针对主观颜色分析受照明光源、观察者等因素影响的问题,本文采用可见光谱识别不同朝代典型壁画的颜料信息,然后根据色度学理论,客观地分析了古代壁画的颜色特征和历史流变。本文搭建了非接触式获取系统,并采用该系统对莫高窟不同朝代典型洞窟壁画的可见光谱数据进行了无损采集。此外,本文模拟古代工艺制备颜料样本,测量其可见光谱和粒径尺度数据,建立颜料标准数据库。分析颜料的可见光谱与其物质成分、粒径及颜色特性之间的关联,并据此构建基于可见光谱的壁画颜料的识别方法,识别莫高窟典型洞窟壁画的颜料信息。本文通过将识别的颜料信息与颜料标准数据库数据进行对比,客观地分析了莫高窟壁画的颜色特征和历史流变。

在检测果蔬农药残留的近红外光谱采集过程中, 往往会受噪声干扰获得低信噪比近红外光谱, 且近红外光谱中表征农药和果蔬化学组分的谱峰微弱且重叠度高, 因而此近红外光谱降噪普遍存在易平滑微弱的农药组分谱峰、 或增加非测量物化学组分谱峰的危险, 导致在后续以仅挖掘红外光谱谱峰特征为前提的分类和化学组分分析中, 恶化近红外光谱的分类精度、 影响农药残留成分的正确分析。 针对抑制近红外光谱噪声与保持近红外光谱谱峰的矛盾, 提出一种改进Hodrick-Prescott分解模型的自适应降噪方法。 在该方法的Hodrick-Prescott分解模型中, 以染噪光谱与复原光谱之间残差的L2范数为残差项, 描述高斯噪声结构, 以复原光谱信号二阶差分的L2范数为正则化项, 惩罚复原光谱、 迫使从染噪光谱中复原的光谱倾向于梯度减少的方向, 以平滑噪声、 保持原始谱峰信息。 该方法同时结合L-曲线方法, 自适应地获取染噪光谱在Hodrick-Prescott优化方程中的正则化参数, 并通过求解该曲线最大曲率点对应的参数获得最优正则化参数, 确保能平衡Hodrick-Prescott分解模型中正则化项和残差项, 以得到较为理想的光谱复原结果。 实验以农药残留和未残留的上海青近红外光谱为基本数据、 通过降噪前后信噪比、 以及支持向量机分类模型的识别率, 对比分析bior6.8小波分解方法、 sym8小波分解方法、 互补集合模态分解方法的降噪效果。 实验结果显示, 该方法在处理18.79 dB信噪比染噪近红外光谱时获得了33.35 dB信噪比; 在实施上海青农药残留检测中, 处理训练集与测试集近红外光谱数据后, 训练所得支持向量机分类模型的训练集识别率达93.58%、 测试集识别率达71.18%, 此识别率明显高于上述三种方法降噪后的结果, 接近于原始未染噪声光谱数据。 该方法在近红外光谱降噪方面具有明显的优势, 能应用于农药残留近红外光谱检测的前期处理。

针对取样分析技术破坏壁画文物完整性问题, 提出非接触式可见光谱法原位无损识别壁画文物矿物质颜料物质成分和粒径的方法。 构建非接触式获取平台原位无损采集壁画文物表面可见光谱; 通过调研和实测数据分析, 制备了壁画矿物质颜料可见光谱数据库。 分析数据库中的光谱数据发现: 同种化学成分的颜料具有相同的吸收特性, 表现为光谱曲线峰值位置和几何轮廓的相似性; 在不同粒径下又呈现出不同的散射特性, 表现为光谱曲线幅度的差异性。 为此, 构建了壁画文物矿物质颜料物质成分和粒径的可见光谱法无损识别流程和识别方法, 即提取光谱曲线几何轮廓特征构建表征空间实现了颜料物质成分的识别; 在此基础上, 提出了矿物质颜料需进行物理特征识别的理念, 并建立了光谱曲线幅度积分值与颜料平均粒径间的拟合关系, 实现颜料粒径识别。 以敦煌莫高窟壁画为例验证了该方法的可行性。

基于密度泛函理论的第一性原理研究了存在本征空位和间隙缺陷的MgAl2O4体系。缺陷形成能的结果表明，Oi4和VO分别在富氧(O-rich)和缺氧(O-poor)条件下的形成能最低，两者均在体系中引入深能级，无法增强MgAl2O4的导电性。电子结构的结果表明，Oi4在价带顶和导带底均引入能级，VO在禁带中引入深能级，分别存在这两种本征缺陷的MgAl2O4依然保持良好的绝缘性。

LED智能光源具有色光可调的特点, 其内置微处理系统可以通过无线数据传输等技术调整发光方式, 控制光色及发光强度, 进而实现照明光源的动态调节, 因此特别适合于博物馆展陈、 家居照明等智能化照明设计环节。 现阶段, 鉴于LED光源智能混光技术尚未普及, 目前绝大多数商用LED智能光源在混光控制方面仅局限于设备制造商所设定的几类固定模式, 无法充分发挥智能LED光源色光可调的技术优势。 针对此问题, 提出了一种基于BP神经网络以及有效集算法的LED智能光源混光呈色模型构建方法, 实现了LED智能光源控制信号与对应发光光谱辐亮度分布之间的双向高精度映射。 研究中首先提出了一种基于BP神经网络的LED混光呈色预测方法, 实现了由LED智能光源驱动控制值向光源实际发光光谱辐亮度分布的准确预测; 在此基础上运用有效集算法实现了由光源实际发光光谱辐亮度分布向LED智能光源驱动控制值的反向高精度预测。 实验结果显示, 所提出的方法整体建模误差显著小于人眼视觉可分辨阈值(CIEUCS Duv值可低至0.002 7), 达到了较为理想的建模效果。 该方法的提出, 将为当前LED智能光源制造以及现有商用LED智能光源的二次开发与优化提供有效的理论与方法支撑。

颜色测量设备获取的光谱数据或色度数据应能够真实客观的表征物体的颜色信息。 针对不能直接与测量仪器接触的测量目标, 需要采用非接触式颜色测量方法获取其颜色信息。 根据光谱辐射度理论分析可知, 非接触式颜色测量过程中照明距离、 测量距离及曝光时间的变化对测量结果有较大影响, 而已有研究成果中并未深入研究测量参数的变化对测量结果的影响。 为了在非接触式颜色测量过程中得到准确的结果, 提出了一种基于正交试验的非接触式颜色测量参数的最优化方法。 实验通过光谱辐射度计(PhotoResearch705, Photo Research 公司, 美国)获取不同参数组合条件下标准色卡(GretagMacbeth ColorChecker Rendition Chart)的颜色信息, 结合极差分析法和方差分析法, 实验结果显示测量值与标准值的色差CIEDE2000最小为0.878 8ΔE, 最大为1.543 1ΔE, 表明该方法能有效的选取最佳参数组合, 并能分析各参数对测量结果影响的大小。

训练样本构成是影响光谱重建精度的一个重要因素, 针对学习型光谱重建算法中训练样本选择问题, 提出了一种基于主成分分析的训练样本选择方法。 为了保证训练样本与重建样本的相似度, 首先根据欧式距离最小原则从待选样本集中选择与重建样本相机响应值相似的样本, 并去掉其中的重复样本； 然后进行主成分分析； 设定阈值筛选各主成分系数较大的样本作为训练样本, 最后得到与主成分个数相同的训练样本子集。 为验证该方法的有效性, 通过在镜头前加载宽带滤色片搭建多通道图像获取系统采集多通道图像信息, 将得到的各样本子集用作训练样本, 利用伪逆法重建光谱信息, 最后将重建的光谱精度与常用的训练样本及训练样本选择方法得到的重建光谱精度进行比较。 实验结果表明： 提出的方法显著提高了光谱重建的色度精度和光谱精度, 优于常用的样本选择方法, 能较大程度满足高精度颜色复制要求。