现实世界中的物体,其表面通常有各种纹理,如刨光的木材表面上有木纹,建筑物的墙壁上有装饰图案,机器外壳表面有文字说明它的名称、型号等。他们通过颜色或明暗度变化体现出表面细节,这种纹理称为颜色纹理。另一类纹理则是由于不规则的细小凹凸造成的,例如橘子皮表面的皱纹,这类称为几何纹理。前者一般都是二维图像纹理,后者为三维纹理。纹理是物体外貌的重要组成部分。物体纹理的视觉感知受很大程度上受外部环境因素的影响,如照明光源。颜色纹理实际上反映的是物体表面不同位置对照明光源不同波长的散射。如果光源是白色的,物体表面一些地方对蓝光的吸收率比较高,则该处呈现偏黄的颜色。若另一些地方对红光的吸收率较高,则该处呈现偏青的颜色,于是在白光的照射下物体表面呈现出各种颜色的花纹图案。几何纹理所体现出的“质感”取决于物体散射特性与光源本身特性如光强分布等的相互作用。观察角度以及光源与物体的相对位置对纹理的感知都会产生显著影响。一般来说,准直光源会增强物体表面纹理特征,而杂散光则弱化纹理中的凹凸差异。利用光照感知物体表面纹理是人们生活中重要的现象.例如商店照明,需要特性照明以提高织物表面纹理清晰度以增强质感,或者丰富织物色彩;计算机图形学则需要准确还原物体在不同照明条件下的纹理特征。大量科研工作者致力于照明与纹理关系的研究。然而对于照明如何影响物体表面纹理的视觉感知,如何利用照明以增强特定纹理特征等问题还有待进一步探索。因此本文在前人的研究基础上对以下两个问题进行研究:1)优化光源光谱以增强物体颜色纹理特征;2)研究照明方向、杂散程度对于几何纹理视觉感知的影响。详细来说,论文从以下几个方面对上面两个问题进行探索:1)提出了 一种光谱优化算法以增强物体表面颜色纹理信息。物体的颜色纹理或二维纹理信息主要受光源光谱和自身反射特性的影响。这一部分研究工作是以手术室无影灯照明为依托,旨在提高生物组织颜色纹理可见度。传统的手术室无影灯光源为卤素灯,是典型的热光源。卤素灯光谱固定,色温固定,机械结构笨重。这些缺点不利于医生在此光源下进行长时间手术。近年来LED光源技术得到快速发展,逐渐对各种照明应用进行渗透,也包括手术无影灯。LED具有传统光源不可比拟的优点,冷光源,光源光谱、亮度可调,照明系统简洁等。值得注意的是LED光源光谱可以通过配比具有不同光谱的多个LED进行灵活调整。这是LED最显著的优势。这也是增强颜色纹理信息的硬件基础。手术无影灯主要是为生物组织提供充足照明。在手术过程中,医生需要对所操作的生物组织进行清楚准确的识别,例如准确识别病变组织,更进一步地准确地界定病变和健康组织的边缘。论文中提出的光谱优化算法的核心思想是增大生物组织表面所包含颜色的色差,为医生提供更多的生物组织视觉信息。对于给定的生物组织,其被人眼感知的外貌特征主要取决于光源光谱,组织自身反射特性以及人眼的视觉感知等因素。因此生物组织在不同的光谱将呈现不同的颜色。一般来说物体表面包含多种颜色,增强颜色纹理信息可以被诠释为增大不同颜色之间的色差,即提高颜色不均匀性。我们的假设是总存在一个最优光谱能够最大程度的增大物体表面所包含颜色的两两之间的色差。首先,我们通过多光谱成像系统对生物组织进行成像,从而得到生物组织的多光谱图像。多光谱图像包含被测物体每个像素点在400-700nm之间的反射光谱值;其次,由于生物组织每个像素点的颜色信息不尽相同,在光谱优化过程中,如果计算并增大两两像素之间的色差对于硬件要求高以及时间消耗长,因此我们通过K-means聚类方法降低颜色信息的数量,这里我们聚类的标准是CIEL*a*b*值接近的像素分为一类。比如说我们得到的生物组织多光谱图像的大小是1200x1392像素,通过K-means聚类方法最后只得到k种颜色。然后,计算k种颜色的两两之间的色差。我们采用CIEDE2000色差公式计算k种颜色两两之间的色差,因为研究表明CIEDE2000所计算的色差与人眼感知的色差接近;最后,利用粒子群优化算法,以增大两两色差为目标函数,从而得到优化光谱。实际上优化结果是得到不同LED的强度配比。优化过程中,我们采用了 11种LED,其中8种单色LED,覆盖了 400-700nm波长范围,3种白光LED,色温分别为3000K,4000K,5500K。优化给出的结果是这11种LED的强度权重。我们对比了优化光谱与其他照明光谱包括文献中提出的优化算法得出的光谱、CIED65标准光源光谱和色温为5500K的白光LED,结果显示生物组织在优化光谱能够显示出更多的颜色纹理信息。2)对第一部分提出的优化光谱算法进行改进,提出了第二种优先增大小色差的光谱优化算法,设计了心理物理实验比较了这两种算法与其他优化算法和现有光源的照明效果,并对算法在不同生物组织的普适性进行了评估。在第一部分提出的优化算法存在几个缺点:1)聚类数目k需要提前给定,在第一部分的工作中,我们进行了前期实验以确定具体的k值,人为的确定k值增加了工作量也降低了优化算法的效率;2)优化算法的结果并没有进行心理物理实验的验证,其有效性需要验证;3)上一步工作中,我们仅将优化算法应用在猪心表面这一种生物组织,算法在其他生物组织的有效性需要进一步验证。基于上面几点不足,我们接下来做了这几个方面的工作进行改进:1)改善优化算法。先前提出的优化算法基于增大两两颜色的色差,这里我们赋予每个色差△Eij(i,j代表聚类后的两类颜色,△E为CIEDE2000色差公式)权重ni×nj,ni、nj是颜色i和颜色j所占像素的比重,这样占有少量像素点的过曝点等噪点参与的色差被自动赋予小权重,从而达到消除噪声的作用2)提出另一个优化算法min(1/△Eij)。我们认为优化时赋予增大小色差优先权比单纯增大所有颜色之间的色差更能增强颜色纹理信息可见度。基于反比例函数的特性-自变量值比较小时,自变量的变动会引起因变量较大幅度的变化,我们提出了 min(1/△Eij)的光谱优化算法。除了以上提出的max△Eij和min(1/△Eij),其他相关科研工作者提出了 max △RGB的光谱优化算法,因此我们设计了心理物理实验对不同的优化算法以及现有光源光谱CIED65和白光LED(色温5500K)进行比较。另外,为了验证优化算法对不同生物组织的普适性,我们收集了六种不同的生物组织,并计算出六种组织在不同优化光谱和现有光源照明下的图像。实验过程中,我们要求被试逐一对六种组织在不同的优化光谱下的图像进行比较。结果表明,相对于其他光谱我们提出的两种优化算法得到的光谱都能有效的增强不同组织的颜色纹理。3)提出了一种同时增强颜色纹理与显色指数的光谱优化算法。以上的两种优化算法虽然能够增强颜色纹理,但是所得优化光谱并不是色度学上的白光(duv<0.05)。传统的手术无影灯光谱具有很高的显色指数,即颜色保真度。调查显示医生对于病变组织的辨识以及手术技能的培训都是在传统光源下进行的。第一二两部分优化得到的光谱颜色偏蓝,可能并不适合在此类光谱下长时间工作。因此我们对优化算法进行了光谱保真度的约束。我们在目标函数加入了限制条件,1)CIERa大于85;2)CIER9大于85;3)duv小于5.4e-03。之所以要求Ra大于85是因为现有医疗照明的颜色质量标准规定手术无影灯的显色指数需大于85.另外,我们认为深红色是手术过程中出现的重要的颜色,好的手术无影灯应该能够较好的再现深红色。之所以要求duv小于5.4e-03,是因为只有在满足这个条件下,CRI的计算才有意义。结果显示加入显色指数这一限制条件后,相对于max△Eij和min(1/AEij)得到的光谱,颜色之间的色差降低,即生物组织的颜色纹理信息减少,但相对于传统卤素灯和白光LED,颜色纹理信息仍得到显著提高。值得注意的是,优化光谱的色温是6690K,比现有传统光源的色温高。另外,研究表明医生偏爱的色温在4000 K到5000 K之前。医生能否适应高色温光源仍需要进一步探索。4)研究了照明方向,杂散程度对于几何纹理视觉感知的影响。之前我们从光谱层面对如何增强颜色纹理信息提出了多个优化算法。这部分工作我们从光源其他的特性出发,即照明方向及杂散程度,来研究照明对于三维纹理信息的视觉感知影响。首先我们搭建了光环境,包含一个杂散程度高的光源(diffused light),一个准直性高的光源(collimated light).Murry等人提出,任何光场都可以用球面谐波的形式进行表示,球面谐波的零阶分量包含光场强度信息,一阶分量包含光场方向(光矢的方向)信息。基于光场的可加性,叠加光场的强度即为两个光场零阶分量之和,叠加光场的一阶分量即为两个光场一阶分量矢量相加。又有Cuttle等人将光场杂散程度定义为一阶分量的模与零阶分量的比值。因此,通过调节两个不同杂散程度的光场(杂散光源D1和准直光源D4)的强度,可以得到处于居中水平的两种杂散水平的光环境(D2,D3)。另外我们通过调节物体表面与collimated光源的相对位置,得到照明方向的四个水平。这样,当collimated光源处于一个方向时,通过调节两个光源的强度,可以得到四种不同的杂散程度的光场。但对于所有的照明方向,杂散程度最大的光场D1都对应着只打开diffused光源的情况。所以总共我们可以得到4x4-3=13种不同的光环境。不同光环境下,物体表面的几何纹理将呈现出不同的外貌。除了探索光环境对几何纹理外貌的影响外,我们也对光环境的影响是否依赖于物体表面特性感兴趣。因此,实验之前,我们收集了具有不同粗糙程度(4个水平)以及不同反射率(两个水平)的材料。这些材料被放置到13种不同的光环境下,实验过程中我们要求被试逐一对每种材料在不同光环境下的几何纹理进行评价。通过数据分析我们获得了照明方向和杂散程度对物体表面几何纹理信息视觉感知的影响,并且这种影响是否依赖于材料本身的特性,即粗糙程度与反射率大小。以上是实验的基本思路。但是在实际操作中,我们并没有在实际的光环境中对几何纹理进行评价,而是通过一系列图像处理的方法,将八种样本在不同光环境下采集到的图像在显示器上复现。然后我们要求被试在显示器上对复现的样本进行评价。之所以在显示器上而非在真实光场景中对物体的纹理进行评价,是因为diffused光源和collimated光源在目标面的光强分布并不是均匀的,这种不均匀导致放置在光源下的物体表面呈现出一个渐变光斑。这个渐变光斑在collimated光源照射下尤其明显。为了使不同光环境间具有可比性,我们通过后期图像处理消除了渐变光斑对视觉评判的影响。首先我们利用相机获得样本在collimated光源的不同方向水平下的图片A,以及diffused光源下的图片B。图像的RGB值通过相机特征化模型转化到CIEXYZ空间的XYZ值,这个空间具有线性可加性,根据之前介绍的光场理论和Cuttle杂散程度的定义,我们将A与B按照之前计算出的强度配比进行叠加从而得到对应中间两个杂散程度水平下的图片。然后去除图片中的渐变光斑。接着我们应用CAM02色适应模型以及显示器矫正模型将物体图片真实地还原到显示器上。被试在显示器上对于不同光环境下物体的外貌进行比较。