CN109885890A - 一种基于颜色熵的光源光谱优化方法及系统 - Google Patents

Abstract

本发明公开了一种基于颜色熵的光源光谱优化方法及系统，先选取光谱在可见光波段的多种光源，并获取这多种光源的光谱功率分布函数，其次选取已知相机敏感函数的相机，然后以n个个体作为一个种群，每个个体为1×12的权值向量，代表一组可行解，每个个体可以生成一种光源；再以光源下获取的场景RGB图像的颜色信息熵为适应度目标函数，并搜索适应度目标函数的最大值；最后利用搜索到的适应度最大的一组权值向量生成一种最优光源。本发明通过直接改变成像条件，从本质上改变图像信息，获取高质量的原始图像，使机器视觉的处理更有效。

Description

一种基于颜色熵的光源光谱优化方法及系统

技术领域

本发明涉及光源光谱技术领域，尤其涉及多光源光谱的优化方法，更具体的说，本发明涉及一种基于颜色熵的光源光谱优化方法及系统，可应用与机器视觉的处理中。

背景技术

由于工业生产中检测对象种类繁多，为了获得稳定、高质量的图像，需要针对不同的目标选择最合适的照明系统，有时甚至需要不同的光源和不同的布局组合。需要大量的测试，测试可以得到最好的光源组合和布局。图片质量的评价标准有许多，有主观视觉评价和客观数据信息评价，如，对比度法、信噪比法等，但是这些评价指标都具有一点的限制，展现的图像数据信息量不够多。

机器视觉的照明系统是机器视觉领域的一个重要研究方向，通过对光源进行优化以及不同的组合分布，能使得照明系统在特定场景下的工作具有最好的效果，同时也可以获得稳定和高质量的图像，光源优化作为一种非常实用的技术，它被广泛应用于医学成像、无损检测、遥感等领域，尤其是在视觉极限以外的领域。它可以用来分析不同物质造成的异常等不同颜色的食物混合,污染皮肤疾病,资源测试、物证鉴定、印刷安全、作物害虫和疾病。

传统的机器视觉大多是对原始图像进行平滑、滤波和对比度增强等预处理，以获得更明确的现场描述信息。然而预处理过程并不能不增加图像数据的固有信息，只有高质量的原始图像包含更多的信息以供进一步分析。高质量的单反相机，其具有高端的感光传感器，能够获取到场景更多的细节和信息，也可以从本质上增加图片信息，提高原始图像的质量和品质，然而高质量的相机价格昂贵且不方便携带，限制了其在现实生活中某些场合的应用。

原始图像采集受到光照条件和相机参数(亮度、颜色、相对位置等)的强烈影响，所以本发明通过对场景光源条件进行优化和改善，来提高原始图像(信息内容)的质量，使图像展现更多的细节和信息。本发明对多种典型光源在可见光波段的光谱进行优化，得到的最优光源具有典型性，提高方法的整体泛化能力。因此本发明在于研究一种基于颜色熵的光源光谱优化方法，结合遗传算法，使得图像的信息在本质上获得增长，提高获取图片的质量。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于颜色熵的光源光谱优化优化方法及系统，结合遗传算法，对多种典型光源在可见光波段的光谱段进行优化，得到最优的光源光谱，使得最优光源下获取的RGB图像有更高的颜色熵，从本质上增加图片信息，得到更高质量的图片，对于后期的机器视觉处理具有重要的意义，而且其成本远低于后续的复杂图像处理。

本发明为解决其技术问题，所采用的一种基于颜色熵的光源光谱优化方法包含：

S1、选取光谱在可见光波段的多种光源，这多种光源的光谱功率分布函数分别为L₁(λ)、L₂(λ)、......、L_K(λ)，K表示光源的种类，λ表示波长；

S2、选取已知相机敏感函数R_C(λ)的相机，C分别表示颜色R、G及B；

S3、产生初始种群t＝1，种群中随机产生n个个体[X₁,X₂,…X_i…,X_n]，每一个个体X_i是1×12的权值向量X_i＝[x_i1,x_i2,…x_ii…,x_iK]，权值向量的每一个元素x_ij∈[0,1]，采用二进制编码，t表示遗传代数；

S4、设置种群的最大遗传代数为N；

S5、根据光谱功率分布函数L₁(λ)、L₂(λ)、......、L_K(λ)及R_C(λ)计算种群中每一个个体X_i的适应度值f(X_i)，i∈[1,n]；

S6、根据第t代种群中每一个个体适应度值，进行个体的选择，用于种群个体之间相互的交叉运算和变异运算，然后产生下一代种群，并把t的值更新为t+1；

S7、不断迭代步骤S5～S6，直到最后满足遗传算法停止更迭的条件t>N。

S8、获取遗传算法得到最优个体X_perfect，根据最优个体X_perfect的权值向量得到一种最优光源

进一步地，在本发明的基于颜色熵的光源光谱优化方法中，步骤S1中，选取的光源种类为12种，分别为：基本钨丝灯、全蓝滤光片、日光仿真、日光仿真3202、日光模拟、日光模拟3202、2700K、4700K、Ultralume荧光灯、暖白色荧光灯、冷白色荧光灯和D65。

进一步地，在本发明的基于颜色熵的光源光谱优化方法中，步骤S1中，步骤S3权值向量的元素即每一个对应的权值采用二进制编码，按如下步骤得到：

S31、根据需求的小数点精度确定二进制的位数p；

S32、计算十进制数x^t所形成的权值向量中的向量元素的所对应的二进制数；该二进制数满足：其中b₀至b_p二进制数中小数点后的第一位至最后一位。

进一步地，在本发明的基于颜色熵的光源光谱优化方法中，步骤S5计算个体适应度值f(X_i)按如下步骤进行：

S51、计算出每个个体成员X_i代表的一种光源

S52、根据下述公式分别计算出R、G、B三个通道的响应值：

I_C(x,y)＝∫R_C(λ)S(x,y,λ)L_ij(λ)dλ

式中I_C(x,y)为特定场景某一坐标下在相机特定光源下的RGB响应值，L_ij(λ)是特定光源光谱的功率分布函数，S(x,y,λ)是特定场景某一坐标下的物体表面的光谱反射率，(x,y)为像素点坐标，(x,y)∈RIO；

S53、根据下式计算出颜色强度：

其中，num(G＝i)就是某一种颜色出现的总数,即RGB响应值是一个数组，这里就是统计这个数组里每一种响应值的个数，这样计算颜色的概率从而表示颜色强度；

S54、计算出每个个体的适应度值

其中

进一步地，在本发明的基于颜色熵的光源光谱优化方法中，其中S6中个体选择的方法使用轮盘赌选择法，交叉运算使用单点交叉，变异运算使用基本位变异，按如下步骤进行：

S61、计算每个个体被选择的概率

S62、根据概率大小选择个体并进行单点交叉和基本位变异；其中，单点交叉是指每一次交叉运算只选择个体染色体中的一个基因进行交换，也就是只交换个体权值向量中的一个元素x_ij基本位变异就是每一次只变异染色体一个基因中某一位或几位进行取反操作。

进一步地，在本发明的基于颜色熵的光源光谱优化方法中，还包括：

S9、计算所述多种光源和最优光源下的颜色熵值E，对颜色熵值进行比较；其中，颜色信息熵E的方法按如下步骤进行：

先计算

然后计算

本发明为解决其技术问题，还提供了一种基于颜色熵的光源光谱优化系统，参考图3，本实施例的基于颜色熵的光源光谱优化系统包含：

光源选取模块31，用于选取光谱在可见光波段的多种光源，这多种光源的光谱功率分布函数分别为L₁(λ)、L₂(λ)、......、L_K(λ)，K表示光源的种类，λ表示波长；

相机选取模块32，用于选取已知相机敏感函数R_C(λ)的相机，C分别表示颜色R、G及B；

初始种群产生模块33，用于产生初始种群t＝1，种群中随机产生n个个体[X₁,X₂,...X_i...,X_n]，每一个个体X_i是1×12的权值向量X_i＝[x_i1,x_i2,...x_ii...,x_iK]，权值向量的每一个元素x_ij∈[0,1]，采用二进制编码，t表示遗传代数；

最大遗传代数模块34，用于设置种群的最大遗传代数为N；

适应度计算模块35，用于根据光谱功率分布函数L₁(λ)、L₂(λ)、......、L_K(λ)及R_C(λ)计算种群中每一个个体X_i的适应度值f(X_i)，i∈[1,n]；

选择交叉变异模块36，用于根据第t代种群中每一个个体适应度值，进行个体的选择，用于种群个体之间相互的交叉运算和变异运算，然后产生下一代种群，并把t的值更新为t+1；

迭代处理模块37，用于不断利用适应度计算模块35及选择交叉变异模块36进行，直到最后满足遗传算法停止更迭的条件t>N。

最优光源计算模块38，用于获取遗传算法得到最优个体X_perfect，根据最优个体X_perfect的权值向量得到一种最优光源

进一步地，在本发明的基于颜色熵的光源光谱优化系统中，适应度计算模块计算个体适应度值f(X_i)采用如下子模块进行：

光源计算子模块，用于计算出每个个体成员X_i代表的一种光源

响应值计算子模块，用于根据下述公式分别计算出R、G、B三个通道的响应值：

I_C(x,y)＝∫R_C(λ)S(x,y,λ)L_ij(λ)dλ

式中I_C(x,y)为特定场景某一坐标下在相机特定光源下的RGB响应值，L_ij(λ)是特定光源光谱的功率分布函数，S(x,y,λ)是特定场景某一坐标下的物体表面的光谱反射率，(x,y)为像素点坐标，(x,y)∈RIO；

颜色强度计算子模块，用于根据下式计算出颜色强度：

其中，num(G＝i)就是某一种颜色出现的总数,即RGB响应值是一个数组，这里就是统计这个数组里每一种响应值的个数，这样计算颜色的概率从而表示颜色强度；

适应度值计算子模块，用于计算出每个个体的适应度值

其中

进一步地，在本发明的基于颜色熵的光源光谱优化系统中，其中选择交叉变异模块中个体选择的方法使用轮盘赌选择法，交叉运算使用单点交叉，变异运算使用基本位变异，采用如下子模块进行：

概率计算子模块，用于计算每个个体被选择的概率

选择交叉变异子模块，用于根据概率大小选择个体并进行单点交叉和基本位变异；其中，单点交叉是指每一次交叉运算只选择个体染色体中的一个基因进行交换，也就是只交换个体权值向量中的一个元素x_ij基本位变异就是每一次只变异染色体一个基因中某一位或几位进行取反操作。

进一步地，在本发明的基于颜色熵的光源光谱优化系统中，还包括：

熵值计算比较模块，用于计算所述多种光源和最优光源下的颜色熵值E，对颜色熵值进行比较；其中，颜色信息熵E的方法按如下步骤进行：

先计算

然后计算

与现有技术相比，本发明的有益效果是：

1、基于颜色信息熵的图像质量评估更具有意义；

2、直接改变成像条件，从本质上改变图像信息，提高原始图像质量；

3、通过遗传算法进行光源光谱优化，具有更好的收敛性、优化速度快、鲁棒性高。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是基于颜色熵的光源光谱优化方法一实施例的流程图；

图2是12中光源的光谱功率分布示意图；

图3是基于颜色熵的光源光谱优化系统一实施例的原理图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参考图1，本发明为解决其技术问题，所采用的一种基于颜色熵的光源光谱优化方法包含：

S1、选取12种光谱在400-700nm可见光波段的多种光源，这多种光源的光谱功率分布函数分别为L₁(λ)、L₂(λ)、......、L_K(λ)，K＝12表示光源的种类，λ表示波长。选取的光源种类为12种，分别为：基本钨丝灯、全蓝滤光片、日光仿真、日光仿真3202、日光模拟、日光模拟3202、2700K、4700K、Ultralume荧光灯、暖白色荧光灯、冷白色荧光灯和D65，这12种光源的光谱功率分布示意图如图2所示。

S2、选取已知相机敏感函数R_C(λ)的相机，C分别表示颜色R、G及B。

S3、产生初始种群t＝1，种群中随机产生n个个体[X₁,X₂,...X_i...,X_n]，每一个个体X_i是1×12的权值向量X_i＝[x_i1,x_i2,...x_ii...,x_iK]，权值向量的每一个元素x_ij∈[0,1]，采用二进制编码，t表示遗传代数。

权值向量的元素即每一个对应的权值采用二进制编码，按如下步骤得到：

S31、根据需求的小数点精度确定二进制的位数p；

S32、计算十进制数x^t所形成的权值向量中的向量元素的所对应的二进制数；该二进制数满足：其中b₀至b_p二进制数中小数点后的第一位至最后一位。

S4、设置种群的最大遗传代数为N。

S5、根据光谱功率分布函数L₁(λ)、L₂(λ)、......、L_K(λ)及R_C(λ)计算种群中每一个个体X_i的适应度值f(X_i)，i∈[1,n]；

个体适应度值f(X_i)按如下步骤进行：

S51、计算出每个个体成员X_i代表的一种光源

S52、根据下述公式分别计算出R、G、B三个通道的响应值：

I_C(x,y)＝∫R_C(λ)S(x,y,λ)L_ij(λ)dλ

式中I_C(x,y)为特定场景某一坐标下在相机特定光源下的RGB响应值，L_ij(λ)是特定光源光谱的功率分布函数，S(x,y,λ)是特定场景某一坐标下的物体表面的光谱反射率，(x,y)为像素点坐标，(x,y)∈RIO；

S53、根据下式计算出颜色强度：

其中，num(G＝i)就是某一种颜色出现的总数,即RGB响应值是一个数组，这里就是统计这个数组里每一种响应值的个数，这样计算颜色的概率从而表示颜色强度；

S54、计算出每个个体的适应度值

其中

S6、根据第t代种群中每一个个体适应度值，进行个体的选择，用于种群个体之间相互的交叉运算和变异运算，然后产生下一代种群，并把t的值更新为t+1；

S6中个体选择的方法使用轮盘赌选择法，交叉运算使用单点交叉，变异运算使用基本位变异，按如下步骤进行：

S61、计算每个个体被选择的概率

S62、根据概率大小选择个体并进行单点交叉和基本位变异；其中，单点交叉是指每一次交叉运算只选择个体染色体中的一个基因进行交换，也就是只交换个体权值向量中的一个元素x_ij基本位变异就是每一次只变异染色体一个基因中某一位或几位进行取反操作。

S7、不断迭代步骤S5～S6，直到最后满足遗传算法停止更迭的条件t>N。

S8、获取遗传算法得到最优个体X_perfect，根据最优个体X_perfect的权值向量得到一种最优光源

S9、计算所述多种光源和最优光源下的颜色熵值E，对颜色熵值进行比较，进行进一步地验证。其中，颜色信息熵E的方法按如下步骤进行：

先计算

然后计算

对于遗传算法，生成n个个体，每个个体是1×12的权值向量，如下，这些元素的值都是0～1之间的,就是说，一个个体就是一种光源，如，L＝0.1*L₁+0.3*L₂+.........+0.3*L12。

以下表为例：

遗传算法都不直接采用实值编码，而是采用二进制编码或者其他，也就是把上面的一个小数表示成一段二进制码，这个二进制码有多长就按要求的精度表示了，比如是8位的话，如下：

也就是权值向量里的一个值就有一个二进制数与之对应，这一段二进制数就称为一个基因，如下表所示。

这个时候初代就有n个个体，然后就是有n个光源，然后先求第一代的适应度的值。也就是颜色熵的值，求法如下：

第一步需要求出这种光源下的RGB三个值的响应：用相机响应函数的公式求出来就好了，这个时候得到了如下格式的数据，比如得到的图片是512*512*3，也就是RGB三个通道的响应值。

第二步，需要求颜色强度

上面这个公式的意思，就是求每一种颜色出现的概率，以下表为例：

133	255	255	255	255	145
						133	133	255	255	255	145
133	133	133	255	255	145
						133	133	133	133	255	145
133	133	133	133	133	145

上面，133颜色的概率P133等于15/30＝0.5

255颜色的概率P255等于10/30＝1/3

145颜色的概率P255等于5/30＝1/6

第三步就是求，颜色熵

上面公式就是求出来的值。

本发明为解决其技术问题，还提供了一种基于颜色熵的光源光谱优化系统，该系统与上述的方法一致，具体可参考上述方法实施例。参考图2，本实施的种基于颜色熵的光源光谱优化系统包含：

光源选取模块，用于选取光谱在可见光波段的多种光源，这多种光源的光谱功率分布函数分别为L₁(λ)、L₂(λ)、......、L_K(λ)，K表示光源的种类，λ表示波长；

相机选取模块，用于选取已知相机敏感函数R_C(λ)的相机，C分别表示颜色R、G及B；

初始种群产生模块，用于产生初始种群t＝1，种群中随机产生n个个体[X₁,X₂,...X_i...,X_n]，每一个个体X_i是1×12的权值向量X_i＝[x_i1,x_i2,...x_ii...,x_iK]，权值向量的每一个元素x_ij∈[0,1]，采用二进制编码，t表示遗传代数；

最大遗传代数模块，用于设置种群的最大遗传代数为N；

适应度计算模块，用于根据光谱功率分布函数L₁(λ)、L₂(λ)、......、L_K(λ)及R_C(λ)计算种群中每一个个体X_i的适应度值f(X_i)，i∈[1,n]；

选择交叉变异模块，用于根据第t代种群中每一个个体适应度值，进行个体的选择，用于种群个体之间相互的交叉运算和变异运算，然后产生下一代种群，并把t的值更新为t+1；

迭代处理模块，用于不断利用适应度计算模块及选择交叉变异模块进行，直到最后满足遗传算法停止更迭的条件t>N。

最优光源计算模块，用于获取遗传算法得到最优个体X_perfect，根据最优个体X_perfect的权值向量得到一种最优光源

进一步地，在本发明的基于颜色熵的光源光谱优化系统中，适应度计算模块计算个体适应度值f(X_i)采用如下子模块进行：

光源计算子模块，用于计算出每个个体成员X_i代表的一种光源

响应值计算子模块，用于根据下述公式分别计算出R、G、B三个通道的响应值：

I_C(x,y)＝∫R_C(λ)S(x,y,λ)L_ij(λ)dλ

式中I_C(x,y)为特定场景某一坐标下在相机特定光源下的RGB响应值，L_ij(λ)是特定光源光谱的功率分布函数，S(x,y,λ)是特定场景某一坐标下的物体表面的光谱反射率，(x,y)为像素点坐标，(x,y)∈RIO；

颜色强度计算子模块，用于根据下式计算出颜色强度：

其中，num(G＝i)就是某一种颜色出现的总数,即RGB响应值是一个数组，这里就是统计这个数组里每一种响应值的个数，这样计算颜色的概率从而表示颜色强度；

适应度值计算子模块，用于计算出每个个体的适应度值

其中

进一步地，在本发明的基于颜色熵的光源光谱优化系统中，其中选择交叉变异模块中个体选择的方法使用轮盘赌选择法，交叉运算使用单点交叉，变异运算使用基本位变异，采用如下子模块进行：

概率计算子模块，用于计算每个个体被选择的概率

选择交叉变异子模块，用于根据概率大小选择个体并进行单点交叉和基本位变异；其中，单点交叉是指每一次交叉运算只选择个体染色体中的一个基因进行交换，也就是只交换个体权值向量中的一个元素x_ij基本位变异就是每一次只变异染色体一个基因中某一位或几位进行取反操作。

进一步地，在本发明的基于颜色熵的光源光谱优化系统中，还包括：

熵值计算比较模块，用于计算所述多种光源和最优光源下的颜色熵值E，对颜色熵值进行比较；其中，颜色信息熵E的方法按如下步骤进行：

先计算

然后计算

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于颜色熵的光源光谱优化方法，其特征在于，包含：

S1、选取光谱在可见光波段的多种光源，这多种光源的光谱功率分布函数分别为L₁(λ)、L₂(λ)、......、L_K(λ)，K表示光源的种类，λ表示波长；

S2、选取已知相机敏感函数R_C(λ)的相机，C分别表示颜色R、G及B；

S3、产生初始种群t＝1，种群中随机产生n个个体[X₁,X₂,...X_i...,X_n]，每一个个体X_i是1×12的权值向量X_i＝[x_i1,x_i2,...x_ii...,x_iK]，权值向量的每一个元素x_ij∈[0,1]，采用二进制编码，t表示遗传代数；

S4、设置种群的最大遗传代数为N；

S5、根据光谱功率分布函数L₁(λ)、L₂(λ)、......、L_K(λ)及R_C(λ)计算种群中每一个个体X_i的适应度值f(X_i)，i∈[1,n]；

S6、根据第t代种群中每一个个体适应度值，进行个体的选择，用于种群个体之间相互的交叉运算和变异运算，然后产生下一代种群，并把t的值更新为t+1；

S7、不断迭代步骤S5～S6，直到最后满足遗传算法停止更迭的条件t>N；

S8、获取遗传算法得到最优个体X_perfect，根据最优个体X_perfect的权值向量得到一种最优光源

2.根据权利要求1所述的基于颜色熵的光源光谱优化方法，其特征在于，步骤S1中，选取的光源种类为12种，分别为：基本钨丝灯、全蓝滤光片、日光仿真、日光仿真3202、日光模拟、日光模拟3202、2700K、4700K、Ultralume荧光灯、暖白色荧光灯、冷白色荧光灯和D65。

3.根据权利要求1所述的基于颜色熵的光源光谱优化方法，其特征在于，步骤S1中，步骤S3权值向量的元素即每一个对应的权值采用二进制编码，按如下步骤得到：

S31、根据需求的小数点精度确定二进制的位数p；

S32、计算十进制数x^t所形成的权值向量中的向量元素的所对应的二进制数；该二进制数满足：其中b₀至b_p二进制数中小数点后的第一位至最后一位。

4.根据权利要求1所述的基于颜色熵的光源光谱优化方法，其特征在于，步骤S5计算个体适应度值f(X_i)按如下步骤进行：

S51、计算出每个个体成员X_i代表的一种光源

S52、根据下述公式分别计算出R、G、B三个通道的响应值：

I_C(x,y)＝∫R_C(λ)S(x,y,λ)L_ij(λ)dλ

式中I_C(x,y)为特定场景某一坐标下在相机特定光源下的RGB响应值，L_ij(λ)是特定光源光谱的功率分布函数，S(x,y,λ)是特定场景某一坐标下的物体表面的光谱反射率，(x,y)为像素点坐标，(x,y)∈RIO；

S53、根据下式计算出颜色强度：

其中，num(G＝i)就是某一种颜色出现的总数,即RGB响应值是一个数组，这里就是统计这个数组里每一种响应值的个数，这样计算颜色的概率从而表示颜色强度；

S54、计算出每个个体的适应度值

其中

5.根据权利要求1所述的基于颜色熵的光源光谱优化方法，其特征在于，其中S6中个体选择的方法使用轮盘赌选择法，交叉运算使用单点交叉，变异运算使用基本位变异，按如下步骤进行：

S61、计算每个个体被选择的概率

S62、根据概率大小选择个体并进行单点交叉和基本位变异；其中，单点交叉是指每一次交叉运算只选择个体染色体中的一个基因进行交换，也就是只交换个体权值向量中的一个元素x_ij基本位变异就是每一次只变异染色体一个基因中某一位或几位进行取反操作。

6.根据权利要求1所述的基于颜色熵的光源光谱优化方法，其特征在于，还包括：

S9、计算所述多种光源和最优光源下的颜色熵值E，对颜色熵值进行比较；其中，颜色信息熵E的方法按如下步骤进行：

先计算

然后计算

7.一种基于颜色熵的光源光谱优化系统，其特征在于，包含：

光源选取模块，用于选取光谱在可见光波段的多种光源，这多种光源的光谱功率分布函数分别为L₁(λ)、L₂(λ)、......、L_K(λ)，K表示光源的种类，λ表示波长；

相机选取模块，用于选取已知相机敏感函数R_C(λ)的相机，C分别表示颜色R、G及B；

初始种群产生模块，用于产生初始种群t＝1，种群中随机产生n个个体[X₁,X₂,...X_i...,X_n]，每一个个体X_i是1×12的权值向量X_i＝[x_i1,x_i2,...x_ii...,x_iK]，权值向量的每一个元素x_ij∈[0,1]，采用二进制编码，t表示遗传代数；

最大遗传代数模块，用于设置种群的最大遗传代数为N；

适应度计算模块，用于根据光谱功率分布函数L₁(λ)、L₂(λ)、......、L_K(λ)及R_C(λ)计算种群中每一个个体X_i的适应度值f(X_i)，i∈[1,n]；

选择交叉变异模块，用于根据第t代种群中每一个个体适应度值，进行个体的选择，用于种群个体之间相互的交叉运算和变异运算，然后产生下一代种群，并把t的值更新为t+1；

迭代处理模块，用于不断利用适应度计算模块及选择交叉变异模块进行，直到最后满足遗传算法停止更迭的条件t>N；

最优光源计算模块，用于获取遗传算法得到最优个体X_perfect，根据最优个体X_perfect的权值向量得到一种最优光源

8.根据权利要求7所述的基于颜色熵的光源光谱优化系统，其特征在于，适应度计算模块计算个体适应度值f(X_i)采用如下子模块进行：

光源计算子模块，用于计算出每个个体成员X_i代表的一种光源

响应值计算子模块，用于根据下述公式分别计算出R、G、B三个通道的响应值：

I_C(x,y)＝∫R_C(λ)S(x,y,λ)L_ij(λ)dλ

式中I_C(x,y)为特定场景某一坐标下在相机特定光源下的RGB响应值，L_ij(λ)是特定光源光谱的功率分布函数，S(x,y,λ)是特定场景某一坐标下的物体表面的光谱反射率，(x,y)为像素点坐标，(x,y)∈RIO；

颜色强度计算子模块，用于根据下式计算出颜色强度：

其中，num(G＝i)就是某一种颜色出现的总数,即RGB响应值是一个数组，这里就是统计这个数组里每一种响应值的个数，这样计算颜色的概率从而表示颜色强度；

适应度值计算子模块，用于计算出每个个体的适应度值

其中

9.根据权利要求7所述的基于颜色熵的光源光谱优化系统，其特征在于，其中选择交叉变异模块中个体选择的方法使用轮盘赌选择法，交叉运算使用单点交叉，变异运算使用基本位变异，采用如下子模块进行：

概率计算子模块，用于计算每个个体被选择的概率

选择交叉变异子模块，用于根据概率大小选择个体并进行单点交叉和基本位变异；其中，单点交叉是指每一次交叉运算只选择个体染色体中的一个基因进行交换，也就是只交换个体权值向量中的一个元素x_ij基本位变异就是每一次只变异染色体一个基因中某一位或几位进行取反操作。

10.根据权利要求7所述的基于颜色熵的光源光谱优化系统，其特征在于，还包括：

熵值计算比较模块，用于计算所述多种光源和最优光源下的颜色熵值E，对颜色熵值进行比较；其中，颜色信息熵E的方法按如下步骤进行：

先计算

然后计算