本发明属于照明质量评价技术领域，具体涉及一种基于颜色样本优化的光照喜好度评价指标构建方法及系统。
背景技术：
照明质量评价对于照明工业的发展具有重要意义，科学合理的照明质量评价方法，是指导照明产品设计与生产的先决条件。目前，随着照明技术的不断发展，工业界以及学术界已普遍认同照明质量评价的多维性，即评价光源的照明质量，应包含光照还原性、喜好度、辨色力、自然度等多个维度。
在上述维度之中，光照喜好度是近年来业界研究的一大热点，因为其更为综合全面且直观的反映了消费者对光源产品的喜好程度。目前，在光照喜好度评价指标构建方面，绝大多数研究者都是通过具体实验(特定观察物体，特定用户群体，特定光源产品)，从而得出定性或定量的有关结论。
参考文献1：wangq,xuh,zhangf,etal.influenceofcolortemperatureoncomfortandpreferenceforledindoorlighting.optik2017；129:21-29
参考文献2：szabóf,kérir,schandaj,etal.astudyofpreferredcolourrenderingoflightsources:homelighting.lightingresearch&technology2016；48:103-125
然而，由于光照喜好是非常复杂的视觉感知过程，其涉及光度学、色度学以及认知科学等诸多领域，故该喜好评价过程受多种因素的影响，如观察者群体、观察物体等。在此种情况下，单一研究所获得的研究结论往往具有片面性，即虽然其可以很好的解释自身研究实验数据，但对于其它相关研究数据，则无法合理解释。
为此，在目前研究应用领域，已有研究者致力于通过综合多项研究工作的有关数据，从而更为全面的对现有光源评价指标进行测评。
参考文献3.smetk,ryckaertw,pointermr,etal.amemorycolourqualitymetricforwhitelightsources.energyandbuildings2012；49:216-225.
然而，受理论方法水平等主客观因素的制约，上述工作也仅局限于现有光照评价指标的综合测评方面，其尚无法依据所收集的多项研究数据，完成新型光照喜好度评价指标的构建工作。针对以上问题，目前学术界与工业界尚未提出相应解决方法。
技术实现要素：
本发明的目的是为了解决背景技术中所述问题，提出一种更具普适性的光照喜好度评价指标构建方法及系统。
本发明的技术方案为提供一种基于颜色样本优化的光照喜好度评价指标构建方法，包括以下步骤：
步骤1，选取典型色彩样本，以所述典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集；
步骤2，在d50/2色度条件下，求取步骤1样本集中各样本对应主波长信息，并以主波长为依据将其分为m类；
步骤3，依据颜色易变性指数，剔除上述样本中色牢度较差之样本，即剔除颜色易变性指数不满足cmccon02＜8的样本；
步骤4，在d50/2色度条件下，以色纯度为依据，求取各类色彩样本中色纯度最大的样本，组成最终全色域样本集g，其中g中含有m个样本；
步骤5，求取从全色域样本集g中的m个样本任取n个样本的全部组合，其中n＜m；
步骤6，收集代表性照明喜好度研究数据s项，其具体包括光源喜好度评价序数p组，每组包含若干光源喜好度评价序数以及各对应光源相对光谱功率分布信息，所述光源喜好度评价序数根据升序排列；
步骤7，针对步骤5中所求取的从全色域样本集g中的m个样本任取n个样本的所有组合情况，结合步骤6中各光源相对光谱功率分布信息，求取全部组合条件下，n个样本在各光源照明条件下于cielab颜色空间的色域体积；
步骤8，针对步骤6中所收集的s组研究工作中的各组数据，以及步骤5中的n个样本的全部组合情况，计算步骤6中所提及的p组光源喜好度评价序数以及步骤7所求取的各光源色域体积之间的spearman相关系数r；
步骤9，针对步骤5中的全部色彩样本组合，求解基于荟萃分析的综合加权相关系数r；
步骤10，以步骤9求解的综合加权相关系数r最大化为原则，确定最优色彩样本组合o；
步骤11，对于任意待测评光源，针对其相对光谱功率分布，求取步骤10中所确定之色彩样本组合o于cielab颜色空间的色域体积，即为最终光照喜好度评价指标量值。
而且，步骤2中样本集分类数量m值取值范围为18≤m≤20，在以主波长对数据集进行分组时将主波长为负值的所有样本均分为3组，之后将其它样本以主波长为依据进行平均分组，分为m-3组；步骤5中n值取值范围为14≤n≤16并且n＜m-3。
而且，步骤6中代表性研究数量s取值范围为s＞6。
而且，步骤7以及步骤11中于cielab颜色空间求解色域的方法采用凸包算法或α-shape算法。
而且，步骤9中利用荟萃分析求解综合加权相关系数r的公式如下，
其中，p为s项研究中所含光源喜好度评价序数的组数，ti为第i组光源喜好度评价序数中所采用光源种类与观察者人数的乘积，通过步骤6)获得，ri为第i组光源喜好度评价序数与各光源色域体积之间的spearman相关系数。
本发明提供一种基于颜色样本优化的光照喜好度评价指标构建系统，包括以下模块：
典型色彩样本光谱数据集构建模块，用于选取典型色彩样本，以所述典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集；
主波长分类模块，用于在d50/2色度条件下，求取典型色彩样本光谱数据集构建模块样本集中各样本对应主波长信息，并以主波长为依据将其分为m类；
色牢度优化模块，用于依据颜色易变性指数，剔除上述样本中色牢度较差之样本，即剔除颜色易变性指数不满足cmccon02＜8的样本；
全色域样本集构建模块，用于在d50/2色度条件下，以色纯度为依据，求取各类色彩样本中色纯度最大的样本，组成最终全色域样本集g，其中g中含有m个样本；
样本组合计算模块，用于求取从全色域样本集g中的m个样本任取n个样本的全部组合，其中n＜m；
相关研究数据收集模块，用于收集代表性照明喜好度研究数据s项，其具体包括光源喜好度评价序数p组，每组包含若干光源喜好度评价序数以及各对应光源相对光谱功率分布信息；
色域体积计算模块，用于针对样本组合计算模块中所求取的从全色域样本集g中的m个样本任取n个样本的所有组合情况，结合相关研究数据收集模块中各光源相对光谱功率分布信息，求取全部组合条件下，n个样本在各光源照明条件下于cielab颜色空间的的色域体积；
相关系数计算模块，用于针对相关研究数据收集模块中所收集的s项研究工作中的各组数据，以及样本组合计算模块中的n个样本的全部组合情况，计算相关研究数据收集模块中所提及的p组光源喜好度评价序数以及色域体积计算模块所求取的各光源色域体积之间的spearman相关系数r；
综合加权相关系数计算模块，用于针对样本组合计算模块中的全部色彩样本组合，求解基于荟萃分析的综合加权相关系数r；
最优色彩样本选择模块，用于以综合加权相关系数计算模块求解的综合加权相关系数r最大化为原则，确定最优色彩样本组合o；
色域体积计算模块，对于任意待测评光源，针对其相对光谱功率分布，求取最优色彩样本选择模块中所确定之色彩样本组合o于cielab颜色空间的色域体积，即为最终光照喜好度评价指标量值。
而且，主波长分类模块中样本集分类数量m值取值范围为18≤m≤20，在以主波长对数据集进行分组时将主波长为负值的所有样本均分为3组，之后将其它样本以主波长为依据进行平均分组，分为m-3组；样本组合计算模块中n值取值范围为14≤n≤16并且n＜m-3。
而且，相关研究数据收集模块中代表性研究数量s取值范围为s＞6。
而且，色域体积计算模块以及最优色彩样本选择模块中于cielab颜色空间求解色域体积的方法采用凸包算法或α-shape算法。
而且，综合加权相关系数计算模块中利用荟萃分析求解综合加权相关系数r的公式如下，
其中p为s项研究中所含光源喜好度评价序数的组数，ti为第i组光源喜好度评价序数中所采用光源种类与观察者人数的乘积，通过相关研究数据收集模块获得，ri为第i组光源喜好度评价序数与各光源色域体积之间的spearman相关系数。
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颜色样本优化的光照喜好度评价指标构建技术方案，以色彩样本优化为技术途径，以样本色域体积量化为构建方法，通过相关系数的荟萃分析有效的综合了现有领域的研究成果，从而保证了所构建指标的全面性与鲁棒性。此方法较为理想的解决了背景技术部分所述问题，从而可以保证光源喜好度预测的科学合理性，且实施方便，在光照质量评价领域具有较强的适用性。由于本发明技术方案具有重要应用意义，受到多个项目支持：1.国家自然科学基金项目61505149，2.武汉市青年晨光人才计划2016070204010111，3.湖北省自然科学基金项目2015cfb204，4深圳市基础研究项目jcyj20150422150029093。对本发明技术方案进行保护，将对我国相关行业竞争国际领先地位具有重要意义。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中最终选取的14个最优色彩样本光谱反射率图。
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颜色样本优化的光照喜好度评价指标构建技术方案，以色彩样本优化为技术途径，以样本色域体积量化为构建方法，通过相关系数的荟萃分析有效的综合了现有领域的研究成果，从而保证了所构建指标的全面性与鲁棒性。此方法较为理想的解决了背景技术部分所述问题，从而可以保证光源喜好度预测的科学合理性，且实施方便，在光照质量评价领域具有较强的适用性。
实施例采用8560个色彩样本构建典型色彩样本集，以8组现有研究工作数据为研究对象，构建光照喜好度指标，并将其与ciecolorrenderingindex(cri),gamutareaindex(gai),fullspectrumcolourindex(fsci),colourqualityscale(cqs:qa,qf,qp,qg),feelingofcontrastindex(fci),colourdiscriminationindex(cdi),conesurfacearea(csa),colorpreferenceindex(cpi),cri-cam02ucs,cri2012,iestm-30(rfandrg),memorycolourrenderingindex(mcri)等共计16种现有经典指标喜好度预测精度进行比较。由于参考文献较多，此处不一一给出，本领域技术人员可轻易通过其名称检索到相关技术细节。需要说明的是，本发明并不局限于上述研究所涉及光源、物体及观察者群体，对于其它照明场景的喜好度指标构建，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)选取典型色彩样本，以各典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集；
实施例采用现有技术已公布之典型色彩样本光谱反射率数据集，其包含均匀分布的全色域样色样本8560个，波长范围400nm-700nm。详见参考文献：liuq,wanx,liangj,etal.neuralnetworkapproachtoacolorimetricvaluetransformbasedonalargescalespectraldataset.colorationtechnology2017；133:73-80
2)在d50/2色度条件下，求取1)样本集中各样本对应主波长信息，并以此为依据将其分为m类；而且，样本集分类数量m值取值范围为18≤m≤20，在以主波长对数据集进行分组时将主波长为负值的所有样本均分为3组，之后将其它样本以主波长为依据进行平均分组；分为m-3组。
在实施例中，m取值为18，即将主波长为负值的所有样本均分为3组，之后将其它样本以主波长为依据进行均分15组。其中，实施例中主波长分组节点分别为：-505nm,-553nm,-569nm,0nm,468nm,478nm,485nm,491nm,499nm,518nm,549nm,565nm,573nm,579nm,585nm,592nm,601nm,612nm。其中，主波长计算方法可参见j.schanda.ciecolorimetry.wileyonlinelibrary，2007，本发明不予赘述。
3)依据颜色易变性指数(cmccon02＜8)；剔除上述样本中色牢度较差之样本；
在实施例中，共从1)中的8560个样本中，剔除不满足(cmccon02＜8)条件的色彩样本1054个。其中cmccon02指数计算为现有技术，可参见：luom,riggbandsmithk.cmc2002colourinconstancyindex；cmccon02.colorationtechnology2006；119:280-285,本发明不予赘述。
4)在d50/2色度条件下，以色纯度为依据，求取各类色彩样本中色纯度最大的样本，组成最终全色域样本集g，其中g中含有m个样本；
在实施例中，以色纯度为依据，最终生成全色域样本集g，其中g中含有18个样本。其中，色纯度计算方法可参见j.schanda.ciecolorimetry.wileyonlinelibrary，2007，本发明不予赘述。
5)求取从全色域样本集g中的m个样本任取n个样本的全部组合(n＜m)，而且，n值取值范围为14≤n≤16并且n＜m-3。
在实施例中，m取值18，n取值14，故此处从m个样本任取n个样本的全部组合共有3060种。
6)收集代表性照明喜好度研究数据s项，其具体包括光源喜好度评价序数p组，每组包含若干光源喜好度评价序数(升序排列，喜好度评价高者序数值大)以及各对应光源相对光谱功率分布信息；而且，s取值范围为s＞6。
在实施例中，共计收集代表性照明喜好度研究数据s＝8项，因每项研究中可能包含多个照明评价场景(如艺术品场景、水果蔬菜场景等等)，故总计获得光源喜好度评价序数p＝32组，同时收集p组光源喜好度评价序数中每组采用的光源种类和观察者人数等信息。其中，实施例所采用的8项研究分别可参见参考文献：
a.m.wei,k.w.houser,g.r.allen,andw.w.beers,leukos10,119-131(2014).
b.m.royer,a.wilkerson,m.wei,k.houser,andr.davis,lightingresearch&technology,1477153516663615(2016).
c.s.jost-boissard,m.fontoynont,andj.blanc-gonnet,journalofmodernoptics56,1420-1432(2009)
d.s.jost-boissard,p.avouac,andm.fontoynont,lightingresearch&technology47(2014)
e.f.szabó,r.kéri,j.schanda,p.csuti,ande.mihálykó-orbán,lightingresearch&technology48,103-125(2016).
f.z.huang,q.liu,s.westland,m.r.pointer,m.r.luo,andk.xiao,lightingresearchandtechnology(2017)
g.n.narendranandl.deng,internationalsocietyforopticsandphotonics,2002,61-67
h.q.wang,h.xu,f.zhang,andz.wang,optik129,21-29(2017)
其中，数据收集方式可通过与相关作者通讯联系获得，也可直接从相关研究论文提取获得。
7)针对5)中所求取的从全色域样本集g中的m个样本任取n个样本的所有组合情况，结合6)中各光源相对光谱功率分布信息，求取全部组合条件下，n个样本在各光源照明条件下于cielab颜色空间的色域体积，其中色域色域体积的方法采用凸包算法或α-shape算法。
实施例中，从18个全色域样本中选取14个样本，共有3060种组合。则对于6)中各光源相对光谱功率分布信息，共可求得3060种色域体积。其中，cielab颜色空间、凸包算法及α-shape算法均为现有技术，此处不予赘述。
8)针对6)中所收集的s项研究工作中的各组数据，以及5)中的n个样本的全部组合情况，计算6)中所提及的p组光源喜好度评价序数以及7)所求取的各光源色域体积之间的spearman相关系数r；
在实施例中，对于5)所述的3060种样本组合的任意一种，皆可依据7)中所述凸包算法或α-shape算法(实施例具体采用凸包算法)，计算6)中所提及的各光源所对应的色域体积。随后，针对6)中提及的p组光源喜好度评价序数以及对应光源色域体积，可计算得到对应spearman相关系数r。在此过程中，由于光源色域体积有3060种，光源喜好度评价序数有p＝32组，故此步骤共计计算出3060*32＝97920组spearman相关系数r。
9)针对5)中的全部色彩样本组合，求解基于荟萃分析的综合加权相关系数r，公式如下，其中p为s项研究中所含光源喜好度评价序数的组数，ti为第i组光源喜好度评价序数中所采用光源种类与观察者人数的乘积，通过步骤6)获得，ri为第i组光源喜好度评价序数与各光源色域体积之间的spearman相关系数。
在实施例中，此步骤为将3060*32＝97920组spearman相关系数r通过上述加权公式，综合为3060组综合加权相关系数r，其中每一组r皆对应5)中的一组样本组合。
10)以9)求解的综合加权相关系数r最大化为原则，确定最优色彩样本组合o；
在实施例中，选取9)中所求3060组综合加权相关系数r的最大值(r＝0.83)，其对应14个色彩样本即为最优色彩样本组合o，该14个色彩样本的光谱反射率曲线如图2所示。
11)对于任意待测评光源，针对其相对光谱功率分布，求取10)中所确定之色彩样本组合o的色域体积，即为最终光照喜好度评价指标量值。
实施例以某荧光灯光源为例，通过求取10)中所确定的14组优化样本在该光源下于cielab颜色空间的色域体积，获得其最终光照喜好度评价指标量值：14.92。喜好度与颜色的饱和度有关系，而色域体积是表示色彩饱和度的有效指标，因此，可以用色域体积作为光照喜好度评价指标量值，一般来说，色域体积越大，表示颜色越饱和，光照喜好度评价指标量值越高，其中，色域体积求解相关方法为色度学理论基本常识，本发明不予赘述。
为进一步证实本发明所述方法在光照喜好度评价方面所具有的技术优势，采用ciecolorrenderingindex(cri),gamutareaindex(gai),fullspectrumcolourindex(fsci),colourqualityscale(cqs:qa,qf,qp,qg),feelingofcontrastindex(fci),colourdiscriminationindex(cdi),conesurfacearea(csa),colorpreferenceindex(cpi),cri-cam02ucs,cri2012,iestm-30(rfandrg),memorycolourrenderingindex(mcri)等共计16种现有经典指标，依据8)9)中所述计算综合加权相关系数r之方法，计算16种现有经典指标对于实施例所采用的8项研究的喜好度预测精度。(由于参考文献较多，此处不一一给出，本领域技术人员可轻易通过其名称检索到相关技术细节)。结果显示，该16种经典指标所得综合加权相关系数r最大值为r(gai)＝0.54，远低于本发明所述之方法r＝0.83。
本发明还提供一种基于颜色样本优化的光照喜好度评价指标构建系统，包括以下模块：
典型色彩样本光谱数据集构建模块，用于选取典型色彩样本，以各典型色彩样本可见光范围内的光谱反射率数据构成典型色彩样本光谱反射率数据集；
主波长分类模块，用于在d50/2色度条件下，求取典型色彩样本光谱数据集构建模块样本集中各样本对应主波长信息，并以此为依据将其分为m类；
色牢度优化模块，用于依据颜色易变性指数(cmccon02＜8)；剔除上述样本中色牢度较差之样本；
全色域样本集构建模块，用于在d50/2色度条件下，以色纯度为依据，求取各类色彩样本中色纯度最大的样本，组成最终全色域样本集g，其中g中含有m个样本；
样本组合计算模块，用于求取从全色域样本集g中的m个样本任取n个样本的全部组合(n＜m)；
相关研究数据收集模块，用于收集代表性照明喜好度研究数据s项，其具体包括光源喜好度评价序数p组，每组包含若干光源喜好度评价序数(升序排列，喜好度评价高者序数值大)以及各对应光源相对光谱功率分布信息；
色域体积计算模块，用于针对样本组合计算模块中所求取的从全色域样本集g中的m个样本任取n个样本的所有组合情况，结合相关研究数据收集模块中各光源相对光谱功率分布信息，求取全部组合条件下，n个样本在各光源照明条件下于cielab颜色空间的色域体积；
相关系数计算模块，用于针对相关研究数据收集模块中所收集的s组研究工作中的各组数据，以及样本组合计算模块中的n个样本的全部组合情况，计算相关研究数据收集模块中所提及的光源喜好度评价序数以及色域体积计算模块所求取的各光源色域体积之间的spearman相关系数r；
综合加权相关系数计算模块，用于针对样本组合计算模块中的全部色彩样本组合，求解基于荟萃分析的综合加权相关系数r；
最优色彩样本选择模块，用于以综合加权相关系数计算模块求解的综合加权相关系数r最大化为原则，确定最优色彩样本组合o；
色域体积计算模块，对于任意待测评光源，针对其相对光谱功率分布，求取最优色彩样本选择模块中所确定之色彩样本组合o于cielab颜色空间的色域体积，即为最终光照喜好度评价指标量值。
其中，主波长分类模块中样本集分类数量m值取值范围为18≤m≤20。在以主波长对数据集进行分组时将主波长为负值的所有样本均分为3组，之后将其它样本以主波长为依据进行平均分组；分为m-3组。
其中，样本组合计算模块中n值取值范围为14≤n≤16并且n＜m-3。
其中，相关研究数据收集模块中代表性研究数量s取值范围为s＞6。
其中，色域体积计算模块以及最优色彩样本选择模块中求解色域体积的方法采用凸包算法或α-shape算法。
其中，综合加权相关系数计算模块中利用荟萃分析求解综合加权相关系数r的公式如下，其中p为s项研究中所含光源喜好度评价序数的组数，ti为第i组光源喜好度评价序数中所采用光源种类与观察者人数的乘积，通过相关研究数据收集模块获得，ri为第i组光源喜好度评价序数与各光源色域体积之间的spearman相关系数。
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。