从机器学习视角重构像素强度对比度概念：面向机器视觉的光谱照明优化研究

《IEEE Sensors Letters》：Rethinking the Concept of Pixel Intensity Contrast From a Machine Learning Perspective

本刊推荐：为解决机器视觉中传统基于人类感知的对比度定义不适用于算法的问题，研究人员开展基于光谱可调照明的像素强度对比度优化研究。通过特征值算法（EIG1/EIGs/EIG3）计算最优照明光谱，并系统评估四种物理可实现的对比度指标（dabs/dled/drgb/dsam）。结果表明优化算法的性能完全依赖于评估指标的选择，证实对比度指标应作为与硬件和下游任务协同设计的主动参数。该研究为端到端计算成像系统设计提供了新范式。

　　

在机器视觉领域，图像对比度一直是影响算法性能的关键因素。传统上，对比度的定义和优化方法大多源于人类视觉系统的研究，例如常用的米勒森对比度（Michelson contrast）等指标。然而，当观察者从人眼转变为机器算法时，这些基于感知的指标是否仍然有效？如果照明的目标是让机器“看”得更好，那么对比度的定义是否需要重新思考？这正是新西兰怀卡托大学Sanush Abeyekera团队在《IEEE Sensors Letters》发表的最新研究试图回答的核心问题。

长期以来，光学成像系统将硬件（照明、传感器）和软件（处理算法）视为独立的两个阶段。但随着人工智能和电子技术的发展，计算成像（computational imaging）这一新兴领域主张将光学系统与计算算法进行联合优化。在这篇论文中，研究人员将可调光源视为“光学编码器”的可编程组件，通过主动塑造被传感器捕获的光场信息，实现端到端的系统优化。

研究团队建立了一套完整的实验系统（图1），使用包含十个窄波段LED通道的可调光源（WAILight）照射标准色卡（ColorChecker Semi-Gloss, CC-SG），并通过RGB相机捕获图像。他们基于物体反射光谱和相机光谱灵敏度等物理参数，构建了像素强度的数学模型：p_k=e R ω_k Lβ，其中β为LED通道的调制系数。通过优化β，可以生成最大化特定颜色对之间对比度的照明光谱。

为系统评估不同对比度定义的影响，研究人员设计了四种物理可实现的对比度函数（表1）：绝对对比度（d_abs）、照明归一化对比度（d_led）、米勒森对比度（d_rgb）和光谱角映射器（d_sam）。这些函数分别从强度差异、能量效率、相对对比度和色度角度等不同维度量化对比度。

关键技术方法包括：1）建立包含光谱反射率、相机响应和LED特性的物理模型；2）使用三种特征值算法（EIG1/EIGs/EIG3）计算最优照明光谱；3）对色卡产生的4851个颜色对进行系统评估；4）通过对比矩阵分析不同算法在四种指标下的相对性能。

研究方法部分通过图2和图3展示了算法流程和实验工作流。EIG1算法独立优化每个相机通道，EIGs合成三个通道的结果，而EIG3则同时优化所有通道。这些算法与D65标准照明进行对比，确保评估的全面性。

研究结果部分最引人注目的发现是：算法的相对性能完全取决于评估指标的选择。如图4所示，当使用绝对对比度（d_abs）时，D65照明在绝大多数情况下表现最佳；然而在其余三个指标下，D65却成为性能最差的选项。这种性能的“大反转”现象生动说明，没有普适的“最优”照明方案，只有针对特定对比度定义的最优解。

进一步分析发现，这种性能差异源于不同目标函数产生的物理光谱差异。绝对对比度指标倾向于选择总功率更高的照明，因为像素强度与照明功率呈线性关系（图5a,b）。而归一化指标（图5c,d）则消除了亮度影响，专注于光谱效率的评估。例如，EIG1算法在d_led、d_rgb和d_sam指标上优于D65，同时平均节能71%。

讨论部分从机器学习角度提出了深刻见解：照明调制系数β类似于模型的可学习“权重”，而对比度指标则是“损失函数”。研究结果物理验证了机器学习的基本原则——不同的损失函数会导致不同的最优模型。作者进一步展望，未来可能通过端到端可微分系统，让目标函数本身成为可学习的超参数，实现真正自适应的传感器系统。

研究结论强调，最优照明光谱是成像系统的物理属性，与推导它所用的数学目标函数直接相关。这推翻了存在通用“最佳”照明的观念，确立了对比度指标作为主动可调设计参数的地位。该研究的局限性在于关注静态场景和预定义指标，未来工作将探索动态环境和任务驱动的自适应对比度指标。

这项研究的意义在于将对比度从被动的测量指标转变为主动的设计参数，为计算成像系统提供了新的设计范式。通过代码sign（协同设计）物理硬件和数学目标函数，可以实现真正的系统级优化，推动机器视觉向更智能、更高效的方向发展。