CN113408798B - 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法 - Google Patents

一种面向色觉异常人群的无障碍vr教学资源色彩优化方法 Download PDF

Info

Publication number
CN113408798B
CN113408798B CN202110657656.0A CN202110657656A CN113408798B CN 113408798 B CN113408798 B CN 113408798B CN 202110657656 A CN202110657656 A CN 202110657656A CN 113408798 B CN113408798 B CN 113408798B
Authority
CN
China
Prior art keywords
color
scheme
factors
constructing
vision
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110657656.0A
Other languages
English (en)
Other versions
CN113408798A (zh
Inventor
吴砥
钟正
徐建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central China Normal University
Original Assignee
Central China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central China Normal University filed Critical Central China Normal University
Priority to CN202110657656.0A priority Critical patent/CN113408798B/zh
Publication of CN113408798A publication Critical patent/CN113408798A/zh
Application granted granted Critical
Publication of CN113408798B publication Critical patent/CN113408798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Abstract

本发明属于信息技术的教学应用领域，提供一种面向色觉异常人群的无障碍VR教学资源色彩优化方法，包括：(1)色彩认知因子体系构建；(2)色彩评价模型构建；(3)色彩方案优化模型生成。本发明方法综合考虑色觉异常人群的需求，设计多种类型任务，分析色彩认知差异；使用集成学习方法，构建色彩评价模型；运用先剖分图像上的色彩图斑、再筛选方案，优化色彩方案。本发明有助于非专业人士设计、优化VR教学资源时，做到色彩方案的通用性，满足教育资源的公平性需要。

Description

一种面向色觉异常人群的无障碍VR教学资源色彩优化方法
技术领域
本发明属于信息技术的教学应用领域，更具体地，涉及一种面向色觉异常人群的无障碍VR教学资源色彩优化方法。
背景技术
基于虚拟现实(Virtual Reality,VR)技术生成的虚拟教学资源具有高度冲击性的视觉效果，可加深学习者对知识内容的记忆和理解。然而，色觉异常人群无法像正常人那样感知教学资源的色彩模型，难以有效认知虚拟教学资源的配色方案。鉴于虚拟教学资源的设计、开发都是以满足色觉正常人群的需求为目标，在配色方案和视觉传达方面对色觉异常人员并不友好，令他们产生困惑，在实际教学过程中造成不公平的结果。优化现有VR教学资源色彩方案的设计与开发过程，实现VR教学资源的无障碍应用，将为教育领域带来广泛的应用前景。
当前，VR教学资源在色彩方案构建方面存在如下问题：(1)作为新兴的应用领域，产业界和研究人员在资源设计与使用时，较少考虑色觉异常人群的需求；(2)随着VR教学资源的广泛应用，对无障碍VR教学资源的需求急剧增加，缺乏通用的色彩评价模型；(3)如何将现有的色彩方案改造、生成无障碍VR教学资源，将会节省大量的人力、成本。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种面向色觉异常人群的无障碍VR教学资源色彩优化方法，为无障碍VR教学资源色彩方案的构建、评估、优化和改造提供一种新的方法和路径。
本发明的目的是通过以下技术措施实现的。
一种面向色觉异常人群的无障碍VR教学资源色彩优化方法，包括以下步骤：
(1)色彩认知因子体系构建，从色彩规则、视觉生理结构、视觉心理感受方面构建无障碍VR教学资源的色彩认知因子体系；采用不同的参数分别表达上述三类色彩认知因子的特征；通过采集VR场景的色彩样本，构建色彩样本库，建立VR教学资源色彩质量的专家知识库，设计多种类型任务，分析不同人群之间的色彩认知差异；
(2)构建色彩评价模型，筛选色彩评价模型的备选因子，描绘输入色彩方案的特征，确定因子的权重；构建不同学科、风格和类型的色彩样本库，生成色彩样本的色彩标签，提取教学资源的色彩方案；设计色彩评价回归器，使用Adaboost集成学习模型，采用多种指标综合评价学习器的色彩质量预测；
(3)色彩方案优化模型生成，支持面向不同人群的色彩评价生成，构建通用最优选色方案，完成面向特定色觉异常人群的定制化选色模型；运用Voronoi方法将色彩图斑划分成不同区域，建立面向色觉异常人群认知的选色模型，设计无障碍VR教学资源色彩方案；筛选出最佳的色彩方案，生成优化选色的候选生成方案；建立优化选色模型，实现原有VR教学资源色彩方案的无障碍优化。
在上述技术方案中，步骤(1)所述的“色彩认知因子体系构建”具体包括：
(1-1)构建色彩认知因子体系，从色彩匹配性、色彩区分度、色彩显著性方面提取色彩规则系列因子；依据色盲类型、色弱类型、严重程度方面构建生理结构系列因子，由色彩调和、色彩冷暖、色彩积极性方面形成色彩心理感受系列因子，构建无障碍VR教学资源的色彩认知因子体系；
(1-1-1)提取色彩规则系列因子，从色彩自身规则、色彩表达类型、色彩语义、对象形态与分布方面，总结VR教学资源的色彩设计知识，提取色彩的匹配性、区分度、均匀性、显著性、内部语义关系系列因子；
(1-1-2)构建色觉异常人群生理结构系列因子，分析被试对象在视觉生理感知上的差异，针对色觉异常类型(色盲/色弱)、色盲类型(红色盲、绿色盲等)、色弱类型(红色弱、绿色弱等)、色觉异常严重程度差异，构建VR教学资源色彩视觉生理结构系列因子；
(1-1-3)提取色彩心理感受系列因子，针对VR教学资源色彩的整体视觉感受，提取色彩调和、色彩冷暖、色彩积极/消极情感系列因子，根据影响无障碍VR教学资源的色彩质量程度，判别色彩调和性、色彩情感心理感受系列因子的权重；
(1-2)色彩认知因子特征化表达，依据CIEDE2000色差模型，获取不同色彩的感知差异、均匀性、变化趋势特征；利用色彩光谱感知函数或色弱光谱感知曲线，表达视觉生理结构系列因子；计算色调、饱和度、亮度的差值获取色彩调和特征，运用色彩冷暖、轻重、积极/消极的值以及色相角，计算色彩情感特征；
(1-2-1)色彩规则系列因子特征化表达，依据CIEDE2000色差模型，使用明度、彩度与色相三个分量，获取不同色彩间的感知差异特征；计算相邻色彩之间的距离获取感知差异的均匀性特征；使用色彩单调性提取色彩的变化趋势特征；
(1-2-2)色觉异常人群生理结构系列因子的特征化表达，利用色盲人群中色彩的光谱感知函数，计算其在退化色域中的投影平面；计算色彩在色弱光谱感知曲线上的插值位置，表达色盲、色弱视觉生理结构系列因子；
(1-2-3)色彩心理感受系列因子的特征化表达，计算CIELab色彩空间中色调、饱和度、亮度的差值，获取反映色彩视觉心理感受的色彩调和特征；运用色彩冷暖、轻重、积极/消极的值以及色彩空间中的色相角，计算色彩情感特征；
(1-3)色彩质量认知，选取不同色彩维度指标，建立VR教学资源色彩质量的专家知识库；围绕教学资源主题匹配性，设计多种类型的认知任务；组织色觉正常和异常对照组人群完成不同的认知任务，分析不同人群之间的色彩认知差异；
(1-3-1)生成色彩质量的专家知识库，按照色彩区分度、色彩均匀性、色彩语义、色彩选择路径、色彩单调性、色彩几何形态、色彩空间分布、色彩调和、色彩情感维度，建立VR教学资源色彩质量的专家知识库；
(1-3-2)设计色彩认知任务，围绕色相差异、色相数量、色彩距离、色彩面积、色彩分布、色彩内部语义关系、色彩与教学资源主题匹配性因子，设计定位、识别、比较、排序、联系、回忆多种类型的认知任务；
(1-3-3)分析色彩认知差异，组织色觉正常和异常对照组人群完成相应的色彩认知任务，通过搜集被试对象的学习行为指标，如正确率、完成效率以及注视时长、注视频率、眼跳次数眼动指标，分析不同人群之间的色彩认知差异。
在上述技术方案中，步骤(2)所述的“构建色彩评价模型”具体包括：
(2-1)色彩评价模型的特征组合，筛选对相应人群认知具有显著影响的因子，作为色彩评价模型的备选因子；使用机器学习方法，挑选关联度较高的备选因子，描绘输入色彩方案的特征；应用机器学习方法，确定色彩评价模型因子的权重；
(2-1-1)备选因子选取，依据色彩方案的类型和面向人群的认知差异，从色彩规则、色彩视觉生理结构与色彩视觉心理感受三种系列因子中，筛选对相应类型人群认知具有显著影响的因子，作为色彩评价模型的备选因子；
(2-1-2)模型特征描述，依据不同类型人群对色彩的认知机理差异，从VR教学资源色彩的亮度、色相、明度、饱和度、调和性维度，使用机器学习方法，挑选关联度较高的备选因子，描绘输入色彩方案的特征；
(2-1-3)确定因子权重，根据VR教学资源色彩方案所属的类别(如定性色彩、顺序色彩或两端色彩等)，应用机器学习方法，确定色彩评价模型的备选因子的影响权重，突出色彩方案的单调性、区分度、均匀性、显著性、调和因子的差异；
(2-2)色彩方案提取，采集现有VR场景的色彩样本，构建不同学科、风格和类型的色彩样本库；基于回归器的预测结果以及样本的实际类别生成样本的色彩标签；使用颜色直方图提取画面的颜色特征，获取完整的色彩方案；
(2-2-1)构建色彩样本库，从现有VR游戏、VR教学资源中收集不同的场景，利用分光光度测色仪、取色软件、网络爬虫硬件设备或软件采集色彩样本，构建不同学科、不同风格、不同类型的色彩样本库；
(2-2-2)色样标签生成，针对VR教学资源中色彩分布不均衡的情况，选择GE-SMOTE方法预处理数据集，再结合DataBoost-IM方法构建混合矩阵，基于回归器的预测结果以及样本的实际类别生成样本的色彩标签；
(2-2-3)色彩方案提取，使用颜色直方图提取VR教学资源的画面颜色特征，设定每种颜色的CIELab阈值，采用二值化处理、追踪图像中该颜色的边界，获得对应的图斑区域；经过多次迭代，获取VR教学资源画面中完整的色彩方案；
(2-3)色彩质量预测，设计色彩评价回归器，运用串联、并联方式创建由多个基学习器构成的学习器组合；使用Adaboost集成学习模型，结合级联学习器的框架，提高色彩样本训练结果的准确率；采用多种指标综合评价学习器预测的色彩质量；
(2-3-1)色彩评价回归器设计，基于CIELab色彩模型，使用k-means方法提取VR教学资源的色彩图斑，采用KNN、逻辑回归、决策树经典回归器模型作为基学习器，运用串联、并联方式创建由多个基学习器构成的学习器组合；
(2-3-2)集成学习模型设计，采用Adaboost集成学习模型，结合级联学习器的框架，综合考虑对色彩方案的历史判决结果和当前判决结果，再加入辅助判断函数，提高色彩样本训练结果的准确率；
(2-3-3)色彩质量预测，采用平均绝对误差、均方根误差、拟合优度指标综合评价学习器预测的色彩质量，比较多个学习器的预测性能，选择预测性能最优的强学习器，实现面向不同人群的VR教学资源的色彩质量预测。
在上述技术方案中，步骤(3)所述的“色彩方案优化模型生成”具体包括：
(3-1)VR教学资源色彩的最优选色模型，组织不同人员按照李克特量表进行打分，支持面向不同人群的色彩评价生成；将色觉异常人群的色彩评价作为约束条件，以正常人群的色彩评价作为目标函数，构建通用最优选色方案；考虑特定色觉异常人群的认知特征，构建定制化的选色模型；
(3-1-1)色彩评价生成，将VR教学资源的色彩与不同几何形态、不同空间布局的场景相关联，形成系列VR教学资源，组织色觉异常和正常人员按照李克特量表进行打分，支持面向不同人群的色彩评价生成；
(3-1-2)通用最优选色模型，将色觉异常人群的色彩评价作为约束条件，以正常人群的色彩评价作为目标函数，构建通用VR教学资源的选色方案，在满足色觉异常人群认知的色彩系列方案中，求解相对于正常人群最优的色彩方案；
(3-1-3)定制选色模型，考虑特定色觉异常人群的认知特征，将色觉异常人员的无障碍VR教学资源的色彩评价作为目标函数，构建定制化的选色模型，从色彩空间中求解出最大化满足特定色觉异常人群认知的色彩方案；
(3-2)构建无障碍VR教学资源色彩方案，针对现有样本的色彩方案，运用Voronoi方法将色彩图斑划分成不同区域；使用色彩规则与评价结果作为约束条件与目标函数，建立面向色觉异常人群认知的选色方案；引入萤火虫算法，优化无障碍VR教学资源色彩方案的构建；
(3-2-1)图像分割，针对色彩样本库或已有VR教学资源的色彩方案，利用核密度分析CIELab空间上图像中不同色彩的分布，采用空间聚类方法合并相近的色彩区域，计算区域多边形的重心，运用Voronoi图分割图像，将色彩图斑划分成不同区域；
(3-2-2)建立无障碍的选色方案，依据无障碍的色彩设计规则，将基于Voronoi剖分的图斑组合成不同的色彩方案，使用色彩规则与评价结果作为约束条件与目标函数，建立面向色觉异常人群认知的无障碍VR教学资源的选色方案；
(3-2-3)优化色彩方案构建，引入萤火虫算法，在选色方案中使用神经网络算法产生优选解，引入优选解扰动色彩方案中候选区域的位置，改进局部搜索位置更新公式，克服易产生局部最优解的缺陷，优化无障碍VR教学资源色彩方案的构建；
(3-3)原有VR教学资源色彩方案的无障碍改造，依据色彩的逻辑结构，筛选出最佳的色彩方案；使用Voronoi剖分，生成选色优化的候选生成方案；建立以相似度为约束条件，色彩评价差异为目标函数的优化选色模型，实现原有VR教学资源色彩方案的无障碍改造；
(3-3-1)色彩方案的选择，依据原有VR教学资源色彩的逻辑结构，确定色彩方案的类别，如定性色彩、顺序色彩、两端色彩等；利用色彩方案的设计规则，在色彩系统或色彩空间中选择符合相应规则的系列方案，进一步筛选出最佳的色彩方案；
(3-3-2)色彩候选优化方案的生成，基于CIELab色彩空间，以原有VR教学资源色彩方案的空间分布为基准，采用Voronoi剖分不同色彩图斑，生成的每个Voronoi子空间即为色彩方案优化选色的候选区域，不同区域之间的组合，可形成色彩优化的候选方案；
(3-3-3)优化方案的选取，计算基于色彩系列因子的VR教学资源色彩方案相似度，通过对比相似度，评判优化前后色彩风格的差异；建立以相似度为约束条件，色彩评价差异为目标函数的优化选色模型，实现原有VR教学资源色彩的无障碍优化。
本发明面向色觉异常人群的无障碍VR教学资源色彩优化方法与现有技术相比，其有益效果在于：
从色彩规则、视觉生理结构、视觉心理感受方面构建无障碍VR教学资源的色彩认知因子体系，分别表达上述因子的特征；建立色彩质量的专家知识库，设计多种类型任务，分析不同人群之间的色彩认知差异。筛选色彩评价模型的备选因子，选择描绘色彩方案的备选因子，确定因子的权重；构建色彩样本库，生成色彩标签，提取教学资源的色彩方案；使用Adaboost集成学习模型，综合评价学习器的色彩质量预测。支持色彩评价生成，构建通用最优选色方案，定制选色模型；运用Voronoi方法剖分成色彩图斑，设计无障碍VR教学资源色彩方案；实现原有VR教学资源色彩方案的无障碍改造。随着5G网络环境的逐渐普及，VR在教学中的应用越来越普及，为色觉异常学生/教师提供无障碍的VR教学资源的色彩方案的需求越来越迫切。本发明有助于非专业人士设计、优化VR教学资源时，做到色彩方案的通用性，满足教育资源的公平性需要。
附图说明
图1是本发明实施例中面向色觉异常人群的无障碍VR教学资源色彩优化方法流程图。
图2是本发明实施例中色彩认知因子体系示例图。
图3是本发明实施例中色彩评价模型示例图。
图4是本发明实施例中色彩质量预测示例图。
图5是本发明实施例中VR教学资源最优选色模型示例图。
图6是本发明实施例中无障碍VR教学资源色彩方案优化示例图。
图7是本发明实施例中VR教学资源的色彩方案示例图。
图8是本发明实施例中VR教学资源色彩图斑的Voronoi分割示例图。
图9是本发明实施例中原有VR教学资源色彩方案的无障碍改造示例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施案例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施案例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本实施例提供一种面向色觉异常人群的无障碍VR教学资源色彩优化方法，包括如下步骤：
(1)色彩认知因子体系构建。从色彩规则、视觉生理结构、视觉心理感受方面构建无障碍VR教学资源的色彩认知因子体系；采用不同的参数分别表达上述三类色彩认知因子的特征；通过采集VR场景的色彩样本，构建色彩样本库，建立VR教学资源色彩质量的专家知识库，设计多种类型任务，分析不同人群之间的色彩认知差异。
(1-1)构建色彩认知因子体系。如图2所示，从色彩匹配性、色彩区分度、色彩显著性等方面提取色彩规则系列因子；依据色盲类型、色弱类型、严重程度等方面构建生理结构系列因子，由色彩调和、色彩冷暖、色彩积极性等方面形成色彩心理感受系列因子，构建无障碍VR教学资源的色彩认知因子体系。
(1-1-1)提取色彩规则系列因子。从色彩自身规则、色彩表达类型、色彩语义、对象形态与分布等方面，总结VR教学资源的色彩设计知识，提取色彩的匹配性、区分度、均匀性、显著性、内部语义关系等系列因子。
(1-1-2)构建色觉异常人群生理结构系列因子。分析被试对象在视觉生理感知上的差异，例如红绿色盲人群，红色与绿色会被视为黄色，紫色会被视为蓝色，针对色觉异常类型(色盲/色弱)、色盲类型(红色盲、绿色盲等)、色弱类型(红色弱、绿色弱等)、色觉异常严重程度等差异，构建VR教学资源色彩视觉生理结构系列因子。
(1-1-3)提取色彩心理感受系列因子。针对VR教学资源色彩的整体视觉感受，提取色彩调和、色彩冷暖、色彩积极/消极等情感系列因子，根据影响无障碍VR教学资源的色彩质量程度，判别色彩调和性、色彩情感等心理感受系列因子的权重。
(1-2)色彩认知因子特征化表达。依据CIEDE2000色差模型，获取不同色彩的感知差异、均匀性、变化趋势等特征；利用色彩光谱感知函数或色弱光谱感知曲线，表达视觉生理结构系列因子；计算明度、彩度、色相的差值获取色彩调和特征，运用色彩冷暖、轻重、积极/消极等值以及色相角，计算色彩情感特征。
(1-2-1)色彩规则系列因子的特征化表达。针对RGB色彩模型无法直接转换为CIELab色彩模型的问题，先将RGB颜色空间转换到XYZ颜色空间，再转换到CIELab颜色空间，转换关系如公式(1)～(3)所示。
Figure GDA0003416279920000121
Figure GDA0003416279920000122
Figure GDA0003416279920000123
在CIELab色彩模型中，明度L的取值范围为[0，100]，表示从纯黑到纯白；a和b分量的取值范围为[-128，127]，对应各自色彩过渡。XN，YN，ZN默认系数是95.047，100.0，108.883。
依据CIEDE2000色差模型，使用明度、彩度与色相三个分量的差值，获取不同色彩间的感知差异特征，过程见公式(4)；计算相邻色彩之间的距离获取感知差异的均匀性特征，过程见公式(5)；使用色彩单调性提取色彩的变化趋势特征，过程见公式(6)。
色差感知差异特征化计算公式：
Figure GDA0003416279920000131
ΔL、ΔC、ΔH分别表示色彩的明度差、彩度差、色相差；KL、KC、KH分别是明度、彩度与色相三个分量对应的参数因子，是与实验条件有关的校正系数；SL、SC、SH分别是明度、彩度与色相三个分量对应的权重函数，用来校正颜色空间均匀性；RT是旋转函数，用来校正色空间蓝色区域容差椭圆主轴方向的偏转。
色彩距离均匀性特征化计算公式：
Figure GDA0003416279920000132
Di为色彩方案中相邻色彩之间的色彩距离，
Figure GDA0003416279920000134
为色彩距离均值。
色彩单调性特征化计算公式：
Figure GDA0003416279920000133
c1、c2为色彩方案中按顺序编号的色彩，L为色彩明度。
(1-2-2)色觉异常人群生理结构系列因子的特征化表达。利用色盲人群中色彩的光谱感知函数，计算其在退化色域中的投影平面，过程如公式(7)；计算色彩在色弱光谱感知曲线上的插值位置，过程如公式(8)；从而表达色盲、色弱等视觉生理结构系列因子。
Figure GDA0003416279920000141
L、M、S为原色彩在LMS色彩空间中长波、中波、短波处的响应度，Lp、Mp、Sp为转换后的红色盲感知色彩的响应度，Ld、Md、Sd为绿色盲感知色彩的响应度。
Figure GDA0003416279920000142
L(λ)、M(λ)、S(λ)为正常人群在长波、中波、短波上的光谱感知函数，La(λ)、Ma(λ)、Sa(λ)为色弱人群的光谱感知函数，ΔλL、ΔλL、ΔλL为色弱人群在光谱感知曲线上的偏移量。
(1-2-3)色彩心理感受系列因子的特征化表达。使用公式(9)计算CIELab色彩空间中明度、彩度、色相的差值，获取反映色彩视觉心理感受的色彩调和特征；运用色彩冷暖、轻重、积极/消极等值以及色彩空间中的色相角，计算色彩情感特征，具体过程如公式(10)。
色彩调和特征化计算公式如下：
Figure GDA0003416279920000143
C1，C2表示两个不同的色彩，ΔLab、ΔCab、ΔHab为CIELab色彩空间中明度差、彩度差、色相差，L1、L2为两个色彩的明度，CH(C1，C2)为两个色彩的调和特征。
色彩情感特征化计算公式如下：
Figure GDA0003416279920000151
WC为色彩冷暖值，HL为色彩轻重值，AP为色彩积极/消极值，Cab为色彩彩度，hab为色彩在CIELab色彩空间中的色相角，L、a、b为色彩在空间中的明度、红绿色度、黄青色度。
(1-3)色彩质量认知。选取不同色彩维度指标，建立VR教学资源色彩质量的专家知识库；围绕教学资源主题匹配性，设计多种类型的认知任务；组织色觉正常和异常对照组人群完成不同的认知任务，分析不同人群之间的色彩认知差异。
(1-3-1)生成色彩质量的专家知识库。按照色彩区分度、色彩均匀性、色彩语义、色彩选择路径、色彩单调性、色彩几何形态、色彩空间分布、色彩调和、色彩情感等维度，建立VR教学资源色彩质量的专家知识库。
(1-3-2)设计色彩认知任务。围绕色相差异、色相数量、色彩距离、色彩面积、色彩分布、色彩内部语义关系、色彩与教学资源主题匹配性等因子，设计定位、识别、比较、排序、联系、回忆等多种类型的认知任务。
(1-3-3)分析色彩认知差异。借助阿里众包平台，邀请色觉正常和异常对照组人群使用网络匿名的方式完成相应的色彩认知任务，通过搜集被试对象的学习行为指标，如正确率、完成效率以及注视时长、注视频率、眼跳次数等眼动指标，分析不同人群之间的色彩认知差异。
(2)构建色彩评价模型。筛选色彩评价模型的备选因子，描绘输入色彩方案的特征，确定因子的权重；构建不同学科、风格和类型的色彩样本库，生成色彩样本的色彩标签，提取教学资源的色彩方案；设计色彩评价回归器，使用Adaboost集成学习模型，采用多种指标综合评价学习器的色彩质量预测。
(2-1)色彩评价模型的特征组合。如图3所示，筛选对相应人群认知具有显著影响的因子，作为色彩评价模型的备选因子；使用机器学习方法，挑选关联度较高的备选因子，描绘输入色彩方案的特征；应用机器学习方法，确定色彩评价模型因子的权重。
(2-1-1)备选因子选取。依据色彩方案的类型和面向人群的认知差异，从色彩规则、色彩视觉生理结构与色彩视觉心理感受三种系列因子中，筛选对相应类型人群认知具有显著影响的因子，作为色彩评价模型的备选因子。
(2-1-2)模型特征描述。依据不同类型人群对色彩的认知机理差异，从VR教学资源色彩的明度、彩度、色相、调和性等维度，使用机器学习方法，挑选关联度较高的备选因子，描绘输入色彩方案的特征。
(2-1-3)确定因子权重。根据VR教学资源色彩方案所属的类别(如定性色彩、顺序色彩或两端色彩等)，应用机器学习方法，确定色彩评价模型的备选因子的影响权重，突出色彩方案的单调性、区分度、均匀性、显著性、调和等因子的差异。
(2-2)色彩方案提取。采集现有VR场景的色彩样本，构建不同学科、风格和类型的色彩样本库；基于回归器的预测结果以及样本的实际类别生成样本的色彩标签；使用颜色直方图提取画面的颜色特征，获取完整的色彩方案。
(2-2-1)构建色彩样本库。从现有VR游戏、VR教学资源中收集不同的场景，利用分光光度测色仪、取色软件、网络爬虫等硬件设备或软件采集色彩样本，构建不同学科、不同风格、不同类型的色彩样本库。
(2-2-2)色样标签生成。针对VR教学资源中色彩分布不均衡的情况，选择GE-SMOTE方法预处理数据集，再结合DataBoost-IM方法构建混合矩阵，基于回归器的预测结果以及样本的实际类别生成样本的色彩标签。
(2-2-3)色彩方案提取。使用颜色直方图提取VR教学资源的画面颜色特征，设定每种颜色的CIELab阈值，采用二值化处理、追踪图像中该颜色的边界，获得对应的图斑区域，如图8所示；经过多次迭代，获取VR教学资源画面中完整的色彩方案。
(2-3)色彩质量预测。如图4所示，设计色彩评价回归器，运用串联、并联等方式创建由多个基学习器构成的学习器组合；使用Adaboost集成学习模型，结合级联学习器的框架，提高色彩样本训练结果的准确率；采用多种指标综合评价学习器预测的色彩质量，实现VR教学资源的色彩质量预测。
(2-3-1)色彩评价回归器设计。基于CIELab色彩模型，使用k-means方法提取VR教学资源的色彩图斑，采用KNN、逻辑回归、决策树等经典回归器模型作为基学习器，运用串联、并联等方式创建由多个基学习器构成的学习器组合。
(2-3-2)集成学习模型设计。采用Adaboost集成学习模型，结合级联学习器的框架，综合考虑对色彩方案的历史判决结果和当前判决结果，再加入辅助判断函数，提高色彩样本训练结果的准确率。Adaboost集成学习模型的计算步骤如公式(11)～(18)所示：
I.初始化训练数据的权值分布。首先赋予训练集中样本相同的权重，即每个训练样本在基学习器中作用相同：
Figure GDA0003416279920000181
N为训练集中样本总数；
II.迭代训练基学习器。用m表示迭代的轮数，其中m＝1，2，3，…，M
1.使用具有权值分布Dm的训练数据集学习，得到基本分类器
Gm(x)：x→{-1，1} 公式(12)
2.计算基分类器Gm(x)在训练数据集上的分类误差率em
Figure GDA0003416279920000182
其中ωm，i表示第m轮中第i个样本的权重，
Figure GDA0003416279920000185
I(Gm(xi)≠yi)为指示函数，表示Gm(xi)≠yi时，I(Gm(xi)≠yi)＝1，否则等于0。
3.计算基分类器Gm的权重系数αm。该系数表示基分类器Gm在最终分类器中所占的权值，计算公式如下：
Figure GDA0003416279920000183
em为分类误差率，αm随着em的减小而增大，即分类误差越小的基分类器在最终分类器中所占的权值越大。
4.更新训练数据集的权值分布，用于下一轮迭代。
Figure GDA0003416279920000184
Zm是引入的规范因子，使Dm+1成为概率分布，具体如下：
Figure GDA0003416279920000191
重复步骤II中的1至4步骤，得到一系列的权重参数αm和基分类器Gm。
III.根据权重参数线性组合各个基学习器。
Figure GDA0003416279920000192
借助sign()函数，将f(x)的连续值转化为离散值，故最终的分类器为：
Figure GDA0003416279920000193
(2-3-3)色彩质量预测。采用平均绝对误差、均方根误差、拟合优度等指标综合评价学习器预测的色彩质量，比较多个学习器的预测性能，选择预测性能最优的强学习器，实现面向不同人群的VR教学资源的色彩质量预测。
(3)色彩方案优化模型生成。支持面向不同人群的色彩评价生成，构建通用最优选色方案，完成面向特定色觉异常人群的定制化选色模型；运用Voronoi方法将色彩图斑划分成不同区域，建立面向色觉异常人群认知的选色模型，优化无障碍VR教学资源色彩方案设计；筛选出最佳的色彩方案，生成优化选色的候选生成方案；建立优化选色模型，实现原有VR教学资源色彩方案的无障碍改造。
(3-1)VR教学资源色彩的最优选色模型。如图5所示，组织不同人员按照李克特量表进行打分，支持面向不同人群的色彩评价生成；将色觉异常人群的色彩评价作为约束条件，以正常人群的色彩评价作为目标函数，构建通用最优选色方案；考虑特定色觉异常人群的认知特征，构建定制化的选色模型。
(3-1-1)色彩评价生成。将VR教学资源的色彩与不同几何形态、不同空间布局的场景相关联，形成系列VR教学资源，组织色觉异常和正常人员按照李克特量表进行打分，支持面向不同人群的色彩评价生成。
(3-1-2)通用最优选色模型。将色觉异常人群的色彩评价作为约束条件，以正常人群的色彩评价作为目标函数，构建通用VR教学资源的选色方案，在满足色觉异常人群认知的色彩系列方案中，求解相对于正常人群最优的色彩方案。
(3-1-3)定制选色模型。考虑特定色觉异常人群的认知特征，将色觉异常人员的无障碍VR教学资源的色彩评价作为目标函数，构建定制化的选色模型，从色彩空间中求解出最大化满足特定色觉异常人群认知的色彩方案。
(3-2)构建无障碍VR教学资源色彩方案，如图6所示，针对现有样本的色彩方案，运用Voronoi方法将色彩图斑划分成不同区域；使用色彩规则与评价结果作为约束条件与目标函数，建立面向色觉异常人群认知的选色方案；引入萤火虫算法，优化无障碍VR教学资源色彩方案的构建。
(3-2-1)图像分割。针对色彩样本库或已有VR教学资源的色彩方案(如图7所示)，利用核密度分析CIELab空间上图像中不同色彩的分布，如公示(19)所示，采用空间聚类方法合并相近的色彩区域，计算区域多边形的重心，运用Voronoi图分割图像，将色彩图斑划分成不同区域，如图8所示。
核密度估计公式：
Figure GDA0003416279920000211
xi为样本中第i个数据点，K为核函数，带宽为h，高斯密度函数K(x)为核密度估计的核函数，σ为样本方差。
(3-2-2)建立无障碍的选色方案。依据无障碍的色彩设计规则，将基于Voronoi剖分的图斑组合成不同的色彩方案，使用色彩规则与评价结果作为约束条件与目标函数，建立面向色觉异常人群认知的无障碍VR教学资源的选色方案。
(3-2-3)优化色彩方案构建。引入萤火虫算法，在选色方案中使用神经网络算法产生优选解，引入优选解扰动色彩方案中候选区域的位置，改进局部搜索位置更新公式，克服易产生局部最优解的缺陷，优化无障碍VR教学资源色彩方案的构建。
基于萤火虫算法优化色彩方案的步骤如公式(20)～(21)所示：
I.初始化萤火虫算法参数：萤火虫数量N、初始吸引度β0、步长因子α、萤火虫初始位置X1(Xi1，Xi2，…，Xik)和最大迭代次数T；
II.计算各萤火虫的亮度并进行排序：计算每个萤火虫所对应的适应度fi(li，ai，bi)，对应萤火虫的亮度并排序，得到亮度最大的萤火虫位置；
Figure GDA0003416279920000212
M表示各种颜色的秩序度；|Sili-Sjlj|表示配色方案的颜色之间的力矩差，若所有颜色的力矩差的绝对值之和越小，则色彩搭配越和谐。(l0，a0，b0)表示CIELab色彩空间内灰色的Lab值；
Figure GDA0003416279920000221
表示当前配色方案中按照面积混合后的混合颜色，如果越接近参照色(l0，a0，b0)，则配色方案的适应度越高，，K1、K2、K3分别表示打分专家设计的权值。
III.判断迭代是否结束：如果算法达到最大迭代次数T，则算法转到步骤IV，否则转到步骤V；
IV.输出亮度最大的萤火虫位置及其亮度，将其得到的
Figure GDA0003416279920000222
作为颜色配色方案；
V.更新萤火虫位置：萤火虫位置更新规则如下
Xi＝Xi+β(r)×(Xj-Xi)+α×(rand-1/2) 公式(21)
Xi，Xj分别表示萤火虫i和萤火虫j的空间位置；
Figure GDA0003416279920000223
表示萤火虫i和萤火虫j之间的距离，其中rij＝||Xi-Xj||；β0表示rij＝0时的吸引度；g表示光强吸收系数；α表示步长因子，α∈[0，1]；(rand-1/2)表示干扰项，避免算法陷入局部最优。
(3-3)原有VR教学资源色彩方案的无障碍改造。如图9所示，依据色彩的逻辑结构，筛选出最佳的色彩方案；采用Voronoi划分色彩空间，生成优化选色的潜在区域；建立以相似度为约束条件，色彩评价差异为目标函数的优化选色模型，实现原有VR教学资源色彩方案的无障碍改造。
(3-3-1)色彩方案的选择。依据原有VR教学资源色彩的逻辑结构，确定色彩方案的类别，如定性色彩、顺序色彩、两端色彩等；利用色彩方案的设计规则，在色彩系统或色彩空间中选择符合相应规则的系列方案，进一步筛选出最佳的色彩方案。
(3-3-2)色彩候选优化方案的生成。基于CIELab色彩空间，以原有VR教学资源色彩方案的空间分布为基准，采用Voronoi剖分不同色彩图斑，生成的每个Voronoi子空间即为色彩方案优化选色的候选区域，不同区域之间的组合，可形成色彩候选优化方案。
(3-3-3)优化方案的选取。计算基于色彩系列因子的VR教学资源色彩方案相似度，通对对比相似度，评判优化前后色彩风格的差异；建立以相似度为约束条件，色彩评价差异为目标函数的优化选色模型，实现原有VR教学资源色彩的无障碍优化。
本说明书中未作详细描述的内容，属于本专业技术人员公知的现有技术。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。

Claims (2)

1.一种面向色觉异常人群的无障碍VR教学资源色彩优化方法，其特征在于该方法包括以下步骤：
(1)色彩认知因子体系构建，从色彩规则、视觉生理结构、视觉心理感受方面构建无障碍VR教学资源的色彩认知因子体系；采用不同的参数分别表达上述三类色彩认知因子的特征；通过采集VR场景的色彩样本，构建色彩样本库，建立VR教学资源色彩质量的专家知识库，设计多种类型任务，分析不同人群之间的色彩认知差异；
(2)构建色彩评价模型，筛选色彩评价模型的备选因子，描绘输入色彩方案的特征，确定因子的权重；构建不同学科、风格和类型的色彩样本库，生成色彩样本的色彩标签，提取教学资源的色彩方案；设计色彩评价回归器，使用Adaboost集成学习模型，采用多种指标综合评价学习器的色彩质量预测；具体包括
(2-1)色彩评价模型的特征组合，筛选对相应人群认知具有显著影响的因子，作为色彩评价模型的备选因子；使用机器学习方法，挑选关联度较高的备选因子，描绘输入色彩方案的特征；应用机器学习方法，确定色彩评价模型因子的权重；
(2-1-1)备选因子选取，依据色彩方案的类型和面向人群的认知差异，从色彩规则、色彩视觉生理结构与色彩视觉心理感受三种系列因子中，筛选对相应类型人群认知具有显著影响的因子，作为色彩评价模型的备选因子；
(2-1-2)模型特征描述，依据不同类型人群对色彩的认知机理差异，从VR教学资源色彩的亮度、色相、明度、饱和度、调和性维度，使用机器学习方法，挑选关联度较高的备选因子，描绘输入色彩方案的特征；
(2-1-3)确定因子权重，根据VR教学资源色彩方案所属的类别，应用机器学习方法，确定色彩评价模型的备选因子的影响权重，突出色彩方案的单调性、区分度、均匀性、显著性、调和因子的差异；
(2-2)色彩方案提取，采集现有VR场景的色彩样本，构建不同学科、风格和类型的色彩样本库；基于回归器的预测结果以及样本的实际类别生成样本的色彩标签；使用颜色直方图提取画面的颜色特征，获取完整的色彩方案；
(2-2-1)构建色彩样本库，从现有VR游戏、VR教学资源中收集不同的场景，利用分光光度测色仪、取色软件、网络爬虫硬件设备或软件采集色彩样本，构建不同学科、不同风格、不同类型的色彩样本库；
(2-2-2)色样标签生成，针对VR教学资源中色彩分布不均衡的情况，选择GE-SMOTE方法预处理数据集，再结合DataBoost-IM方法构建混合矩阵，基于回归器的预测结果以及样本的实际类别生成样本的色彩标签；
(2-2-3)色彩方案提取，使用颜色直方图提取VR教学资源的画面颜色特征，设定每种颜色的CIELab阈值，采用二值化处理、追踪图像中该颜色的边界，获得对应的图斑区域；经过多次迭代，获取VR教学资源画面中完整的色彩方案；
(2-3)色彩质量预测，设计色彩评价回归器，运用串联、并联方式创建由多个基学习器构成的学习器组合；使用Adaboost集成学习模型，结合级联学习器的框架，提高色彩样本训练结果的准确率；采用多种指标综合评价学习器预测的色彩质量；
(2-3-1)色彩评价回归器设计，基于CIELab色彩模型，使用k-means方法提取VR教学资源的色彩图斑，采用KNN、逻辑回归、决策树经典回归器模型作为基学习器，运用串联、并联方式创建由多个基学习器构成的学习器组合；
(2-3-2)集成学习模型设计，采用Adaboost集成学习模型，结合级联学习器的框架，综合考虑对色彩方案的历史判决结果和当前判决结果，再加入辅助判断函数，提高色彩样本训练结果的准确率；
(2-3-3)色彩质量预测，采用平均绝对误差、均方根误差、拟合优度指标综合评价学习器预测的色彩质量，比较多个学习器的预测性能，选择预测性能最优的强学习器，实现面向不同人群的VR教学资源的色彩质量预测；
(3)色彩方案优化模型生成，支持面向不同人群的色彩评价生成，构建通用最优选色方案，完成面向特定色觉异常人群的定制化选色模型；运用Voronoi方法将色彩图斑划分成不同区域，建立面向色觉异常人群认知的选色模型，设计无障碍VR教学资源色彩方案；筛选出最佳的色彩方案，生成优化选色的候选生成方案；建立优化选色模型，实现原有VR教学资源色彩方案的无障碍优化；具体包括
(3-1)VR教学资源色彩的最优选色模型，组织不同人员按照李克特量表进行打分，支持面向不同人群的色彩评价生成；将色觉异常人群的色彩评价作为约束条件，以正常人群的色彩评价作为目标函数，构建通用最优选色方案；考虑特定色觉异常人群的认知特征，构建定制化的选色模型；
(3-1-1)色彩评价生成，将VR教学资源的色彩与不同几何形态、不同空间布局的场景相关联，形成系列VR教学资源，组织色觉异常和正常人员按照李克特量表进行打分，支持面向不同人群的色彩评价生成；
(3-1-2)通用最优选色模型，将色觉异常人群的色彩评价作为约束条件，以正常人群的色彩评价作为目标函数，构建通用VR教学资源的选色方案，在满足色觉异常人群认知的色彩系列方案中，求解相对于正常人群最优的色彩方案；
(3-1-3)定制选色模型，考虑特定色觉异常人群的认知特征，将色觉异常人员的无障碍VR教学资源的色彩评价作为目标函数，构建定制化的选色模型，从色彩空间中求解出最大化满足特定色觉异常人群认知的色彩方案；
(3-2)构建无障碍VR教学资源色彩方案，针对现有样本的色彩方案，运用Voronoi方法将色彩图斑划分成不同区域；使用色彩规则与评价结果作为约束条件与目标函数，建立面向色觉异常人群认知的选色方案；引入萤火虫算法，优化无障碍VR教学资源色彩方案的构建；
(3-2-1)图像分割，针对色彩样本库或已有VR教学资源的色彩方案，利用核密度分析CIELab空间上图像中不同色彩的分布，采用空间聚类方法合并相近的色彩区域，计算区域多边形的重心，运用Voronoi图分割图像，将色彩图斑划分成不同区域；
(3-2-2)建立无障碍的选色方案，依据无障碍的色彩设计规则，将基于Voronoi剖分的图斑组合成不同的色彩方案，使用色彩规则与评价结果作为约束条件与目标函数，建立面向色觉异常人群认知的无障碍VR教学资源的选色方案；
(3-2-3)优化色彩方案构建，引入萤火虫算法，在选色方案中使用神经网络算法产生优选解，引入优选解扰动色彩方案中候选区域的位置，改进局部搜索位置更新公式，克服易产生局部最优解的缺陷，优化无障碍VR教学资源色彩方案的构建；
(3-3)原有VR教学资源色彩方案的无障碍改造，依据色彩的逻辑结构，筛选出最佳的色彩方案；使用Voronoi剖分，生成选色优化的候选生成方案；建立以相似度为约束条件，色彩评价差异为目标函数的优化选色模型，实现原有VR教学资源色彩方案的无障碍改造；
(3-3-1)色彩方案的选择，依据原有VR教学资源色彩的逻辑结构，确定色彩方案的类别，包括定性色彩、顺序色彩、两端色彩；利用色彩方案的设计规则，在色彩系统或色彩空间中选择符合相应规则的系列方案，进一步筛选出最佳的色彩方案；
(3-3-2)色彩候选优化方案的生成，基于CIELab色彩空间，以原有VR教学资源色彩方案的空间分布为基准，采用Voronoi剖分不同色彩图斑，生成的每个Voronoi子空间即为色彩方案优化选色的候选区域，不同区域之间的组合，可形成色彩优化的候选方案；
(3-3-3)优化方案的选取，计算基于色彩系列因子的VR教学资源色彩方案相似度，通过对比相似度，评判优化前后色彩风格的差异；建立以相似度为约束条件，色彩评价差异为目标函数的优化选色模型，实现原有VR教学资源色彩的无障碍优化。
2.根据权利要求1所述的面向色觉异常人群的无障碍VR教学资源色彩优化方法，其特征在于步骤(1)所述的“色彩认知因子体系构建”具体包括：
(1-1)构建色彩认知因子体系，从色彩匹配性、色彩区分度、色彩显著性方面提取色彩规则系列因子；依据色盲类型、色弱类型、严重程度方面构建生理结构系列因子，由色彩调和、色彩冷暖、色彩积极性方面形成色彩心理感受系列因子，构建无障碍VR教学资源的色彩认知因子体系；
(1-1-1)提取色彩规则系列因子，从色彩自身规则、色彩表达类型、色彩语义、对象形态与分布方面，总结VR教学资源的色彩设计知识，提取色彩的匹配性、区分度、均匀性、显著性、内部语义关系系列因子；
(1-1-2)构建色觉异常人群生理结构系列因子，分析被试对象在视觉生理感知上的差异，针对色觉异常类型、色盲类型、色弱类型、色觉异常严重程度差异，构建VR教学资源色彩视觉生理结构系列因子；
(1-1-3)提取色彩心理感受系列因子，针对VR教学资源色彩的整体视觉感受，提取色彩调和、色彩冷暖、色彩积极/消极情感系列因子，根据影响无障碍VR教学资源的色彩质量程度，判别色彩调和性、色彩情感心理感受系列因子的权重；
(1-2)色彩认知因子特征化表达，依据CIEDE2000色差模型，获取不同色彩的感知差异、均匀性、变化趋势特征；利用色彩光谱感知函数或色弱光谱感知曲线，表达视觉生理结构系列因子；计算色调、饱和度、亮度的差值获取色彩调和特征，运用色彩冷暖、轻重、积极/消极的值以及色相角，计算色彩情感特征；
(1-2-1)色彩规则系列因子特征化表达，依据CIEDE2000色差模型，使用明度、彩度与色相三个分量，获取不同色彩间的感知差异特征；计算相邻色彩之间的距离获取感知差异的均匀性特征；使用色彩单调性提取色彩的变化趋势特征；
(1-2-2)色觉异常人群生理结构系列因子的特征化表达，利用色盲人群中色彩的光谱感知函数，计算其在退化色域中的投影平面；计算色彩在色弱光谱感知曲线上的插值位置，表达色盲、色弱视觉生理结构系列因子；
(1-2-3)色彩心理感受系列因子的特征化表达，计算CIELab色彩空间中色调、饱和度、亮度的差值，获取反映色彩视觉心理感受的色彩调和特征；运用色彩冷暖、轻重、积极/消极的值以及色彩空间中的色相角，计算色彩情感特征；
(1-3)色彩质量认知，选取不同色彩维度指标，建立VR教学资源色彩质量的专家知识库；围绕教学资源主题匹配性，设计多种类型的认知任务；组织色觉正常和异常对照组人群完成不同的认知任务，分析不同人群之间的色彩认知差异；
(1-3-1)生成色彩质量的专家知识库，按照色彩区分度、色彩均匀性、色彩语义、色彩选择路径、色彩单调性、色彩几何形态、色彩空间分布、色彩调和、色彩情感维度，建立VR教学资源色彩质量的专家知识库；
(1-3-2)设计色彩认知任务，围绕色相差异、色相数量、色彩距离、色彩面积、色彩分布、色彩内部语义关系、色彩与教学资源主题匹配性因子，设计定位、识别、比较、排序、联系、回忆多种类型的认知任务；
(1-3-3)分析色彩认知差异，组织色觉正常和异常对照组人群完成相应的色彩认知任务，通过搜集被试对象的学习行为指标，如正确率、完成效率以及注视时长、注视频率、眼跳次数眼动指标，分析不同人群之间的色彩认知差异。
CN202110657656.0A 2021-06-14 2021-06-14 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法 Active CN113408798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110657656.0A CN113408798B (zh) 2021-06-14 2021-06-14 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110657656.0A CN113408798B (zh) 2021-06-14 2021-06-14 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法

Publications (2)

Publication Number Publication Date
CN113408798A CN113408798A (zh) 2021-09-17
CN113408798B true CN113408798B (zh) 2022-03-29

Family

ID=77683687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110657656.0A Active CN113408798B (zh) 2021-06-14 2021-06-14 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法

Country Status (1)

Country Link
CN (1) CN113408798B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8992229B2 (en) * 2011-12-29 2015-03-31 David E. Spital Assessment tool and graded activity for fine-gross motor skills, visual and cognitive processing
SG10201810150UA (en) * 2014-03-17 2018-12-28 Adverum Biotechnologies Inc Compositions and methods for enhanced gene expression in cone cells
CN106199954B (zh) * 2016-08-30 2019-03-22 陈晓冬 一种矫正蓝黄色弱色盲的光学装置及其设计方法
CN109389591B (zh) * 2018-09-30 2020-11-20 西安电子科技大学 基于彩色描述子的彩色图像质量评价方法
CN111009158B (zh) * 2019-12-18 2020-09-15 华中师范大学 一种面向野外实践教学的虚拟学习环境多通道融合展示方法
CN111202663B (zh) * 2019-12-31 2022-12-27 浙江工业大学 一种基于vr技术的视觉训练学习系统
CN111429547B (zh) * 2020-04-27 2023-05-30 中国人民解放军空军工程大学 一种基于假同色搜索的异常色觉测试图合成方法
CN111770323A (zh) * 2020-06-16 2020-10-13 南通大学 一种用于供色盲和非色盲使用的ar/vr智能眼镜

Also Published As

Publication number Publication date
CN113408798A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Žeger et al. Grayscale image colorization methods: Overview and evaluation
EP2161555B1 (en) Coating color database creating method, search method using the database, their system, program, and recording medium
Li et al. Aesthetic visual quality assessment of paintings
Mojsilovic A computational model for color naming and describing color composition of images
Huang et al. Image recolorization for the colorblind
US5410637A (en) Color tolerancing system employing fuzzy logic
CN107169508B (zh) 一种基于融合特征的旗袍图像情感语义识别方法
US20200143570A1 (en) Systems and methods for color selection and auditing
Xu et al. Transferring the color imagery from an image: A color network model for assisting color combination
Wu et al. A computer-aided coloring method for virtual agents based on personality impression, color harmony, and designer preference
Murray et al. Toward automatic and flexible concept transfer
Flachot et al. Deep neural models for color classification and color constancy
Rachmad et al. Classification of mycobacterium tuberculosis based on color feature extraction using adaptive boosting method
Murray et al. Towards automatic concept transfer
CN113408798B (zh) 一种面向色觉异常人群的无障碍vr教学资源色彩优化方法
Ruiz et al. A learning system for adjustment processes based on human sensory perceptions
Petroff Accessible color sequences for data visualization
CN115018729B (zh) 一种面向内容的白盒图像增强方法
CN112016621A (zh) 分类模型的训练方法、颜色的分类方法及电子设备
Solli et al. Color harmony for image indexing
Rodriguez et al. Interactive Genetic Algorithm with fitness modeling for the development of a color simulation system based on customer’s preference
ISHIBASHI et al. Statistics-based interactive evolutionary computation for color scheme search
JP2003344270A (ja) 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム
Wang et al. Attribute analysis and modeling of color harmony based on multi-color feature extraction in real-life scenes
CN113409206A (zh) 一种高精度的数码印花颜色空间转换方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant