CN110319933A - 一种基于cam02-ucs色貌模型的光源光谱优化方法 - Google Patents
一种基于cam02-ucs色貌模型的光源光谱优化方法 Download PDFInfo
- Publication number
- CN110319933A CN110319933A CN201910578160.7A CN201910578160A CN110319933A CN 110319933 A CN110319933 A CN 110319933A CN 201910578160 A CN201910578160 A CN 201910578160A CN 110319933 A CN110319933 A CN 110319933A
- Authority
- CN
- China
- Prior art keywords
- pixel
- light source
- cam02
- ucs
- light
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000002068 genetic effect Effects 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/10—Arrangements of light sources specially adapted for spectrometry or colorimetry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/10—Arrangements of light sources specially adapted for spectrometry or colorimetry
- G01J2003/102—Plural sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
- G01J2003/425—Reflectance
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于CAM02‑UCS色貌模型的光源光谱优化方法，包括：首先建立成像模型，计算出图像的原像素值，并采用显著性检测方法对目标区域的像素点坐标进行检测；然后将检测出的目标区域的像素点集映射到CAM02‑UCS色貌模型中，并建立最大化色差值的目标函数，进而利用遗传算法优化该目标函数，以得到最大化色差值的像素值；最后根据该像素值求出最优的光源光谱功率。本发明的有益效果是：本发明所提出的技术方案结合LED光源光谱模型和优化算法，以及色域模型这个直观的描述方法，通过优化光源光谱改变彩度和色相两个重要的视觉色彩因素，可以直观的看出光源优化的效果。
Description
技术领域
本发明涉及图像优化领域，尤其涉及一种基于CAM02-UCS色貌模型的光源光谱优化方法。
背景技术
近年来，随着低成本、高性能、高效率的图像处理***的不断出现，机器视觉检测在产品外观、缺陷定位、条形码识别等方面得到广泛的应用。这主要得益于CCD相机灵敏度、计算机CPU速度、图像采集卡采集速度的提高。另一方面，由于软硬件价格降低，用户越来越多，对于机器视觉照明***的重要性有了广泛认识，在照明光源方面的投入越来越多，因此对于机器视觉照明***的研究也越来越深入。机器视觉***使用摄像机、相机等采集目标相应的图像信号，经过图像处理***对其进行处理，实现计算机对目标的检测、跟踪与识别，最终实现对仪器和设备的自动化控制、产品缺陷的检测、提高质量和运行效率。
机器视觉***中图像质量与程序算法决定了处理***的处理速度和质量，图像本身的质量对整个视觉***极为关键。而光源则是影响机器视觉***图像水平的重要因素，因为它直接影响输入数据的质量和至少30％的应用效果。图像质量很大程度上是由目标周围的光照环境、目标物体表面材质、物体摆放位置所决定的。良好的光照环境能够有效地突出物体的识别目标，通过适当的光源照明设计可以使图像中的目标信息与背景信息得到最佳分离，从而得到计算机能够分析的高质量图像，大大降低图象处理的算法难度，同时提高***的精度和可靠性。由此可见，照明***设计的好坏直接关系到采集设备能否获得高质量的图像，良好的光源是机器视觉***能高效运行的保证。照明***设计的主要目的是以最合适的方式将光线照射到检测目标表面，突出被测目标需要检测的特征信息，可以说照明***是整个机器视觉***的关键部。
一个优秀的照明***能够使被测目标的采集图像目标信息与背景信息分离，从而简化后续分析，关系到整个***能否正常运行。错误的照明会引起很多后期处理的问题，例如光强过高会使许多重要信息丢失，阴影会使轮廓尺寸的检测产生误差。工业检测中由于存在各式各样的检测对象，为了获得稳定优质的图像，就需要针对不同的目标来选用最合适的照明***，有时甚至需要多种光源不同布局相结合，需要通过大量的试验测试才能得出最优的光源组合及布局，可见机器视觉照明***的研究是机器视觉领域一个十分重要的课题。作为一种非常实用的技术，广泛应用于医学图像、无损探测、遥感测量等领域，尤其是一些超越视觉极限的领域，可以用来分析物体颜色因不同物质的混合而引起的异常现象，如食品污染、皮肤疾病、资源探测、物证鉴定、印刷防伪、农作物病虫害等。
传统的机器视觉大都是对原始图像进行光滑、滤波、对比度增强等预处理来获取更明确的现场描述信息。预处理并不能增加图像数据的固有信息，只有高质量的原始图像才包含了更多可用于进一步分析的信息。原始图像获取受到照明条件和相机参数(强度、色彩和相对位置等)的强烈影响。通过改善照明条件,以提升原始图像的质量(信息量),对于后期机器视觉处理具有非常重要的意义。
人眼睛看到的物体是将表面的光反射到人们眼里，同样，相机能拍摄到物体上点的图像，是因为物体上点的光被摄像机捕获，所以我们要研究图像的质量，就要对成像过程及其光亮度的变化进行研究。寻找最优光照的目的就是主动构造一个最优的计算机视觉成像环境，成像环境越好，得到的图像质量就越高。大部分的机器视觉算法研究，都将重心放到了如何处理低质量的视觉图像上，然而通过优化光照直接获取高质量图像更直接有效，代价也要比后续繁杂的图像处理低的很多。
由于在不同色温下同时要求满足高显色指数，模拟相当复杂和困难，因此，研究报道甚少。虽然现有关照明技术研究很多，但综合研究光源光谱特性、采集图像质量评判技术，最终建立与优化光源光谱视觉检测照明模型还未有令人满意的研究成果。
发明内容
为了解决上述问题，本发明提供了一种基于CAM02-UCS色貌模型的光源光谱优化方法，应用于一种基于CAM02-UCS色貌模型的光源光谱优化***中；
所述一种基于CAM02-UCS色貌模型的光源光谱优化***包括：光源箱，用于产生光源；高光谱相机，用于采集物体表面光谱反射率；CCD相机，用于采集物体图像；
所述一种基于CAM02-UCS色貌模型的光源光谱优化方法，具体包括如下步骤：
S101：光源箱发射出任意可见光光源照射位于光源箱内的目标物体；并通过高光谱相机检测此时目标物体表面的光谱反射率，通过CCD相机采集物体图像；
S102：通过成像模型，计算得到所述物体图像的像素点集合GC(x,y)；其中，成像模型的计算公式如公式(1)所示：
Gc(x,y)＝∫Rc(λ)S(x,y,λ)C(λ)dλ(C＝{R,G,B},(x,y)∈RIO) (1)
上式中，R(λ)代表目标物体表面的光谱反射率；λ的变化范围为[4000nm,700nm]；S(x,y,λ)代表光源箱所发射的可见光光源的光谱功率分布；C(λ)代表CCD相机的光谱敏感函数，为已知的CCD相机固定参数，(x,y)为所述物体图像上某个像素点坐标；其中，像素点集合GC(x,y)中包括所述物体图像上目标物体所在区域的像素点和非目标物体所在区域的像素点；
S103：采用基于对比度的显著性检测方法对所述物体图像进行显著性检测，得到所述像素点集合GC(x,y)中目标物体所在区域的所有像素点组成的目标像素点集；
S104：将显著性检测得到的所述目标像素点集中的所有像素点映射到CAM02-UCS色貌模型中，得到所述目标像素点集中所有像素点在CAM02-UCS色貌模型的均匀颜色空间中对应的第一三维坐标点集；
针对所述第一三维坐标点集中某个第一三维坐标点(J2,aM2,bM2)，定义与该第一三维坐标点色差值最大的第二三维坐标点为(J1,aM1,bM1)，并建立如公式(2)所示的色差值优化目标函数ΔE；
采用遗传算法对所述目标函数ΔE进行优化，得到与该第一三维坐标点色差值最大的第二三维坐标点的坐标值(J1,aM1,bM1)；进而采用该方法计算得到所述第一三维坐标点集中所有第一三维坐标点对应的第二三维坐标点，得到所有第二三维坐标点组成的第二三维坐标点集；
S105：将所述第二三维坐标点集中的各第二三维坐标点均还原为对应的像素点(x1,y1)，进而组成优化像素点集合GC(x1,y1)；将GC(x1,y1)带入至公式(1)中，并保持步骤S101中的光谱反射率R(λ)和光谱敏感函数C(λ)的值不变，从而计算得到与所述物体图像的原像素点色差值最大的像素点集对应的光谱功率分布，即优化后的光谱功率分布S(x1,y1,λ)；
S106：使所述光源箱按照所述优化后的光谱功率发射出对应的光源，照射在物体上，以使所述CCD相机采集的物体图像的颜色更加鲜明，视觉效果更优。
进一步地，所述光源箱包括多种光源，并可将多种光源进行混合，发射出任意光谱功率分布的光源。
进一步地，所述多种光源均为LED光源。
进一步地，步骤S103中，采用基于对比度的显著性检测方法(HC)对所述物体图像进行显著性检测时，各像素点的显著值计算公式如公式(3)所示：
上式中，任意某个像素点Ik的显著值S(Ik)为该像素点在整个所述物体图像上的全局对比度，即该像素点Ik与其他所有像素点Ii在颜色上的距离之和；Ii的取值范围为[0,255]；将公式(3)转换为更直观的颜色值表示公式，如公式(4)：
上式中，ci为像素Ik的颜色值，为已知量；n是所述物体图像中不同像素颜色值的总数量，fj是像素颜色值cj出现的频率。
进一步地，步骤S104中，CAM02-UCS色貌模型建立的均匀颜色空间中明度J′和色品坐标aM、bM的计算公式如公式(5)所示：
上式中，J、M和h分别为色貌模型的明度、视彩度和色相角。
本发明提供的技术方案带来的有益效果是：本发明所提出的技术方案结合LED光源光谱模型和优化算法，以及色域模型这个直观的描述方法，通过优化光源光谱改变彩度和色相两个重要的视觉色彩因素，可以直观的看出光源优化的效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于CAM02-UCS色貌模型的光源光谱优化方法的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施提供了一种基于CAM02-UCS色貌模型的光源光谱优化方法，应用于一种基于CAM02-UCS色貌模型的光源光谱优化***中；所述一种基于CAM02-UCS色貌模型的光源光谱优化***包括：光源箱，用于产生光源；高光谱相机，用于采集物体表面光谱反射率；CCD相机，用于采集物体图像；
请参考图1，图1是本发明实施例中一种基于CAM02-UCS色貌模型的光源光谱优化方法的流程图，具体包括如下步骤：
S101：光源箱发射出任意可见光光源照射位于光源箱内的目标物体；并通过高光谱相机检测此时目标物体表面的光谱反射率，通过CCD相机采集物体图像；
S102：通过成像模型，计算得到所述物体图像的像素点集合GC(x,y)；其中，成像模型的计算公式如公式(1)所示：
Gc(x,y)＝∫Rc(λ)S(x,y,λ)C(λ)dλ(C＝{R,G,B},(x,y)∈RIO) (1)
上式中，R(λ)代表目标物体表面的光谱反射率；λ的变化范围为[4000nm,700nm]；S(x,y,λ)代表光源箱所发射的可见光光源的光谱功率分布；C(λ)代表CCD相机的光谱敏感函数，为已知的CCD相机固定参数，(x,y)为所述物体图像上某个像素点坐标；其中，像素点集合GC(x,y)中包括所述物体图像上目标物体所在区域的像素点和非目标物体所在区域的像素点；
S103：采用基于对比度的显著性检测方法(HC)对所述物体图像进行显著性检测，得到所述像素点集合GC(x,y)中目标物体所在区域的所有像素点组成的目标像素点集；
S104：将显著性检测得到的所述目标像素点集中的所有像素点映射到CAM02-UCS色貌模型中，得到所述目标像素点集中所有像素点在CAM02-UCS色貌模型的均匀颜色空间中对应的第一三维坐标点集；
针对所述第一三维坐标点集中某个第一三维坐标点(J2,aM2,bM2)，定义与该第一三维坐标点色差值最大的第二三维坐标点为(J1,aM1,bM1)，并建立如公式(2)所示的色差值优化目标函数ΔE；
采用遗传算法对所述目标函数ΔE进行优化，得到与该第一三维坐标点色差值最大的第二三维坐标点的坐标值(J1,aM1,bM1)；进而采用该方法计算得到所述第一三维坐标点集中所有第一三维坐标点对应的第二三维坐标点，得到所有第二三维坐标点组成的第二三维坐标点集；
S105：将所述第二三维坐标点集中的各第二三维坐标点均还原为对应的像素点(x1,y1)，进而组成优化像素点集合GC(x1,y1)；将GC(x1,y1)带入至公式(1)中，并保持步骤S101中的光谱反射率R(λ)和光谱敏感函数C(λ)的值不变，从而计算得到与所述物体图像的原像素点色差值最大的像素点集对应的光谱功率分布，即优化后的光谱功率分布S(x1,y1,λ)；
S106：使所述光源箱按照所述优化后的光谱功率发射出对应的光源，照射在物体上，以使所述CCD相机采集的物体图像的颜色更加鲜明，视觉效果更优。
在本发明实施例中，步骤S101中光源箱所发射出的可见光光源为D65太阳光源。
所述光源箱包括多种光源，并可将多种光源进行混合，发射出任意光谱功率分布的光源。
所述多种光源均为LED光源。
步骤S103中，采用基于对比度的显著性检测方法(HC)对所述物体图像进行显著性检测时，各像素点的显著值计算公式如公式(3)所示：
上式中，任意某个像素点Ik的显著值S(Ik)为该像素点在整个所述物体图像上的全局对比度，即该像素点Ik与其他所有像素点Ii在颜色上的距离之和；Ii的取值范围为[0,255]；将公式(3)转换为更直观的颜色值表示公式，如公式(4)：
上式中，ci为像素Ik的颜色值，为已知量；n是所述物体图像中不同像素颜色值的总数量，fj是像素颜色值cj出现的频率。
步骤S104中，CAM02-UCS色貌模型建立的均匀颜色空间中明度J′和色品坐标aM、bM的计算公式如公式(5)所示：
上式中，J、M和h分别为色貌模型的明度、视彩度和色相角。
本发明的有益效果是：本发明所提出的技术方案结合LED光源光谱模型和优化算法，以及色域模型这个直观的描述方法，通过优化光源光谱改变彩度和色相两个重要的视觉色彩因素，可以直观的看出光源优化的效果。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于CAM02-UCS色貌模型的光源光谱优化方法，应用于一种基于CAM02-UCS色貌模型的光源光谱优化***中；其特征在于：所述一种基于CAM02-UCS色貌模型的光源光谱优化***包括：光源箱，用于产生光源；高光谱相机，用于采集物体表面光谱反射率；CCD相机，用于采集物体图像；
所述一种基于CAM02-UCS色貌模型的光源光谱优化方法，具体包括如下步骤：
S101：光源箱发射出任意可见光光源照射位于光源箱内的目标物体；并通过高光谱相机检测此时目标物体表面的光谱反射率，通过CCD相机采集物体图像；
S102：通过成像模型，计算得到所述物体图像的像素点集合GC(x,y)；其中，成像模型的计算公式如公式(1)所示：
Gc(x,y)＝∫Rc(λ)S(x,y,λ)C(λ)dλ (C＝{R,G,B},(x,y)∈RIO) (1)
上式中，R(λ)代表目标物体表面的光谱反射率；λ的变化范围为[4000nm,700nm]；S(x,y,λ)代表光源箱所发射的可见光光源的光谱功率分布；C(λ)代表CCD相机的光谱敏感函数，为已知的CCD相机固定参数，(x,y)为所述物体图像上某个像素点坐标；其中，像素点集合GC(x,y)中包括所述物体图像上目标物体所在区域的像素点和非目标物体所在区域的像素点；
S103：采用基于对比度的显著性检测方法对所述物体图像进行显著性检测，得到所述像素点集合GC(x,y)中目标物体所在区域的所有像素点组成的目标像素点集；
S104：将显著性检测得到的所述目标像素点集中的所有像素点映射到CAM02-UCS色貌模型中，得到所述目标像素点集中所有像素点在CAM02-UCS色貌模型的均匀颜色空间中对应的第一三维坐标点集；
针对所述第一三维坐标点集中某个第一三维坐标点(J2,aM2,bM2)，定义与该第一三维坐标点色差值最大的第二三维坐标点为(J1,aM1,bM1)，并建立如公式(2)所示的色差值优化目标函数ΔE；
采用遗传算法对所述目标函数ΔE进行优化，得到与该第一三维坐标点色差值最大的第二三维坐标点的坐标值(J1,aM1,bM1)；进而采用该方法计算得到所述第一三维坐标点集中所有第一三维坐标点对应的第二三维坐标点，得到所有第二三维坐标点组成的第二三维坐标点集；
S105：将所述第二三维坐标点集中的各第二三维坐标点均还原为对应的像素点(x1,y1)，进而组成优化像素点集合GC(x1,y1)；将GC(x1,y1)带入至公式(1)中，并保持步骤S101中的光谱反射率R(λ)和光谱敏感函数C(λ)的值不变，从而计算得到与所述物体图像的原像素点色差值最大的像素点集对应的光谱功率分布，即优化后的光谱功率分布S(x1,y1,λ)；
S106：使所述光源箱按照所述优化后的光谱功率发射出对应的光源，照射在物体上，以使所述CCD相机采集的物体图像的颜色更加鲜明，视觉效果更优。
2.如权利要求1所述的一种基于CAM02-UCS色貌模型的光源光谱优化方法，其特征在于：所述光源箱包括多种光源，并可将多种光源进行混合，发射出任意光谱功率分布的光源。
3.如权利要求2所述的一种基于CAM02-UCS色貌模型的光源光谱优化方法，其特征在于：所述多种光源均为LED光源。
4.如权利要求1所述的一种基于CAM02-UCS色貌模型的光源光谱优化方法，其特征在于：步骤S103中，采用基于对比度的显著性检测方法(HC)对所述物体图像进行显著性检测时，各像素点的显著值计算公式如公式(3)所示：
上式中，任意某个像素点Ik的显著值S(Ik)为该像素点在整个所述物体图像上的全局对比度，即该像素点Ik与其他所有像素点Ii在颜色上的距离之和；Ii的取值范围为[0,255]；将公式(3)转换为更直观的颜色值表示公式，如公式(4)：
上式中，ci为像素Ik的颜色值，为已知量；n是所述物体图像中不同像素颜色值的总数量，fj是像素颜色值cj出现的频率。
5.如权利要求1所述的一种基于CAM02-UCS色貌模型的光源光谱优化方法，其特征在于：步骤S104中，CAM02-UCS色貌模型建立的均匀颜色空间中明度J′和色品坐标aM、bM的计算公式如公式(5)所示：
上式中，J、M和h分别为色貌模型的明度、视彩度和色相角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910578160.7A CN110319933B (zh) | 2019-06-28 | 2019-06-28 | 一种基于cam02-ucs色貌模型的光源光谱优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910578160.7A CN110319933B (zh) | 2019-06-28 | 2019-06-28 | 一种基于cam02-ucs色貌模型的光源光谱优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110319933A true CN110319933A (zh) | 2019-10-11 |
| CN110319933B CN110319933B (zh) | 2020-09-04 |
Family
ID=68120665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910578160.7A Expired - Fee Related CN110319933B (zh) | 2019-06-28 | 2019-06-28 | 一种基于cam02-ucs色貌模型的光源光谱优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110319933B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179623A (zh) * | 2020-09-17 | 2021-01-05 | 一汽解放汽车有限公司 | 测量涂层迷彩对比度的方法、装置、***、设备和介质 |
| CN112747903A (zh) * | 2020-12-28 | 2021-05-04 | 南京林业大学 | 一种基于色度学颜色复制的最优光源光谱功率测定方法 |
| CN114812820A (zh) * | 2022-06-23 | 2022-07-29 | 东莞市沃德普自动化科技有限公司 | 一种色差检测方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101491160A (zh) * | 2006-07-13 | 2009-07-22 | Tir科技公司 | 光源和用于优化光源照明特性的方法 |
| CN105160140A (zh) * | 2015-10-21 | 2015-12-16 | 中国地质大学（武汉） | 一种节能照明光源光谱设计方法 |
-
2019
- 2019-06-28 CN CN201910578160.7A patent/CN110319933B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101491160A (zh) * | 2006-07-13 | 2009-07-22 | Tir科技公司 | 光源和用于优化光源照明特性的方法 |
| CN105160140A (zh) * | 2015-10-21 | 2015-12-16 | 中国地质大学（武汉） | 一种节能照明光源光谱设计方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨文兵等: "基于OSA_UCS数据的CIECAM02图像复制色差评价", 《包装工程》 * |
| 王兆辉: "《图像复制》", 30 October 2017 * |
| 章夫正: "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", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179623A (zh) * | 2020-09-17 | 2021-01-05 | 一汽解放汽车有限公司 | 测量涂层迷彩对比度的方法、装置、***、设备和介质 |
| CN112747903A (zh) * | 2020-12-28 | 2021-05-04 | 南京林业大学 | 一种基于色度学颜色复制的最优光源光谱功率测定方法 |
| CN112747903B (zh) * | 2020-12-28 | 2022-07-26 | 南京林业大学 | 一种基于色度学颜色复制的最优光源光谱功率测定方法 |
| CN114812820A (zh) * | 2022-06-23 | 2022-07-29 | 东莞市沃德普自动化科技有限公司 | 一种色差检测方法及*** |
| CN114812820B (zh) * | 2022-06-23 | 2022-10-14 | 东莞市沃德普自动化科技有限公司 | 一种色差检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110319933B (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11869139B2 (en) | System and method for three-dimensional scanning and for capturing a bidirectional reflectance distribution function | |
| Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
| KR101989202B1 (ko) | 미생물 성장을 분석하는 방법 및 소프트웨어 | |
| CN103914699B (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
| JP4997252B2 (ja) | 画像内の照明域を識別する方法 | |
| CN110319933A (zh) | 一种基于cam02-ucs色貌模型的光源光谱优化方法 | |
| CN104854620B (zh) | 图像处理装置、图像处理***和程序 | |
| CN101882034A (zh) | 触摸装置的触摸笔颜色识别装置及方法 | |
| JP4725298B2 (ja) | 画像による外観検査方法 | |
| KR102335899B1 (ko) | 3d 스캔이 수행 중인 물체에 관한 색상 정보를 수집하기 위한 시스템, 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
| JP5914688B2 (ja) | デジタル画像に関する色解析 | |
| CN108470373A (zh) | 一种基于红外的3d四维数据采集方法及装置 | |
| CN101751672A (zh) | 图像处理*** | |
| CN101004836A (zh) | 伪三维图像生成设备和方法 | |
| CN107592909A (zh) | 用于生成减少反射对比图像的方法及其装置 | |
| CN110073184A (zh) | 用于效果颜料识别的装置和方法 | |
| Lecca et al. | GRASS: a gradient-based random sampling scheme for Milano Retinex | |
| CN110458787A (zh) | 一种图像融合方法、装置及计算机存储介质 | |
| JP5266486B2 (ja) | 緑視率測定装置、方法及びプログラム | |
| CN106537217A (zh) | 宽视野深度成像 | |
| CN110097540A (zh) | 多边形工件的视觉检测方法及装置 | |
| US20140218477A1 (en) | Method and system for creating a three dimensional representation of an object | |
| JP5860970B2 (ja) | 固有画像の生成を改良するための後処理 | |
| Sandnes et al. | Simple and practical skin detection with static RGB-color lookup tables: A visualization-based study | |
| CN111784666A (zh) | 基于学习记忆的led灯珠缺陷检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200904 Termination date: 20210628 |