同色异谱问题概述

转载于:同色异谱问题概述 - 知乎

我们实验室内有两种灯箱,一种立式的 LED 灯箱,可以线性的调节色温和照度,色温调节范围是2000-10000k。另一种是柜式的CIE标准光源灯箱,有D75、D65、D50、TL84、CWF、A等几种光源可切换。之前调试时都是用立式的 LED 灯箱去做 awb 的校准,但有遇到校准完后,用相同色温的柜式灯箱去测试,会有白平衡判不准导致的偏色问题,反之亦然。后面有了解到,是由于同色异谱导致的,本文主要就是讲解一下同色异谱的问题。

1、相关概念

同色异谱,顾名思义,就是色温相同,光谱不同。相同色温下可以有多种光源,但一种光源只对应一种光谱,就如同人的指纹一样。

比如 LED 灯的6500k 和 D65光源,色温都是6500k,但光谱是不同的,这就是同色异谱。

如下图所示,是几种光源的光谱图,也就是光源在380-780nm可见光波长内的响应频率。

A光源是蓝很低,红分量很高的光谱特征,呈现的图像效果是偏黄色的。D50,D65的光谱比较平稳,一般是用作校正白平衡、shading的标准光源,F1是荧光灯光谱,蓝色的成分比较高,出来的颜色会偏蓝。

2、问题分析

之前有用同样的模组在 LED 光源及标准光源灯箱下都做过色温的标定,标定出来的普朗克曲线如下图所示,

从标定的曲线结果来看,还是标准光源灯箱标定出来的曲线比较符合一些,LED 光源下的普朗克曲线完全呈线性的,

所以建议有条件的还是使用标准光源的灯箱去标定白点会比较符合预期,因为我们一些色彩的标准都是基于CIE定义的标准光源来的。

从调试的结果来看,用标准光源来标定白点后,去LED 灯下去测,基本上5000k 色温以下就容易判不准了,

具体如何调试还是得看 AWB 算法是如何区分同色异谱光源问题了,如上图中标定的 CWF光源和 TL84光源,对应色温分别是4150k 和 4000k,是非常接近的。

算法里一般的处理原理就是在主区域里另外扣出一个区域给 CWF,当大多数白点在这个特殊区域内时,那此区域就决定该图像色温。

3、标准光源

另外解释下什么是标准光源, 简单来说,标准光源就是一种为了规范颜色检测的人工照明光源。

对于检测颜色的光源来说,比较理想的光源就是自然日光。人们长期在自然日光下生活和工作,眼睛在自然日光下就可以更加准确的分辨出不同产品外观色彩。

传统的对色方式,也是在自然日光下进行目视观察。不过,随着工业化进程加快以及商业照明的普及,对色员就需要在不同的条件下准确的评定产品的颜色。

为了保证在夜班时、阴雨天气情况下都可以准确的观测到货品的颜色,国际照明委员会(CIE)就推荐了颜色测量时统一的照明光源。

这就是我们在对色灯箱中使用的标准光源,如下是列举的一些标准光源,主要可以分为A、B、C、D、E、F等不同的类型。

在 1931年时,CIE 只规定了 A、B、C 三种标准照明体( 标准照明体就是一种理想的照明环境,而标准光源就是实现这种照明条件的人工照明灯管、灯泡)。

其中标准照明体A表示色温为 2856K 的完全辐射体的辐射能量,其色品坐标落在 CIE1931 色品图的黑体轨迹上;

标准照明体 B 表示相关色温约为 4874k 的直射日光,其色品坐标紧靠黑体轨迹;标准照明体 C 表示色温约为 6774K 的平均昼光,其色品坐标位于黑体轨迹下方。

随着照明技术的不断发展,为了弥补标准照明体 B、C 在紫外区的不足,就又规定了 D 系列标准照明体。

这里的标准照明体 D 指的就是日光在各时段的相对光谱功率分布。不过标准照明体 D 系列是一个很大的范围,为了实际使用方便,CIE 就在标准照明体 D 中推荐了几个特定的相对光谱功率分布,也就是我们常说的 D65、D50、D75 等等。

标准照明体 E:将在可见光波段内光谱辐射功率为恒定值的光刺激定义为标准照明体E,亦称为等能光谱或等能白光。这是一种人为规定的光谱分布,实际中不存在这种光谱分布光源。

随着商业荧光灯的普及,为了满足商业领域日益凸显的对色需求,CIE 就又推荐了 F 系列荧光光源。其中 F1-F6 为普通荧光灯( F2 就是 CWF 光源)、

F7-F9 为高显色性荧光灯、F10-F12 为三基色荧光灯( F11 为 TL84 光源),这也就是标准光源 F 的由来。

参考资料:

https://blog.csdn.net/weixin_39617215/article/details/112814273?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~aggregatepage~first_rank_ecpm_v1~rank_v31_ecpm-3-112814273-null-null.pc_agg_new_rank&utm_term=%E6%A0%87%E5%87%86%E5%85%89%E6%BA%90&spm=1000.2123.3001.4430https://link.zhihu.com/?target=https%3A//blog.csdn.net/weixin_39617215/article/details/112814273%3Futm_medium%3Ddistribute.pc_aggpage_search_result.none-task-blog-2~aggregatepage~first_rank_ecpm_v1~rank_v31_ecpm-3-112814273-null-null.pc_agg_new_rank%26utm_term%3D%25E6%25A0%2587%25E5%2587%2586%25E5%2585%2589%25E6%25BA%2590%26spm%3D1000.2123.3001.4430

https://www.taodocs.com/p-735578383.htmlhttps://link.zhihu.com/?target=https%3A//www.taodocs.com/p-735578383.html

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下噪声功率估计方面的一些研究人员和相关文献的概述: 1. Ephraim和Malah在1984年提出了减法(Spectral Subtraction)算法,该算法被广泛应用于噪声抑制和语音增强中。 2. Cohen和Berouti在1985年提出了MMSE算法(Minimum Mean Square Error),该算法可以在保持语音信号信息的同时,抑制噪声。 3. Martin等人在2001年提出了基于子空间的噪声估计算法(Subspace-Based Noise Estimation),该算法在噪声估计和语音增强中取得了良好的效果。 4. Xu和Wang在2005年提出了基于时域滤波的噪声估计算法(Time-Domain Noise Estimation),该算法采用自适应滤波技术估计噪声功率,可以应用于非平稳噪声。 5. Xu等人在2014年提出了一种基于深度学习的噪声估计方法(Deep Learning-Based Noise Estimation),该方法通过深度神经网络对语音信号进行建模,可以得到更加准确的噪声功率估计值。 6. Loizou在2013年出版了一本名为《Speech Enhancement: Theory and Practice》的书籍,系统地介绍了噪声功率估计算法、语音增强技术等方面的知识和方法。 7. 陈峰和李旭在2017年发表的论文《基于深度学习的噪声估计算法研究进展》中,对基于深度学习的噪声估计算法进行了详细的介绍和分析。 总的来说,噪声功率估计方面的研究人员很多,相关文献也很丰富,涉及到了统计分析、频域处理、时域处理、深度学习等多个方面。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值