CN113673389B - 光源光谱功率分布相关的绘画照明视觉评价方法 - Google Patents

Abstract

本发明涉及LED的光谱组成和照明质量评价交叉技术领域，本发明旨在:建立光源SPD与主观评价结果的直接联系，确定对照明质量评价结果有显著影响的光谱特定波段；为博物馆展陈环境中的多通道LED光源设计提供参考；为博物馆照明标准的修订提供基础；为此，本发明，光源光谱功率分布相关的绘画照明视觉评价方法，针对博物馆绘画文物样品，首先通过视觉评价实验，建立光谱功率分布SPD与主观评价结果的直接关系，确定对照明质量评价结果有显著影响的光谱特定波段；接着通过数据分析和挖掘，建立基于SPD的博物馆绘画照明质量评价模型，实现绘画照明视觉评价。本发明主要应用于照明质量评价场合。

Description

光源光谱功率分布相关的绘画照明视觉评价方法

技术领域

本发明涉及LED的光谱组成和照明质量评价交叉技术领域，更具体的说，涉及一种与光源光谱功率分布相关的博物馆绘画照明视觉评价效果的获取方法。

背景技术

1.背景

截止2018年中国博物馆总数已达到5136家，其中中国传统绘画藏品70万余件，存量巨大。同时，中国绘画的画面内容丰富、色彩多样，文化和艺术价值都非常高，不仅是中国历史的宝贵组成部分，也是世界文化遗产的重要元素。“全国馆藏文物腐蚀损失调查”显示，我国绘画文物存在不同程度的损坏，这主要与馆内文物保存环境有关，包括温度、湿度、光照、空气污染物、微生物等。馆方通过安装合适的设备，可以将温湿度和空气污染物调节至馆藏文物保存所需的最适宜状态。然而，作为馆藏文物的展示和研究必不可少的因素，任何光照辐射都会对馆藏文物造成照明损伤。为了降低照明带来的损伤，相关规范对馆内光源的照射数量指标(如照度、曝光量等)做出了规定，同时一些学者也开展了针对绘画展品照明损伤的研究。上述针对文物照明损伤的规范和研究有助于制定合适且精准的文保策略，但是与此同时，兼顾提升文物的照明质量也逐渐得到广泛的认可。因此，在加强文物保护的同时，需要开展提升文物的照明质量的相关研究。

在针对照明质量的主观评价研究中，国内外学者更多地从光源颜色外观和光源质量两个因素来确定观赏评价指标。其中，光源颜色外观一般以相关色温进行表示。但是，考虑到光源存在同色异谱现象，即使是相同的相关色温的光谱也会存在差异，使相关色温难以全面表征光谱特性。而光源质量的常用指标包括显色指数(CRI)，色域面积指数(GAI)，颜色质量量值(CQS)，记忆色显色指数(MCRI)，显色指数CRI-CAM02-UCS，IES TM-30(一种光源颜色质量评价方法)等。由于这些指标之间的适用范围差异和各自的局限性，单个指标难以全面表征光源质量。相比而言，光谱功率分布(Spectral Power Distribution,SPD)是光源光谱构成的根本特性，对其颜色外观和质量具有决定性作用。作为馆藏文物照明的常用光源， LED(Light Emitting Diode)的光谱构成十分灵活，不同制作原理、不同厂家、不同型号的LED 光谱差异巨大，会对文物的照明质量产生显著影响。与此同时，LED作为多通道光源，可以通过调节每个通道的出光强度，获得满足要求的光源SPD，这一特点为设计兼顾照明保护和照明质量的光源提供了可能。因此，随着LED在博物馆照明中的应用越来越广泛，有必要对光源SPD与馆藏文物照明质量之间的规律进行探究，以提升文物照明质量为导向来确定和设计最佳的光源SPD。

综上所述，在当前照明质量亟待提升的背景下，本发明提出一种与光源SPD相关的博物馆绘画照明质量的评价方法。该发明可以帮助博物馆提升绘画照明质量，还可以为博物馆照明标准的修订提供一定指导意见。

2.目前与本申请最接近的现有专利如下：

(1)一种青铜器展陈照明光品质评价方法与系统(专利号：CN201911006731.6)。该发明公开了一种青铜器展陈照明光品质评价方法与系统。对于待评价光源,该专利依据其色度信息,结合照明质量估计模型得到对应估计量值,实现对青铜器展陈光源照明质量的表征。正如前文提到的，SPD作为光源的根本特性，决定了光源颜色外观、光色质量以及其色度坐标，但该专利仅从待测光源的色度信息来评价待测光源照明质量。同时，该专利不是以评价博物馆绘画照明质量为导向的，不能为当前博物馆绘画照明质量提供有益参考。

(2)一种面向国画展陈照明的多级照度色温喜好度预测方法及系统(专利号：CN202011430644.6)。该发明公开了一种面向国画展陈照明的多级色温照度喜好度预测方法及系统。该专利主要在筛选满足条件的待展陈国画表面照度(100lux至1000lux之间)和待评价光源色温(2500K至5500K之间)的基础上，结合照明喜好度估计模型来评价光源照明质量，仍是从相关色温和照度这两个指标入手进行的照明质量评价，并未能从光源SPD这一根本特性角度进行研究，也不能据此建立光谱与视觉评价之间的具体影响关系。

(3)一种基于照度和相关色温的展陈照明光品质评价方法及系统(专利号：CN202010334650.5)本发明专利公开了一种基于照度和相关色温的展陈照明光品质评价方法及系统,从光源白度与颜色喜好出发实现对展陈光源品质的表征，进而判断待测光源的照度和色温是否在设定的照度和色温范围内。该发明仅从照度和相关色温角度入手来评价展陈照明光品质，具有一定局限性，并未以博物馆绘画照明为研究对象。

3.目前与本申请最接近的研究如下：

(1)基于多通道LED光源的光谱优化设计及颜色质量评价方法研究[D].浙江大学的章夫正博士在450lx照度下设置了四个相关色温水平，每个色温使用多通道LED光源获得限定 Rf(颜色保真度指标)和Rg(色域面积指标)取值的同色异谱光谱，将其作为实验工况。在房间天花板装配多通道LED光源，放置各种颜色的物品及Macbeth色卡，观察者对每种工况下这些物体的喜好性、自然性和鲜艳性进行评分。通过统计学分析，可以得出相关色温不会对颜色质量评价产生显著影响，而现有的颜色质量评价指标对光源的表征作用也比较有限，从而建立了基于R_f、R_g及R_cs,h1三个参数组合的颜色质量预测模型。

该研究仅在光色质量中挑选了三个指标来评价光源的照明质量，具有一定的局限性。

(2)光环境评价及相关LED光谱研究[D].华侨大学周孟欣硕士通过对光源光谱的优化，实现了保持光源色温不变的情况下降低其蓝光危害或增大其色域面积，并进行了光源色域面积变化后的光谱匹配和其照明下的主观色彩鲜艳度与偏好的视觉实验，以及对不同色域面积的同色点、同色温的6个不同光谱结构光源进行了主观评价实验，并对光源影响主观评价结果进行了统计分析。

该研究证明光谱结构与色块颜色均对主观评价有显著性影响，但在此基础上并未建立光谱和色块与主观评价之间的数学面模型，也未能量化三者之间的具体关系。

(3)商业建筑照明质量综合评价方法研究[D].天津大学的卜艳慧硕士通过对北京两个大型商业综合体进行实地调研,选取照度、一般显色指数、相关色温等物理量进行实测,同时进行视觉舒适度主观评价，最终得到色温对视锐度的影响规律、照度对色觉的影响规律、照明参数对照明质量的影响规律。

该研究仍是从照度和色温的角度来对照明质量进行评价，没能实现光谱与照明质量之间影响规律的探究，并且该研究不是以评价博物馆绘画照明质量为导向的，不能为当前博物馆绘画照明质量提供有益参考。

4.目前与本申请相关的国家标准为《博物馆照明设计规范》(GB/T 23863-2009)，该标准中对于中国传统文物照明的光源选择相关条文如下：

(1)第4.3.1条应选用色温小于3300K的光源作照明光源。

(2)第4.3.2条在陈列绘画、彩色织物、多色展品等对辨色要求高的场所，应采用一般显色指数(Ra)不低于90的光源作照明光源。

(3)第6.0.1条应减少灯光中的紫外辐射和红外辐射，使光源的紫外线相对含量小于5 μW/1m。

但该标准存在如下问题：

当前标准在2009年开始执行，目前尚无新的修订版。而在此之前，LED尚未在博物馆照明中进行应用，因此当前标准是针对金卤灯、卤钨灯、荧光灯等传统光源制定的相关指标。然而，LED作为新一代光源，近年来发展迅速，开始大量在博物馆照明中使用。能够满足标准中“不含紫外和红外、色温低于3300K、一般显色指数大于90”三项指标要求的光源种类很多，但不同光源的SPD存在巨大差异，相应的照明质量参差不一。同时，LED的光谱构成十分灵活，不同制作原理、不同厂家、不同型号的LED光谱差异巨大，会对文物的照明质量产生显著影响。但标准中与光源选择相关的条文并未涉及LED的SPD的相关要求，这就使得当前标准无法直接从光谱角度来选择最适合展品的照明光源，进而提升照明质量。

综上所述，在当前博物馆绘画照明质量亟需提升的背景下，现有研究更着重于绘画展品照明损伤与保护的开展。同时，在现有的针对照明质量的主观评价研究中，更多的是使用光源颜色外观与光源质量两个相关性不强的指标来进行评价。且相关的规范也未能跟上LED光源技术更新而进行修订。因此，针对目前的研究和标准，不能从光源的根本特性-光谱构成入手，以不造成额外照明损伤的同时提升照明质量为导向来选择适用于绘画文物的照明光源。

发明内容

为克服现有技术的不足，本发明旨在:

1.建立光源SPD与主观评价结果的直接联系，确定对照明质量评价结果有显著影响的光谱特定波段。

2.提出一种基于SPD的博物馆绘画照明质量的评价模型。

3.为博物馆展陈环境中的多通道LED光源设计提供参考。

4.为博物馆照明标准的修订提供基础。

为此，本发明采取的技术方案是，光源光谱功率分布相关的绘画照明视觉评价方法，针对博物馆绘画文物样品，首先通过视觉评价实验，建立光谱功率分布SPD与主观评价结果的直接关系，确定对照明质量评价结果有显著影响的光谱特定波段；接着通过数据分析和挖掘，建立基于SPD的博物馆绘画照明质量评价模型，实现绘画照明视觉评价。

具体步骤如下：

1、使用LEDcube作为照明光源，通过电脑端软件LEDNavigatorV6.3.7 0606进行操作；

2、使用十个窄带光谱进行光谱构造与迭代来得到最终的40条目标光谱，十个窄带光谱的参数如下：

对十种窄带光谱赋予不同的辐照度取值并进行叠加，构造出不同形状的光谱，其叠加原理见公式如下：

其中n＝1，2，3，…，10，表示10种窄带光源，i＝1,2,3,…,6,表示每种窄带光源的6个辐照度取值，S(λ)为叠加后得到的光谱功率分布，Sn(λ)为每条窄带光源的辐照度1W/m²时的光谱功率分布，A_i为每条窄带光谱的辐照度取值，初始辐照度设定为0W/m²，终止辐照度设定为10W/m²，以2W/m²为辐照度递增的步长，共获得6个辐照度取值；

筛选符合目标光谱的筛选方式：

筛选步骤一：相关色温的取值范围为2650K≤CCT≤4150K，Ra≥90，R9≥0，︱Duv ︱≤0.0054；

筛选步骤二：以光谱的辐照度值为横轴，以其对应的相关色温为纵轴，得到相同辐照度取值的光谱集合的相关色温分布情况，取等辐照度的光谱的相关色温分布最均匀部分；

筛选步骤三：将相关色温范围划分为若干个合适区间，每个区间选择6-7条光谱，得到最终光谱，目标光谱需取遍每种窄带光源的所有辐照度取值：

3、任一窄带光谱面积的获取：

对每种窄带光谱均选取4个出光百分比25％、50％、75％、100％，测量其实际辐照度，拟合其辐照度与出光百分比的函数，其中，横轴表示出光百分比，纵轴表示实际辐照度与出光百分比为100％时辐照度的比值，通过这一函数，计算任一工况下任一窄带光谱的面积；

4、由实验数据建立不同峰值波长的窄带光谱的面积与评价得分的二维图形，进而通过相关性分析确定对该评价有影响的具体光谱波段，建立不同颜色与评价得分的二维图形，进而通过相关性分析确定对该评价有影响的具体颜色；

5、数据处理和数据挖掘，通过相关性分析使变量数目降为三个维度，并通过使用支持向量机(support vector machine,SVM)中的函数MinMaxScaler实现对自变量的归一化处理；基于因变量转化为标签变量，进而将模型建立转化为三类问题，通过数据划分和模型训练建立舒适度评价模型、清晰度评价模型、鲜艳度评价模型。

通过数据划分和模型训练建立舒适度评价模型、清晰度评价模型、鲜艳度评价模型，具体步骤如下：

(1)数据前处理

a将因变量转化为标签变量

对于清晰度评分，将各个工况下的清晰度评分均值划分为以下三个区间：-4≤清晰度评分均值＜-1，-1≤清晰度评分均值＜3，3≤清晰度评分均值≤4，这三个区间代表“差”、“良”、“优”，将三个区间内的因变量分别标记为“1”、“2”、“3”，作为标签变量；舒适度评分、鲜艳度评分以此类推，也分为“差”、“良”、“优”三个等级；

b对自变量进行归一化处理

使用SVM中的自带函数MinMaxScaler将每一维数据映射到特定区间，默认区间为[0,1]；

(2)模型建立过程

a划分数据为训练集和测试集。

设定训练集：测试集＝4:1，对数据进行随机划分；

b参数选择

基于支持向量机的评价模型，选用高斯核函数RBF，其核函数的形式为：

K(x_i,x_j)＝exp(-γ‖x_i-x_j‖²)

其中(x_i,x_j)为训练集数据，x_i为数据的特征向量，x_j为标签，γ为需要人工设置的参数，在模型训练之前，需要指定惩罚因子C和γ值，它们都是大于0的实数，使用K折交叉验证和基于网格的方法对上述参数进行调节，以获得C和γ的取值；

c模型训练

对于清晰度评价的数据，特征变量共有3个，分别是峰值波长为445nm的窄带光谱的面积值、峰值波长为505nm、525nm和555nm的窄带光谱的面积值之和、峰值波长为595nm和610nm的窄带光谱的面积值之和，目标变量是经过处理得到的清晰度评价级别，设置参数C和γ为步骤b中获得的取值，输入训练集的特征变量和目标变量，经过训练可以获得基于支持向量机的清晰度评价模型；对于舒适度评价的数据，特征变量有2个，分别是峰值波长为445nm的窄带光谱的面积值和峰值波长为505nm、525nm和555nm的窄带光谱的面积值之和，目标变量则是经过处理得到的舒适度评价级别，鲜艳度评价数据中的特征变量有1个，即峰值波长为595nm和610nm的窄带光谱的面积值之和，其目标变量是经过处理得到的鲜艳度评价级别，其中设置参数C和γ取值的获得方式同步骤b，输入训练集的特征变量和目标变量，经过训练可以获得基于支持向量机的舒适度评价模型和鲜艳度评价模型；

(3)数学模型

将测试集数据的特征变量输入训练好的模型，计算出预测值，通过sklearn的函数metrics.accuracy_score计算预测值与测试集目标变量的差异，表征模型的准确率；

经过上述过程建立的基于支持向量机的绘画照明质量评价模型，对任意展陈光源下观看绘画时的整体感受进行预测。

本发明的特点及有益效果是：

(1)本发明所提出一种光谱对色彩还原计算模型的获取方法，明确了对照明质量评价结果有显著影响的光谱特定波段，填补了以往从光谱功率分布方面入手进行博物馆绘画照明质量评价的空缺，将光谱功率分布作为实验变量，直接建立光谱与视觉评价之间的定量关系，避免二维光谱数据向一维指标转换时的信息丢失，进而直接获得符合目标的光谱轮廓。

(2)本发明在明确对照明质量评价结果有显著影响的光谱特定波段的基础上建立了基于光谱功率分布的博物馆绘画照明质量评价模型，对于任意给定光谱功率分布，将其数据输入模型中即可获得照明质量评价等级。

(3)本发明可为博物馆照明标准的修订提供基础。

综上所述，本发明能够大幅提高博物馆绘画照明质量，进而提升博物馆绘画观赏体验，具有较大的社会效益。

附图说明：

图1是技术方案流程图。

图2是实验用独立展柜的示意图与实景照片。

图3 是14种单色LED在输出比例为100％时的光谱功率分布图。

图4是LEDNavigator软件界面图。

图5是十种窄带LED在相同辐照度下的光谱功率分布图。

图6 是9477条光谱的相关色温和辐照度分布。

图7是目标工况的光谱功率分布图。

图8是《簪花仕女图》(左)和《庐山图》(右)。

图9是实际辐照度与出光百分比的关系(以峰值波长为635nm的窄带光谱为例。

图10是不同峰值波长的窄带光谱面积对舒适度评价结果的影响规律图。

(a)425nm (b)445nm

(c)475nm (d)505nm

(e)525nm (f)555nm

(g)595nm (h)610nm

(i)635nm (j)660nm

(k)670nm (l)705nm。

图11是峰值波长在相同颜色区域的窄带光谱面积之和对舒适度评价结果的影响规律图。

(a)紫色 (b)蓝色

(c)青色 (d)绿色

(e)橙色 (f)红色。

图12是不同峰值波长的窄带光谱面积对清晰度评价结果的影响规律图。

(a)425nm (b)445nm

(c)475nm (d)505nm

(e)525nm (f)555nm

(g)595nm (h)610nm

(i)635nm (j)660nm

(k)670nm (l)705nm。

图13是峰值波长在相同颜色区域的窄带光谱面积之和对清晰度评价结果的影响规律图。

(a)紫色 (b)蓝色

(c)青色 (d)绿色

(e)橙色 (f)红色。

图14是不同峰值波长的窄带光谱面积对鲜艳度评价结果的影响规律图。

(a)425nm (b)445nm

(c)475nm (d)505nm

(e)525nm (f)555nm

(g)595nm (h)610nm

(i)635nm (j)660nm

(k)670nm (l)705nm。

图15是峰值波长在相同颜色区域的窄带光谱面积之和对鲜艳度评价结果的影响规律图。

(a)紫色 (b)蓝色

(c)青色 (d)绿色

(e)橙色 (f)红色。

图16是关联因素影响舒适度评价的影响规律图。

图17是波长为445nm和595nm的窄带光谱的面积值以及峰值波长在绿色区域的窄带光谱的面积值之和对舒适度评价的影响的关联性。

(a)峰值波长为445nm和在绿色区域的窄带光谱的面积值的关联性。

(b)峰值波长为445nm和595nm的窄带光谱的面积值的关联性。

(c)峰值波长在绿色区域和595nm的窄带光谱的面积值的关联性。

图18是实验数据的标签分布。

图19是ROC曲线(以清晰度评价模型为例)。

图20是应用博物馆绘画照明质量评价模型的过程图。

具体实施方式

发明提出的满足博物馆绘画照明视觉需求的照明质量评价模型的获取方法，对博物馆展陈环境中的多通道LED光源设计有较大参考价值，对提升博物馆绘画观赏体验有加大意义。

技术方案流程见图1。

1、实验环境

(1)为真实地模拟博物馆绘画照明环境，在天津市天津大学建筑物理环境与生态技术重点实验室搭建了实景博物馆展厅，展厅长和宽均9m，高度4.2m。内墙表面刷白色乳胶漆，反射率为0.8，水泥地面反射率为0.2。为更加真实地还原展厅场景，设置三种类型共5个沿墙展柜和5个独立展柜，并在柜内陈设仿制的绘画作品和陶瓷制品。

(2)选择其中一个柱式独立展柜作为评价实验的装置，其尺寸为600*600*2200mm。底座高度为800mm，上铺灰色吸光布，再放置绘画作品，以减少底座表面反射对视觉评价结果的影响。展柜上方设置重点照明光源，光源底部到绘画作品表面的距离为1100mm。该独立展柜示意图和实景照片见图2

2、实验光源

(1)重点照明的光源为光谱可调的照明设备LEDCube，其尺寸为300mm*300mm*210mm (长*宽*高)。LEDCube由14种不同峰值波长的LED组成，各单色LED的光谱功率分布见图3。

(2)通过电脑端软件LEDNavigatorV6.3.7 0606进行操作，可以控制和调节LEDCube，使其复现任意输入的光谱功率分布，或者调整任一通道的发光强度进行光源设计，并且在保证光品质相同的前提下可以调节亮度，其操作界面见图4。

3、实验工况

实验变量为光谱功率分布，用作实验工况的光谱是通过以下两个步骤确定。

(1)确定目标光谱，即理想状态下的光谱工况。最后一共得到40个目标光谱，具体操作方法如下：

使用了十个窄带光谱进行光谱构造与迭代，表1列出了十个窄带光谱的参数，其各自的光谱功率分布见图5。

表1十种窄带光源的参数

根据光谱的叠加性，任意光谱功率分布可以由多个不同峰值波长的窄带光谱叠加得到。因此，对十种窄带光谱赋予不同的辐照度取值并进行叠加，构造出不同形状的光谱，其叠加原理见公式(1)。

其中n＝1,2,3,…,10,表示10种窄带光源，i＝1,2,3,…,6,表示每种窄带光源的6个辐照度取值。S(λ)为叠加后得到的光谱功率分布，Sn(λ)为每条窄带光源的辐照度为1W/m²时的光谱功率分布。A_i为每条窄带光谱的辐照度取值，其获得方法如下：每条窄带光源在迭代过程中的初始辐照度设定为0W/m²，终止辐照度设定为10W/m²，以2W/m²为辐照度递增的步长，共获得6个辐照度取值。对由十种窄带光源叠加得到的所有光谱组成进行穷举，共得到6¹⁰个光谱。

在博物馆展陈环境中，光源选择不仅需要满足文物保护的要求，还需要满足观赏文物的视觉需求。因此，设定相关色温的取值范围为2650K≤CCT≤4150K，Ra≥90，R9≥0，︱Duv ︱≤0.0054为筛选条件。对6¹⁰个光谱进行迭代计算，剔除不符合上述筛选条件的光谱，最终得到了9477条光谱。再以这些光谱的辐照度值为横轴，以其对应的相关色温为纵轴，可以得到相同辐照度取值的光谱集合的相关色温分布情况，见图6。

从图中可以看出，当辐照度取值为40W/㎡时，等辐照度的光谱的相关色温分布最均匀；因此，在辐照度为40W/㎡的所有光谱(共737个)集合中进行筛选，获得目标工况。将光谱按照相关色温范围划分为6个区间，每个区间选择6-7条光谱，共计40个光谱，每个色温区间内的光谱功率分布见表2。可以看出，每个色温区间内的光谱各不相同，其峰值波长的位置以及强度均存在差异，并且这40条光谱可以将每种窄带光源的所有辐照度取值取遍(见表 3)，所以这些光谱具有代表性。

表2每个色温区间内选择的光谱功率分布图

表3组成辐照度为40W/㎡的光谱的十种窄带光源辐照度取值

并对筛选得到的40个光谱的照度值在50-100lx范围内进行归一化，作为目标实验工况，所得的目标光谱见图7。

(2)使用LEDCube对目标光谱进行复现，由于设备自身特点及精确度限制，得到的复现光谱与目标光谱存在误差，因此，将复现光谱作为真实的实验工况。具体操作方法如下：

为复现第一步获得的目标光谱，使用LEDCube对其进行拟合。在“配光”功能菜单下选择“SPD模式——Shape”，即按照输入的光谱形状进行匹配。导入待拟合的光谱功率分布，并设定照度值，即可得到相似形状的光谱。由于LEDCube中各单色LED的峰值波长与前期研究所用窄带光源不完全一致，部分复现的光谱与理论光谱存在差异,因此，在数据分析过程中，以拟合所得实际光谱为变量，研究其对主观评价结果的影响。实际工况的色温范围为2750-4100K，每个色温区间内的拟合所得实际光谱功率分布见表3。

4、实验方案

中国传统绘画的分类标准繁多，根据表现技法可以大致分为两类：工笔画和写意画。因此选择了两幅不同技法和题材的绘画为代表进行评价，分别为《簪花仕女图》和《庐山图》。画作为青绿水墨，使用的主要颜料类型包括赭石、石青、石绿、石墨等。实验中所用绘画为定制的仿品，进行了特殊工艺处理，其颜色外观与真品相似，见图8，可以据此进行视觉评价的研究。

共招募了12名被试，其中男生6人、女生6人，年龄在23-27岁之间，平均年龄为24.7岁。被试均通过了Ishihara色觉测试，矫正视力正常。在实验开始前，为被试讲解了实验流程以及各个评价指标的含义。

评价内容包括整体照明环境的氛围感知和绘画的外观，氛围感知使用舒适度进行表征，绘画外观使用清晰度和鲜艳度进行表征。评价指标包括三个反义词词对：舒适-不舒适，清晰 -模糊，色彩鲜艳-色彩单调。舒适指整体协调，清晰指是否可以清楚地显示展品的细节和纹理，色彩鲜艳指的是整体的色彩感受。各个评分与其对应含义见表4。

表4分类评价量表

实验过程中，记录者和被试均身着黑色实验服，以减少服装的反射对视觉评价结果的影响。被试站在展柜前300mm处，对绘画进行观察，并对整体视觉效果进行评价。每位被试参与实验的时间为六十分钟。

5、光谱数据处理

拟合所得光谱的本质是由14种不同峰值波长的窄带光谱叠加组成的，因此光谱变量可以用14个窄带光谱的面积值进行描述。但是，由于设备自身特点，实际出光亮度与界面所示的出光百分比并非线性关系。因此，对每种窄带光谱均选取4个出光百分比25％、50％、75％、 100％，测量其实际辐照度，拟合其辐照度与出光百分比的函数，见图9。其中，横轴表示出光百分比，纵轴表示实际辐照度与出光百分比为100％时辐照度的比值。通过这一函数，可以计算任一工况下任一窄带光谱的面积。

在复现光谱的过程中发现，峰值波长为405nm和540nm的窄带光谱的出光百分比均为 0，即配光过程中未被使用，因此最终变量为12种不同峰值波长的窄带光谱的面积值。表5 展示了部分工况，可以看出，不同工况下每种峰值波长的窄带光谱的面积值可能相同，也可能不同。这受到LEDCube对目标光谱进行的拟合过程的影响，对于每种峰值波长的窄带光谱，不同工况可能使用相同的面积值进行拟合，这对实验数据分析并无影响。在这个转化过程中，光谱功率分布的数据维度没有丢失，它仍然可以表示为二维矩阵。

表5部分工况下各窄带光谱的面积值

6、不同峰值波长的窄带光谱的面积值对三度影响规律的分析。

(1)数据前处理

在实验中存在的影响主观评价的结果的异常值使用四分位距法进行剔除。为表示观察者间差异，计算在每个工况下三个评价量表得分的标准偏差。结果显示，标准偏差的范围为0.5 到2.4。表6列出了三个评价量表得分的标准偏差平均值。可以看出，三个评价量表的结果在不同的被试者之间具有较好的一致性。因此，使用观察者的平均得分用作下一步分析。

表6评价量表得分的标准偏差

实验中选择了两幅不同技法的绘画，分别是工笔画和写意画。使用SPSS软件分析绘画类型和评价量表得分之间的相关性，表7列出了统计结果。从表7中可以看出，所有绘画的评分与单个绘画的评分之间具有较好的一致性。因此，使用两幅绘画的平均得分用作下一步分析。

表7绘画类型与评价量表得分的相关性统计

(2)舒适度评价影响规律

a.单个窄带光谱面积的影响规律：

以不同峰值波长的窄带光谱的面积值为横轴，以“舒适-不舒适”(以下简称“舒适度”) 评价得分为纵轴，将实验数据绘制成二维散点图，共计12个图像，见图10。

从图中可以看出，峰值波长为445nm和525nm的窄带光谱的面积值对舒适度评价的影响很大，呈现明显的正相关关系；峰值波长为595nm的窄带光谱的面积值对舒适度评价的影响也存在相似的规律，但是呈现较弱的正相关关系；峰值波长为705nm的窄带光谱的面积值与舒适度评价存在较弱的负相关关系。

b.峰值波长在相同颜色区域的窄带光谱面积之和的影响规律：

从单个窄带光谱面积的影响规律分析中可以看出，某些峰值波长的窄带光谱的面积值对主观评价结果存在明显的影响。由此进行以下猜想，可能是特定波长附近区域的能量影响主观评价结果，而这一区域可能与特定颜色相对应。根据可见光谱的不同波段与颜色的对应关系，见表8，将12种窄带光谱按颜色区域进行划分，对峰值波长在相同颜色区域的窄带光谱面积值求和，分析其对主观评价结果的影响规律。

表8可见光谱的不同波段与颜色的对应关系

与单个窄带光谱面积的影响规律分析相似，以峰值波长相邻的窄带光谱面积值之和为横轴，以舒适度评价得分为纵轴，在二维坐标系中绘制实验数据点，共计6个图像，见图11。

从图中可以看出，蓝色区域内的窄带光谱的面积值之和对舒适度评价的影响很大，呈现明显的正相关关系，在绿色区域内的窄带光谱的面积值对舒适度评价的影响也存在相似的规律，但是与蓝色区域的影响相比，存在较弱的正相关关系；在红色区域内的窄带光谱的面积值与舒适度评价存在较弱的负相关关系；在紫色区域、青色区域和橙色区域内的窄带光谱的面积值对舒适度评价得分影响很小，没有呈现明显的相关关系。

(3)清晰度评价影响规律

a.单个窄带光谱面积的影响规律：

以不同峰值波长的窄带光谱的面积值为横轴，以“清晰-模糊”(以下简称“清晰度”)评价得分为纵轴，将实验数据绘制成二维散点图，共计12个图像，见图12。

从图中可以看出，峰值波长为445nm、525nm、595nm的窄带光谱的面积值对清晰度评价的影响很大，呈现明显的正相关关系；峰值波长为635nm的窄带光谱的面积值对清晰度评价的影响也存在相似的规律，但是呈现较弱的正相关关系；峰值波长为660nm、670nm和705nm 的窄带光谱的面积值与清晰度评价存在较弱的负相关关系。

b.峰值波长在相同颜色区域的窄带光谱面积之和的影响规律：

以峰值波长相邻的窄带光谱面积值之和为横轴，以清晰度评价得分为纵轴，在二维坐标系中绘制实验数据点，共计6个图像，见图13。

从图中可以看出，在蓝色区域和绿色区域内的窄带光谱的面积值之和对清晰度评价的影响很大，呈现明显的正相关关系；在橙色区域内的窄带光谱的面积值对清晰度评价的影响也存在相似的规律，但是与蓝色区域和绿色区域相比，呈现较弱的正相关关系；在红色区域内的窄带光谱的面积值与清晰度评价存在较弱的负相关关系；在紫色区域、青色区域和红色区域内的窄带光谱的面积值对清晰度评价得分影响很小，没有呈现明显的相关关系。

(4)鲜艳度评价影响规律

a.单个窄带光谱面积的影响规律：

以不同峰值波长的窄带光谱的面积值为横轴，以“色彩鲜艳-色彩单调”(以下简称“鲜艳度”)评价得分为纵轴，将实验数据绘制成二维散点图，共计12个图像，见图14。

从图中可以看出，峰值波长为610nm的窄带光谱的面积值对鲜艳度评价的影响较大，呈现明显的正相关关系；峰值波长为635nm的窄带光谱的面积值对鲜艳度评价的影响也存在相似规律，但是呈现较弱的正相关关系；峰值波长为445nm的窄带光谱的面积值与鲜艳度评价存在较弱的负相关关系。

b.峰值波长在相同颜色区域的窄带光谱面积之和的影响规律：

以峰值波长相邻的窄带光谱面积值之和为横轴，以鲜艳度评价得分为纵轴，在二维坐标系中绘制实验数据点，共计6个图像，见图15。

从图中可以看出，在橙色区域内的窄带光谱的面积值之和对鲜艳度评价存在影响，呈现较弱的正相关关系。

7、影响因素的关联性分析。

使用SPSS软件对不同峰值波长的窄带光源的面积值、峰值波长在相同颜色区域的窄带光源的面积值之和以及三度评价得分之间的相关性进行分析，选择皮尔逊相关系数作为指标。设定条件为相关系数大于0.5且具有显著相关性的因素，筛选出三度评价的影响因素。

(1)舒适度评价影响因素的关联性分析

表9列出了对舒适度评价有显著影响的因素，分别是峰值波长为445nm的窄带光谱的面积值、峰值波长在蓝色区域的窄带光谱的面积值、峰值波长在绿色区域(505+525+555nm)的窄带光谱的面积值以及峰值波长为525nm的窄带光谱的面积值之和。实际上，蓝色区域即峰值波长为445nm的窄带光谱的面积值，所以不对峰值波长在蓝色区域内的窄带光谱的面积值之和再作关联性分析；由于绿色区域包含了峰值波长为525nm的窄带光谱的面积值，而且前者与舒适度评价结果的相关性较高，因此，不需要对峰值波长为525nm的窄带光谱的面积值再作关联性分析。

表9对舒适度评价有显著影响的因素分析

/>

**.在0.01级别(双尾)，相关性显著

分别以峰值波长为445nm和峰值波长在绿色区域的窄带光谱的面积值为x轴和y轴，以舒适度评价得分为z轴，绘制三维散点图，以直观表示上述两个变量对舒适度评价的影响的关联性，见图16。

从图中可以看出，当峰值波长为445nm的窄带光谱的面积值保持不变时，增加峰值波长在绿色区域的窄带光谱的面积值，舒适度评分的变化很小；当峰值波长在绿色区域的窄带光谱的面积值保持不变时，增加峰值波长为445nm的窄带光谱的面积值，舒适度评分会随之增加。因此，在实际应用中，可以通过增加光源光谱中445nm附近区域的能量值，获得舒适度的提升。

(2)清晰度评价影响因素的关联性分析

表10列出了对清晰度评价有显著影响的因素，分别是峰值波长为445nm、525nm和595nm 的窄带光谱的面积值、峰值波长在蓝色区域的窄带光谱的面积值之和、峰值波长在绿色区域 (505+525+555nm)的窄带光谱的面积值之和以及峰值波长在橙色区域(595+610nm)的窄带光谱的面积值之和。实际上，蓝色区域即为峰值波长为445nm的窄带光谱的面积值，因此不需要对峰值波长在蓝色区域内的窄带光谱的面积值之和再作关联性分析；绿色区域包含了峰值波长为525nm的窄带光谱的面积值，而且前者与清晰度评价结果的相关性较高，因此不需要对峰值波长为525nm的窄带光谱的面积值之和再作关联性分析；橙色区域包含了峰值波长为595nm的窄带光谱的面积值，而且前者与清晰度评价结果的相关性较低，因此不需要对峰值波长在橙色区域的窄带光谱的面积值之和再作关联性分析。

表10对清晰度评价有显著影响的因素分析

**.在0.01级别(双尾)，相关性显著

分别以峰值波长为445nm和595nm的窄带光谱的面积值以及峰值波长在绿色区域的窄带光谱的面积值之和中的两个因素为x轴和y轴，以清晰度评价得分为z轴，绘制三维散点图，共计3个图像，以直观表示上述三个变量对舒适度评价的影响的关联性，见图17。

从图(a)中可以看出，当峰值波长为445nm的窄带光谱的面积值保持不变时，增加峰值波长在绿色区域的窄带光谱的面积值，清晰度评分会随之增加；当峰值波长在绿色区域的窄带光谱的面积值保持不变时，增加峰值波长为445nm的窄带光谱的面积值，清晰度评分的变化很小。

从图(b)中可以看出，当峰值波长为445nm的窄带光谱的面积值保持不变时，增加峰值波长为595nm的窄带光谱的面积值，清晰度评分的变化很小；当峰值波长为595nm的窄带光谱的面积值保持不变时，增加峰值波长为445nm的窄带光谱的面积值，清晰度评分会随之增加。

从图(c)中可以看出，当峰值波长在绿色区域的窄带光谱的面积值保持不变时，增加峰值波长为595nm的窄带光谱的面积值，清晰度评分的变化很小；当峰值波长为595nm的窄带光谱的面积值保持不变时，增加峰值波长在绿色区域的窄带光谱的面积值，清晰度评分会随之增加。

综上所述，在实际应用中，可以通过增加光源光谱中绿色区域的能量值，或者通过增加光源光谱中445nm附近区域的能量值，获得清晰度的提升。

(3)鲜艳度评价影响因素的关联性分析

表11列出了对鲜艳度评价有显著影响的因素，分别是峰值波长在橙色区域的窄带光谱的面积值之和以及峰值波长为610nm的窄带光谱的面积值。实际上，橙色区域包含了峰值波长为610nm的窄带光谱的面积值，而且前者与鲜艳度评价结果的相关性较高，因此不需要对峰值波长为610nm的窄带光谱的面积值再作关联性分析。

表11对鲜艳度评价有显著影响的因素分析

**.在0.01级别(双尾)，相关性显著

由于仅有一个因素对鲜艳度评价的影响满足筛选条件，此处无需对影响因素的关联性进行分析。在实际应用中，可以通过增加光源光谱中橙色区域的能量值，获得鲜艳度的提升。

8、数据降维处理

从6和7的分析结果可以得出，峰值波长为445nm、525nm、595nm和610nm的窄带光谱的面积值对舒适度、清晰度和鲜艳度的评价结果有显著影响，峰值波长在蓝色、绿色和橙色区域内的窄带光谱的面积值之和也对主观评价结果有显著影响。

由于变量数目超过三个时，不能用可视化图形进行展示，也就降低了所获模型的使用简便性，不利于实际应用。因此，需要对变量数据进行降维。根据峰值波长的物理意义，使用峰值波长为595nm和610nm的窄带光谱的面积值之和，合并成为一个变量，即峰值波长在橙色区域的能量值。

根据7中使用SPSS软件对峰值波长在橙色区域的窄带光源的面积值之和及主观评价得分之间的相关性的分析，表12列出了统计结果。可以看出，峰值波长在橙色区域的窄带光源的面积值与清晰度、鲜艳度评价得分之间具有显著相关性，且皮尔逊相关系数均大于0.5。

表12峰值波长在橙色区域的窄带光源的面积值与评价量表得分的相关性统计

**.在0.01级别(双尾)，相关性显著

最终，变量数目降为三个维度，即峰值波长为445nm的窄带光谱的面积值、峰值波长在绿色区域的窄带光谱的面积值以及峰值波长在橙色区域的窄带光谱的面积值，作为接下来建立评价模型的输入参数。

9、照明质量评价模型

(1)数据前处理

a将因变量转化为标签变量

以清晰度评分为例，将各个工况下的清晰度评分均值划分为以下三个区间：-4≤清晰度评分均值＜-1，-1≤清晰度评分均值＜3，3≤清晰度评分均值≤4。这三个区间代表了不同的清晰度评价级别，分别是“差”、“良”、“优”。将三个区间内的因变量分别标记为“1”、“2”、“3”，作为标签变量。舒适度评分、鲜艳度评分以此类推，也分为“差”、“良”、“优”三个等级。此时，模型建立转化为三分类问题，数据在不同清晰度分类标签的数量分布如图18所示。

b对自变量进行归一化处理

特征变量的归一化有利于后期数据处理，提高程序运行中的收敛速度。使用SVM自带函数MinMaxScaler将每一维数据映射到特定区间，一般使用默认区间[0,1]。

(2)模型建立过程

a划分数据为训练集和测试集。

训练集数据将用于模型训练，测试集数据将用于测试模型的准确度。由于实验工况共有 40种，因此原始数据共有40组。每组数据中共包含3个自变量值和1个因变量值。设定训练集：测试集＝4:1，对数据进行随机划分，共获得32组训练集、8组测试集。

b参数选择。

根据本研究的目标特点，评价模型的建立属于非线性分类问题。核函数是为解决非线性分类问题而发展得到的，可以将数据从较低维空间映射到较高维空间。选择应用最为广泛的高斯核函数(RBF)，其核函数的形式为：

K(x_i,x_j)＝exp(-γ‖x_i-x_j‖²)

其中(x_i,x_j)为训练集数据，x_i为数据的特征向量，x_j为标签，γ为需要人工设置的参数。在模型训练之前，需要指定惩罚因子C和γ值，它们都是大于0的实数。因此，使用K折交叉验证和基于网格的方法对上述参数进行调节，以获得最优的C和γ的取值。

c模型训练。

对于清晰度评价的数据，特征变量共有3个，分别是峰值波长为445nm的窄带光谱的面积值、峰值波长为505nm、525nm和555nm的窄带光谱的面积值之和、峰值波长为595nm和610nm的窄带光谱的面积值之和，目标变量是经过处理得到的清晰度评价级别。设置参数C和γ为第二步中获得的最优取值，输入训练集的特征变量和目标变量，经过训练可以获得基于支持向量机的清晰度评价模型。舒适度评价模型和鲜艳度评价也是以此类推，其中对于舒适度评价的数据，特征变量有2个，分别是峰值波长为445nm的窄带光谱的面积值和峰值波长为505nm、525nm和555nm的窄带光谱的面积值之和，目标变量则是经过处理得到的舒适度评价级别，鲜艳度评价数据中的特征变量有1个，即峰值波长为595nm和610nm的窄带光谱的面积值之和，其目标变量是经过处理得到的鲜艳度评价级别，其中设置参数C和γ取值的获得方式同第二步，输入训练集的特征变量和目标变量，经过训练可以获得基于支持向量机的舒适度评价模型和鲜艳度评价模型。

(3)数学模型

将测试集数据的特征变量输入训练好的模型，可以计算出预测值。通过sklearn的函数 metrics.accuracy_score计算预测值与测试集目标变量的差异，可以表征模型的准确率。经过计算，舒适度评价模型、清晰度评价模型、鲜艳度评价模型的准确率分别为0.75、0.875、 0.875。

除了准确率计算以外，通常使用受试者工作特征曲线(ROC曲线)对多分类的模型进行评估。它可以直观展示设定不同阈值时评价模型的精确性和敏感性。以清晰度评价模型为例，图19绘制了它的ROC曲线。从图中可以看出，模型具有较好的分类性能。

经过上述过程建立的基于支持向量机的绘画照明质量评价模型，能对任意展陈光源下观看绘画时的整体感受进行预测，以及比较不同光源照射绘画时的视觉效果优劣。该评价模型具有很好的操作简洁性。

图20展示了该评价模型的具体应用流程，使用模型需要进行以下三个步骤：

1、使用LEDCube对待测光谱进行复现。将待评价光源的光谱功率分布输入LEDCube，并设定其照度值，在LEDCube操作界面的“配光”功能菜单下选择“SPD模式——Shape”，在过程中可以使用“Feedback”进行手动调节，以获得形状最为相似的光谱。

2、在LEDCube操作界面读取组成光谱的各个窄带光源的比例值，根据辐照度与比例值的函数计算出窄带光源的面积值。输入的特征变量为峰值波长为445nm的窄带光谱的面积值、峰值波长为505nm、525nm和555nm的窄带光谱的面积值之和以及峰值波长为595nm和610nm 的窄带光谱的面积值之和。

3、将上述三个特征变量输入模型，可以计算得到待测光谱在舒适度、清晰度和鲜艳度三个维度的评价分数。根据9-(1)-a中的变量标签化过程，可以得到待测光谱在舒适度、清晰度和鲜艳度三个维度的评价等级。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种光源光谱功率分布相关的绘画照明视觉评价方法，其特征是，针对博物馆绘画文物样品，首先通过视觉评价实验，建立光谱功率分布SPD与主观评价结果的直接关系，确定对照明质量评价结果有显著影响的光谱特定波段；接着通过数据分析和挖掘，建立基于SPD的博物馆绘画照明质量评价模型，实现绘画照明视觉评价；

具体步骤如下：

1)、使用LEDcube作为照明光源，通过电脑端软件进行操作；

2)、使用十个窄带光谱进行光谱构造与迭代来得到最终的40条目标光谱，十个窄带光谱的峰值波长分别为：447、475、500、519、555、595、625、635、658、733；半带宽分别为：20、20、30、30、30、20、20、20、30、20；

对十种窄带光谱赋予不同的辐照度取值并进行叠加，构造出不同形状的光谱，其叠加原理见公式如下：

其中n＝1，2，3，…，10，表示10种窄带光源，i＝1,2,3,…,6,表示每种窄带光源的6个辐照度取值，S(λ)为叠加后得到的光谱功率分布，Sn(λ)为每条窄带光源的辐照度1W/m²时的光谱功率分布，A_i为每条窄带光谱的辐照度取值，初始辐照度设定为0W/m²，终止辐照度设定为10W/m²，以2W/m²为辐照度递增的步长，共获得6个辐照度取值；

筛选符合目标光谱的筛选方式：

筛选步骤一：相关色温的取值范围为2650K≤CCT≤4150K，Ra≥90，R9≥0，︱Duv︱≤0.0054；

筛选步骤二：以光谱的辐照度值为横轴，以其对应的相关色温为纵轴，得到相同辐照度取值的光谱集合的相关色温分布情况，取等辐照度的光谱的相关色温分布最均匀部分；

筛选步骤三：将相关色温范围划分为若干个合适区间，每个区间选择6-7条光谱，得到最终光谱，目标光谱需取遍每种窄带光源的所有辐照度取值：

3)、任一窄带光谱面积的获取：

对每种窄带光谱均选取4个出光百分比25％、50％、75％、100％，测量其实际辐照度，拟合其辐照度与出光百分比的函数，其中，横轴表示出光百分比，纵轴表示实际辐照度与出光百分比为100％时辐照度的比值，通过这一函数，计算任一工况下任一窄带光谱的面积；

4)、由实验数据建立不同峰值波长的窄带光谱的面积与评价得分的二维图形，进而通过相关性分析确定对该评价有影响的具体光谱波段，建立不同颜色与评价得分的二维图形，进而通过相关性分析确定对该评价有影响的具体颜色；

5)、数据处理和数据挖掘，通过相关性分析使变量数目降为三个维度，并通过使用支持向量机中的函数MinMaxScaler实现对自变量的归一化处理；基于因变量转化为标签变量，进而将模型建立转化为三类问题，通过数据划分和模型训练建立舒适度评价模型、清晰度评价模型、鲜艳度评价模型。

2.如权利要求1所述的光源光谱功率分布相关的绘画照明视觉评价方法，其特征是，通过数据划分和模型训练建立舒适度评价模型、清晰度评价模型、鲜艳度评价模型，具体步骤如下：

(1)数据前处理

a将因变量转化为标签变量

对于清晰度评分，将各个工况下的清晰度评分均值划分为以下三个区间：-4≤清晰度评分均值＜-1，-1≤清晰度评分均值＜3，3≤清晰度评分均值≤4，这三个区间代表“差”、“良”、“优”，将三个区间内的因变量分别标记为“1”、“2”、“3”，作为标签变量；舒适度评分、鲜艳度评分以此类推，也分为“差”、“良”、“优”三个等级；

b对自变量进行归一化处理

使用SVM中的自带函数MinMaxScaler将每一维数据映射到特定区间，默认区间为[0,1]；

(2)模型建立过程

a划分数据为训练集和测试集；

设定训练集：测试集＝4:1，对数据进行随机划分；

b参数选择

基于支持向量机的评价模型，选用高斯核函数RBF，其核函数的形式为：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²)

其中(x_i,x_j)为训练集数据，x_i为数据的特征向量，x_j为标签，γ为需要人工设置的参数，在模型训练之前，需要指定惩罚因子C和γ值，它们都是大于0的实数，使用K折交叉验证和基于网格的方法对上述参数进行调节，以获得C和γ的取值；

c模型训练

对于清晰度评价的数据，特征变量共有3个，分别是峰值波长为445nm的窄带光谱的面积值、峰值波长为505nm、525nm和555nm的窄带光谱的面积值之和、峰值波长为595nm和610nm的窄带光谱的面积值之和，目标变量是经过处理得到的清晰度评价级别，设置参数C和γ为步骤b中获得的取值，输入训练集的特征变量和目标变量，经过训练获得基于支持向量机的清晰度评价模型；对于舒适度评价的数据，特征变量有2个，分别是峰值波长为445nm的窄带光谱的面积值和峰值波长为505nm、525nm和555nm的窄带光谱的面积值之和，目标变量则是经过处理得到的舒适度评价级别，鲜艳度评价数据中的特征变量有1个，即峰值波长为595nm和610nm的窄带光谱的面积值之和，其目标变量是经过处理得到的鲜艳度评价级别，其中设置参数C和γ取值的获得方式同步骤b，输入训练集的特征变量和目标变量，经过训练获得基于支持向量机的舒适度评价模型和鲜艳度评价模型；

(3)数学模型

将测试集数据的特征变量输入训练好的模型，计算出预测值，通过sklearn的函数metrics.accuracy_score计算预测值与测试集目标变量的差异，表征模型的准确率；

经过上述过程建立的基于支持向量机的绘画照明质量评价模型，对任意展陈光源下观看绘画时的整体感受进行预测。