面向产品形态认知的图像灰度评价研究

石怀喜 张书涛

摘  要：探寻适合产品调研的图像灰度区间，提高产品形态意象获取准确度。以吹风机为研究对象，对人眼灰度敏感区间（中灰度76-180）进行分割细化，基于眼动追踪技术量化产品图像认知与图像灰度的映射关系。利用相对贴近度计算获取产品图像认知最优灰度区间，以及合适的灰度划分区间。研究表明，图像灰度以步长20划分时，灰度对产品意象认知的影响较大；图像灰度在区间146-165时，图像信息清晰，被试意象加工顺畅，大脑认知负荷较小。这一研究可为产品形态意象研究中的图像灰度处理提供理论指导。

关键词：图像灰度；产品认知；意象决策；产品形态；眼动追踪

产品设计从以市场为中心转换为以用户为中心，同时用户通常对形态识别度高的产品更加青睐[1]，因此，针对新产品的开发设计需要充分考虑用户的意象需求。为了准确挖掘产品的形态意象，在产品形态调研过程中，通常采用对样本直接去色的方式避免色彩、材质等因素的影响。由于色彩明度不同，去色后的图像灰度也存在差异。当色彩明度较低时，去色后灰度较低；当色彩明度较高时，去色后灰度较高。

彩色图像转换灰度图像，其实质是将三通道彩色图像信息压缩、提取、降噪，降维成单通道黑白图像[2]。人类视觉对不同灰度的敏感程度不同，通常对中等灰度最为敏感。实际应用中，将256级图像灰度分为高、中、低三个灰度区间[3]：0-75为低灰度，76-180为中灰度，181-256为高灰度[4]。在图像灰度处理中发现，在中灰度（76-180）区间内，灰度差异会显著影响图像认知的准确性。

人类对外界信息的获取与认知，80%通过视觉输入，再经大脑中的多种高级功能进行加工，因此眼动追踪（Eye-tracking，ET）成为获取用户认知信息的有效手段[5]。例如，李珍等基于心理学角度，通过测量被试的首次注视持续时间、首次注视时间、注视总次数、平均瞳孔直径四项眼动指标数据，运用综合赋权法对各指标进行加权处理，最终获得用户需求[6]。王新亭等利用眼动追踪技术采集设计师阅读任务文本、创作草图时的眼动数据，发现设计师自身经验与信息资源调用的数量、维度、回视次数和方案质量成正比，与作业时间和评判准确度成反比[7]。

为了提高产品意象认知的准确性，本文面向产品图像认知评价中的图像灰度设计问题，以吹风机图像为刺激样本，在中灰度区间（76-180）以10为灰度步长设计刺激样本，采用眼动追踪技术获取产品图像认知过程中的被试眼动数据，分析图像灰度与视觉认知的映射关系，获取产品图像认知的最优灰度区间，为产品形态认知调研过程中的图像灰度处理提供客观的理论支撑。

一、面向产品认知的图像灰度评价方法

本文基于人眼视觉灰度特性设计产品图像灰度评价实验，利用眼动追踪技术测量图像灰度与产品认知的关系，获得产品评价的最优灰度区间。产品图像灰度评价流程如图1所示，主要包括三部分内容：1.基于人类视觉特性的产品图像灰度认知实验；2.产品图像灰度眼动数据处理；3.最优产品图像灰度分析。

（一）产品图像灰度认知实验

首先，收集并筛选代表性意象词汇和代表性样本，利用SD问卷获取代表性样本意象值并对样本分类，然后根据中灰度（76-180）以10为步长设计实验刺激样本，最后以意象词汇为启动刺激，实验样本为目标刺激进行产品图像灰度认知评价实验。实验过程中，被试根据播放的目标刺激判断其是否与对应的启动刺激（意象词语）匹配。实验过程中，应用ErgoLAB软件记录反应时间和眼动数据。

（二）灰度评价模型构建

为了获取精确的生理测量数据，减少粗大误差对实验结果的影响，采用拉伊达准则（1）和判定公式（2）筛选并剔除粗大误差数据[8]。

其中：为观测值的算数平均值，σ为标准差给定参数，Rc为残差，为观测估计值，c为观测次数。

令被试集合为B={b1，b2，…，bn}，图像灰度区间集合为 ，其中n表示被试人数，h为图像灰度区间数，δ为灰度区间步长。

1.图像灰度用户行为评价模型

被试（b1，b2，…，bn）依次对灰度进行评价的反应时间集合为：

灰度的综合值为

每个灰度区间的综合值为

2.图像灰度眼动测试评价模型

通过ErgoLAB记录的眼动数据，以不同的图像灰度区间进行划分，获得眼动指标数据：

式中：为被试bn对样本灰度的各項眼动指标数据，E={e1，e2，…，el}为眼动指标。

所有被试图像灰度区间false的眼动综合值为

每个图像灰度区间的眼动数据综合值为

3.图像灰度评价综合模型

综合产品图像灰度评价的行为数据和眼动数据，构建图像灰度综合评价模型为

二、基于案例的图像灰度评价实验

（一）样本及意象筛选

通过网络收集吹风机图片，并邀请5位专家对样本筛选，获得代表性样本50个。邀请6位专家讨论并筛选出20个与吹风机形态强相关的意象词语。通过网络发放问卷对20个意象词语进行词相似度调研，通过K-means聚类得到代表性词语“可爱的”“时尚的”“舒适的”“简洁的”。对代表性词语进行反义词配对得到“呆板的-可爱的”“传统的-时尚的”“生硬的-舒适的”“繁杂的-简洁的”。通过网络发放5级调查问卷对样本进行意象调研，共有40位被试参与调查，均为产品设计方向研究生，样本的感性意象值见表1。

（二）实验材料

以10为步长分割人眼灰度敏感区间（中灰度76-180）。但在实际操作过程发现，样本颜色较深时，去色后灰度可以达到70，经专家讨论，将灰度区间设置为65-185。为确保实验的准确性，同时设置45-55和195-205作为参考灰度区间，共14个灰度区间。为了便于实验实施，取灰度区间中间值进行样本灰度处理，灰度值分别为：70、80、90、100、110、120、130、140、150、160、170、180。依据表1样本的感性意象评价值，每对意象词语选择3个吹风机样本，共4×3=12个样本。以意象词语“繁杂的-简洁的”为例，分别选择极端繁杂的、中性的和极端简洁的样本各1个。应用Solidworks软件对12个样本重新建模，依据12个灰度值，用Keyshot软件渲染模型，用Photoshop软件矫正图像灰度，灰度误差为±1，共有12×14=168个样本（如图2）。实验采用“启动刺激”与“目标刺激”范式[9]，以4对意象词语作为启动刺激材料，以吹风机样本作为目标刺激材料。为降低被试认知差异对实验准确度的影响，设计意象看板[10]对被试进行认知引导，意象看板见图3。

（三）实验过程

本次实验共招募31名设计专业的学生作为被试，其中男生16人，女生15人。被试年龄在19-28岁之间，均为右利手，身体健康，能够清晰观察到屏幕呈现的实验材料。实验前由主试向被试阐述实验内容，且被试签署实验知情同意书。实验使用ErgoLAB Design实验设计模块进行实验程序的编写与实验流程的控制；采用Tobii Pro Fusion非接触/移动终端眼动仪采集眼动信号，并结合ErgoLAB Eye-tracking眼动轨迹分析模块分析眼动数据。

实验准备阶段，主试为被试讲解意象看板，以降低被试认知差异引起的实验误差。被试理解实验内容后，进行眼动仪校准，并开始实验。实验具体操作步骤如下：首先，屏幕中央呈现1000ms的“+”注视页，引导被试注视；随后，呈现启动刺激（意象词语）2000ms；之后，呈现白屏1000ms；最后，呈现目标刺激（样本图片）。目标刺激呈现时间为被试意象决策时间，被试需要完成意象判断，1为极端不匹配、2为不匹配、3为适中、4为匹配、5为极端匹配。被试根据匹配度在键盘按对应的数字，决策完成后进入下一个试次。实验中每个样本针对含义相反的2个形容词，各观测1次，共168×2=336个试次。为了保证实验准确性，避免被试疲劳引发的误差，每进行90个试次，休息3min，实验预计用时53min，实验流程如4图所示。

三、实验分析

（一）行为数据分析

为了消除個体认知差异引起的实验误差，筛除误差较大的反应时间。首先将数据带入公式（1）和（2）去除粗大误差，然后利用公式（3）（4）和（5）计算得所有图像灰度的综合反应时间值，如表2所示。

（二）眼动数据分析

本文采用ErgoLAB人机环境同步测试云平台导出眼动特征数据。将数据带入公式（1）和（2）去除粗大误差，将去除粗大误差的数据带入公式（6）（7）和（8），得出所有图像灰度的综合眼动指标值见表3。对眼动指标进行相关性分析，发现总注视时间（相关系数为-0.22）、平均注视时间（相关系数为-0.612）、平均扫视次数（相关系数为-0.06）与图像灰度区间呈负相关。

表3 各图像灰度下的眼动指标值

（三）综合评价矩阵构建

将被试行为数据、眼动数据和脑电数据带入公式（9），得到反应时间W和眼动数据Y的综合图像灰度评价结果：

（四）相对贴近度分析

为了对各图像灰度区间进行全面评价，在不同维度评价指标下分析各个灰度区间对产品形态意象认知的贡献优劣，下面在各个维度指标下进行相对贴近度计算和分析。具体步骤如下：

步骤1：计算各个评价指标下的最优值和最劣值。

其中，fi为第i个评价指标，i=1，2，3，…，α；为第j个产品图像灰度，j=1，2，3，…，β。将综合评价结果的数据分别带入公式（10）和公式（11）中，得各个评价指标的最优值和最劣值见表4。

表4 各图像灰度在不同维度下的最优值和最劣质

步骤2：计算评价值到最优值和最劣值的距离。

式中：和分别为第j个图像灰度区间的第i个评价指标与最优值和最劣值的距离。将综合数据带入公式（12）和公式（13），可得各图像灰度评价值到最优值与最劣值的距离见表5、表6。

步骤3：计算各图像灰度的相对贴近度，作为图像灰度的评价依据。

式中：。将表6数据带入公式（14）计算各图像灰度评价值与最优值的相对贴近度见图5。

从图5发现，当灰度区间δ=10时，各图像灰度评价值与最优值的相对贴近度与图像灰度之间未呈现出明显关系，这可能与图像灰度区间划分步长取值较小有关。因此，将图像灰度区间（65-185）的步长δ取值为20，区间45-55和195-205仍为参考灰度区间。以图像灰度区间65-85为例，计算图像灰度区间65-75和76-85各指标评价值的均值，作为图像灰度区间65-85在各指标下的图像灰度评价值。共计8个图像灰度区间（h110=h45-5510，h120=h65-8520，h220=h86-10520，…，h620=h166-18520，h1410=h195-20510）。计算得出各评价值与最优值的相对贴近度见图6。

通过统计分析发现，将实验图像灰度区间设置为20时，灰度图像对产品形态认知影响显著。对四个评价指标分析发现，四个评价指标的灰度评价值与最优值的相对贴近度值都在区间146-165达到最优值，在区间146-165两端，灰度评价值与最优值的相对贴近度值向低灰度和高灰度呈非线性下降。图像灰度从45到146，随着灰度的升高，产品形态特征越来越清晰，视觉神经捕捉产品形态特征越来越容易，大脑的认知负荷变小，用户产品形态意象认知投入的心理资源减少；图像灰度从165到205，随着灰度的升高，产品形态特征越来越模糊，视觉神经受到抑制，产品形态意象判断需要更多的认知资源，用户认知负荷变大。在区间146-165，产品形态特征清晰，视觉神经处于活跃状态，产品形态认知加工顺畅。

四、结语

为了准确获取用户的产品形态意象偏好，去排除色彩、材质等因素对图像认知影响的情况下，本文以吹风机为研究对象，在中灰度（76-180）以10为步长设计刺激样本，基于眼动技术探究图像灰度与产品认知评价的映射关系。通过实验发现，当图像灰度区间以20为步长划分时，图像灰度视觉认知差异明显，灰度对产品认知评价的影响较大。图像灰度在区间146-165时，图像信息明晰，有利于视觉神经获取产品信息，促进大脑对产品的认知决策。本研究可为产品形态意象研究中的图像灰度处理提供理论指导。同时，实验采用二维的产品图像作为刺激材料，后续研究可以采用VR虚拟现实技术，从三维视角开展相关研究。

参考文献：

[1]杨程，曾静，陈辰，等.基于脑电探究外观特征对产品识别的影响[J].同济大学学报（自然科学版），2020（9）：1385-1394.

[2]张俊康，金正猛，冯灿.基于原始对偶方法的图像去色算法[J].南京邮电大学学报（自然科学版），2021（4）：51-58.

[3]于天河，赵树梅，兰朝凤.结合视觉特性的红外图像增强方法[J].激光与红外，2020（1）：124-128.

[4]Chen SB，Wang HY.A fragile information hiding technique based on human visual gray sensitivity[J].Advanced Materials Research，2010（121）：1048-1051.

[5]Ilhan AE，Togay A.Pursuit of methodology for data input related to taste in design： Using eye tracking technology[J].DISPLAYS，2023（76）：102335

[6]李珍，苟秉宸，初建杰，等.一种基于眼动追踪的产品用户需求获取方法[J].计算机工程与应用，2015（9）：233-237.

[7]王新亭，邓玮丹.基于眼部追踪技术的产品意象草图认知差异研究[J].计算机辅助设计与图形学学报，2019（2）：287-294.

[8]郭主恩，林丽，阳明庆，等.基于无意识多模态内隐测量的产品意象提取模型构建[J].计算机集成制造系统，2022（4）：1150-1163.

[9]郑晓丹，岳珍珠.跨通道语义启动对视觉注意的影响[J].心理科学，2022（6）：1329-1336.

[10]Gijsenij A，Vazirian M，Spiers P，et al.Determining key colors from a design perspective using dE-means color clustering[J].COLOR RESEARCH AND APPLICATION，2023（1）：69-87.

作者简介：

石怀喜，兰州理工大学设计学硕士研究生。

张书涛，兰州理工大学设计艺术学院教授、碩士研究生导师。研究方向：工业设计、感性工学。