CN106199954B - 一种矫正蓝黄色弱色盲的光学装置及其设计方法 - Google Patents

Abstract

本发明公开了一种光学装置的设计方法，其通过选择着色剂及其浓度以及进行矫正蓝黄色弱色盲的透射光谱设计，可以纠正蓝黄色弱色盲者的色觉感知，在提高其蓝黄色彩分辨度的同时保留或微弱改变使用者色觉白点的位置。

Description

一种矫正蓝黄色弱色盲的光学装置及其设计方法

技术领域

本发明属于光学、色彩学和医学领域，具体涉及一种用于基于着色剂的光学透射装置的用以实现目标吸收或透射光谱的智能着色剂调配与光学装置设计方法。又涉及一种用于基于薄膜的光学装置的用以实现目标透射光谱的光学装置设计方法。

背景技术

随着年龄的老化，人的晶状体和瞳孔的视觉功能会逐渐下降以至色觉白点偏向黄色最终造成蓝黄色弱色盲。如在中老年人里面就大量存在由于这种色觉的不断变化而产生的蓝黄颜色混淆，即蓝黄色弱色盲。这种后期随年龄老化形成的蓝黄色盲色弱的性质就类似于遗传性的红绿色盲色弱。另外一些疾病和常年养成的习惯也可以致使蓝黄色弱色盲形成，这里面既包括了视锥体受损也包括晶状体和瞳孔的视觉功能下降，因此此类患病者不止局限于老人。这样的疾病包括但不局限于糖尿病，青光眼，黄斑变性，阿尔茨海默氏病，帕金森氏症，多发性硬化症，慢性酒精中毒，白血病和镰状细胞贫血症。现有的报道表明由于年龄老化和各种病因产生的蓝黄色弱色盲占中老年人口的45%到65%。最近的人口统计数据表明一些发达和发展中国家，如美国和中国，老年人口的数量在逐步增加，甚至有些国家在进入人口老龄化。因此一款可以矫正蓝黄色弱色盲者色觉感知的光学装置就显得更加的重要。目前还没有一款光学装置，如眼镜，可以纠正以上所述的蓝黄色弱色盲者的色觉感知，即在提高其蓝黄色彩分辨度的同时保留或微弱改变使用者色觉白点的位置。

发明内容

为了解决上述问题，本发明公开了一种矫正蓝黄色弱色盲的光学装置的设计方法，包括如下步骤：

1）对使用者进行色盲色弱测试；

2）测验出使用者的颜色匹配函数的数据；

3）优化从标准颜色匹配函数到使用者的颜色匹配函数的映射H(λ)或，其中H (λ)是运用使用者的颜色匹配函数和标准的三个颜色匹配函数优化得出的视网膜前介质的最佳变黄函数, 是最佳色感转变函数与视网膜前介质异常函数的集合；

4）根据H(λ)或优化色彩感知的各个主要设计指标；

5）结合H(λ)或以及各个主要设计指标，设计光学装置。

其中，步骤1）中的测试包括分类判定和直接测定，通过分类判定测试出蓝黄色盲色盲色弱者所属的类别和粗略的程度；直接测定是通过测量视锥体对不同的光波的敏感性来精确测定色盲色弱的类别和程度，判定的蓝黄色盲类别包括两大类：第一类为视网膜前介质异常但S-M-L三色视锥体正常，第二类为视网膜前介质异常和S-M-L三色视锥体异常，判定的蓝黄色盲程度按照轻重分为轻度、中度和重度。

其中，步骤2）中，对于第一类蓝黄色盲色弱者，其颜色匹配函数是CIE标准颜色匹配函数与其变黄函数的在不同透射波长（λ）下的乘积，即

,

,

其中，是蓝黄色弱患者的颜色匹配函数；

对于第二类蓝黄色弱患者，其颜色匹配函数是标准颜色匹配函数按照患者对不同光波的异常敏感度通过变黄函数H(λ)进行的转变，即：

,

,

，

其中，色感转变函数 ,,分别用于描述L,M,S视锥体对各透射光波长异常的敏感度，包括视锥体本身的探测异常和/或在视锥体之后的色彩感知的异常。

其中，步骤3）中，使用人工智能优化器自动检定最优映射的线性、非线性、凸性或非凸性类型，选择合适的优化器来实际优化目标。

其中，人工智能的优化法包括线性优化的单纯性法、凸性优化的内点法、次梯度法、非凸优化的模拟退火、遗传算法、动态维数搜索和巨维退火。

其中，基于优化方法设定H(λ)在每个波长有单一值，运用蓝黄色弱患者延伸匹配函数与标准颜色匹配函数通过权重函数{w}对H(λ)表达为：

其中权重函数w是在特定波长下对蓝黄色弱患者的颜色匹配函数与标准颜色匹配函数的比例的加权平均，

和

；

或者，权重函数w是相等的,

；

或者，权重函数w基于蓝黄色弱患者的与标准颜色匹配函数的差距：

；

或者，权重函数w是基于蓝黄色弱患者的颜色匹配函数与标准颜色匹配函数的差距乘积蓝黄色弱患者的颜色匹配函数本身的值：

其中，通过如下的优化形式建立一种以严格的逻辑得出的最小化色感差异的H(λ)解：

限制条件：

其中，γ是权重函数，u和v是CIELUV色彩空间中蓝黄色弱色盲患者的变量，i是第i个孟塞尔颜色，H指的是由变黄函数得出的变量，N是孟塞尔颜色数量，{X,Y,Z}是三色刺激值，I是光源光谱，C_i是第i个孟塞尔颜色的光谱，是标准颜色匹配函数，是蓝黄色弱患者的颜色匹配函数。

其中，采用与建立H(λ)的解同样的优化形式建立 的解。

其中，步骤4）中的设计指标包括蓝黄色差距离、白点位置、饱和色、柔和色的色域面积、红绿色差和/或色品。

其中，步骤5）中，设计可以直接抵消H(λ)或的透射光谱Ψ(λ)，并使得，其中 ,Ψ(λ) ≤ 1，C为常数，Ψ是纠正或提高色感的光学装置的透射光谱。

其中，步骤5）中，将应用于光谱能量分布 M(λ)，使得新的光谱能量分布， 其中M _old (λ)为改变前的光谱能量分布，是光体光谱与光学装置的透射光谱的函数。

本发明还公开了一种光学装置的设计方法，包括：

（1）选择着色剂以及其浓度；

（2）进行矫正蓝黄色弱色盲的透射光谱设计，其中该步骤中采用上述的设计方法。

进一步，步骤（1）中选择着色剂以及其浓度采用如下的选择方法：

11）输入优化目标；

12）从着色剂的电子数据库中筛选着色剂；

13）指定约束指标；

14）运用光学和色彩学模拟方法模拟以着色剂为有效成分的光学装置的光学透射以及使用者色彩感知的效果；

15）在约束指标的要求范围内,优化所需的光学装置的各种参数使其尽可能的接近或实现所需的目标；

16）对设计成果绘图与数据显示；

17）储存设计成果。

其中，步骤14）中，通过本层基质的综合入射光、该层中着色剂的摩尔消光和密度以及基质厚度，根据朗伯 -比尔定律来进行着色剂在基质中的对光的吸收的光学模拟；通过着色剂的释放光谱特征、本层基质的综合入射光强度和量子产率、以及光学透射装置和人眼的物理、几何特征所产生的减免影响，进行每个着色剂在基质中所产生的荧光的光学模拟。

其中，步骤15）中进行优化包括如下步骤：

151）根据光学装置的几何与人眼的相对位置、距离以及人眼瞳孔的几何确定着色剂荧光形状系数；

152）输入一个单数光谱目标；

153）定义设计光谱的优化成本函数；

154）选择单个或综合性质的光学装置设计目标进行多目标优化。

其中，步骤4）中采用的模拟方法给予光学装置在多方面的自由度，包含但不局限于：光学装置的有效结构由单基层或多基层组成，在每个基层中采用单着色剂或多种着色剂同时存在为有效光谱吸收成分，其中每个基质层的厚度可以自由调控，每个基质层中的着色剂种类、浓度也可以独立调控。

其中，光学装置中一层的最终透射光谱是由没被本层吸收的射入光和荧光组成的，光学装置中多层基质的综合光谱是依据入射光的入射路径所经过的基质层依次计算，整个光学透射装置的综合透射光谱为通过最后一层的综合透射光谱。

其中，步骤11）中的优化目标包括但不局限于: 透射光谱目标，和/或着色剂数量，和/或光学装置基层层数、厚度，和/或各种所需的色感指标如色彩饱和度,色域,色差,色品,白点位置，和/或光学装置制作成本。

其中，着色剂的数据库中包括着色剂的可用参数，其中包含且不局限于所涉及着色剂的种类、吸收光谱特征、摩尔消光系数、荧光光谱特征、量子产率、激振、光学稳定性、化学稳定性、热力学稳定性、在不同基质中的溶解度与光学变化、与其他着色剂的化学作用、成本。

其中，步骤13）中的约束指标是步骤11）中的任何一种或多种优化目标。

其中，对于步骤15）中采用的优化方法，进行最佳优化方式的判定，判定优化与约束指标的性质是否线性、凸性或多目标性，基于此性质选取最佳优化方法进行光学装置各参数的优化。

其中，采用人工智能的方法对优化类别进行判定。

其中，优化目标和约束指标包括基层的数量、厚度和折射率，每基层中的着色剂的种类、数量、浓度和制造成本，整个光学装置的厚度、折射率，着色剂的总体数量和制造成本。

其中，步骤15）中涉及的优化法包括但不局限于：线性优化的单纯性法、凸性优化的内点法和次梯度法、非凸优化的模拟退火、遗传算法、动态维数搜索。

其中，着色剂荧光形状系数为绝对的形状系数或以光学装置透光的形状系数为基础的相对荧光形状系数。

其中，基质的综合入射光为上一基层基质的综合透射光与本基层基质中所有着色剂产生荧光的矢量线性叠加得出，具体算法如下：

其中，为第n层基质的综合入射光；

为第n-1层基质的综合透射光；

为第n层基质着色剂因为吸收第n层综合入射光所产生的荧光，其形状系数为；

是第n-1层基质因为吸收了第n层基质的荧光而产生的荧光，其形状系数为，其中i为着色剂的索引指数， 是第n层基质中着色剂的总数。

其中，在每一基质层的综合透射光是根据本层基质中多个着色剂对本层综合入射光的改变，该改变是通过各个着色剂对光的吸收的对数叠加方法来进行计算的，对数叠加公式为：

其中，为第n层基质的综合透射光，

为第n层基质的所有着色剂的透射光谱。

其中，所述光学模拟的函数为：

n基层内在波长λ下的荧光可以表示为：

其中，

Ψ_i,n为可见光范围内（380到780纳米）的着色剂i产生的荧光综合值；

是着色剂i在波长λ下，标准化后的荧光光谱；

为基层n中着色剂i在波长下的独立荧光；

为从基层n放射与基层n+1的所有着色剂在波长下的剩下荧光；

为波长下，着色剂i产生的荧光与此荧光被基质层n中其他着色剂的吸收消耗后的剩余荧光的比率参数；

为基质层n中的剩余荧光比率的第一阶中心矩（first moment arm）；

是第n层基质中着色剂的总数；

为第n层基质的所有着色剂的透射光谱；

为第n层到第n+1层基质的形状系数。

其中，所述优化成本函数为：

其中

N是光学装置中基质层数；

TS是透射光谱的缩写；

TS_Target 和 TS_Design分别为目标与设计的透射光谱；

U是独特着色剂的总数量；

SR是两个相邻光谱区域的变化矢量；

J是SR光谱区域的数量；

j是SR区域的索引指数；

γ₁ 和 γ₂为代价参数；

α 和 β为常数；

A 为着色剂使用数量限制；

B 为常数；

η 为SR光谱区域内1纳米单位光波的数量；

SP 是目标与设计的索引指数。

其中，当非凸优化确定以后，当要优化大量的变数时，自动使用巨维退火的启发式算法。

其中，所述巨维退火的启发式算法包括：

1）、对于每个所需优化的变量，搜索邻域使用的概率函数，用以建设新的候选解；

2）、检查候选解是否满足设计约束，如果不满足就重新选择候选解值以满足有关设计约束；

3）、候选解包括没变的变数和改变了的变数，通过被评估来判定其对优化目标的改变并判定是否满足所有限制条件；

4）、计算候选解的目标值加上任何超过限制条件的代价作为为总成本值，比较候选解和当前解的总成本值差距；

5）、如果候选解的成本小于当前解，候选解就被接受为新的当前解并用于下一轮候选解与总成本计算；如果候选解的成本大于当前解，那么候选解有一个概率被接受为暂时当前解并用于下一轮计算。

其中，循环求解的次数是一个预先设定的值，算法会在达到此循环求解次数时或成本变化小于一个阈值的时候终止。

其中，人工智能的最佳优化方式的判定即为判定优化与约束目标的性质，是否线性、凸性或多目标性，性质判定包括计算与判断海森矩阵和关联的特征标量的值，或者运用一个快速的梯度下降法或梯度上升法来鉴定局部最优解的存在。

其中，优化分为凸优化和非凸优化两大种类，人工智能的方法对优化类别的判断包括判别优化的海森矩阵是否是半正定矩阵，所述海森矩阵表达为：

其中，f 是优化目标或约束函数；

c是着色剂浓度；

为着色剂和其所在基质层中的浓度。

其中，包括在440-540nm的光波范围内具有相对高吸收的透射光谱，或者在440-540nm任意波段具有相对高吸收的透射光谱，或者在556-626nm的光波范围内具有相对高吸收的透射光谱，或者在556-626nm任意波段具有相对高吸收的透射光谱。

其中，通过着色剂及其浓度与组合方式的选择来实现设计的透射光谱，其中着色剂用来吸收630-780nm区域里的光谱以保持白点的位置指标。

其中，采用的着色剂包括花青染料、三芳甲烷染料、香豆素、萤光酮、氧杂蒽、包括磺化了的着色剂、恶嗪、芘和以上着色剂的衍生物。

其中，光学装置的介质层厚度为0.03到90毫米；介质层数量为1-300层；各个着色剂浓度为0.02到5000微摩尔。

本发明的目的是发明用于矫正和改善蓝黄色盲色弱色觉感知的光学装置。发明中的方法也可以用以设计矫正其他形式色盲色弱者的光学装置。本发明包括了这种光学装置的透射光谱，以及用于实现这种透射光谱的着色剂，装置的物理尺寸（包括分层），色度参数，着色剂的成本与性质的优化，以及设计方法和结果。 和红绿色盲色弱测试不同的是，蓝黄色盲色弱的分类判定需要特殊的假同色图试验（pseudoisochromatic images）和特殊的色彩排列试验如法恩斯沃思-孟塞尔色调测试(Farnsworth-Munsell Hue Test)。在对蓝黄色盲色弱者进行直接测试时，如使用色盲镜（anomaloscope）可以测试出其色盲种类及程度。

附图说明

图1：标准颜色匹配函数；

图2：蓝黄色弱患者的颜色匹配函数；

图3： 第一个例子光学装置使用者（虚线）和肉眼（实线）在CIELUV色彩空间里的色域性能；

图4： 第二个例子光学装置使用者（虚线）和肉眼（实线）在CIELUV色彩空间里的色域性能；

图5：多个例子光学装置使用者的色彩感知；

图6：CIELUV所代表的人类的色感的空间示意图；

图7：平滑后的光学装置最佳光谱范例图；

图8： 一组对所得透射光谱的平滑处理结果示意图；

图9： 光学装置透射光谱的具体设计方法的操作流程图。

图10：光学透射装置光源与基质层透射示意图；

图11：基质层、着色剂与色彩感知设计的示意图；

图12：本发明使用的描述人眼接收到光学透射装置产生荧光的形状系数模型图；

图13：使用本发明的方法达到光学透镜实现目标光谱的第一示例图；

图14：使用本发明的方法达到光学透镜实现目标光谱的第二示例图；

图15：使用本发明的方法达到光学透镜实现目标光谱的第三示例图。

具体实施方式

（一）一种矫正蓝黄色弱色盲的透射光谱和光谱能量分布的设计方法

晶状体、瞳孔和其他的视觉功能下降导致的视觉白点（色彩感知）变黄会引起患者蓝黄色弱色盲。客观的色感白点变黄有多种的起因。这些起因为：（1）由晶状体素材变化引起的晶状体变黄，（2）由瞳孔缩小导致晶状体多加吸收蓝光引起的晶状体变黄，（3）三色视锥体异常，和（4）在三色视锥体之后的色彩感知的异常,例如大脑对色感的异常分析。（1）和（2）属于视网膜前介质功能下降的例子。本发明的所有三色视锥体异常包括视锥体本身异常和/或在视锥体之后的色彩感知的异常。请看后面的色感转变函数。

总体来讲本发明的方法是针对以下四种蓝黄色盲色弱的情况并提供矫正方式：（a）如果视锥体正常，蓝黄色盲色弱的形成是由于视网膜前介质功能的下降引起的晶状体变黄，可以通过光学装置抵消多余的黄色来矫正其色觉感知以恢复正常色觉。（b）如果视锥体异常附加视网膜前介质功能的下降，蓝黄色盲色弱也可以通过光学装置抵消多余的黄色来矫正其色觉感知以恢复正常色觉。（c）通过增加蓝黄色差，包括矫正白点位置为客观白色，来改善、矫正甚至增强其蓝黄色觉感知。（d）通过增加多种（包括所有）颜色的饱和度，包括矫正白点位置为客观白色，来改善、矫正甚至增强其蓝黄色觉感知。

一、测试

本发明将使用以下两种方法对色盲色弱者进行测试: 分类判定和直接测量。

分类判定是使用蓝黄的色盲图或假同色图试验(pseudoisochromatic images)，和色彩排列试验，例如法恩斯沃思-孟塞尔试验(Farnsworth-Munsell Hue Test)来判定色盲色弱的种类和粗略的程度。 判定可以测试出蓝黄色盲色盲色弱者所属的类别和粗略的程度。判定的蓝黄色盲类别包括两大类： 第一类为视网膜前介质异常（功能下降，例如晶状体变黄）但S-M-L三色视锥体正常。第二类为视网膜前介质异常和S-M-L三色视锥体异常。判定的蓝黄色盲程度按照轻重进行粗略分类，如轻度, 中度和重度。

直接测定试验是通过测量视锥体对不同的光波(颜色)的敏感性来精确测定色盲色弱的类别和程度。当前直接测定的方法是基于使用色盲镜（anomaloscope）。使用这种设备，能够精确的数据化蓝黄色盲色弱者的色盲、色弱轻重程度和类别。

二、获得颜色匹配函数的数据

对于正常人的色彩感知，它是由眼中的三色视锥体对颜色的感应决定的。这三色视锥体分别为主要感受短波长的S视锥体, 主要感受中波长的M视锥体, 和主要感受长波长的L视锥体。常人三色视锥体对光波的感应随波长变化而改变。CIE使用了如下标准颜色匹配函数 (color matching function, CMF)分别表达常人S-M-L视锥体对其感应颜色的光波敏感度(即光波在不同波长的强度感受)，参见图1:

-L视锥体的标准颜色匹配函数,

-M视锥体的标准颜色匹配函数，

-S视锥体的标准颜色匹配函数

在本发明的任何色彩（感）空间中,如CIE色彩空间,人对任意颜色的色觉感知可以最终归一到三色视锥体的感应, 为三色刺激值(tristimulus values)。在CIE色彩空间中,任意一组(个)光波, 表达为其光谱能量分布M(λ)的三色刺激值可表达为如下公式：

图1中的标准三色视锥体光波敏感度即标准颜色匹配函数是CIE对正常人作为整个群体的平均概括。

图2为一种蓝黄色弱患者的颜色匹配函数。图中包括变黄函数H(λ)，也是一种光学装置的透射光谱，例如变黄了的晶状体。其做用包括常人通过含有这透射光谱的光学装置来达到一种蓝黄色弱患者的色感，也包括用来设计抵消此透射光谱的光谱。

常人视锥体光波敏感度可以通过CIE标准颜色匹配函数{，}来表达。

对于第一类蓝黄色盲色弱者，由于其视网膜前介质异常，由此测出的视锥体光波敏感度可以认为是CIE标准颜色匹配函数，与其变黄函数的在不同透射波长（λ）下的乘积。因此所得的第一类蓝黄色弱患者的颜色匹配函数便为:

,

,

是视网膜前介质的变黄函数。也是晶状体和其他视网膜之前的介质黄化之后的透射光谱。

是蓝黄色弱患者的颜色匹配函数。通过以上方法可以表达出蓝黄色盲色弱者个体的颜色匹配函数，也可以通过统计得出整个群体的颜色匹配函数。 运用特殊的假同色图试验（pseudoisochromatic images），或特殊的色彩排列试验如法恩斯沃思-孟塞尔色调测试(Farnsworth-Munsell Hue Test)，或色盲镜（anomaloscope）来测验出蓝黄色弱患者的颜色匹配函数的数据。

对于判定中的第二类(视网膜前介质的异常附加视锥体异常)蓝黄色弱患者，其颜色匹配函数的一种表达方法是标准颜色匹配函数按照患者对不同光波的异常敏感度通过变黄函数H(λ)进行的转变。所得的第二类蓝黄色弱患者的颜色匹配函数便为:

,

,

其中色感转变函数 ,,是分别用于描述L,M,S视锥体对各透射光波长异常的敏感度，包括视锥体本身的探测异常和、或在视锥体之后的色彩感知的异常，例如大脑对色感的异常分析。设计师在合适条件下可以将,例如当函数之间差别不大或为了简便光学装置的设计。是色感转变函数与视网膜前介质异常函数的集合。

本发明中目标人群中的H(λ)不取决于遗传，而是老龄化或者疾病。其中包括：糖尿病，青光眼，黄斑变性，阿尔茨海默氏病，帕金森氏症，多发性硬化症，酒精中毒，白血病和镰刀型细胞贫血症。

设计中H(λ) 代表的视网膜前介质的异常可随着时间或者疾病的恶化或者减轻而变化。这些变化是部分或完全可以预测的。因此，在本发明中，设计者可以为不同的色弱色盲人群设计合适的H(λ)。 例如，设计者完全可以设计一个光学设备，利用最新测量的患者色感数据来体现H(λ)。设计者还可以设计光学仪器来抵消可预测的色感变化或者其他不同的H(λ)组合，比如说未来十年的平均H(λ)或左右眼不同的H(λ)。

三、调节使用者的颜色匹配函数；

这些得到的蓝黄色盲色弱者的视锥体光波敏感度便会被设计师根据国际照明委员会的标准观测者颜色匹配函数进行调节。调节的方法包括移动颜色匹配函数的敏感高峰和对整体敏感度分布的改变。这些结果便成为了每个不同色盲、弱轻重程度的患者相应的颜色匹配函数。

这些锥体敏感度也是一个函数，如正态分布或韦伯分布（Weibull）。设计师可调节其中的峰值，形状和其它参数。基于此便可以通过调整这个函数中的参数来反映直接测量的结果。

四、优化

使用人工智能优化器来优化从标准颜色匹配函数到第一或二类蓝黄色弱色盲患者的颜色匹配函数的映射，此映射是H(λ)或。

本发明的人工智能的优化类型检定器会自动检定最优映射的线性、非线性、凸性或非凸性类型，用于选择合适的优化器来实际优化目标。例如，优化目标是运用测验出的蓝黄色弱色盲患者的和标准的三个颜色匹配函数来设计出一个最符合的变黄函数H(λ)或最符合的色感转变函数与视网膜前介质异常函数的集合。人工智能的优化类型检定器就会检定该目标的优化类型。然后运用适合该类型的优化法来得出最佳的H(λ)或。

在光学里和色彩学里，H(λ)或相当于一种把正常人变为色弱色盲患者的光谱。因此本发明的一个益处就是通过人工智能和高等优化设计一种色盲色弱眼镜，通过其透射光谱来抵消或纠正H(λ)或造成的色盲色弱症状。对于正常人，弱性的H(λ)或相当于一种弱化视觉中色感（色觉感知力）的光谱。更好的色感可以使人看到更饱和、鲜艳的色彩。 因此在本发明中所有设计纠正色弱色盲的光学装置的方法（不包括判断色弱色盲的类型及重轻度的方法）也可以用于设计提高正常人色感的光学装置。

优化的类型检定包括计算与判断海森矩阵（Hessian Matrix）和关联的特征标量（eigenvalue）的值。也包括运用一个快速的梯度下降法或梯度上升法来检定局部最优解的存在。

本发明包含了多种人工智能的优化法。 例如，线性优化的单纯性法（simplex），凸性优化的内点法（interior point）和次梯度法(subgradient method)，和非凸优化的模拟退火 （simulated annealing），遗传算法（genetic algorithm），动态维数搜索(dynamically dimensioned search)和本发明新创的巨维退火（large dimensionalannealing）。本发明也包含了人工智能的混合整数规划（mixed integer programming）。

基于以上优化方法并设定H(λ)在每个波长有单一值，以下是运用蓝黄色弱患者的与标准颜色匹配函数通过权重函数{w}对H(λ)的表达。因为, 所以H(λ)和的设计法（数学公式）是一致的。此处详述H(λ)的解为例。

一种直观的解是以下的函数形式：

其中权重函数w是在特定波长下对蓝黄色弱患者的颜色匹配函数与标准颜色匹配函数的比例的加权平均。

和

一个例子解为

另外一个例子解是权重函数基于蓝黄色弱患者的与标准颜色匹配函数的差距。

第三个例子解是权重函数基于蓝黄色弱患者的与标准颜色匹配函数的差距乘积蓝黄色弱患者的颜色匹配函数本身的值。

除了直观的解，一种以严格的逻辑得出的最小化色感差异的H(λ)解建立于下面的优化形式：

限制条件：

γ是权重函数，u和v是CIELUV色彩空间，蓝黄色弱（色盲）指的是由此类型患者得出的变量，i是第i个孟塞尔颜色，H指的是由此变黄函数得出的变量，N是孟塞尔颜色数量，{X,Y,Z}是三色刺激值，I是光源光谱，C_i是第i个孟塞尔颜色的光谱，是标准颜色匹配函数，是蓝黄色弱患者的颜色匹配函数。

五、设计光学装置

所得到的优化的蓝黄色弱色盲患者的颜色匹配函数被用来优化色彩感知的各个主要设计指标, 比如蓝黄色差距离，白点位置。设计指标也包括饱和色、柔和色的色域面积，红绿色差、色品等一系列色感指标。

优化设计出H(λ)或会得出两种产品：

（1）、设计出一种光学装置，其中包含可以直接抵消H(λ)或的透射光谱Ψ(λ)，并使得。其中

,Ψ(λ) ≤ 1，其中C为常数，Ψ是纠正或提高色感的光学装置的透射光谱。

（2）、将应用于光谱能量分布 M(λ)，使得新的光谱能量分布， 其中M _old (λ)为改变前的光谱能量分布，是光体光谱与光学装置的透射光谱的函数。设计出M _new (λ)以后，可以运用此光谱能量分布和通过[一种优化人类色觉感知的光学装置透射光谱的设计方法]设计所需光谱，然后运用着色剂和通过 [一种以着色剂为有效成分的光学装置的设计方法]实现所需的光学装置。

本发明使用[一种优化人类色觉感知的光学装置透射光谱的设计方法]来设计改变和优化人类色彩感知的功能光学装置, 包括眼镜，以纠正第一和第二类蓝黄色弱色盲的使用者群体(特指具有相似特征的群体)对不敏感色的区分能力，和改善敏感色区的色感；或纠正色盲色弱使用者个体对不敏感色的区分能力，和改善敏感色区的色感。

以上对改变和优化人类色彩感知的功能光学透镜,包括眼镜的透射光谱的指标优化包括但不止于蓝黄色差，色域面积、色域形状，红绿色差、色移，色品，白点位置, UVA/B/C紫外辐射阻拦, 高强度紫蓝光阻拦。

例如，在控制白点移动和保持红绿色差的条件下最大化蓝黄色差时，一种优化方式是：

以上公式的变量受如下约束：

其中，D是色差,R是红色组，G是绿色组，B是蓝色组，Y是黄色组，<u,v>是色彩在色感空间里的位置，M是蓝色组的色彩数量，N是黄色组的色彩数量，m是红色组的色彩数量，n是绿色组的色彩数量，ε是一个微差量，wp是新白点位置和wp,0是原白点位置。

本发明使用了一种以着色剂为有效成分的光学装置的设计方法设计最佳的功能光学装置,包括眼镜，来改善人色彩感知，以纠正第一和第二类蓝黄色弱色盲的使用者群体(特指具有相似特征的群体)对不敏感色的区分能力，和改善敏感色区的色感；或纠正色盲色弱使用者个体对不敏感色的区分能力，和改善敏感色区的色感。

功能光学装置的设计运用了多种着色剂(包括染料、颜料、色素)，包括设计其浓度，荧光效应和配方组合方式。光学装置的设计也包括了其基质的层次，厚度，折射率。光学装置的设计也包括了表面波莫(或薄膜层)用于防磨，防割，防水和保障或加强其他光学，化学，物理功能和质量，例如增透膜。

本发明的光学装置设计法能够改善蓝黄二色色盲。因为此二色色盲出现于任何色感转变函数为零或极小，是在以上调整三色视锥体异常的范围之内。

本发明可以用来设计和生产, 包括但不止于:

1) 透明或透光设备, 包括眼镜,窗;

2) 各种类型深度和着色的透光设备, 包括墨镜;

3) 具备阻挡高能紫蓝光或紫外光的各式着色或透光设备;

4) 处方的透光设备,包括各式近视,远视,散光眼镜，隐形眼镜和老花镜。

在本发明中, 上述透光设备(如眼镜, 窗)在设计其特殊功能的同时并保持了高透光性。本发明使用[一种优化人类色觉感知的光学装置透射光谱的设计方法]来设计上述透光设备的透射光谱的同时保持了高透光性。

在此基础上, 本发明使用了[一种以着色剂为有效成分的光学装置的设计方法]来选择着色剂以及其浓度,组合方式来实现需要的透射光谱并实现高透光性。[一种以着色剂为有效成分的光学装置的设计方法]还可以被用来进一步设计筛选来满足其他的设计需求, 比如成本, 装置厚度，层次和眼镜弧度。

在本发明中,上述着色透光设备(如墨镜)在设计其特殊功能的同时并降低了透光性。本发明使用[一种优化人类色觉感知的光学装置透射光谱的设计方法]来设计上述着色透光设备的透射光谱的同时降低了透光性。 在此基础上, 本发明使用了一种以着色剂为有效成分的光学装置的设计方法]来选择着色剂以及其浓度,组合方式来实现需要的透射光谱并实现低透光性。 [一种以着色剂为有效成分的光学装置的设计方法]还可以被用来进一步设计筛选来满足其他的设计需求, 比如成本, 装置厚度，层次和眼镜弧度。

在本发明中, 着色的透光设备(如墨镜)在使用如上着色剂以实现其特殊功能的同时, 也可以使用中性灰度滤镜(或近似中性灰度滤镜，neutral-density filter)来实现主要的或额外的光吸收, 反射或散射。

在本发明中, 上述各式着色,非着色透光设备应配合使用额外的薄膜材料以达到所需要的生产中的, 物理的, 化学的, 热力学的,光学的,保护的, 审美的，装置质量上的和其他的性质和需求。

采用上述方法设计的光学装置有特殊功能。例如此光学装置使常人佩戴者体验色盲色弱者的色彩感知并以此设计适合真正色盲色弱者色彩感知相关的产品。 以上改变常人色彩感知的光学装置可以用在其他特殊功能上，例如用来使佩戴者更好的识别蓝黄颜色或和图案， 如在军事用途中辨别伪装。

本发明包括了在440-540nm相对高吸收的透射光谱的设计以实现其改善色盲色弱使用者对不敏感色的区分能力，敏感色区的色感和优化常人使用者色觉感知的功能。

本发明包括了在440-540nm内任意波段相对高吸收的透射光谱的设计以实现其改善色盲色弱使用者对不敏感色的区分能力，敏感色区的色感和优化常人使用者色觉感知的功能。

本发明包括了在556-626nm相对高吸收的透射光谱的设计以实现其改善色盲色弱使用者对不敏感色的区分能力，敏感色区的色感和优化常人使用者色觉感知的功能。

本发明包括了在556-626nm内任意波段相对高吸收的透射光谱的设计以实现其改善 色盲色弱使用者对不敏感色的区分能力，敏感色区的色感和优化常人使用者色觉感知的功能。

本发明包括了着色剂(染料,颜料,色素)及其浓度与组合方式的选择来实现设计的透射光谱，包括了440-540nm和556-626nm区域内光谱的改变（包括吸收，荧光，散光）。

本发明包括了着色剂(染料,颜料,色素)及其浓度与组合方式的选择来实现设计的透射光谱包括了440-540nm和556-626nm区域外光谱的改变以实现其所需的色彩感知指标。 比如, 着色剂可以用来吸收630-780nm区域里的光谱以保持白点的位置指标。

本申请运用了820多种不同的着色剂为设计库。采用的着色剂包括花青染料（cyanine）、三芳甲烷染料(triarylmethane)、香豆素（coumarin）、萤光酮（例如罗丹明）、氧杂蒽（xanthene），包括磺化了的着色剂、恶嗪（oxazine）、芘（pyrene）和以上着色剂的衍生物。

本申请里的例子光学装置（如透镜）的介质层厚度为0.03到90毫米；介质层数量为1-300层；各个着色剂浓度为0.02到5000微摩尔。

（二）一种优化人类色觉感知的光学装置透射光谱的设计方法

本发明还提供了一种系统的方法来为光学装置使用者所需要的色觉感知设计光学装置需要提供给使用者的透射光谱。光学装置包括镜片、眼镜、隐形眼镜、屏幕、挡风玻璃，各种视窗等对人类视觉产生改变的透射装置。

一、对于光体光谱

本发明可包含发光体的光谱，包括自然光、人造光、理论光和综合光。例如CIED65。

本发明可包含反光体的光谱，包括自然界中的、人造的、理论上的和综合的反放光体。例如1269个孟塞尔(Munsell)标准色。

本发明还可包含荧光体的光谱，包括自然界中的、人造的、理论上的和综合的荧光体。例如荧光素（fluorescein）。

二、对于色感参数

本发明可包含国际照明委员会（CIE，International Commission onIllumination）的人类标准色觉感知（色感）空间， 例如1976 CIELUV,或其他色感的空间作为色感空间来描述人类色感参数。

本发明包含了国际照明委员会发表的1931年2度标准观察者和1964年10度标准观察者，或其他观察者的颜色匹配函数 （CMF，color matching function，CMF）来定义和描述人类对不同光波（当其进入大脑便表示为外来颜色）的色觉敏感度，即为其在人类色感空间里（如CIELUV）的位置。

本发明包含了在色彩空间中计算人类的各种色感参数。例如在1931 CIE XYZ 和1976 CIE LUV色彩空间中通过孟塞尔饱和色组以及柔和色组的色域、白点位置以及其中某些颜色的色差、色移等色感参数来表达人的色觉感知。

三、光学装置透射光谱的具体设计方法

1、选择光体即确定入射光光谱；包括发光体、反光体、荧光体和综合光体。设计师可以选择任何发光体、反光体、荧光体作为光源。包括设计师自己设置的光源光谱。例如CIEA,C,D组光源，露天检测的光源，任何单个或群体孟塞尔颜色。

2、根据视觉优化或控制的目标，即色域、色差、色移和白点位置等色感参数，本发明包含了选择颜色体系的方法。例如选择孟塞尔系统里的10到30个最常见饱和色来组成饱和色圈, 选择孟塞尔系统里10到30个最常见的柔和色来组成柔和色圈。其色圈所包围形成的区域分别为饱和色域 (图6, 饱和色域), 柔和色域(图6, 柔和色域)。

3、针对光波透射光谱中相应波长（λ）的光波透射度（T）来对人类色感参数如色域、色差、色移等进行模拟和计算（即表述为相应的函数）。采用人工智能的线性或非线性方式优化和约束目标函数来达到所需人类色感指标。设计师在目标函数中输入需达到的色感指标。

例如需要利用色域周长来最大化蓝黄色差时，一种目标函数是：

，

其中C是周长，T(λ)是透射光谱，<U,V>是T(λ)的函数用于色彩在CIELUV色感空间里的定位，I是所选择的组成色圈的颜色点的集合。

例如需要利用色域面积来最大化蓝黄色差时，一种目标函数是：

，

其中，A是面积, <u_wp,v_wp> 是白点（White Point）在色感空间里的位置，X是叉积，I是所选择的组成色圈的颜色点的集合。

白点是人眼色彩感知的平衡点。因此白点位移是衡量人眼色彩感知平衡点变化的重要非线性参数。例如一种白点位移的表达方式是欧几里德距离（Euclidean distance）。

“WP”是新白点，“WP，0”是常人用肉眼看的客观白点,ε是设定的约束值。根据设计的需要可以对白点位移限制在任何数值（可以规定白点位移距离为0或其到色彩空间边缘的最大距离）。例如白点位移在CIELUV中为0.01单位时，人眼是无法感知其色彩变化的。也可以规定白点位移为0，但这时便缩小了优化的可行区域。

例如需要利用色品来最大化蓝黄色差时，一种目标函数是：

n为选择的孟塞尔颜色数，量wp为白点位置，色品可理解为颜色鲜艳度的一种表达，其离白点的位置越远便越鲜艳。

多目标的优化设计的一种表达方式是用加权平均把单个目标用线性关系加起来。优化在不同的加权平均下会产生帕累托前沿。

综合目标 =

一种色感的多目标性优化可以是以下的形式：

最大化蓝黄色差和色域面积的综合目标。变量w 的约束是0 ≤ w ≤ 1。

光学装置设计师可以选择优化或控制的单项色感参数指标。例如通过透射光谱的改变来达到色域最大化，又例如使人对某种颜色的色觉感知产生变化，如移动蓝色到紫色区。

设计师可以选择优化或控制的双项色感参数指标。例如在控制饱和色圈的周长扩大为15%的范围内，最大化柔和色圈的周长。

设计师可以选择优化或控制的多项色感参数指标。例如在保持色感白点移动为零的范围内，最大化柔和色圈的面积也同时最大化饱和色圈的面积，并同时控制黄蓝色区的色差萎缩为小于10%。

设计师可以直接约束光学装置光谱的设计范围。例如，540-600 纳米的光波长的透射度低于20%。

允许在某个纳米波长或者某段纳米波长范围内对最大、最小透射率进行限制。例如2%可以保证色彩信息最小透射率。出于安全考虑，设置2%的最低透射率可以保证不将有关光线彻底挡住。设置一个最高值，如最大透光率为99%，是为了去除一些荧光过强的材料以避免过强荧光对真实色彩强烈的影响和改变，也包括夜间在强光（例如车灯）照射下的视觉安全。

4、人工智能来选择最佳的优化法，包括把需要控制的色感参数指标定为约束项。

对于人工智能的最佳优化方式的判定，包括判定优化与约束目标的性质，是否线性、凸性、多目标性。例如当设计师选完并确认优化与控制的目标后，模式自动（包括设计师手动）对优化目标和约束进行性质检定。其中性质检定包括计算与判断海森矩阵（HessianMatrix）和关联的特征值（eigenvalue）。 性质检定也包括运用一个快速的梯度下降法或梯度上升法来鉴定局部最优解的存在。

以下是海森矩阵和特征值的一种表达， f 是优化目标或约束函数，OD是光学装置的透射光谱。

如上方法，对一个求最小值优化的问题，如果特征值是半正定，意味着,则 f 是凸性。同样的方法可以用来在不同的纳米范围内，不同的光学装置的透射率进行应用。

人工智能的优化法包括：线性优化的单纯性法（simplex）、凸性优化的内点法（interior point）和次梯度法(subgradient method)、非凸优化的模拟退火（simulatedannealing）、遗传算法（genetic algorithm）、动态维数搜索(dynamically dimensionedsearch)、巨维退火（large dimensional annealing）等。

5、通过人工智能的选择法来筛选合适的优化法来设计光学装置的光谱。例如，基于优化性质检定的结果，运用单纯性法达成线性目标和约束，次梯度法达成凸性目标和约束，遗传算法加动态维数搜索或巨维退火达成非凸性目标和约束。

本发明创造了巨维退火的非凸性优化方法。对于有400个单位波长需要优化（380-780纳米的整个可见光范围），在每一个迭代（循环计算）的开始，优化程序选择一些纳米进行优化。这个纳米选择范围在初期迭代的时候很大，但随着迭代的进展，所需的选择范围减小，减小的速度是和迭代的次数直接相关；例如速度等于。

对于范围内的任意波长的光学装置的透射率，搜索邻域是使用了概率函数，如正态分布，来对其进行随机改变，用以建设新的临时透射光谱作为当前候选解。此处的概率函数的标准差包括基于迭代的次数。当迭代的次数接近尾声时这个波长的标准差就会越小，所以其被改变的透射率的幅度会越小。

当前候选解需核实一些最大最小边界条件，如最小和最大透光率。如果超过了边界限制条件，就会重新选择当前候选解直到满足限制条件。

当前候选解，包括OD（optical device，光学装置）的没变的波长的透射率和变了的透射率，会在子方程中被评估来判定其对优化目标的改变并判定是否满足所有限制条件

当前候选解的优化目标值和超过限制条件的代价会被计算，成为总成本。当前候选解的总成本会和现有的最优总成本进行比较。

如果当前候选解的总成本小于现有最优解的总成本，那么当前候选解会成为新的现有最优解，并用于下一轮计算。

如果当前候选解的总成本大于现有最优解的总成本，那么当前候选解有一个概率被暂时接受为新解用于下一轮计算。这个概率将会被设计师选择。通常这个概率在初期的循环计算中会比较大。随着循环次数增加接受更大的总成本的概率就会降低，往往会降为0%。这样做的目的是使得现有解有机会跳跃出局部最优解以寻找全局最优解。

循环求解的次数可以是一个预先设定的值。在计算资源足够强大的时候，这个算法可以保证收敛到全局最优解。在实践中，它可以迅速收敛到很好的解，就是光学装置的透射光谱。

将好的解储存下来并作为以后优化程序的初始解，这样就可以大大降低对计算资源的要求，如时间。

6、进行光谱后期处理，例如光谱平滑。平滑包括断点选择加上线性，抛物线性或样条函数(spline)的平滑。当然也可以根据需要而不选平滑。

7、对设计成果绘图与数据显示。例如光谱、色感、色差、色移、色品、白点的绘图与数据显示。

8、储存设计成果。

后期绘图、数据显示等功能，便利与设计师随时查看和运用。

本发明提供了一系列透射光谱以达到提高人类色觉感知各项指标,各种光谱成果的综合特征：440-510纳米的光波长区域为相对低透射区域，530-610纳米的光波长区域为相对低透射区域，或者同时在440-510纳米与530-610纳米的光波长区域为相对低透射区域。

图7所示的三个例子代表了设计出来透射光谱的重要现象。透射率呈现“高，低，高，低，高”的模式。（1）在380-780纳米里，有两个透射率的低谷，440-510,530-610，（2）有三个高峰在，第一低谷的左边（高峰一），两个低谷中间（高峰二），第二低谷右边（高峰三），（3）高峰一的左边和高峰三的右边有无低谷对色感不重要。但高峰一的左边是紫外线，所以透射率低的话对眼睛有保护作用，但在此纳米的透射率因为人眼看不见所以有无不影响色感。

10、本发明的设计方法能够对每一个透射光谱进行亮度测量(镜片亮度)。测量方法采用计算亮度函数达成。例如在CIELUV色彩空间里亮度参数L*是Y/Yn的函数。Y和Yn是颜色匹配函数。

11、跟据透射光谱中可见光范围直接计算人所感知的透射光亮度。

其中，I₀为入射光亮度,I为通过光学装置后透射光的亮度,λ₁到λ₂为可见光波长范围, M为频谱功率分布。

图8：示出了一组对所得透射光谱的平滑处理结果。

图9：是光学装置透射光谱的具体设计方法的操作流程图。

实施例一

1、光体运用 CIE D65。

2、参数选择

1）色感参数选取的是白点位移和色域面积，白点位移最大为0.01。

2）优化目标是利用最大化色域面积来提高蓝黄色差。

3）将一系列假设的光学装置(OD)的透射光谱图手动的输入到光学装置(OD)的设计软件中。输入光谱具有380纳米到780纳米的可见光范围。

4）通过在色彩感知均匀的色彩空间中，运用欧几里德距离来优化和控制白点位移、色域等参数。白点的位移约束是：

其中，“WP”是新白点，“WP，0”是常人用肉眼看的客观白点。

最大化色域面积时，目标函数是：

因为色域面积是基于距离测量方法的一个衍生物，和计算白点位移一样，这些计算最适合基于色彩感知均匀的色彩空间。

5）在380-780纳米内，选择2%为最小透射率为了保证一定的色彩信息。同时设置一个最高值为99%为了减低荧光高的着色剂。

6）选择饱和色圈, 孟塞尔颜色组

{830,751,670,555,495,432,330,261,202,138,27,1231,1161,1094,1001,929}。

7）选择柔和色圈, 孟塞尔颜色组

{850,794,742,690,635,577,520,456,387,314,248,151,121,83,12,1251,1183,1114, 1049,984}。其中柔和色圈包含了著名的 Farnsworth D15视觉缺陷色组。

8）运用CIE 1964年 10Deg 标准观察者的颜色匹配函数来代表L，M和S视锥体对不同可见光波的敏感度。

9）运用CIELUV 色彩空间来计量和绘制色彩组、色感参数等各种可见光与人类色感的关系。

3、计算三色刺激值（X,Y,Z），在CIELUV里体现色彩。

其中，M(λ)是光谱能量分布，MC ₈₅₀ 是第850个孟塞尔颜色，T(λ)是需要优化的光学装置的透射光谱。

设MC₈₅₀ 在CIELUV里的坐标是<>

定义常人的肉眼白点位置的坐标值为<>

定优化迭代，以一百万到一千万次循环计算优化。

4、设计进入优化阶段。

1）以下是海森矩阵的表达， f 是色域面积为最大化的目标函数，OD是光学装置的透射光普。

和 分别是380纳米光波和780纳米光波。在每40纳米的波长范围内（即从380纳米到780纳米，共需取10个点每点相隔40纳米）的海森矩阵，便为10列的海森矩阵。在每降低33.3%的透射率的情况下（即100%，66%，33%，0%四种透射率），这个海森矩阵的评估次数便为4¹⁰ =1,048,576。

2）.里有正数和负数。自动用差分方程计算海森矩阵和特征值(eigenvalue)。得出的特征值不是正或半负定，自动判断优化是非凸性的。

3）自动识别400个纳米的透射率分解度为1%是100⁴⁰⁰维的优化。巨维退火方法被自动启动。

4）在初期的循环次数中，100个波长被选择进行其波长下透射率优化，改变的幅度由随机函数选择，其改变大多数为-30%到+40%之内。这一次的当前候选解超过限制条件透射率5%-90%范围的会被重新选择来保证满足限制条件。

5）通过许多循环后，只有其中的五个波长进行了透光率改变，然后这个新的透射光谱将会被子程序计算。

6）子程序计算出并比较这个新的当前候选解和现有最优解的总成本（优化目标）的差异。通过计算总成本，新的当前候选解大于现有最优解5%。

7）基于这个目标值变化，循环次数以及其他参数的变化，计算出接受这个当前候选解的概率为68%。

8）算法接受了这个新的临时解，并将其用于下一轮计算。当完成设定循环次数的90%以后，接受新的更高目标值解的概率减小到小于1%。

9）如此当算法完成了所有的循环计算要求以后的最终透射光谱为最优解，满足了优化目标和约束条件。图7展现3个透射光谱例子。图7中的例子1，2和3的透射光谱分别用的是一百万次，三百万次和一千万次循环计算。

色域面积的扩大范围为17%-63%。

白点移动的范围为0.002-0.0099。

（三）一种以着色剂为有效成分的光学装置的设计方法

本发明的设计方法中既包括了着色剂对光的吸收也包括了着色剂因为光吸收所产生的荧光对基层透光谱的影响。在此基础上，本发明的方法还建立了着色剂库（即为着色剂数据库）以及关联以上各种变量选择与光学透射装置整体透射光谱（即最终透射目标）的一系列优化方式。本发明还提供了人工智能的方法来根据优化目标与约束指标选择优化方式。优化目标与约束指标包括吸收/透射光谱，透明度，物体厚度, 层次, 着色剂配方，原料费用，工业难度等。

如图10-11所示，本发明的设计方法给予模型在多方面的自由度（即变量）。光学透射装置的有效结构可以是单基层（即基质透射层）也可以是多基层组成。在每个基层即基质透射层中可以是单着色剂也可以是多种着色剂同时存在为有效吸光成分。其中每个基质层的厚度可以自由调控，每个基质层中的着色剂种类、浓度也可以独立调控。

具体来讲,光学装置中某一基层（第n层）的综合透射光（谱）是由透射过这一基层（第n层）的综合入射光和这一基层通过吸收综合入射光产生的荧光组成。这一基层（第n层）的综合透射光便依据入射光的入射路径入射到下一基层（第n+1层）。此入射光与下一基层（第n+1层）因为吸收此入射光产生的荧光通过形状系数矢量线性叠加到此入射光中成为其基层（第n+1层）的综合入射光。光学透射装置中多层基质的整体透射光（谱）是依据入射光的入射路径所经过的基质层依次计算，通过最后一层的综合透射光（谱）。

另外每一个基层对光的吸收和透射也取决于其中着色剂或着色剂组的种类、密度、光学装置层次厚度。例如同层着色剂A的荧光会被同层着色剂B局部吸收和下一层着色剂C局部吸收。

同理将透镜中所有基层进行如图10-11中的矢量叠加就可以精确的模拟出整个透镜的透射光谱。本模型另一个特点就是可以根据最终的透镜整体透射光谱结果，从着色剂数据库中对着色剂进行筛选。通过人工智能的方式选择着色剂或着色剂组来实现优化目标和约束指标。

一、形状系数模型

基质层通过吸收综合入射光产生的荧光是多方向性的。产生荧光的基层与受此荧光影响的基层（或人眼）的物理位置关系及几何形状特征直接影响受此荧光影响的基层（或人眼）所接收到的荧光强度。此荧光强度直接通过以上描述的方式直接影响光学装置的透射光谱。因此荧光强度会影响色彩感知。

本申请中将这种影响通过形状系数模型进行表达（view factor）。图12是本发明使用的描述人眼接收到透镜产生荧光的模型。模型是基于人眼和透镜的物理位置关系及几何特征通过形状系数（View Factor， F）来表达的和模拟的。具体来说眼睛的瞳孔可以近似圆盘形状。由于瞳孔的面积微小，形状系数中的瞳孔几何也可用方盘估算。因为透镜镜片形状通常多见圆形或长方形，镜片几何也可用圆盘或方盘估算。再考虑到人眼与透镜的距离便可以通过形状系数模型（如图12），计算出荧光从透镜到瞳孔的形状系数。这个形状系数是一个小于1的系数，如0.18。

根据光学装置的几何与人眼的相对位置、距离以及人眼瞳孔的几何确定着色剂荧光形状系数(view factor）。该荧光形状系数(view factor）可以成为绝对的形状系数（光学装置荧光和人眼吸收光的比例），例如10^-5 到0.1；也可以成为以光学装置透光的形状系数为基础的相对荧光形状系数。例如0.3到0.7层间的形状系数。

如下通过两个例子描述本申请如何运用绝对形状系数进行计算。

实施例一

绝对形状系数通过计算光波通过镜片到瞳孔的百分比获得。

1.假设墨镜镜片为圆形，半径R₁为2cm。

2.在佩戴墨镜的弱光状态下，假设眼睛瞳孔的半径R₂为2.5毫米。

3.瞳孔和墨镜的距离H为6 mm。

4.结合图12里的计算方式，此绝对形状系数为F₁₂=0.014。

5.使用此绝对形状系数用于荧光，上面的绝对形状系数F₁₂是基于光线通过镜片向眼睛方向传播，而荧光是没有方向性的，所以荧光的绝对形状系数f ₁₂ = 0.5F ₁₂ =0.007。因此，到达瞳孔的荧光占由透镜产生的所有荧光的0.007。

6.因为现实当中晶状体会将光线聚集到瞳孔。假设晶状体半径为4.5mm时，荧光的绝对形状系数f₁₂ =0.023。

实施例二

绝对形状系数通过计算光波通过镜片到下层镜片的百分比获得。

假设两基层距离为0且形状大小相同。这时，荧光的绝对形状系数为。因此我们定义此种情况的荧光绝对形状系数为0.5。

本申请还可以通过相对荧光系数计算。

相对荧光系数是基于对比外界光的绝对形状系数和光学装置产生的荧光绝对形状系数。在使用的透镜应用中，相对形状系数，其中R₁₂是荧光通过光学装置到人眼的相对形状系数。这主要是因为荧光是无方向性的放射而外界光通过光学装置射向人眼是单向性的。当使用其他装置，如反光镜等，这个相对形状系数是可以改变的。相对形状系数与绝对形状系数是用来更加精确的预测由荧光而产生的光学仪器透射光谱的变化而对人色彩感知的影响。

二、光学透射装置基层与着色剂的设计

1. 本发明包含了一个着色剂的电子数据库，用于从中筛选着色剂。着色剂的可用参数都存在其中。包括吸收和荧光光谱、量子产率、激振、成本、耐光度、耐热度、化学稳定性（例如聚合稳定性）、供应商、毒性。设计师能够对任何着色剂的数据或整个着色剂进行更改、增加、删除、保密、必用、必不用等的改造和约束。

例如，孔雀石绿在水中，乙醇和其他相关溶液中的摩尔消光系数及荧光光谱是公知。这个着色剂的量子产率几乎为0。这个着色剂的价格很低但其光稳定性较差。它的半数致死量LD₅₀ 为80mg/Kg。它可以同其他两种化学物A与B产生不良的反应。基于其较差的稳定性及相关因素，是一种不易使用的着色剂。所以在着色剂数据库里，孔雀石绿的数据如下：

{着色剂=孔雀石绿，摩尔消光=[380:780,{ME}],荧光光谱=[380:780,{FS}],量子产率=0.001，耐光度=1.0，半数致死量=80，冲突化学品={A,B},使用=N}。

2、基质综合入射光为上一基层基质的综合透射光（或当光学透射装置为单一基层组成时的光源）与本基层基质中所有着色剂产生荧光的矢量线性叠加得出，具体算法如下：

其中，为第n层基质的综合入射光；

为第n-1层基质的综合透射光；

为第n层基质着色剂因为吸收第n层综合入射光所产生的荧光，其形状系数为；

是第n-1层基质因为吸收了第n层基质的荧光而产生的荧光，其形状系数为，其中i为着色剂的索引指数； 是第n层基质中着色剂的总数；因为很小或足以被忽略，因此是第n-1层基质因为吸收了第n层基质的荧光可以忽略不计，

所以：。

3、在每一基质层的综合透射光是根据本层基质中多个着色剂对本层综合入射光的改变。 这个改变是通过各个着色剂对光的吸收的对数叠加方法来进行计算的，对数叠加公式如下：

其中，为第n层基质的综合透射光，

为第n层基质的所有着色剂的透射光谱。

这个是基于在第n层基质中各着色剂均匀的溶于基质材料。其他非均匀的溶化可以用更复杂的方式运用于本申请的设计方法里。

4、每个着色剂在基质中的对光的吸收，通过本层基质的综合入射光与这个着色剂的摩尔消光（molar extinction)、其在基质中的密度以及基质厚度，根据朗伯 - 比尔定律(beer-lambert absorption law)来进行光学模拟。

其中，

τ_n为第n层基质的厚度，

是n层基质中着色剂i的浓度，

是着色剂i的摩尔消光系数。

5、每个着色剂在基质中所产生的荧光，是由于吸收本层基质的综合入射光所产生的荧光受本层内其他着色剂相互吸收后剩下的荧光，通过着色剂的释放光谱特征，本层基质的综合入射光强度，量子产率，以及光学光学透射装置和人眼的物理，几何特征所产生的减免影响进行的光学模拟。

所以，n基层内在波长λ下的荧光可以表示为：

其中，

Ψ_i,n为可见光范围内（380到780纳米）的着色剂i产生的荧光综合值；

是着色剂i在波长λ下，标准化后的荧光光谱；

为基层n中着色剂i在波长下的独立荧光；

为从基层n放射与基层n+1的所有着色剂在波长下的剩下荧光；

为波长下，着色剂i产生的荧光与此荧光被基质层n中其他着色剂的吸收消耗后的剩余荧光的比率参数；

为基质层n中的剩余荧光比率的第一阶中心矩（first moment arm）；

是第n层基质中着色剂的总数；

为第n层基质的所有着色剂的透射光谱；

为第n层到第n+1层基质的形状系数。

6、多层基质的综合透射光谱是依据入射光的入射路径所经过的基质层依次计算（如，n层的透射光即为n+1层的入射光）。整个光学透射装置的综合透射光谱为通过最后一层的综合透射光谱。

三、光学透射装置基层与着色剂的优化

1、定义设计光谱的优化成本函数（cost function）。例如设计光谱与目标光谱的差别，包括差别函数（difference function）。在一个实施例中，差别函数最小化等于优化成本函数，设计的成果便是离目标光谱最近的光学装置光谱.如下是一个基于差别函数的优化成本函数：

其中

N是光学装置中基质层数；

TS是透射光谱的缩写；

TS_Target 和 TS_Design分别为目标与设计的透射光谱；

U是独特着色剂的总数量；

SR是两个相邻光谱区域的变化矢量；

J是SR光谱区域的数量；

j是SR区域的索引指数；

γ₁ 和 γ₂为代价参数；

α 和 β为常数；

A 为着色剂使用数量限制；

B 为常数；

η 为SR光谱区域内1纳米单位光波的数量（例，SR是401nm到405nm，其η 为5）；

SP 是目标与设计的索引指数。

定义设计光谱的优化成本函数也可包含任何其他的成分，例如减少用于设计光谱的着色剂成本，加上设计光谱与目标光谱的区分。

γ₁为代价参数，随着着色剂使用数量超过设计限定而增长。并且，着色剂的真实成本，如着色剂X为 5美元每克，也可以按如下方式整合到代价参数中：

其中，P_i 是单位重量下着色剂i的价格；

m_i 是着色剂i的分子量；

c_i,n 是着色剂i在基质n中的浓度；

V_n 是基质n的体积。

2、选择单个或综合性质的光学装置设计目标进行多目标优化，其中可采用标量化（scalarization）或应用模组搜寻简化(epsilon)-约束进行多目标优化。

多目标优化功能让设计师达到帕累托最优（Pareto Optimal）的光学装置设计。例如设计光谱最小化与目标光谱的差别，减少成本，选配了良好的着色剂（耐光度，耐热度，化学稳定性）。

因为所有目标函数都可以在一个体系下表达，这时就可以将多种目标链接起来。如着色剂的综合成本，光稳定性和低毒性用标量权重{w}来表示。

TotalCost Function =

例如：

Total Cost Function =

其中，Total Cost Function 是综合目标（综合成本）；

TS_Target 是目标透射光谱；

Dye Cost 是着色剂的真实成本；

Photostability 是光稳定性。

通过串联由多种权重{w}所得到的多种综合优化目标的值来建设一个光学装置设计的帕累托前沿。此帕累托前沿和相关的解给与设计师所需要的光学装置设计方案，例如着色剂配方，基质层次，每基质层厚度，光学装置厚度，光稳定性，耐热性，等。

3、实际的人工智能优化法包括：线性优化的单纯性法（simplex）、凸性优化的内点法（interior point）和次梯度法(subgradient method)、非凸优化的模拟退火（simulatedannealing）、遗传算法（genetic algorithm）、动态维数搜索(dynamically dimensionedsearch)等。还可以采用人工智能启动的混合优化法。这种优化方式让设计师选用适合各参数性质的优化法。例如混合整数规划（mixed integer programming）限定着色剂选配的数量，或数量范围，例如小于8种，为整数，同时优化每个着色剂的浓度为整数。

非凸优化运用了启发式算法。 本申请中大量的优化目标与约束条件是非凸性的。比如最小化目标与设计透射光谱的差别，和最优运用着色剂各参数来建设透射光谱。

当非凸优化确定以后，一种启发式算法便会被自动选择和启动。对于不同的目标，有一些列的启发式算法可以选择。在本发明里面，当要优化大量的变数时，设计方法会自动使用本方法自创的巨维退火的启发式算法。下面是一些对这个方法的简单的介绍。

1）、本发明所要优化的问题复杂性来源于以下四种需优化的遍数组：（1）基质层层数，（2）每个基质层厚度，（3）每个基质层中所使用的着色剂，（4）每种着色剂在基质层中的浓度。

2）、可行解的范围在程序初期很大然后按所需的速率随着程序的运行而减小，例如与循环求解的次数直接相关。

3）、对于每个所需优化的变量，搜索邻域是使用了概率函数，如正态分布，来对其进行随机改变，用以建设新的候选解。如基质层16的厚度，当前解是0.83 mm,到候选解是当前解加上有概率性的厚度差别：厚度差别为小于正负0.1 mm 的概率是68%,小于正负0.23mm 的概率是95%,小于正负0.41 mm 的概率是99%。

4）、检查候选解是否满足设计约束，例如检查候选基质层n厚度是否满足该基质层的最大和最小厚度。如果候选解超过了这个最大或最小限制边界，就会重新选择候选解值以满足有关设计约束。

5）、候选解，包括没变的变数和改变了的变数，会被评估来判定其对优化目标的改变并判定是否满足所有限制条件。

6）、计算候选解的目标值加上任何超过限制条件的代价（penalty function, 罚函数）为总成本值。比较候选解和当前解的总成本值差距。

7）、如果候选解的成本小于当前解，那么候选解就会被接受为新的当前解并用于下一轮候选解与总成本计算。

8）、如果候选解的成本大于当前解，那么候选解有一个概率被接受为暂时当前解并用于下一轮计算。这个概率函数将会被设计师设定。通常这个概率在初期的循环计算中会比较大。随着循环次数增加接受暂时当前解的概率就会降低，往往为0。这样做的目的是使得局部最优解有概率在下一个循环求解中快速跳跃出局部最优解以寻找全局最优解。

9）、循环求解的次数是一个预先设定的值。算法会在达到此循环求解次数时或成本变化小于一个阈值的时候终止。

10）、在计算资源足够强大的时候，这个算法可以保证收敛到全局最优解。在实践中，它可以迅速收敛到很好的解。

11）、可以将较好的解储存下来并作为以后优化子函数的初始值，这样就可以大大降低对计算资源的要求，如时间。

对于人工智能的最佳优化方式的判定，即为判定优化与约束目标的性质，是否线性、凸性或多目标性。例如当设计师选完并确认优化与控制的目标后，模式自动（包括设计师手动）对优化目标和约束进行性质检定。其中性质检定包括计算与判断海森矩阵（Hessian Matrix）和关联的特征标量（eigenvalue）的值。性质检定也包括运用一个快速的梯度下降法或梯度上升法来鉴定局部最优解的存在。

判定优化方法类别。优化分为凸优化和非凸优化两大种类。比如线性优化是一种凸优化方法；而非凸优化包括优化目标（成本函数）和（或）约束函数以及其中所涉及的局部极值和全局极值。凸优化已有高效优化方法而非凸优化一般没有方法确保全局极值。

凸性优化是指一个函数为凸性或者凹性。 如果该函数的海森矩阵的特征值为0或正数，其便为半正矩阵；如果特征值为0或负数，其便为半负矩阵；半正矩阵（凸性）与半负矩阵（凹性）都属于凸性优化； 但是如果任何函数包括了凸性部分与凹性部分，这个函数便为非凸优化，它的海森矩阵会有负数和正数的特征值。

本发明优化部分的一个特点就是利用人工智能的方法来对优化类别进行判定。其中一个方法就是判别这个优化问题的海森矩阵是否是半正定矩阵。半正定海森矩阵就意味着其优化问题属于凸性优化类别。当确定了凸优化性质，其所从属的优化类型也可以被确定。比如海森矩阵在整个可行性区域是恒定的，那么其从属优化类别便为二次型。

以下是海森矩阵的一种表达，

其中，f是优化目标或约束函数；c是着色剂浓度；为着色剂和其所在基质层中的浓度。

例如：

其中， 是着色剂k₁在基质层k₂中的浓度。

一种对半正定的判别方法是确定海森矩阵的特征值是否为0或者正数。其在本申请中的算法具体来说就是利用差分方程近似衍生物和定期评估λ的二阶偏导数，

,

其中，Λ为特征值，d为海森矩阵特征值的数量。

对于一个最小化问题，如果海森矩阵是一个半正定矩阵，意味着其所有特征值，也就意味着对于所有浓度变量的优化为凸性。

输入一个单数光谱目标作为约束指标，例如光谱目标的范围在460-500纳米透射率在2%到5%之间；和在300-800纳米透射率在80%之下。

采用人工智能的方式来选取最佳的优化法。优化目标和约束指标包括基层的数量、厚度和折射率，每基层中的着色剂的种类、数量、浓度和制造成本，以及整个光学装置的厚度，折射率，着色剂的总体数量和制造成本，

例如，优化成本函数：

其中，TS_Target 是目标透射光谱；Dye Cost 是着色剂的真实成本；Photostability是光稳定性。

限制函数

以上例子是一个优化透射光谱，着色剂成本以及着色剂光学稳定性的多目标性优化，其中对于基质层层数N，每基质层厚度，所有基质层总厚度，和每个着色剂在基质层中的浓度通过限制函数限定最大最小边界。

当设计师输入以上多目标性优化和限制函数的类别和参数时，软件自动计算出这个多目标性优化函数的海森矩阵的特征值括0，正的以及负的数值。软件也自动计算限制函数海森矩阵的特征值，因为其线性函数的本质，这个特征值为0。因此基于这些特征值软件判定这个总体优化是非凸性的，据此并由于多个优化参数，软件启动了巨维退火的优化方法。经过一百万次计算，算法得出的最优解为，基质层层数N=56层，使用17种不同的着色剂，207种不同的着色剂浓度，28个不同的基质层以及总透镜厚度为2.51纳米。

4、对设计成果绘图与数据显示。例如包括光学装置的综合透射光谱，光学装置的每单层和多层透射光谱，着色剂的吸收和荧光光谱，光学装置的折射率。

5、储存设计成果。后期绘图，数据显示等功能，便利与设计师随时查看和运用。

图13-图15 为三个使用本发明的设计方法以达到光学光学透射装置实现目标光谱的例子。

其中实线为目标透射光谱，不同的虚线为不同的配方所达到的实际透射光谱。所用的着色剂数据库包含了820多种不同的着色剂。每种配方方案使用了多种着色剂,其中使用的着色剂包括但不局限于花青染料（cyanine）、三芳甲烷染料(triarylmethane)、香豆素（coumarin）、萤光酮（例如罗丹明）、氧杂蒽（xanthene）、恶嗪（oxazine）、芘（pyrene）或和以上着色剂的衍生物。基质层数量为1到300,每层厚度为0.03到90毫米；浓度为0.02到5000微摩尔每升(umol/L)。

本发明提供了一系列透射光谱以达到提高人类色觉感知各项指标,各种光谱成果的综合特征：420-510纳米或之内的光波长区域为相对低透射区域， 525-625纳米或之内的光波长区域为相对低透射区域，或者同时在420-510纳米与525-625纳米的光波长区域为相对低透射区域。在380-780纳米范围内，其他光波长区域应该有平均中到高度的透射光谱。图13-15是范例。

Claims (28)

1.一种矫正蓝黄色弱色盲的光学装置的设计方法，包括如下步骤：

1）对使用者进行色盲色弱测试；测试出蓝黄色盲色弱者所属的类别和程度；测试包括分类判定和直接测定，通过分类判定测试出蓝黄色盲色弱者所属的类别和程度，直接测定是通过测量视锥体对不同的光波的敏感性来精确测定蓝黄色盲色弱者所属的类别和程度；所述类别包括两大类： 第一类为视网膜前介质异常，但S-M-L三色视锥体正常；第二类为视网膜前介质异常和S-M-L三色视锥体异常；所述程度按照轻重程度分为轻度、中度和重度；

2）测验出使用者的颜色匹配函数；

3）优化从标准颜色匹配函数到使用者的颜色匹配函数的映射H(λ)或，其中H(λ)是运用使用者的颜色匹配函数和标准的三个颜色匹配函数优化得出的视网膜前介质的最佳变黄函数, 是最佳色感转变函数与视网膜前介质异常函数的集合；

4）根据H(λ)或优化色彩感知的各个主要设计指标；

5）结合H(λ)或以及各个主要设计指标，设计光学装置。

2.根据权利要求1所述的设计方法，其特征在于：步骤2）中，对于第一类蓝黄色盲色弱者，其颜色匹配函数是CIE标准颜色匹配函数与其变黄函数的在不同透射波长λ下的乘积，即

,

,

其中，是蓝黄色弱患者的颜色匹配函数；

对于第二类蓝黄色盲色弱患者，其颜色匹配函数是标准颜色匹配函数按照患者对不同光波的异常敏感度通过变黄函数H(λ)进行的转变，即：

,

,

，

其中，色感转变函数 ,,分别用于描述L,M,S视锥体对各透射光波长异常的敏感度。

3.根据权利要求1所述的设计方法，其特征在于：步骤3）中，使用人工智能优化器自动检定最优映射的线性、非线性、凸性或非凸性类型，选择合适的优化器来优化目标。

4.根据权利要求3所述的设计方法，其特征在于：人工智能的优化法包括线性优化的单纯性法、凸性优化的内点法、次梯度法、非凸优化的模拟退火、遗传算法、动态维数搜索和巨维退火。

5.根据权利要求4所述的设计方法，其特征在于：基于优化方法设定H(λ)在每个波长有单一值，运用蓝黄色弱患者颜色匹配函数与标准颜色匹配函数通过权重函数{w}对H(λ)表达为：

其中权重函数w是在特定波长下对蓝黄色弱患者的颜色匹配函数与标准颜色匹配函数的比例的加权平均，

和

；

或者，权重函数w基于蓝黄色弱患者的颜色匹配函数与标准颜色匹配函数的差距：

；

或者，权重函数w是基于蓝黄色弱患者的颜色匹配函数与标准颜色匹配函数的差距乘以蓝黄色弱患者的颜色匹配函数本身的值：

。

6.根据权利要求1所述的设计方法，其特征在于：步骤4）中的设计指标包括蓝黄色差距离、白点位置、饱和色、柔和色的色域面积、红绿色差和/或色品。

7.根据权利要求1所述的设计方法，其特征在于：步骤5）中，设计可以直接抵消H(λ)或的透射光谱Ψ(λ)，并使得，其中,Ψ(λ) ≤ 1，C为常数，Ψ是纠正或提高色感的光学装置的透射光谱。

8.根据权利要求1所述的设计方法，其特征在于：步骤5）中，将应用于光谱能量分布 M(λ)，使得新的光谱能量分布，其中M _old (λ)为改变前的光谱能量分布，是光体光谱与光学装置的透射光谱的函数。

9.一种光学装置的设计方法，其特征在于：

（1）选择着色剂以及其浓度；

（2）进行矫正蓝黄色弱色盲的透射光谱设计，其中该步骤中采用权利要求1-8任一项的设计方法。

10.根据权利要求9所述的设计方法，其特征在于，步骤（1）中选择着色剂以及其浓度采用如下的选择方法：

11）输入优化目标；优化目标包括: 透射光谱目标，和/或着色剂数量，和/或光学装置基层层数、厚度，和/或各种所需的色感指标，和/或光学装置制作成本；

12）从着色剂的电子数据库中筛选着色剂；着色剂的电子数据库中包括着色剂的可用参数，其中包含着色剂的种类、吸收光谱特征、摩尔消光系数、荧光光谱特征、量子产率、激振、光学稳定性、化学稳定性、热力学稳定性、在不同基质中的溶解度与光学变化、与其他着色剂的化学作用、成本；

13）指定约束指标；约束指标是步骤11）中的任何一种或多种优化目标；

14）运用光学和色彩学模拟方法模拟以着色剂为有效成分的光学装置的光学透射以及使用者色彩感知的效果；通过本层基质的综合入射光、该层中着色剂的摩尔消光系数和密度以及基质厚度，根据朗伯 -比尔定律来进行着色剂在基质中的对光的吸收的光学模拟；通过着色剂的释放光谱特征、本层基质的综合入射光强度和量子产率、以及光学透射装置和人眼的物理、几何特征所产生的减免影响，进行每个着色剂在基质中所产生的荧光的光学模拟；

15）在约束指标的要求范围内,优化所需的光学装置的各种参数使其尽可能的接近或实现所需的目标；优化包括如下步骤：

151）根据光学装置的几何与人眼的相对位置、距离以及人眼瞳孔的几何确定着色剂荧光形状系数；

152）输入一个单数光谱目标；

153）定义设计光谱的优化成本函数；

154）选择单个或综合性质的光学装置设计目标进行多目标优化；

16）对设计成果绘图与数据显示；

17）储存设计成果。

11.根据权利要求10所述的设计方法, 其特征在于：步骤4）中采用的模拟方法给予光学装置在多方面的自由度，包含：光学装置的有效结构由单基层或多基层组成，在每个基层中采用单着色剂或多种着色剂同时存在为有效光谱吸收成分，其中每个基质层的厚度可以自由调控，每个基质层中的着色剂种类、浓度也可以独立调控。

12.根据权利要求10所述的设计方法, 其特征在于：光学装置中一层的最终透射光谱是由没被本层吸收的射入光和荧光组成的，光学装置中多层基质的综合光谱是依据入射光的入射路径所经过的基质层依次计算，整个光学透射装置的综合透射光谱为通过最后一层的综合透射光谱。

13.根据权利要求10所述的设计方法, 其特征在于：对于步骤15）中采用的优化方法，进行最佳优化方式的判定，判定优化与约束指标的性质是否线性、凸性或多目标性，基于此性质选取最佳优化方法进行光学装置各参数的优化。

14.根据权利要求10所述的设计方法, 其特征在于：采用人工智能的方法对优化类别进行判定。

15.根据权利要求10所述的设计方法, 其特征在于：优化目标和约束指标包括基层的数量、厚度和折射率，每基层中的着色剂的种类、数量、浓度和制造成本，整个光学装置的厚度、折射率，着色剂的总体数量和制造成本。

16.根据权利要求10所述的设计方法, 其特征在于：步骤15）中涉及的优化法包括：线性优化的单纯性法、凸性优化的内点法和次梯度法、非凸优化的模拟退火、遗传算法、动态维数搜索。

17.根据权利要求10所述的设计方法, 其特征在于：着色剂荧光形状系数为绝对的形状系数或以光学装置透光的形状系数为基础的相对荧光形状系数。

18.根据权利要求10所述的设计方法, 其特征在于：基质的综合入射光为上一基层基质的综合透射光与本基层基质中所有着色剂产生荧光的矢量线性叠加得出，具体算法如下：

其中，为第n层基质的综合入射光；

为第n-1层基质的综合透射光；

为第n层基质着色剂因为吸收第n层综合入射光所产生的荧光，其形状系数为；

是第n-1层基质因为吸收了第n层基质的荧光而产生的荧光，其形状系数为，其中i为着色剂的索引指数； 是第n层基质中着色剂的总数。

19.根据权利要求12所述的设计方法, 其特征在于：在每一基质层的综合透射光是根据本层基质中多个着色剂对本层综合入射光的改变，该改变是通过各个着色剂对光的吸收的对数叠加方法来进行计算的，对数叠加公式为：

其中，为第n层基质的综合透射光，

为第n层基质的所有着色剂的透射光谱。

20.根据权利要求16所述的设计方法, 其特征在于：当非凸优化确定以后，当要优化大量的变数时，自动使用巨维退火的启发式算法。

21.根据权利要求20所述的设计方法, 其特征在于：所述巨维退火的启发式算法包括：

1）、对于每个所需优化的变量，搜索邻域使用的概率函数，用以建设新的候选解；

2）、检查候选解是否满足设计约束，如果不满足就重新选择候选解值以满足有关设计约束；

3）、候选解包括没变的变数和改变了的变数，通过被评估来判定其对优化目标的改变并判定是否满足所有限制条件；

4）、计算候选解的目标值加上任何超过限制条件的代价作为总成本值，比较候选解和当前解的总成本值差距；

5）、如果候选解的成本小于当前解，候选解就被接受为新的当前解并用于下一轮候选解与总成本计算；如果候选解的成本大于当前解，那么候选解有一个概率被接受为暂时当前解并用于下一轮计算。

22.根据权利要求21所述的设计方法, 其特征在于：循环求解的次数是一个预先设定的值，算法会在达到此循环求解次数时或成本变化小于一个阈值的时候终止。

23.根据权利要求16所述的设计方法, 其特征在于：人工智能的最佳优化方式的判定即为判定优化目标与约束目标的性质，是否线性、凸性或多目标性，性质判定包括计算与判断海森矩阵和关联的特征标量的值，或者运用一个快速的梯度下降法或梯度上升法来鉴定局部最优解的存在。

24.根据权利要求16所述的设计方法, 其特征在于：优化分为凸优化和非凸优化两大种类，人工智能的方法对优化类别的判断包括判别优化的海森矩阵是否是半正定矩阵，所述海森矩阵表达为：

其中，f 是优化目标或约束函数；

c是着色剂浓度；

为着色剂和其所在基质层中的浓度。

25.采用权利要求1-24任一项所述的设计方法设计的光学装置，其特征在于：包括在440-540nm任意波段具有相对高吸收的透射光谱，或者在556-626nm任意波段具有相对高吸收的透射光谱。

26.根据权利要求25所述的光学装置，其特征在于：通过着色剂及其浓度与组合方式的选择来实现设计的透射光谱，其中着色剂用来吸收630-780nm区域里的光谱以保持白点的位置指标。

27.根据权利要求26所述的光学装置，其特征在于：采用的着色剂包括花青染料、三芳甲烷染料、香豆素、萤光酮、氧杂蒽、磺化了的着色剂、恶嗪、芘和以上着色剂的衍生物。

28.根据权利要求25所述的光学装置，其特征在于：光学装置的介质层厚度为0.03到90毫米；介质层数量为1-300层；各个着色剂浓度为0.02到5000微摩尔。