亮度分布确定的制作方法

1.本公开涉及确定亮度分布。


背景技术：

2.环境内存在的总体照明可能在很大程度上受到包括一个或多个照明器的可控照明系统的影响。环境内可能有其他光源，诸如通过窗户入射的自然光。一般地，总体照明可以包括可控（照明系统的一部分）和不可控（不是照明系统的一部分）组件。
3.为了实现高质量的照明，照明系统的控制器应该计及环境内的照明质量方面，例如照明分布、方向性、动态性、眩光、黑色素等效日光照度、光谱的视觉部分和非视觉部分（从uv直到ir）中的光谱功率密度等。为此，有用的第一步是测量环境内的亮度分布，因为亮度分布包含这些照明质量方面的大量重要信息，并且可以提供足够的信息来实现高质量的照明。因此，亮度分布测量设备是照明质量控制系统的有用设备。
4.亮度分布测量设备还可以具有其他应用（诸如独立的测量设备），例如以确保工作空间平面中的光照符合某些标准。
5.cn 108509887 a涉及显示技术领域，并且特别地展示了用于获取环境光照信息的方法和设备，以及电子装备。所公开的方法包括以下步骤：从包含参考物体的图像中切割参考物体的真实拍摄的彩色图像；根据参考物体的彩色图像，通过采样生成观测点矩阵；根据由光源一次函数系数、传递矩阵、和观测点矩阵构成的线性方程组，求解光源一次函数系数；以及根据光源一次函数系数，获取环境光照信息。通过该方法，可以准确且高效地计算出周围环境的光照信息，这是在真实光照条件下实际地渲染真实环境中的虚拟物体的前提。


技术实现要素：

6.根据本文公开的第一方面，提供了一种确定由至少一个照明器照亮的场景的至少一个图像之上的空间亮度分布的方法，该图像包括rgb通道，该方法包括：形成rgb通道的组合以确定亮度分布，该组合具有一组系数，该组系数包括每个rgb通道的相应系数；其中该系数通过以下确定：识别至少一个照明器的光谱功率分布spd；以及执行搜索以确定该组系数的值，该组系数的值最小化光谱失配，该光谱失配是a）由该组合加权的所识别的spd和b）由光度函数加权的所识别的spd之间的光谱失配。
7.在一个示例中，至少一个图像包括一组低动态范围ldr图像，并且该方法包括从该组ldr图像构建高动态范围hdr图像，并且其中该组合被应用于所构建的hdr图像。
8.在一个示例中，光谱功率分布的识别包括确定至少一个图像的色域，并将所确定的色域与已知光谱功率分布的一组预定义色域进行比较。
9.在一个示例中，色域是红蓝色域。
10.在一个示例中，识别光谱功率分布包括接收光谱功率分布的预定指示。
11.在一个示例中，该组合是线性组合。
12.在一个示例中，该方法包括根据亮度分布确定至少一个光性能指标lpi，该lpi是从亮度分布的区域得到的组合度量。
13.在一个示例中，lpi中的至少一个是指示亮度分布的区域之上的亮度值的亮度lpi。
14.在一个示例中，lpi中的至少一个是指示亮度分布的区域之上的亮度差异的对比度lpi。
15.在一个示例中，该方法包括识别用户的取向，并且其中针对与位于用户前方的区域相对应的亮度分布的区域确定lpi中的至少一个。
16.在一个示例中，lpi中的至少一个是指示由用户体验的眩光量的眩光lpi，并且该方法包括通过以下确定眩光值：根据亮度分布确定背景亮度和眩光源的亮度；估计眩光源与用户视线的偏差；估计从用户看到的眩光源对着的立体角；基于背景亮度、眩光源的亮度、眩光源与用户视线的所估计的偏差、以及所估计的从用户看到的眩光源对着的立体角来确定眩光量。
17.在一个示例中，lpi中的至少一个是指示对用户的预期非视觉效应的非视觉lpi。
18.在一个示例中，该方法包括识别亮度分布内的多个任务区域，并确定每个相应任务区域的lpi。
19.在一个示例中，该方法包括基于所确定的至少一个lpi来控制至少一个照明器。
20.还提供了一种计算机设备，包括体现在计算机可读存储介质上的计算机可执行代码，该计算机可执行代码被配置为当被一个或多个处理器执行时执行第一方面的方法或其任何示例。
21.还提供了一种包括计算机设备和相机的系统。
22.还描述了一种在可控照明系统中使用的基于相机的传感器设备，该基于相机的传感器包括：通信接口；相机，用于捕获场景的图像，每个图像包括像素阵列；和处理器，被配置为：从由相机捕获的图像确定至少一个光性能指标lpi，该lpi是从图像中的像素阵列中的多个像素得到的组合度量；以及经由通信接口将所确定的至少一个lpi传输到可控照明系统，供可控照明系统使用，以基于lpi做出控制决策；其中处理器不传输场景的任一图像。
23.在一个示例中，lpi中的至少一个是指示由相机捕获的图像中的多个像素上的明度值的明度lpi。
24.在一个示例中，lpi中的至少一个是指示由相机捕获的图像中的多个像素上的明度差异的对比度lpi。
25.在一个示例中，lpi中的至少一个是指示由相机捕获的图像中的多个像素上的颜色值的颜色lpi。
26.在一个示例中，颜色可以是色温。
27.在一个示例中，lpi中的至少一个指示明度或亮度与颜色或色温的组合。在一个具体示例中，lpi可以指示该组合相对于kruithof曲线的位置。
28.在一个示例中，lpi中的至少一个是指示由相机捕获的图像中的多个像素上的颜色差异的颜色对比度lpi。
29.在一个示例中，lpi中的至少一个是指示对场景内存在的用户的预期非视觉效应的非视觉lpi。非视觉效应的示例包括黑色素辐射；s-视锥辐射；m-视锥辐射；l-视锥辐射；
和杆状细胞辐射。
30.在一个示例中，处理器被配置为确定场景内存在的用户的位置和取向，并且其中lpi中的至少一个是指示由用户体验的眩光量的眩光lpi。
31.在一个示例中，处理器被配置成从像素阵列确定亮度分布，并且其中lpi中的至少一个是指示由相机捕获的图像中的多个像素上的亮度值的亮度lpi。
32.在一个示例中，场景包括多个任务区域，并且为每个相应的任务区域确定lpi。
33.在一个示例中，处理器被配置为确定场景内存在的多个用户中的每个用户的lpi。
34.在一个示例中，处理器被配置成为场景内的多个假设用户位置中的每一个确定同一类型的lpi，并从多个lpi生成平均lpi。
35.在一个示例中，处理器被配置成确定场景内存在的用户正在执行的当前活动，并且其中至少一个lpi取决于所确定的当前活动。
36.还描述了一种控制可控照明系统的方法，该方法包括：使用相机捕获场景的图像，该图像包括像素阵列；从相机捕获的图像中确定至少一个光性能指标lpi，该lpi是从图像中的像素阵列中的多个像素得到的组合度量；以及将所确定的至少一个lpi而不是图像从相机传输到可控照明系统，供可控照明系统使用，以基于lpi做出控制决策。
37.在一个示例中，该方法包括：在可控照明系统的控制器处接收至少一个lpi；将所接收的至少一个lpi与对应的用户偏好进行比较，以确定可控照明系统中的设备的设置；以及根据所确定的设置来控制该设备。
38.在一个示例中，该方法包括确定可控照明系统中的设备的设置的用户满意度；并且相应地修改对应的用户偏好。
附图说明
39.为了协助理解本公开并示出可以如何实行实施例，通过示例的方式对所附附图进行参考，在附图中：图1示意性地示出了用于照亮环境的示例照明系统；图2更详细地示意性示出了照明系统的相机单元；图3是图示根据本文描述的示例的照明系统的高级功能的图解；图4示意性地示出了说明由相机单元的处理器执行的一个示例方法的流程图；图5示意性地示出了说明由相机单元的处理器执行的另一示例方法的流程图；图6图示了根据由相机捕获的图像确定的环境的示例亮度分布；图7和图8图示了用户偏好数据；以及图9图示了示例光度函数。
具体实施方式
40.如今，人们在室内度过其超过90%的时间，照此，室内环境对人们的健康和福祉变得至关重要。因此，健康的建筑设计正越来越成为业主、监管机构和租户的议题。健康建筑设计的趋势被认为迅速增长。考虑到日光的有益效应，反映其自然节律并提供支持健康和福祉所需的光营养的人工照明方案是创造感知背景的健康室内环境的关键。因此，感测和监控照明非常重要。
41.可控照明系统允许响应于来自各种传感器的输入来控制环境内的光照。本文认识到，捕获环境图像的基于相机的传感器可以导致隐私或安全问题。这是一个特别的问题，因为基于相机的传感器由于它们提供空间信息的事实而可以提供优于其他类型传感器（例如红外运动检测器）的许多优点。
42.本公开描述了允许使用基于相机的传感器同时保持用户隐私和数据安全的设备和方法。为了实现这一点，在相机单元（基于相机的传感器设备）处得到一个或多个“光性能指标”（lpi）。lpi是从由相机单元处的相机拍摄的一个或多个图像中得到的，并且包含照明系统的控制器做出控制决策所必需的信息。每个lpi是从图像中像素阵列的多个像素得到的组合照明度量。换句话说，lpi只包含有限数量的识别符，并且没有可追踪的人类或其活动的图片。这些lpi（并且不是图像）然后从相机单元传输到控制器。也就是说，图像本身从不离开相机单元，从而提供增强的隐私性和安全性。换句话说，执行两个步骤：步骤1：将测量的光分布转变成在相机单元之内计算的lpi；步骤2：使用优化函数/成本函数来计算不同的光设置如何提高lpi的值。这可以在相机单元之外完成。
43.因此，相机单元具有一个接口，通过该接口它不交换图像，但是它交换lpi。换句话说，相机单元的通信接口定义了隐私边界，在该隐私边界之上图像从不被交换。在一个示例中，相机单元以集成的基于相机的传感器设备的形式提供，其中相机和通信接口（以及处理器和存储器，下文所描述）集成到同一外壳中。在这些示例中，通信接口被布置成将来自集成的基于相机的传感器设备的lpi（并且不是图像）传送到外部系统，诸如可控照明系统。
44.lpi的一些示例可以利用与环境内的亮度分布相关的信息。测量环境内亮度分布的已知设备是昂贵的、专门建造的设备。即使当使用这种设备时，根据原始测量确定亮度分布的各个步骤也需要手动进行。这要求专家水平的技能。这两个因素都已经限制了亮度分布测量设备的采用。
45.本公开还描述了用于允许从由相机捕获的一个或多个图像中确定亮度分布的设备和方法。这允许在仅要求低成本标准部件的实施例中保持实用精度。此外，亮度分布测量可以完全自动化。这允许它容易集成到照明控制系统中。
46.图1示意性地示出了用于照亮环境110的示例照明系统100。环境110可以是例如由墙壁包围的房间。用户111被示出在环境110内。
47.照明系统100包括控制器120、一个或多个照明器121和相机单元200。控制器120通过相应的有线或无线连接操作地耦合到照明器121和相机单元200中的每一个。如图1中所示，控制器120也可以连接到网络123。网络的一个示例是互联网。控制器120也可以连接到存储器124。存储器124是计算机存储设备。如图1中所示，存储器124可以直接耦合到控制器120（即本地存储器），或者可以是经由网络123可访问的远程存储器。例如，存储器124可以是由控制器120经由互联网可访问的服务器。
48.照明器121是用于生成光的光源（也称为灯具）。控制器120被配置成向照明器121发送控制命令，以便控制环境110内的照明。如图1中所示，照明器121安置在环境110内。也就是说，每个照明器121被布置成通过将可见光发射到环境110中来照亮环境110的至少一部分。在这个示例中，示出了安装在天花板上的四个照明器121。然而，要理解，环境110内可以存在更多或更少的照明器。还要领会，可以存在不同类型的照明器。其他类型照明器的示
例包括落地灯、台灯、聚光灯等。不是所有的照明器121都需要是同一类型。
49.环境110可以包括一个或多个光源，这些光源本身不是照明系统100的一部分。这种光源的一个示例是自然光源，例如图1中所示的窗户112。控制器120仍然可以使用其他类型的可控设备来控制这些类型的光源的影响。一个示例是用于窗户112的可控遮光帘或百叶窗。控制器120可以被配置成控制遮光帘或百叶窗来覆盖或露出窗户，以便改变通过窗户112进入的自然光的量。
50.控制器120在本文被描述为执行与识别和补救环境110内的照明问题相关的功能。然而，要理解，这些步骤可以由照明系统100内的单独设备来执行。具体地，在一些示例中，控制器120可以仅识别照明问题（例如光照太明亮），并将补救它的责任移交给单独的控制设备。这样做的一个原因是，可能期望对照明问题进行补救，但是由于例如功耗限制而不可实现。在这个示例中，控制器120可以被配置为确定对照明设置的期望改变（例如增加明度），而不需要知道可能阻止其实施的非基于照明的要求（例如有限的功耗）。
51.注意，“明度”可以简单地理解为图像中一个或多个rgb值的大小。然而，用户111体验的“明度”的更好的测量是亮度。下面描述的是用于从图像确定亮度值（亮度分布）的方法。因此，可以使用（较复杂的）亮度值来代替（较朴素的）明度值。
52.环境110可以包含一个或多个物体113。图1示出了放置在环境110内的椅子。椅子是物体113的一个示例。不同的物体通过不同程度地吸收和反射不同的波长，以不同的方式响应由照明器121发射的光。
53.图2更详细地示意性示出了照明系统100的相机单元200。
54.相机单元200包括相机201、处理器202、通信接口203和内部存储器204。处理器202操作地耦合到相机201、通信接口203和内部存储器204中的每一个。
55.相机201被布置成捕获环境110内的场景的图像。术语“场景”指的是在图像中捕获的环境110的部分，即在相机201的视场内的环境110的部分。注意，相机单元200可以放置在环境110本身的内部或外部。在任一情况下，相机201可以是广角相机。广角相机的优点在于，得到的图像代表环境110的大量面积（更大的场景）。由相机201捕获的场景可以基本上是环境110的全部。例如，相机201可以是安装在天花板中的广角相机，具有环境110的360度视角。术语“场景”和“环境”在本文可互换使用。
56.相机201捕获rgb图像。rgb图像在rgb颜色空间中由红色r、绿色g和蓝色b通道中的每一个的各个值来代表。也就是说，如本领域已知的，由相机201捕获的图像包括例如每个像素的浮点rgb值。每个通道包括标量（灰度）像素值的阵列。例如，红色通道包括代表图像中每个点处相机201的红色传感器的响应的灰度图像。
57.如下文更详细描述的，相机单元200的处理器202被配置成从相机201接收图像，并将它们转换成一个或多个光性能指标（lpi）。lpi被传输到照明系统100的控制器120，而不是图像本身。lpi包含控制器120在做出控制决策时使用的信息。换句话说，处理器202被配置成将信息（图像）“剥离”成对控制器120仍然有用的格式，但是没有与图像相关联的隐私担忧。
58.每个lpi都是对场景内存在的照明条件（例如亮度、眩光、对比度、颜色等）的人类体验的测量。可以使用模拟照明条件的人类体验的函数——例如从每个rgb通道获取的值的函数——来确定lpi。该函数可以例如采取每个像素的rgb值的组合，每个像素由相应的
参数来参数化（例如每个像素由相应的系数加权）。处理器202可以执行训练或搜索过程来调节参数或系数，以识别最佳模拟人类体验的值，例如最小化人眼和相机系统的响应之间的光谱失配。
59.每个lpi本质上是一个关于人类如何体验光照的测量或度量。本文描述了各种示例，但是应当理解，这不是穷尽的清单。特别是，许多示例是用量化模型给出的。然而，发明人设想在未来对于更多的示例，量化模型将被提出和验证。对于许多示例，性能以数字值表示，有时表示为人类认为光水平可接受的概率、房间用户将干预光设置的概率、主观解释被量化、平均满意度分数、工人在特定光设置下解决某些任务的生产率、以每秒字数为单位的阅读速度、具有医学指征和残疾的人仍可以安全执行任务的程度、人们示出疲劳的预期速率等。虽然在条件良好的实验室环境中确定这些因素中的一些可以是可能的，但这要求专家水平的技能和对所涉及变量的仔细控制（例如设置光以创建某种测试条件）。本文描述的技术解决了纯粹根据由相机测量的光分布来确定或预测lpi的特定问题。这可能涉及其他输入，诸如用户特定的输入（定位、取向等）。足够的模型允许由自动系统数值计算许多lpi。
60.图3图示了根据本文描述的示例的照明系统100的高级功能。
61.图3示出了相机单元200，其包括相机201、由相机201捕获的图像210、亮度分布215、示例lpi 230和存储器204。存储器204被示为存储用户数据214和环境数据224。用户数据214的示例包括用户定位、用户取向、用户注视等。环境数据的示例包括任务区域、墙壁区域等。示例lpi包括整体明度230、眩光231、任务区域照明232、墙壁照明233等。
62.图3还示出了存储器124、控制器120和环境110。存储器124被示为存储用户数据125、照明系统数据126和用户偏好数据127。用户数据125的示例包括用户活动。照明系统数据126的示例包括照明器定位和照明器取向。环境110被示为包括照明器121以及其他可控设备122。其他可控设备122的示例包括覆盖窗户112的遮光帘和百叶窗。还示出了用户输入114。用户输入的示例包括显式和隐式用户输入。这些将在下面更详细解释。用户可以向控制器120提供输入的方式的示例包括经由开关（例如壁挂式）、经由智能手机或智能手表等。
63.如上所述，处理器202被配置为至少从相机201捕获的图像中确定一个或多个lpi。注意，图3中只示出了一些示例lpi。下面给出了一个更大的示例lpi列表。
64.在一些示例中，处理器202可以在确定一个或多个lpi时考虑附加因素。图3示出了两大类这样的附加因素：环境数据和用户数据。
65.环境数据指的是与环境110相关的信息。环境数据的示例包括环境110内感兴趣区域的定位和可选的取向。例如，“任务区域”可以是感兴趣的区域。任务区域是用户111或（多个）其他用户通常执行任务的区域，例如桌面区域。任务区域的照明要求通常不同于环境110内其他区域的照明要求。例如，用户111可能希望他或她的桌子（任务区域）以比环境110的其余部分更大的明度被照明。
66.用户数据是指与用户相关的信息，诸如用户的物理属性。用户数据的示例是用户定位数据、用户取向数据、用户注视方向等。
67.当确定一个或多个lpi时，处理器202也可以考虑其他数据。示例包括环境110的占用、面部识别、眼睛跟踪等。
68.环境数据、用户数据和其他数据可以a）预定并存储到诸如存储器204的存储器中；b）由外部传感器确定并由处理器202接收；c）由处理器202从相机201捕获的一个或多个图
像中确定；或者d）这些中的一个或多个的组合。特别地，使用一个或多个传感器设备来确定用户的定位和/或取向的技术——例如使用由用户的计算机设备（诸如智能手机）捕获的数据——在本领域中是已知的。
69.即使当处理器202不能确定用户111的定位和/或取向时，处理器202仍然可以确定多个“假定”用户定位的一个或多个lpi，并确定这些“假定”定位上的平均lpi。换句话说，存储器204可以存储环境110内的一个或多个预定用户定位的指示。处理器202可以被配置成从存储器204中检索这些预定用户定位之一，并使用检索到的定位，如本文所描述。在其他示例中，处理器202可以被配置为从存储器204中检索多个预定用户定位。在这种情况下，处理器202可以使用每个检索到的定位来确定一个或多个lpi，并且对所得到的多个lpi进行平均，以便确定提供给控制器120的单个输出lpi。
70.在入网初始化过程期间，预定的用户定位可以存储到存储器204。例如，调试员可以确定在处理器202不能确定当前（实际的、现实生活的）用户定位的事件中要使用的用户定位。预定的用户定位可以对应于环境110内更可能被用户占用的位置。这种位置的一个示例是桌子。因此，在一个示例中，预定的用户定位对应于环境110内的桌子的定位。
71.存储器204还可以以类似于上面所述的关于预定用户定位的方式配置有一个或多个预定用户取向。当处理器202不能够以其他方式确定当前（实际的、现实生活的）用户取向时，它可以类似地使用一个或多个预定的用户取向。
72.一旦处理器202确定了一个或多个lpi，它就将（一个或多个）lpi传输到控制器120。控制器120可以相应地调整由一个或多个照明器121提供的照明，以提高（一个或多个）lpi的值。例如，控制器120可以从lpi确定用户111正在工作的任务区域没有被充分照明。控制器120然后可以控制一个或多个照明器121，该一个或多个照明器121将光发射到任务区域中以增加它们的光输出。
73.为此，控制器120可以将接收到的lpi与对应的用户偏好进行比较。用户偏好可以存储在存储器124中。如果lpi指示一个或多个参数的当前值（例如环境110内的总明度或平均明度）不等于用户对该参数的偏好，那么控制器120控制照明器121相应地调整明度。
74.用户偏好可以与对应的容差相关联。给定偏好值的用户容差是用户111接受该值的给定设置的可能性的指示。这在下面更详细描述。
75.一些lpi可能更具体。例如，lpi可能指示（例如由任务区域识别号识别的）特定任务区域是照明不足的。为了补救这一点，控制器120可以访问存储照明系统数据的数据库（例如存储器124）。这里，“照明系统数据”指的是与环境110内的照明器121的定位以及可选的取向相关的信息。因此，在这个示例中，控制器120可以访问存储器124，以便确定哪个照明器121被布置成照亮照明不足的任务区域。控制器120然后可以控制该照明器来增加该任务区域内的明度。
76.控制器120是否确定对环境110内的光照做出改变可以进一步取决于用户111当前正在执行的活动。例如，如果用户111正在睡觉，即使接收到的lpi指示明度“太低”，控制器120也可以确定不增加环境110内的明度。在一些示例中，用户111的当前活动可以基于例如存储在存储器124中的预定时间表来确定。在其他示例中，可以基于来自环境110内的一个或多个设备的输入来估计用户111的当前活动。这种设备的示例包括用户111的智能电话和用户111佩戴的智能手表。来自智能电话或智能手表的数据由控制器120可访问（例如经由
网络123，或直接地，例如经由wifi的蓝牙）。来自智能手表、智能电话或其他设备的数据可以用于确定用户111的当前活动。例如，来自智能手表的心率数据可以指示用户111正在锻炼或紧张，来自智能电话的应用程序数据可以指示用户111正在观看视频、或者阅读消息或其他内容。
77.在附加或替代示例中，用户111的当前活动可以基于日历或议程数据来确定。日历或议程条目可以指示用户111是否在例如会议中。环境110可以是可以由用户预约的房间，具有与由房间预订系统管理的预约相关的数据（例如开始和结束时间、出席者人数等）。在这种情况下，来自房间预订系统的数据也可以用于估计环境110中的人数。来自房间预订系统的数据也可以用于确定用户活动，如果它指示例如演示、对话、辩论等是否正在进行中。
78.在另外的附加或替代示例中，用户111的当前活动可以基于例如使用麦克风在环境110内捕获的音频来确定。在一些特定示例中，用户111的当前活动可以涉及用户的情绪或兴奋。从音频中确定情绪或兴奋水平的技术在本领域是已知的对于不同的活动或情绪/兴奋程度，用户偏好可能不同。
79.控制器120可以被配置为响应于从用户111接收的显式或隐式输入来更新用户偏好。这之后在下面更详细描述。
80.一些lpi可以考虑用户111的主观体验。用户111的主观体验不仅取决于照明器121提供的照明光谱，而且取决于人眼对这些波长的响应。因此，用户111如何体验环境110内的照明最好通过亮度值来描述。亮度是明度的光度测量，因为它考虑了人眼的灵敏度。因此，指示环境110内不同位置处的感知亮度（用户111的感知亮度）的亮度分布对于照明系统100来说是有价值的信息。
81.作为确定一个或多个lpi的一部分，相机单元200的处理器202因此可以从相机201捕获的一个或多个图像中确定亮度分布。
82.首先描述从相机201捕获的一个或多个图像中确定亮度分布的方法。之后，给出了各种示例lpi。在lpi被描述为要求亮度分布的情况下，亮度分布可以从相机201捕获的一个或多个图像中确定（如立即在下文描述），或者可以由附加传感器确定，并且例如经由通信接口203提供给处理器202。
83.由相机201捕获的（多个）图像的rgb值可以被变换成不同的颜色空间，该颜色空间具有作为分量之一的亮度，并且通常具有作为其他分量的两个色度分量。也就是说，亮度值可以被确定为rgb值的组合。特别有利的颜色空间的一个示例是cie xyz颜色空间，因为它被开发成具有颜色匹配函数，该函数类似于人眼对于亮视觉v(λ)的发光灵敏度曲线。从rgb到xyz（或其他）颜色空间的变换可以使用转换矩阵来完成，该转换矩阵示出了对所选颜色空间的基色和由相机201应用的白点的依赖性。因此，亮度y可以被确定为rgb值的线性组合，如等式1中所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
等式1其中r、g和b分别是从变换矩阵中提取的r、g和b值的加权因子。
84.用于在rgb空间和xyz空间或其他空间之间正确映射的变换（以及因此的加权因子）取决于捕获rgb图像的光照（由一个或多个照明器121提供的光照的光谱功率分布，spd）。现有技术系统假设光照是具有已知spd的标准照明器的光照。例如，对于srgb颜色空间，这是标准照明器d65。由于这些假设，现有技术系统使用固定的加权因子r、g和b用于变
换。
85.本公开认识到，现有技术系统在转换成亮度值时遭受精确度差的问题。这成因于许多因素。首先，在现实世界中，环境可能被许多不同类型的具有不同spd的照明器照亮。其次，相机201的响应度可能与标准的srgb光谱响应度不完全匹配。
86.本公开根据环境中存在的（多个）照明器的spd来适配用于确定来自给定图像的亮度分布的加权因子。通过这种方法，可以通过优化所使用的加权因子来确定更精确的亮度值，以便考虑到spd。本文描述的方法还考虑了相机201的响应与标准srgb光谱响应度的偏差。
87.然后，任务是确定r、g和b的值，这些值根据图像中给定像素的rgb值确定最准确的亮度值y。这被设计成改善光谱匹配和亮度分布测量的性能。在理论讨论之后，下面参考图4更详细地描述示例实施方式。
88.相机201的相对光谱响应度s
rel
(λ)被定义为红色通道r(λ)、绿色通道g(λ)和蓝色通道b(λ)的各个响应的线性组合，关键是使用与上面描述相同的变换系数。
89.ꢀꢀꢀꢀꢀ
等式2其中k
r,g,b
是校准因子。选择校准因子，使得光度函数v的积分等于相机响应s
rel
的积分，如等式3中所示。
90.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
等式3光度函数v的选择取决于特定的实施方式。这将在下面结合非视觉效应更详细地解释。为了解释的目的，典型的光度函数模拟了人类视觉明度感知的平均光谱敏感度。一个这样的光度函数是cie明视光度函数v(λ)。可以使用不同的光度函数，如下面更详细描述的。
91.在任何情况下，相机201检测到的总功率应该等于人眼将已经从图像中检测到的总功率。因此，为了有意义地比较两者，首先缩放相机201的响应，使得相机201检测到的总功率等于人眼将已经检测到的总功率，如等式4所示。
92.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
等式4其中s*是相机的缩放响应，并且φ是spd。如下文更详细描述的，可以通过各种方式来确定spd。
93.相机201的缩放响应s*然后可以直接与人眼进行比较。相机201和人眼之间的绝对差值是光谱失配的测量，如等式5中所示。
94.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
等式5然后确定加权因子r、g、b，使得总的光谱失配f1'最小化，即找到使函数f1'最小化的一组r、g和b的值，如等式6中所示：
ꢀꢀꢀꢀꢀꢀꢀꢀ
等式6
然后，通过上面描述的方法确定的系数r、g、b可以经由上面给出的等式1用于确定图像中每个像素的亮度值。因此，图像本身可以被变换成代表环境内亮度分布的亮度值阵列。
95.在替代的示例中，一般光谱失配可以定义为由spd加权的光度函数和由spd加权的相机响应之间的绝对差的均方根，如等式7中所示。
96.ꢀꢀꢀꢀ
等式7然而，一旦定义了光谱失配，相同的最小化光谱失配的过程也受到等式6中的约束。然后，根据等式1，所得系数值（其最小化光谱失配）可以用于确定亮度值。
97.注意，在任一上述示例中，可以以离散的方式计（例如每1 nm的增量）算一个或多个积分。还要注意，积分的极限指示人类视觉的可见光谱，并且因此给定的380-780 nm范围只是一个示例。
98.图4是图示由处理器202执行的示例方法的流程图。
99.在s401，处理器202从相机201接收rgb图像。
100.在s402，处理器202识别环境101内光照的光谱功率分布spd。
101.光谱功率分布（spd）是每个波长处的辐射功率的代表。如上所描述，需要（多个）照明器121提供的光照的spd来确定系数。
102.如上所述，环境101中光照的spd影响由相机201捕获的色域。色域在一定程度上与场景的表面颜色有关。例如，在白炽灯下捕获的场景将提供红色值预期较高的场景，因此色域预期位于较高的r值周围。每个光源预期具有其自己的色域，然而，具有相似spd的光源预期具有非常相似的色域。这可以用来在不同的光源之间做出区分。因此，基于场景的色域，可以估计照明器121的spd。
103.存储器204可以存储一组预定义的色域，每个色域都与预定义的spd相关联。在入网初始化过程中，可以通过捕获在具有已知spd的光照下的环境的图像并从该捕获的图像中确定相关联的色域来确定色域和spd之间的关联。
104.因此，处理器202可以通过确定来自rgb图像的色域并访问存储器204来识别与所确定的色域最接近匹配的预定义色域，从而识别spd。处理器202然后可以使用来自存储器204的与所识别的预定义色域相关联的spd。
105.注意，如果环境由具有多个不同的spd的光源（例如照明器121、自然光等）照明，那么色域将受到所有存在的spd的影响。换句话说，环境110内的光源的spd相加在一起产生总的spd。它是将从提取的色域估计的总的spd。因此，（与最类似于提取色域的预定义色域相关联的）估计的预定义spd将是与总的spd最接近匹配的预定义spd。
106.例如，如果环境110被由照明器121提供的50%自然光和50% led光照的组合照明，那么总的spd将是自然光和led光照的spd的组合。即使没有预定义的色域与这种确切类型的照明相关联，处理器202也仍将确定最接近的匹配。
107.色域（都存储在存储器204中并根据rgb图像确定）可以是红-蓝色域（基于由相机201捕获的红和蓝颜色通道的色域）。红-蓝色域特别地代表图像内的颜色，并因此对于估计spd比其他色域（蓝-绿色域、绿-红色域）工作得更好。
108.预定义的色域基于最有可能出现在现实生活场景（如led、荧光灯和日光）中的一
组spd。对于每个spd，使用相机的光谱响应度来确定理论色域。为了估计场景的光源，将场景的捕获色域与所有预定义色域进行比较。基于捕获的色域和预定义色域之间的相关性，处理器202确定哪个spd最有可能，或者换句话说，哪个spd具有最高概率。可以使用bayesian估计来确定来自存储器204的哪个色域与所识别的色域最接近匹配。
109.在另一个示例中，spd的指示可以由照明器121之一经由通信接口203提供给处理器202。spd指示可以在入网初始化过程中——例如在照明系统100的安装期间或者作为制造照明器121的过程中的步骤——定义。在任何情况下，照明器121配备有存储该照明器的spd的指示的存储器，该指示可以被提供给处理器202。替代地，spd指示可以存储在另一个存储器（诸如存储器124）中。
110.在又一个示例中，可以使用照度分光光度计直接测量spd。
111.在s403，处理器202确定该组系数r、g、b的值，用于将图像中的rgb值变换成亮度值。
112.如上所描述，基于最可能的spd，处理器202确定r、g和b的加权因子，以最准确地计算分布中的亮度值。确定加权因子，使得r、g和b的组合的一般光谱失配最小化，如上面的等式4和等式5中所指示。这意味着给定像素的r、g和b值被组合，使得由spd加权的光度函数最接近地近似（见等式2）。等式6或等式7中所指示的这种优化导致r、g和b的三个加权因子，其用于最精确地计算对应的亮度值。
113.在s404，处理器202使用来自步骤s403的系数值来确定亮度分布。这涉及通过获得具有确定系数值的该像素的rgb值的线性组合来确定rgb图像中每个像素或其至少一部分的亮度值，如等式8中所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
等式8这是针对每个单独的像素执行的。结果是亮度通道中的图像包括一个区域上每个像素的亮度值，即亮度分布。其上形成亮度分布的区域可以包括一个或多个原始输入图像的部分或全部区域。
114.这一过程也可以转变为光谱可见部分中的其他灵敏度，诸如α-opics。这在下面更详细描述。
115.尽管处理器202可以使用上面描述的方法从任何rgb图像确定亮度分布，但是为了得到更精确的亮度分布，优选的是，rgb图像中每个像素的动态范围尽可能高。实现这一点的一种方法是使用高动态范围（hdr）图像。
116.hdr图像由使用不同曝光（例如使用顺序包围曝光）捕获的多个低动态范围（ldr）图像构建。ldr图像被合并成一个单一的hdr图像。因此，在一些示例中，相机201被配置成捕获环境101的多个ldr图像。处理器202然后将这些ldr图像组合成hdr图像。处理器202然后可以使用hdr图像来确定亮度分布，如本文所描述。也就是说，线性组合被应用于构建的hdr图像。
117.hdr图像的构建可以与线性组合的系数的确定并行执行。下面参考图5对此进行解释，图5示出了说明由处理器202执行的示例方法的流程图。在这个示例中，存储器204存储一组预定义的色域，每个色域与相应的spd相关联。
118.在s510，处理器202从相机201接收一组ldr图像。每个ldr图像都是一个rgb图像。
119.在s511，处理器202从一个或多个接收的rgb图像中提取色域。例如，处理器202可
以从第一个ldr图像中提取色域。替代地，处理器202可以从每个ldr图像中提取色域，并确定平均色域。
120.在s512，处理器202识别用于确定系数的spd。为此，处理器202访问存储器204以确定与在s511提取的色域最接近匹配的预定义色域。这可以使用贝叶斯（bayesian）估计来完成。假设spd是与存储器204中的色域相关联的，该色域与从捕获的图像中识别的色域最佳匹配。换句话说，处理器202可以从相机201捕获的图像中估计spd。这是基于由照明器121提供的光照的spd影响由相机201捕获的颜色的见解而这样做的。
121.在s513，处理器202以上面描述的方式使用光度函数和spd来确定系数。
122.在s520，处理器202从接收的ldr图像构建hdr图像。如图5中所示并如上所述，这与s511的色域提取、s512的spd识别和s513的系数确定并行执行。鉴于此，并行任务可以由单独的控制器模块执行。也就是说，应当领会，处理器202可以被实施为第一控制模块和第二控制模块。第一控制模块被配置为至少执行步骤s511至s513，并且第二控制模块被配置为至少执行步骤s520。控制模块可以由不同的处理器实施。如果不担忧隐私，则控制模块可以在照明系统100中的任何地方实施。例如，第二控制模块可以在相机单元200本地实施，而第一控制模块在照明系统100的其他地方（诸如在服务器）实施。
123.在s530，处理器202使用确定系数从构建的hdr图像确定亮度分布。
124.应用于照明控制系统的现有技术传感器通常只能够提供一条信息：空间中某一点的照度，即代表传感器视场内照度的标量值。另一方面，亮度分布为覆盖空间区域或体积的整组点（一些或所有捕获图像中的每个点）提供亮度值：亮度分布。图6示出了环境110的示例亮度分布600，该亮度分布600由相机201以上面描述的方式捕获的图像确定。
125.当与现有技术传感器提供的单个标量值相比时，此信息允许与用户111在环境110内的感知相关的许多有价值的见解。为此，根据本文公开的实施例，处理器202被配置成从由相机201捕获的图像中得到一个或多个光性能指标（lpi）。（一个或多个）lpi与如明度、任务区域照明水平、非视觉效应、动态等内容有关。每个lpi是从由相机201捕获的图像中的像素阵列中的多个像素得到的组合度量。如上所述，这可能涉及也可能不涉及首先将每个像素变换成亮度值。
126.现在描述lpi的各种示例。
127.任务区域照明水平是lpi的一个示例。处理器202可以从相机201捕获的图像中确定一个或多个任务区域。例如，任务区域可以是环境110内的桌子表面。根据亮度分布，处理器202然后可以确定任务区域内存在的亮度值。在一个示例中，处理器202可以在对应于所识别的任务区域的亮度分布的一部分上取平均亮度值。例如，处理器202可以识别每个任务区域内的平均照度值，并将识别的照度连同相应任务区域的指示（例如任务区域1亮度=值1；任务区域2亮度=值2，等等）一起提供给控制器120。
128.人们倾向于在他们的工作区域具有某种照明水平（例如300或500勒克斯）的偏好。因此，控制器120可以使用任务区域照明水平lpi来确定任务区域照明不足或过度（例如通过将所确定的任务区域照明水平与该任务区域的目标照明水平进行比较）。控制器120然后可以控制一个或多个对应的照明器121相应地增加或减少该任务区域中的照明水平。
129.图7和图8图示了如上关于图3所描述的用户偏好数据的示例。注意，照度值和亮度值两者都示出。如果环境110中的表面的反射率是已知的（假设表面是朗伯反射器），则可以
从亮度中提取照度。控制器120可以例如从存储器124访问用户偏好数据。
130.图7涉及单个用户。在图7中，示出了用户发现环境110内的给定照度不足701、令人满意702或过高703的概率。
131.控制器120可以将接收到的lpi与用户偏好数据进行比较，以便确定用户满意度。控制器120可以确定多个用户的用户满意度，从而确定平均或总体用户满意度。
132.图8涉及多个（在这个示例中为三个）用户801、802、803的偏好。每个用户的偏好数据被代表为曲线，该曲线在他们的偏好照度下具有最大值，并且宽度代表他们的容差。例如，用户801比用户803优选较低的照度，但是它们具有相似的容差。用户802优选用户801和用户803之间的照度值，但是比其他两个用户801、803更能容忍与此优选值的偏差。
133.当有多个用户时，控制器120可以基于该特定用户的任务区域来确定用户满意度。也就是说，控制器120可以将特定任务区域的当前亮度值（如接收到的lpi中所指示）与同该任务相关联的用户（例如在办公桌上工作的用户）的偏好数据进行比较。
134.控制器120可以以与上面描述类似的方式来代表和考虑除亮度之外的值的用户偏好数据。例如，与每个用户对不同对比度水平的满意度相关的用户偏好数据可以存储在存储器124中。
135.眩光是lpi的另一个示例。处理器202可以被配置成从亮度分布中识别（潜在的）眩光源。处理器202然后可以量化用户111所体验的眩光量。眩光是如用户111看到的眩光源亮度和立体角、背景亮度和用户111相对于眩光源的取向的函数。作为示例，眩光的一个有用定义是统一眩光值（unified glare rating）。统一眩光值（ugr）是给定环境中眩光的量度，由sorensen在1987年提出，并由国际照明委员会（cie）采纳。其定义如等式9中所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
等式9其中log是以10为底的对数，lb是背景亮度，ln是编号为n的每个光源的亮度，ωn是从观察者看到的光源的立体角，并且pn是guth定位指数，这取决于与用户111的视线的距离。注意，urg仅作为示例给出，并且可以使用其他眩光度量。
136.处理器202可以根据亮度分布本身来确定背景亮度和眩光源的亮度。
137.处理器202可以使用本领域已知的面部识别和/或眼睛跟踪技术来估计guth定位指数或眩光源与用户111的视线的偏差以及由眩光源对着的立体角。特别地，这种技术是已知的，并且在标牌和交互式商店橱窗领域中使用，其中商店老板喜欢知道潜在顾客正在观看哪些产品。出于本文描述的目的，这些技术可以用于确定用户（例如用户111）正在看哪个方向（他或她的视角）。然后可以使用这个视角确定眩光lpi。要求与用户111的视角相关的信息的其他lpi可以类似地使用这些技术。
138.眩光通常是不期望的。因此，控制器120可以控制照明系统100中的一个或多个设备，以便减少眩光。例如，控制器120可以响应于接收到指示用户111所体验的眩光量高于眩光阈值量的lpi而这样做。例如，控制器120可以确定来自用户111的计算机屏幕的眩光量高于阈值量。响应于此确定，控制器120可以控制照明系统100的一个或多个设备来补救过度眩光。这可以通过例如降低引起眩光的一个或多个照明器121的明度设置来实现。
139.控制器120可以具有附加的功能来干预照明控制，以通过调暗或关闭引起眩光的一个或多个照明器121来减少眩光。如果眩光是由不可控光源（例如来自窗户的自然光）引
起的，那么控制器120可以控制不同的设备，以便减少这个不可控光源的存在。作为示例，控制器120可以在自然光正通过其进入环境100的窗户上部署百叶窗或遮光帘。
140.使用上面描述的技术，可以在每个任务区域的基础上确定眩光值。也就是说，处理器202可以确定环境110内每个任务区域的眩光值。
141.均匀性（也称为对比度）是lpi的另一个示例。“均匀性”是指遍及分布的明度变化，即图像上的明度变化。可以基于图像的rgb值来确定明度。例如，处理器202可以生成对比度lpi，其指示由相机201捕获的图像区的明度差异或变化。类似的“亮度对比度”lpi可以从亮度分布中生成。
142.由于本文公开的技术允许亮度分布被确定（与单个亮度值相反），因此在其他示例中，处理器202确定环境内亮度的均匀性。
143.换句话说，处理器202可以被配置成分析遍及图像的明度或亮度的变化。这允许处理器202生成指示高对比度区域的lpi。处理器202然后可以将此lpi传输到控制器120。控制器120然后可以识别非均匀性的量是否在可接受的范围内。例如，用户偏好数据（例如来自存储器124）可以指示一个或多个用户的可接受对比度范围。一般来说，太强的对比度让人分心，但太弱的对比度让人沉闷。可以将用户偏好数据与接收到的对比度值进行比较，以确定对比度是不是可接受的、是太高还是太低。控制器120可以被配置成控制照明系统100中的一个或多个设备，以使一个或多个用户体验到的对比度更可接受（即如果对比度太低则增加对比度，或者如果对比度太高则降低对比度）。
144.色度的均匀性是lpi的另一个示例。环境110内的大的颜色变化通常是不期望的。例如，通过窗户112进入的阳光可以具有与来自照明器121的人造光不同的颜色。通常期望控制照明器121以匹配阳光的颜色，以便在环境110内创建均匀的照明氛围。因此，处理器202可以生成颜色对比度lpi，其指示由相机201捕获的图像区的颜色差异或变化。
145.可以使用与上面描述的明度均匀性相关的类似技术来确定颜色均匀性。优选对各个颜色通道进行非线性操作，以量化颜色差异。lpi最好包含这些颜色距离的绝对值或平方。例如，为了计算颜色距离，作为初始步骤，需要从颜色三角形中的rgb到xy色度位置的（非线性）转换。颜色距离可以从两个不同照明的区域的色度位置之间的距离获得。
146.控制器120然后可以控制照明系统100内的一个或多个设备，以改善颜色均匀性。例如，这可以包括控制照明器121改变它们的颜色输出，以更紧密地匹配阳光的颜色输出。
147.lpi的其他示例与非视觉效应有关。众所周知，光照（以及一般的光）可以以非视觉的方式影响人体。示例包括：急性效应，诸如警觉性、褪黑激素抑制、瞳孔反射、大脑活动、心率；昼夜节律效应，诸如睡眠-觉醒调节；治疗效应，诸如抑郁和情绪。
148.注意，上面描述的用于确定亮度分布的方法涉及使用光度函数v(λ)。这个光度函数描述了人类视觉对不同波长光的响应方式。然而，相同的技术可以用于模拟环境110内的照明的非视觉效应。
149.为此，光度函数被简单地替换为代表人眼的期望非视觉响应的函数。这种函数被称为α-opic作用谱（α-opic action spectrum），并且代表人眼中与相应生理效应相关联的不同细胞类型的响应。合适函数的示例包括：黑色素辐射；s-视锥辐射；m-视锥辐射；l-视锥辐射；杆状细胞辐射。图9图示了这些函数的几个不同的示例。每个函数都与人眼中特定类型细胞的响应有关，并代表不同波长下与该类型细胞相关联的效应的相对强度。例如，由具
有由函数901代表的响应的第一类型细胞引起的生理效应比由具有由函数902代表的响应的第二类型细胞引起的生理效应对更短的波长更易响应。
150.通过使用代表特定生理效应的α-opic，可以估计由环境110内的当前照明在用户111上引起的该效应的强度。因此，一个或多个lpi可以是指示特定效应的估计强度的非视觉lpi。
151.效应的估计强度可以与该效应的用户偏好进行比较，以便确定当前强度是否可接受。用户偏好可能是时间依赖的。例如，用户偏好可能是在晚上比早上具有更低的黑色素效应。控制器120然后可以相应地控制照明系统100中的一个或多个设备来调整该效应。例如，控制器120可以控制照明器121在晚上输出较少的蓝光，以便减少黑色素效应。
152.在其他示例中，可以简单地使用来自图像的颜色值来估计对用户的预期非视觉效应。例如，可以假设图像的蓝色区生成黑色素效应。
153.白色是lpi的另一个示例。该颜色可以被描述为“色温”，即理想黑体辐射体的温度，该辐射体发射的光的颜色与图像中的颜色相似。为了从相机201捕获的图像中计算色温，处理器202将rgb值转换成xyz坐标。这些被转换成标准化的u、v颜色空间，并然后根据cie 1960 ucs的非线性映射给出色温。
154.在颜色可调的系统（即其中照明器121输出的光的颜色可控的照明系统100）中，基于颜色和色差的lpi包含这种操作。特别地，lpi可以指示色温和亮度的组合是否满足kruithof标准。（非线性）kruithof曲线描述了通常被视为对观察者是舒适的或令人愉快的照度水平和色温的区域。特别是，低水平的冷光或高强度的暖光的组合被认为是不愉快的。
155.描述照度和色温的可接受组合的信息（诸如kruithof曲线）可以存储在存储器124中。控制器120由此可以将指示色温和照度的已接收lpi（这些可以是单独的lpi）与可接受的组合进行比较，以便确定当前组合是否可接受。
156.如果控制器120确定当前组合不可接受，则它可以启动适当的动作来降低或提高色温和/或照度，以达到可接受的值。
157.lpi的另外的示例可以从时间生物学中获取。人类的睡眠主要由两个过程调节：昼夜节律起搏和稳态睡眠驱动。昼夜节律起搏的许多数学模型是已知的，例如“kronauer模型”。对光的暴露以一种可以由许多非线性等式描述的方式影响人类生物钟，这些等式取决于光相对于人类受试者生物钟暴露的时刻。当曝光是可预测的（例如自然光是主要影响）时，这可以简化为一天中时间的函数。曝光对人体生物钟、并且尤其是对睡眠有重要影响。这通常在“光剂量响应曲线”的上下文中提及。因此，lpi的另一个示例是光照对用户111的生物钟的影响。
158.lpi的另一个示例是医学lpi，其涉及光照对药物有效性的影响。在关于药物效应的研究中，已知曝光的量对一定剂量的某些药物的有效性有影响。因此，处理器202可以被配置成确定当前照明可能对一种或多种药物的有效性具有的预期影响，并且将这些报告为lpi。在另外的示例中，处理器202可以确定当前光照将在多大程度上影响药物的有效性。处理器202然后可以在lpi中指示剂量的对应变化，以抵消由光照引起的有效性的变化。替代地，控制器120可以在从相机单元200接收到医学lpi时执行此步骤。
159.一个或多个lpi可以由控制器202以预定义的时间间隔（例如每秒一次、每十秒一次等）确定。为此，相机201被配置成以预定义的时间间隔捕获图像，并将它们提供给控制器
202。控制器202然后可以被配置为确定从相机201接收的每个图像（或图像组）的对应亮度分布。控制器220可以从动态确定的亮度分布中确定任一上述lpi。
160.即使当被配置为捕获多个ldr图像以用于构建hdr图像时，相机201也可以类似地被配置为以预定义的时间间隔捕获图像。在这种情况下，预定义的时间间隔可以比上述的更长，例如每分钟一次、每五分钟一次等。
161.如上所述，如图3中所示，控制器120可以响应于来自用户111的输入来更新用户偏好数据。输入可以是显式的或隐式的。
162.显式用户输入的一个示例是用户111手动控制照明系统100内的一个或多个设备来改变一个或多个照明条件。例如，如果用户111控制照明器121（例如使用墙壁上的开关或使用经由网络123连接到控制器120的个人计算设备）来增加它们的明度，那么控制器120可以确定用户111优选更明亮的光照。控制器120然后可以相应地更新存储器124中的用户偏好数据。
163.显式输入的另一个示例是用户111明确指示对环境110内的当前照明条件的满意度。例如，用户111可以使用诸如智能手机的个人计算设备经由网络123向控制器120提供他们的满意度的指示。
164.隐式输入的示例是用户111不以否定的方式对照明设置的改变做出反应，例如，如果控制器120增加环境110内的明度并且用户111不通过手动降低明度来干预，那么控制器120可以确定新的明度设置对于用户111是可接受的。即，控制器120可以更新存储器124中的用户亮度偏好数据。
165.下面描述了各种潜在的用例。
166.第一个示例用例是日光眩光概率（dgp）遮阳控制器。
167.自动遮阳越来越多地在建筑物中实施，因为它们允许改善能量性能以及舒适性。然而，自动遮光设备因“误开”和“误关”引起的不适而臭名昭著。一般来说，这些遮光系统由放置在建筑物屋顶上的光电池控制。首先，光电池没有放置在最相关的位置处。第二，光电池通过平均落在传感器上的光而丢失空间信息。
168.眩光是我们想要应用遮光的最重要原因。因此，实施例使用dgp测量设备来控制遮阳。dgp是基于亮度分布测量，使用如本文描述的低成本组件，在相关房间内执行。可以使用本领域已知的适当软件提取dgp。当眩光高于某个阈值时，遮阳被激活。
169.因此，只有当存在预期困扰房间占用者的实际眩光时，遮阳才被激活。因此，预计造成不适的遮光设备的不必要移动较少。
170.第二个示例用例是作为照明质量控制器的一部分。
171.照明控制系统倾向于优化能量性能或单一照明质量方面（例如桌面上的照度）。然而，照明质量有许多方面都是相关的。优化一个单一照明质量方面不一定提供高质量的照明。主要问题是，并非所有方面都很容易测量，并且通常它们需要不同的测量设备。
172.本文认识到，亮度分布测量设备能够同时提取关于多个相关照明质量方面的信息。因此，它将成为提供高质量照明的控制系统的优秀传感器。当传感器被放置在房间中时，天花板是最有可能的，可以开发闭环控制系统，该系统能够优化照明，使得它提供高质量的照明。
173.可以针对光的数量、眩光、分布、方向性和动态性的组合来优化光，而不是只优化
照度或能量性能。使得控制系统能够更精确地设置照明条件，而不是反作用的。
174.第三个示例用例是桌面照度传感器。
175.光传感器通过测量小区域的亮度来近似桌面上的照度，以控制照明。亮度测量与使用桌面反射的照度有关。然而，因为测量区域非常小，所以不保证这个区域对于整个桌面来说是有代表性的。例如，这个区域可能被具有与桌面完全不同的反射的一张纸覆盖，从而在照度近似中引入大量误差。这可能导致桌面上实际照度的变化，因为控制系统基于错误的输入做出了错误的选择。
176.实施例通过使用亮度分布测量设备来解决这个问题。这意味着开启角度大大增加，并因此可以测量整个桌面的亮度。附加地，因为亮度分布利用了图像，所以桌面的障碍物可以通过图像处理来识别。通过忽略障碍物区域，只测量相关区域的照度。
177.基于这种方法，测量整个相关区域（没有任何障碍物）、而不是不一定相关的小区域的照度。因此，控制系统可以更精确地提供照明。
178.第四个示例用例是墙壁亮度控制。
179.文献示出了我们视野中来自非水平表面（例如墙壁）的亮度和均匀性对我们对办公空间的视觉和心理评估的影响。此外，对于不均匀的墙壁亮度，桌面上的优选光水平较低。因此，将墙壁亮度作为一个主题，照明控制系统将改进舒适性和能量性能。然而，该墙壁具有大的表面，并因此不容易使用当前的实践来测量。因此，它不能包括在控制系统中。
180.在本文公开的实施例中，可以使用相机单元200连续测量墙壁上的亮度分布。当相机单元200被相应地放置（最可能是垂直取向）时，墙壁亮度可以与桌面亮度（照度）同时被测量。这将提供与闭环控制系统相关的连续数据，从而可以通过改变墙壁亮度来限制能量，从而允许桌面上较低的照度。
181.利用相机单元200，所有相关内容被一次测量。基于该测量，可以设置照明环境，使得墙壁亮度允许桌面照度被降低，从而可以节省能量。
182.第五个示例用例与屏幕可视性有关。
183.更多的时候，手术是由医生控制的机器人执行的。医生基于实时相机或x射线信息控制机器人。医生能够尽可能好地看到这个信息是非常重要的。示出的图像可以增强以改善可视性；然而，改善照明的环境使得为医生看到图像提供最佳条件可能更有效。
184.为了增强某个屏幕上图像的可视性，应该优化发光对比度。附加地，应防止模糊反射。两者都是可以用相机单元200测量的方面。通过开发以相机单元200的测量数据和图像/视频作为输入的闭环控制系统，可以优化条件，从而增强屏幕的可视性。
185.图像的改进已经达到其极限，用大量的投资可以实现可视性的小幅提高。开发包括相机单元200的闭环系统可能更有效。此外，相机单元200还可以用于优化手术室中不同任务的照明。
186.第六个示例用例是基于占用的调暗。
187.基于占用调暗灯具是节能的。然而，在开放式办公室中，当人们离开或到达时，基于占用的调暗可以通过自动切换或调暗灯具而造成烦恼。
188.本文认识到，通过调暗背景区同时保持工作区域的充足光照，可以在保持高舒适度的同时节省能量。使用相机单元200，可以同时测量不同区域的亮度。因此，当占用者离开时，可以使用可用的背景、周围和任务区域的建议来部分地调暗光。
189.一个优点是所有相关区域都可以测量，每个占用者都有其自己的区域；然而，它仍然可以仅用一个测量设备来测量。此外，占用感测可以包括在相机单元200的测量中。
190.第七个示例用例在非成像形成（nif）效应的定向照明中发现。
191.本文认识到，来自某一角度的光对人类有更大的刺激作用。一天期间的一些时刻需要刺激，而在其他时刻则不需要，它高度依赖时间，就像日光也依赖时间一样。因此，优化照明和遮光/反射设备使得它实现所需的刺激是一个复杂的问题。
192.利用相机单元200，可以近似非图像形成（nif）效应。类似于亮度图片，可以为整个空间确定α-opic辐射映射。基于此，相机单元200可以在闭环控制系统中实施，该闭环控制系统优化光，使得（使用鱼眼透镜的）图像传感器的（给予刺激的）上半部分具有与下半部分相关的特定比例。
193.利用该设备，还可以与α-opics同时测量亮度分布，从而可以优化刺激效应，同时不负面影响视觉舒适性。
194.第八个示例用例是nif（非图像形成）与if（图像形成）优化。
195.非图像和图像形成要求在一天期间有所不同。然而，可以开发一个比率来捕获特定时间内nif和if要求之间的关系。基于这个比率，照明可以被优化，使得照明是刺激的，但不是在错误的时刻，同时保持高质量的照明。
196.在实施例中，利用相机单元200，可以近似非图像形成（nif）效应。类似于亮度图片，可以为整个空间确定α-opic辐射映射。基于此，相机单元200可以在闭环控制系统中实施，该闭环控制系统根据nif if的比率优化光。
197.利用该设备，还可以与α-opics同时测量亮度分布，从而可以优化刺激效应，同时不负面影响视觉舒适性。
198.第九个示例用例是双侧照明质量优化。
199.对于照明质量，一般只考虑视觉方面。然而，人们也可以区分非视觉方面的高质量照明。一个问题是视觉上高质量的照明不一定提供非视觉质量。因此，难以优化两者。
200.尤其是，非视觉方面非常依赖时间，这意味着非视觉照明质量与一天期间的每个时刻都不相关、或者不太相关。视觉照明不太依赖时间。根据本文公开的实施例，基于时间，可以确定哪种类型的照明质量是最相关的，并且随后优化这种类型。可以使用相机单元200来确定两种类型的照明质量。
201.利用相机单元200，可以同时测量两种质量，因此只需要一个设备来测量房间或房间的某个区域。此外，由于该设备放置在房间内，因此可以开发闭环设置来提高精度。使用这项技术，照明可以在许多方面上得到控制，这些方面在之前是不可行的。
202.通过研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的发明时可以理解和实现对所公开实施例的其他变型。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中列举的若干项目的功能。在相互不同的从属权利要求中引用某些措施的纯粹事实不指示这些措施的组合不能被有利地使用。计算机程序可以存储/分布在合适的介质上，诸如与其他硬件一起供应或作为其他硬件的一部分供应的光学存储介质或固态介质，但是也可以以其他形式分布，诸如经由互联网或者其他有线或无线电信系统。权利要求中的任何附图标记不应被解释为限制范围。