[发明专利]光源光谱功率分布相关的绘画照明视觉评价方法

权利要求书

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。