CN114397094B - 一种基于光谱重建和色貌模型的光源显色性评价方法 - Google Patents
一种基于光谱重建和色貌模型的光源显色性评价方法 Download PDFInfo
- Publication number
- CN114397094B CN114397094B CN202210091098.0A CN202210091098A CN114397094B CN 114397094 B CN114397094 B CN 114397094B CN 202210091098 A CN202210091098 A CN 202210091098A CN 114397094 B CN114397094 B CN 114397094B
- Authority
- CN
- China
- Prior art keywords
- color
- light source
- evaluated
- chen
- wuti
- 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
Links
- 238000009877 rendering Methods 0.000 title claims abstract description 59
- 238000001228 spectrum Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 230000002596 correlated effect Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000002310 reflectometry Methods 0.000 claims abstract description 7
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 28
- 239000003086 colorant Substances 0.000 claims description 25
- 238000005286 illumination Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 9
- 101100001678 Emericella variicolor andM gene Proteins 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 abstract 1
- 235000008429 bread Nutrition 0.000 description 13
- 238000011161 development Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 3
- 241000220223 Fragaria Species 0.000 description 2
- 235000016623 Fragaria vesca Nutrition 0.000 description 2
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 2
- 238000004737 colorimetric analysis Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000005375 photometry Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013351 cheese Nutrition 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 230000004300 dark adaptation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000012830 plain croissants Nutrition 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本发明公开了一种基于光谱重建和色貌模型的光源显色性评价方法，包括对待评价光源照度和相关色温的测量；判断待评价光源的照度是否处于照度和相关色温范围内；对待评价光源光谱功率分布的采集；拍摄获取训练样本集和待展陈物体的RGB图像；提取训练样本集和待展陈物体的RGB响应值；采用光谱重建算法重建待展陈物体的光谱反射率；依据待展陈物体的整体颜色，选取主要颜色和次要颜色；在均匀颜色空间中计算主要颜色和次要颜色在待评价光源下的色貌信息；对主要颜色和次要颜色的色貌信息加权处理；对于待评价光源，依据加权色貌信息，结合光源显色性估计模型得到对应估计量值，实现对待评价光源展陈照明性能的表征。
Description
技术领域
本发明属于LED智能照明技术领域，具体涉及一种基于光谱重建和色貌分析的展陈光源显色性评价方法及系统。
背景技术
随着照明技术的进步，第四代照明光源LED因光效高，寿命长，节能环保等优点，已广泛应用于各类照明领域。同时，因其光色可调的技术特点，为智能化展陈照明创造了可能，现今已经广泛应用于各类展陈照明领域。
由于展陈照明质量受光源光谱特性及被照射物体色彩特性等因素的影响，因此在不同的展陈照明场景需结合特定展陈物体的色貌信息设计不同的展陈照明方案。现阶段，光谱重建方法是满足多元场景复杂颜色测量的常用方法，具有较高的成像质量和图谱合一的优点。
然而，现阶段尚未出现一种基于光谱重建方法和物体色貌分析，针对性地对特定颜色物体的展陈照明质量进行评价的方法。对于上述问题，亟待提出一种技术方案，基于特定颜色物体色貌信息进行针对性的展陈照明质量评价与表征，为展陈照明光源的筛选及优化提供指导或参考。
发明内容
本发明的目的是为了解决背景技术中所述问题，提出一种基于光谱重建和色貌分析的展陈光源显色性评价方法及系统。
本发明的技术方案为提供一种基于光谱重建和色貌分析的展陈光源显色性评价方法，包括以下步骤：
步骤1，测量待评价光源的照度E；
步骤2，判断待评价光源的照度E是否在本发明所适用的照度范围内，即判断a≤E≤b是否成立，若不成立则不适用本发明，若成立则进行下一步骤，其中a和b为常数；
步骤3，测量待评价光源的光谱功率分布；
步骤4，在均匀颜色空间S1中计算待评价光源的相关色温CCT；
步骤5，判断待评价光源的相关色温CCT是否在本发明所适用的相关色温范围内，即判断c≤ CCT ≤d是否成立，若不成立则不适用本发明，若成立则进行下一步骤，其中c和d为常数；
步骤6，在相同的拍摄条件下，采用彩色数码相机拍摄获取训练样本集和待展陈物体的RGB图像；
步骤7，提取训练样本集的RGB响应值和待展陈物体各像素的RGB响应值；
步骤8，采用光谱重建算法重建待展陈物体的光谱反射率；
步骤9，依据待展陈物体的整体颜色，选取X个主要颜色和Y个次要颜色；
步骤10，在均匀颜色空间S2中计算X+Y个颜色在待评价光源下的色貌信息；
步骤11，对主要颜色和次要颜色的色貌信息进行加权处理，加权方式如下：
其中，Q'和M'为加权色貌值，Q i 和Q k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视亮度，
M i 和
M k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视彩度，a'和b'为权重值；
步骤12，将步骤11中加权色貌信息输入到本发明所构建的光源显色性估计模型W中，得到待评价光源的显色性估计量值，进而实现展陈光源显色性能的表征。光源显色性估计模型如下：
其中，为光源显色性估计量值，Q'和M'为步骤11中加权色貌值，c'和d'为系数，取值为常数。
而且，步骤4中，均匀颜色空间S1采用CIE1976 UCS均匀颜色空间，步骤10中，均匀颜色空间S2采用CAM16-UCS均匀颜色空间。
而且，步骤8中，光谱重建算法采用局部加权非线性回归算法。
而且，步骤11中，a'的取值为0.7，b'的取值为0.3。
而且，步骤12中，c'的取值为0.741，d'的取值为0.02445。
本发明还提供一种基于光谱重建和色貌分析的展陈光源显色性评价系统，包括以下模块：
待评价光源照度信息采集模块，用于测量待评价光源的照度E；
照度范围判断模块，用于判断待评价光源的照度E是否在本发明所适用的照度范围内，即判断a≤ E≤b是否成立，若不成立则不适用本发明，其中a和b为常数；
待评价光源光谱信息采集模块，用于测量待评价光源的光谱功率分布；
待评价光源相关色温计算模块，用于在均匀颜色空间S1中计算待评价光源的相关色温CCT；
相关色温范围判断模块，用于判断待评价光源的相关色温CCT是否在本发明所适用的相关色温范围内，即判断c≤ CCT≤d是否成立，若不成立则不适用本发明，其中a和b为常数；
训练样本集和待展陈物体RGB图像采集模块，用于在相同的拍摄条件下，采用彩色数码相机拍摄获取训练样本集和待展陈物体的RGB图像；
训练样本集和待展陈物体RGB响应值提取模块，用于获取训练样本集和待展陈物体各像素的RGB响应值；
待展陈物体的光谱反射率重建模块，用于采用光谱重建算法重建待展陈物体的光谱反射率；
待展陈物体颜色选取模块，用于依据待展陈物体的整体颜色，选取X个主要颜色和Y个次要颜色；
待展陈物体色貌信息计算模块，用于在均匀颜色空间S2中计算X+Y个颜色在待评价光源下的色貌信息；
色貌信息加权模块，用于对主要颜色和次要颜色的色貌信息进行加权处理，加权方式如下：
其中，Q'和M'为加权色貌值，Q i 和Q k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视亮度，
M i 和
M k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视彩度，a'和b'为权重值；
光源显色性评价模块，用于采用本发明所构建的光源显色性估计模型，对待评价光源进行显色性评价，根据输出结果衡量待评价光源的照明质量，进而实现展陈光源显色性能的表征；光源显色性估计模型如下：
其中，为光源显色性估计量值，Q'和M'为步骤11中加权色貌值，c'和d'为系数，取值为常数。
而且，照度范围判断模块中，a=400，b=1200；
待评价光源光谱信息采集模块中，对测量得到的待评价光源光谱功率分布采用380nm-780nm波段信息；
待评价光源相关色温计算模块中，均匀颜色空间S1采用CIE1976 UCS均匀颜色空间；
相关色温范围判断模块中，c=2700，d=5100。
而且，待展陈物体的光谱反射率重建模块中，光谱重建算法采用局部加权非线性回归算法；
待展陈物体色貌信息计算模块中，均匀颜色空间S2采用CAM16-UCS均匀颜色空间；
a'的取值为0.7，b'的取值为0.3；
c'的取值为0.741，d'的取值为0.02445。
与现有技术相比，本发明的有益效果如下：
本发明提出的一种基于光谱重建和色貌分析的展陈光源显色性评价技术方案，以待评价光源的光度学和色度学特性为依托，结合光谱重建方法和待展陈物体的色貌信息，以光源显色性估计模型为手段，实现对展陈光源显色性能全面而准确的表征，进而为本领域提供了一种全面且具有针对性的LED展陈光源显色性能评价方法。
附图说明
图1为本发明实施例的流程图。
具体实施方式
结合附图，提供本发明实施例具体描述如下。
如图1所示实施例提供的一种基于光谱重建和色貌分析的展陈光源显色性评价技术方案，以待评价光源的光度学和色度学特性为依托，结合光谱重建方法和待展陈物体的色貌信息，以光源显色性估计模型为手段，实现对展陈光源显色性能全面而准确的表征，进而为本领域提供了一种全面且具有针对性的LED展陈光源显色性能评价方法。
实施例采用15种具有不同照度和色度坐标组合的LED光源作为待评价光源，3种照度分别为：400lx, 800lx, 1200lx；5种相关色温分别为：2700K，3300K，3900K，4500K，5100K；分别以一盘面包（手撕圆面包、牛角包、岩烧乳酪、奶油夹心面包）和一盘蛋糕（三角形草莓蛋糕、三角形巧克力蛋糕、方形卡曼橘蛋糕、方形草莓蛋糕）作为待展陈物体，以心理物理学实验结果为模型检验依据，对本文提出的一种基于光谱重建和色貌分析的展陈光源显色性评价方法准确性进行说明。需要说明的是，本发明并不局限上述光源与物体，对于其他LED光源或其他物体，本方法同样适用。
本发明技术方案具体实施时可由本领域技术人员采用计算机软件技术实现自动运行。实施例提供的方法流程包括以下步骤：
1）测量待评价光源的照度E；
在实施例中，采用X-Rite i1 Pro 2分光光度仪测量15种具有不同照度和相关色温组合的待评价LED光源的照度。
2）判断待评价光源的照度E是否在本发明所适用的照度范围内，即判断a≤E≤b是否成立，若不成立则不适用本发明，若成立则进行下一步骤；
在实施例中，a=400，b=1200。
3）测量待评价光源的光谱功率分布，采用380nm-780nm波段信息；
在实施例中，采用X-Rite i1 Pro 2分光光度仪测量15种具有不同照度和相关色温组合的待评价LED光源的光谱功率分布，波长范围为380nm-780nm。
4）在均匀颜色空间S1中计算待评价光源的相关色温CCT；
在实施例中，采用CIE1976 UCS均匀颜色空间，计算所有待评价LED光源的相关色温。
5）判断待评价光源的相关色温CCT是否在本发明所适用的色度坐标范围内，即判断c≤CCT≤d是否成立，若不成立则不适用本发明，若成立则进行下一步骤；
在实施例中，c=2700，d=5100。
6）拍摄获取训练样本集和待展陈物体的RGB图像；
在实施例中，采用一盘面包和一盘蛋糕作为待展陈物体，colorchecker SG（140色）作为训练样本集，采用Canon EOS 600D彩色数码相机拍摄获取面包、蛋糕以及colorchecker SG（140色）的RGB图像。
7）提取训练样本集的RGB响应值和待展陈物体的RGB响应值；
在实施例中，利用MATLAB工具提取样本集和待展陈物体每个颜色样本中心5*5像素区域的平均响应值，作为该样本的RGB响应值。
8）采用光谱重建算法重建待展陈物体的光谱反射率；
在实施例中，采用局部加权非线性回归算法重建待展陈物体的光谱反射率。
9）依据待展陈物体的整体颜色，选取X个主要颜色和Y个次要颜色；
在实施例中，对于面包，选取了6个主要颜色和7个次要颜色，对于蛋糕，选取了6个主要颜色和10个次要颜色。
10）在均匀颜色空间S2中计算X+Y个颜色在待评价光源下的色貌信息；
在实施例中，采用CAM16-UCS均匀颜色空间，计算所选颜色在待评价光源下的色貌信息，视亮度Q和视彩度M。
11）对主要颜色和次要颜色的色貌信息加权处理；加权方式如下：
其中，Q'和M'为加权色貌值，Q i 和Q k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视亮度，
M i 和
M k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视彩度，a'和b'为权重值；
在实施例中，对主要颜色的色貌信息赋予权重0.7，对次要颜色的色貌信息赋予权重0.3，15种待评价光源下面包和蛋糕的加权视亮度Q'和加权视彩度M'如表1所示。
表1 15种待评价光源下面包和蛋糕的加权色貌信息
12）将11）中加权色貌信息输入到本发明所构建的光源显色性估计模型中，得到待评价光源的显色性估计量值，进而实现展陈光源显色性能的表征。光源显色性估计模型如下：
其中，为光源显色性估计量值，Q'和M'为11）中加权色貌值。
为进一步证实本发明所述方法在展陈光源显色性评价方面所具有的技术优势，采用心理物理学实验，通过相关系数R之方法，计算主观实验所获得的观察者对于面包和蛋糕购买欲的主观评价值与12）中光源显色性估计量值之间的PEARSON相关系数。具体实施为：以上述15种待评价光源为实验光源，分别以面包和蛋糕作为待展陈物体进行实验，具体实验方式如下：
1）在暗室中进行实验，以上述面包和蛋糕为实验物体进行实验，将实验物体置于背景板(60cm× 60cm× 60cm)上，暗室顶部安装有发光硬件，用于产生指定实验光源。2名观察者相邻坐在距离实验物体50cm处的椅子上，观察实验物体。
2）实验过程中，观察者需要根据评价规则在实验记录表中记录下对每一个实验场景的评价。评价规则具体如下：
在观察者充分观察面包或蛋糕后，观察者对面包或蛋糕的购买欲进行1-9级打分，1表示购买欲非常弱，9表示购买欲非常强，以此类推。
3）实验选取79名具有正常视力的观察者，每个观察者进行实验时，进行同样的处理：实验开始前进行足够长时间的暗适应，在暗适应时实验人员通过口述的方式介绍实验情况。实验时，观察者按照2）中的评价规则对每一个实验场景进行评价，实验光源为随机调节，更换光源时观察者处于闭眼状态，直至观察者评价完最后一个实验场景。
通过上述主观实验可获得观察者对于面包和蛋糕购买欲的主观评价得分，并进一步计算其与本发明所构建的光源显色性估计量值之间的PEARSON相关系数。结果显示，面包购买欲主观评价值与模型估计值之间的相关系数为0.91，蛋糕购买欲主观评价值与模型估计值之间的相关系数为0.90，证明本发明所构建的光源显色性估计模型具有极高的准确性，进而证明本发明所述方法在展陈光源显色性评价方面具有较强的技术优势。
本发明还提供一种基于光谱重建和色貌分析的展陈光源显色性评价系统，包括以下模块：
待评价光源照度信息采集模块，用于测量待评价光源的照度E；
照度范围判断模块，用于判断待评价光源的照度E是否在本发明所适用的照度范围内，即判断a≤ E≤b是否成立，若不成立则不适用本发明，其中a和b为常数；
待评价光源光谱信息采集模块，用于测量待评价光源的光谱功率分布；
待评价光源相关色温计算模块，用于在均匀颜色空间S1中计算待评价光源的相关色温CCT；
相关色温范围判断模块，用于判断待评价光源的相关色温CCT是否在本发明所适用的相关色温范围内，即判断c≤CCT≤d是否成立，若不成立则不适用本发明，其中c和d为常数；
训练样本集和待展陈物体RGB图像采集模块，用于在相同的拍摄条件下，采用彩色数码相机拍摄获取训练样本集和待展陈物体的RGB图像；
训练样本集和待展陈物体RGB响应值提取模块，用于获取训练样本集和待展陈物体各像素的RGB响应值；
待展陈物体的光谱反射率重建模块，用于采用光谱重建算法重建待展陈物体的光谱反射率；
待展陈物体颜色选取模块，用于依据待展陈物体的整体颜色，选取X个主要颜色和Y个次要颜色；
待展陈物体色貌信息计算模块，用于在均匀颜色空间S2中计算X+Y个颜色在待评价光源下的色貌信息；
色貌信息加权模块，用于对主要颜色和次要颜色的色貌信息进行加权处理，加权方式如下：
其中，Q'和M'为加权色貌值，Q i 和Q k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视亮度，
M i 和
M k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视彩度，a'和b'为权重值；
光源显色性评价模块，用于采用本发明所构建的光源显色性估计模型，对待评价光源进行显色性评价，根据输出结果衡量待评价光源的照明质量，进而实现展陈光源显色性能的表征；光源显色性估计模型如下：
其中，为光源显色性估计量值，Q'和M'为步骤11中加权色貌值，c'和d'为系数，取值为常数。
而且，照度范围判断模块中，a=400，b=1200；
待评价光源光谱信息采集模块中，对测量得到的待评价光源光谱功率分布采用380nm-780nm波段信息；
待评价光源相关色温计算模块中，均匀颜色空间S1采用CIE1976 UCS均匀颜色空间；
相关色温范围判断模块中，c=2700，d=5100。
而且，待展陈物体的光谱反射率重建模块中，光谱重建算法采用局部加权非线性回归算法；
待展陈物体色貌信息计算模块中，均匀颜色空间S2采用CAM16-UCS均匀颜色空间；
a'的取值为0.7，b'的取值为0.3；
c'的取值为0.741，d'的取值为0.02445。
各模块具体实现和各步骤相应，本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于光谱重建和色貌模型的光源显色性评价方法，其特征在于，包括以下步骤：
步骤1，测量待评价光源的照度E；
步骤2，判断待评价光源的照度E是否在一定的照度范围内，即判断a≤E≤b是否成立，若不成立则退出，若成立则进行下一步骤，其中a和b为常数；
步骤3，测量待评价光源的光谱功率分布；
步骤4，在均匀颜色空间S1中计算待评价光源的相关色温CCT；
步骤5，判断待评价光源的相关色温CCT是否在一定的相关色温范围内，即判断c≤CCT≤d是否成立，若不成立则退出，若成立则进行下一步骤，其中c和d为常数；
步骤6，在相同的拍摄条件下，采用彩色数码相机拍摄获取训练样本集和待展陈物体的RGB图像；
步骤7，提取训练样本集的RGB响应值和待展陈物体各像素的RGB响应值；
步骤8，采用光谱重建算法重建待展陈物体的光谱反射率；
步骤9，依据待展陈物体的整体颜色，选取X个主要颜色和Y个次要颜色；
步骤10，在均匀颜色空间S2中计算X+Y个颜色在待评价光源下的色貌信息；
步骤11，对主要颜色和次要颜色的色貌信息进行加权处理，加权方式如下：
其中，Q'和M'为加权色貌值，Q i 和Q k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视亮度，M i 和M k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视彩度，a'和b'为权重值；
步骤12，将步骤11中加权色貌信息输入到所构建的光源显色性估计模型中，得到待评价光源的显色性估计量值，进而实现展陈光源显色性能的表征，光源显色性估计模型如下：
其中，为光源显色性估计量值，Q'和M'为步骤11中加权色貌值，c'和d'为系数，取值为常数。
2.根据权利要求1所述的一种基于光谱重建和色貌模型的光源显色性评价方法，其特征在于：步骤2中，a=400，b=1200；步骤5中，c=2700， d=5100。
3.根据权利要求1所述的一种基于光谱重建和色貌模型的光源显色性评价方法，其特征在于：步骤3中，对测量得到的待评价光源光谱功率分布采用380nm-780nm波段信息。
4.根据权利要求1所述的一种基于光谱重建和色貌模型的光源显色性评价方法，其特征在于：步骤4中，均匀颜色空间S1采用CIE1976 UCS均匀颜色空间，步骤10中，均匀颜色空间S2采用CAM16-UCS均匀颜色空间。
5.根据权利要求1所述的一种基于光谱重建和色貌模型的光源显色性评价方法，其特征在于：步骤8中，光谱重建算法采用局部加权非线性回归算法。
6.根据权利要求1所述的一种基于光谱重建和色貌模型的光源显色性评价方法，其特征在于：步骤11中，a'的取值为0.7，b'的取值为0.3。
7.根据权利要求1所述的一种基于光谱重建和色貌模型的光源显色性评价方法，其特征在于：步骤12中，c'的取值为0.741，d'的取值为0.02445。
8.一种基于光谱重建和色貌模型的光源显色性评价系统，其特征在于，包括以下模块：
待评价光源照度信息采集模块，用于测量待评价光源的照度E；
照度范围判断模块，用于判断待评价光源的照度E是否在一定的照度范围内，即判断a≤E≤b是否成立，若不成立则退出，其中a和b为常数；
待评价光源光谱信息采集模块，用于测量待评价光源的光谱功率分布；
待评价光源相关色温计算模块，用于在均匀颜色空间S1中计算待评价光源的相关色温CCT；
相关色温范围判断模块，用于判断待评价光源的相关色温CCT是否在一定的相关色温范围内，即判断c≤CCT≤d是否成立，若不成立则退出，其中c和d为常数；
训练样本集和待展陈物体RGB图像采集模块，用于在相同的拍摄条件下，采用彩色数码相机拍摄获取训练样本集和待展陈物体的RGB图像；
训练样本集和待展陈物体RGB响应值提取模块，用于获取训练样本集和待展陈物体各像素的RGB响应值；
待展陈物体的光谱反射率重建模块，用于采用光谱重建算法重建待展陈物体的光谱反射率；
待展陈物体颜色选取模块，用于依据待展陈物体的整体颜色，选取X个主要颜色和Y个次要颜色；
待展陈物体色貌信息计算模块，用于在均匀颜色空间S2中计算X+Y个颜色在待评价光源下的色貌信息；
色貌信息加权模块，用于对主要颜色和次要颜色的色貌信息进行加权处理，加权方式如下：
其中，Q'和M'为加权色貌值，Q i 和Q k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视亮度，M i 和M k 分别表示第i个主要颜色和第k个次要颜色在待评价光源下CAM16-UCS均匀颜色空间的视彩度，a'和b'为权重值；
光源显色性评价模块，用于采用所构建的光源显色性估计模型，对待评价光源进行显色性评价，根据输出结果衡量待评价光源的照明质量，进而实现展陈光源显色性能的表征；光源显色性估计模型如下：
其中，为光源显色性估计量值，Q'和M'为步骤11中加权色貌值，c'和d'为系数，取值为常数。
9.根据权利要求8所述的一种基于光谱重建和色貌模型的光源显色性评价系统，其特征在于：照度范围判断模块中，a=400，b=1200；
待评价光源光谱信息采集模块中，对测量得到的待评价光源光谱功率分布采用380nm-780nm波段信息；
待评价光源相关色温计算模块中，均匀颜色空间S1采用CIE1976 UCS均匀颜色空间；
相关色温范围判断模块中，c=2700, d=5100。
10.根据权利要求8所述的一种基于光谱重建和色貌模型的光源显色性评价系统，其特征在于：待展陈物体的光谱反射率重建模块中，光谱重建算法采用局部加权非线性回归算法；
待展陈物体色貌信息计算模块中，均匀颜色空间S2采用CAM16-UCS均匀颜色空间；
a'的取值为0.7，b'的取值为0.3；
c'的取值为0.741，d'的取值为0.02445。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210091098.0A CN114397094B (zh) | 2022-01-26 | 2022-01-26 | 一种基于光谱重建和色貌模型的光源显色性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210091098.0A CN114397094B (zh) | 2022-01-26 | 2022-01-26 | 一种基于光谱重建和色貌模型的光源显色性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114397094A CN114397094A (zh) | 2022-04-26 |
| CN114397094B true CN114397094B (zh) | 2023-04-25 |
Family
ID=81232287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210091098.0A Active CN114397094B (zh) | 2022-01-26 | 2022-01-26 | 一种基于光谱重建和色貌模型的光源显色性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114397094B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114993630A (zh) * | 2022-07-18 | 2022-09-02 | 武汉大学 | 一种面向鲜肉新鲜度的生鲜照明光品质评价方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103983434A (zh) * | 2014-05-30 | 2014-08-13 | 深圳大学 | 景观照明光源光谱反射光效评估方法及评估系统 |
| CN109932055A (zh) * | 2019-02-01 | 2019-06-25 | 中国人民解放军海军特色医学中心 | 基于非线性回归方法的光环境评价方法及系统 |
| WO2020147580A1 (zh) * | 2019-01-18 | 2020-07-23 | 欧普照明股份有限公司 | 光源参数测量方法、装置、照明系统和终端设备 |
| CN113465742A (zh) * | 2021-06-16 | 2021-10-01 | 华格照明科技（上海）有限公司 | 一种基于照度优化的白光光源光照颜色分辨能力量化方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3576076B2 (ja) * | 2000-06-30 | 2004-10-13 | 松下電器産業株式会社 | 白色度評価方法及び照明用光源・照明装置 |
| US9565734B1 (en) * | 2014-02-25 | 2017-02-07 | Lumenetix, Inc. | System and method for rapidly generating color models for LED-based lamps |
| CN106896069B (zh) * | 2017-04-06 | 2019-05-10 | 武汉大学 | 一种基于彩色数码相机单幅rgb图像的光谱重建方法 |
| CN108765502B (zh) * | 2018-04-25 | 2021-09-24 | 上海健康医学院 | 一种复杂环境下的色貌获取方法 |
| CN110231148B (zh) * | 2019-06-04 | 2020-05-12 | 武汉大学 | 一种面向颜色分辨的展陈光源显色性评价方法及系统 |
| CN110926608B (zh) * | 2019-10-14 | 2022-03-15 | 齐鲁工业大学 | 一种基于光源筛选的光谱重建方法 |
| CN110836723B (zh) * | 2019-10-22 | 2021-07-02 | 华格照明科技（上海）有限公司 | 一种青铜器展陈照明光品质评价方法与系统 |
| CN111486947B (zh) * | 2020-04-24 | 2022-07-08 | 广州市三信红日照明有限公司 | 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 |
| CN111854938B (zh) * | 2020-07-23 | 2022-03-15 | 北京辑光照明科技有限公司 | 一种白光光源光照颜色分辨能力量化方法及系统 |
| CN113483888B (zh) * | 2021-06-15 | 2024-02-23 | 深圳恩可光电科技有限公司 | 一种面向烘焙食品的展陈照明光品质评价方法及系统 |
-
2022
- 2022-01-26 CN CN202210091098.0A patent/CN114397094B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103983434A (zh) * | 2014-05-30 | 2014-08-13 | 深圳大学 | 景观照明光源光谱反射光效评估方法及评估系统 |
| WO2020147580A1 (zh) * | 2019-01-18 | 2020-07-23 | 欧普照明股份有限公司 | 光源参数测量方法、装置、照明系统和终端设备 |
| CN109932055A (zh) * | 2019-02-01 | 2019-06-25 | 中国人民解放军海军特色医学中心 | 基于非线性回归方法的光环境评价方法及系统 |
| CN113465742A (zh) * | 2021-06-16 | 2021-10-01 | 华格照明科技（上海）有限公司 | 一种基于照度优化的白光光源光照颜色分辨能力量化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114397094A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3767541B2 (ja) | 光源推定装置、光源推定方法、撮像装置および画像処理方法 | |
| US7936377B2 (en) | Method and system for optimizing an image for improved analysis of material and illumination image features | |
| US8855412B2 (en) | Systems, methods, and apparatus for image processing, for color classification, and for skin color detection | |
| CN107144353B (zh) | 一种基于数码相机的纺织品色差测量方法 | |
| US7616314B2 (en) | Methods and apparatuses for determining a color calibration for different spectral light inputs in an imaging apparatus measurement | |
| US20050219380A1 (en) | Digital camera for determining chromaticity coordinates and related color temperature of an object and method thereof | |
| CN101933321A (zh) | 用于估测场景光源的图像传感器装置及方法 | |
| CN110231148B (zh) | 一种面向颜色分辨的展陈光源显色性评价方法及系统 | |
| CN113194303B (zh) | 图像白平衡方法、装置、电子设备和计算机可读存储介质 | |
| US8285018B2 (en) | Method for reconstructing color images | |
| CN114397094B (zh) | 一种基于光谱重建和色貌模型的光源显色性评价方法 | |
| JP2001008220A (ja) | 色再現システム | |
| JP4174707B2 (ja) | 分光測定システム、色再現システム | |
| WO2022242608A1 (zh) | 物体喜好记忆色的获取方法及喜好记忆色标准色卡 | |
| CN102917243A (zh) | 空间相机彩色图像质量评价检测系统 | |
| CN113758683B (zh) | 一种基于平均色彩饱和度的相机系统辐照后光谱退化评估方法 | |
| CN202889533U (zh) | 空间相机彩色图像质量评价检测系统 | |
| Huynh et al. | Recovery of spectral sensitivity functions from a colour chart image under unknown spectrally smooth illumination | |
| JP2011095110A (ja) | 光源推定装置および光源推定方法 | |
| Litorja et al. | Use of a spectrally tunable source to explore improvement in chromatic contrast for illumination of tissues | |
| JP4189493B2 (ja) | 色彩コンフォートメータ | |
| Fairchild | Spectral adaptation | |
| Chang et al. | Colorimetric modeling for vision systems | |
| Kim et al. | Developing a multispectral HDR imaging module for a BRDF measurement system | |
| Shrestha | How a 6-band LED and RGB Camera based Multispectral Imaging System Performed in COSCH Round-Robin Test |
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 |