定第一组控制指令；

-从所述的影响数据确定所述的第一组控制指令的预测的光分布；

-确定所述的预测的光分布和目标光分布之间的色度差；

-进行多个调节步骤(27)以使所述的色度差最小，其中在每一步骤都要确定新的一组控制指令，从所述的影响数据确定新的一组控制指令的预测的光分布，并且确定所述的色度差。

2、根据权利要求1所述的方法，其中：在至少一个检测步骤(22)中获得所述的影响数据，按照多个参数值操作所述的光源的每一个，并且检测每个参数对于照明环境的所述一个或多个部分的作用效果。

3、根据前述权利要求中任何一个所述的方法，其中：在调节步骤(22)中实现基于梯度的迭代优化。

4、根据权利要求1和2中任何一个所述的方法，其中：在调节步骤(22)中实现使用通用算法的迭代优化。

5、根据前述权利要求中任何一个所述的方法，其中：从一个神经网络确定第一组控制指令，使用所述的影响数据训练所述的神经网络。

6、根据前述权利要求中任何一个所述的方法，其中：所述的目标光分布包括用于照明系统的一个或多个照明单元的参数的边界条件，所述的边界条件包括以下所述的一个或多个：最大允许功耗、亮度的最小平均值、最小所需发光效率、用于每个参数的一组可能的数值、彩色再现指数(CRI)的平均范围、或最小彩色和谐再现指数(HRI)。

7、根据前述权利要求中任何一个所述的方法，其中：确定色度差包括将预测的光分布和/或目标光分布变换成感受均匀的色空间。

8、根据前述权利要求中任何一个所述的方法，其中：在确定色度差之前，用一个空间滤波函数来滤波预测的光分布和目标光分布。

9、根据前述权利要求中任何一个所述的方法，其中：确定色度差包括一个预先的分段，所述的分段包括确定所述的目标光分布和/或所述的预测的光分布的有代表性的有限值，这些有限值是表示要照明的环境的相关部分的特征，确定所述的预测的光分布和所述的目标光分布之间的色度差限于所述的有限值。

10、用多个可控光源(3a、3b)控制照明系统的方法，其中：

-获得照明系统的影响数据，影响数据代表一个或多个所述的光源(3a、3b)对于照明环境的一个或多个部分的照明的作用效果；

-使用所述的影响数据训练一个神经网络；以及

-使用神经网络确定用于控制照明系统的一组控制指令。

11、根据前述权利要求中任何一个所述的控制照明系统的方法，其中：在数据库装置中与有关所述的目标光分布的信息一起存储这组控制指令。

12、用于控制照明系统的系统，包括一个或多个可控照明单元，可控照明单元与控制装置相连，在这里控制装置设计成：

-获得照明系统的影响数据，影响数据代表一个或多个所述的光源对于照明区域的一个或多个部分的照明的作用效果；

-确定第一组控制指令；

-从所述的影响数据进一步确定所述的第一组控制指令的预测的光分布；

-确定所述的预测的光分布和目标光分布之间的色度差，并且对于所述的这组控制指令进行多个调节步骤以使所述的色度差最小，其中在每一步骤都要确定新的一组控制指令，从所述的影响数据确定新的一组控制指令的预测的光分布，并且确定所述的色度差。

13、确定一组用于控制照明系统的控制指令的系统，包括一个或多个可控照明单元和控制装置，其中控制装置设计成：

-获得照明系统的影响数据，影响数据代表一个或多个所述的光源对于照明环境的一个或多个部分的照明的作用效果；

-使用所述的影响数据训练一个神经网络；以及

-使用神经网络确定用于控制照明系统的一组控制指令。

Images