織物顏色配準(zhǔn)到標(biāo)準(zhǔn)色卡的計(jì)算機(jī)識(shí)別與仿真

陳孝之， 謝莉青

(青島大學(xué) 紡織服裝學(xué)院， 山東 青島 266071)

織物顏色配準(zhǔn)到標(biāo)準(zhǔn)色卡的計(jì)算機(jī)識(shí)別與仿真

陳孝之， 謝莉青

(青島大學(xué) 紡織服裝學(xué)院， 山東 青島 266071)

為克服人工目測(cè)織物的顏色易受到光線和經(jīng)驗(yàn)的影響產(chǎn)生誤差的問(wèn)題，提出一種基于計(jì)算機(jī)視覺(jué)和圖像分析技術(shù)的織物顏色與紡織專用標(biāo)準(zhǔn)色卡自動(dòng)配準(zhǔn)的顏色識(shí)別與仿真的方法，實(shí)現(xiàn)了針對(duì)1 925種潘通色卡的織物顏色自動(dòng)配準(zhǔn)系統(tǒng)。該方法利用掃描儀獲得潘通色卡棉布版的掃描圖像，然后從色卡圖像中提取顏色有效特征信息，構(gòu)造色卡圖像的色度特征數(shù)據(jù)庫(kù)；設(shè)計(jì)了顏色分層模型和基于“一對(duì)一”支持向量機(jī)(SVM)與色卡圖像數(shù)據(jù)的配準(zhǔn)模型，經(jīng)過(guò)對(duì)SVM模型參數(shù)優(yōu)化和識(shí)別訓(xùn)練，系統(tǒng)與色卡匹配的正確率達(dá)96.89%。另外使用296種未知色號(hào)的織物樣本，將它們與系統(tǒng)進(jìn)行配準(zhǔn)實(shí)驗(yàn)，匹配正確率為 98.85%，為客觀、快速地測(cè)色和數(shù)字仿真顏色提供了參考工具。

織物顏色； 圖像處理； 支持向量機(jī)； 配準(zhǔn)； 潘通色卡

印染布、色織布的來(lái)樣仿制，要通過(guò)對(duì)織物的結(jié)構(gòu)參數(shù)和顏色進(jìn)行分析，才能得到基本的工藝資料。顏色分析目前普遍由人工將樣品與紡織標(biāo)準(zhǔn)色卡比對(duì)，找出與樣品最匹配的色卡。人工觀測(cè)既繁瑣，又容易受到光線和經(jīng)驗(yàn)的影響產(chǎn)生誤差。雖然現(xiàn)在不乏儀器測(cè)色手段，像分光光度儀可測(cè)定出物體反射的光譜功率分布，根據(jù)光譜測(cè)量數(shù)據(jù)計(jì)算出各種標(biāo)準(zhǔn)光照下的CIEXYZ空間的三刺激值X、Y、Z。但三刺激值對(duì)色彩的描述有別于標(biāo)準(zhǔn)色卡,使得熟悉用色卡確定配色方案的技術(shù)人員要進(jìn)行額外的數(shù)據(jù)篩選和分析，并不適合于相關(guān)人員使用色卡的習(xí)慣。從此意義上說(shuō)，織物顏色分析技術(shù)，應(yīng)本著客觀性和實(shí)用性兼?zhèn)涞脑瓌t進(jìn)行升級(jí)。傳統(tǒng)的織物表面質(zhì)檢基本都是耗時(shí)、費(fèi)力的人工檢測(cè)，制約著產(chǎn)業(yè)的升級(jí)。許多學(xué)者通過(guò)機(jī)器視覺(jué)將織物轉(zhuǎn)化為數(shù)字圖像，利用數(shù)字圖像分析取代人工分析，得到布面信息。例如，在計(jì)算機(jī)對(duì)織物外觀與結(jié)構(gòu)分析[1-3]及顏色模擬、色差計(jì)算、色牢度評(píng)價(jià)等方面的研究[4-6]，成為有望突破傳統(tǒng)檢測(cè)的發(fā)展方向。

本文以國(guó)內(nèi)外廣泛使用的潘通色卡為參照物，將潘通色卡棉布版(TCX)進(jìn)行圖像采集，仿照潘通色卡的物理分層模式，運(yùn)用明度模型對(duì)色卡圖像的顏色深淺進(jìn)行層次分割；根據(jù)顏色識(shí)別算法的發(fā)展和應(yīng)用，引入了支持向量機(jī)(簡(jiǎn)稱SVM)的機(jī)器學(xué)習(xí)方法，構(gòu)建了一種將未知色與已知色進(jìn)行映射匹配的顏色識(shí)別模型；研究了一個(gè)能使織物顏色自動(dòng)配準(zhǔn)到潘通色卡的系統(tǒng)。系統(tǒng)測(cè)試有較高的正確率，為探索客觀、快速地測(cè)色和數(shù)字仿真顏色提供了參考工具。

1 系統(tǒng)組成

系統(tǒng)采用CanoScan 8800F型彩色掃描儀，在分辨率為600 dpi的條件下對(duì)潘通色卡棉布版和受測(cè)織物樣品進(jìn)行圖像采集后保存為24位真彩圖像?；贛atLabR2010b編程語(yǔ)言，開(kāi)發(fā)實(shí)現(xiàn)了圖像預(yù)處理、特征提取、顏色的智能化配準(zhǔn)和仿真的軟件系統(tǒng)。圖1示出與潘通色卡相配準(zhǔn)的系統(tǒng)的工作流程。

圖1 系統(tǒng)工作流程示意圖Fig.1 Working flow diagram of system

系統(tǒng)的任務(wù)是建立起織物圖像色度值與標(biāo)準(zhǔn)色卡色度值之間的映射關(guān)系表，系統(tǒng)的核心是“標(biāo)樣數(shù)據(jù)庫(kù)”和“智能化配準(zhǔn)模塊”。首先利用掃描儀采集TCX色卡標(biāo)樣圖像，然后提取有效特征色度值，按29個(gè)顏色層次構(gòu)造標(biāo)樣的特征色度值數(shù)據(jù)庫(kù)，最后建立起29個(gè)SVM模型，輸入標(biāo)樣的色度數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練。經(jīng)交叉驗(yàn)證，獲得每個(gè)SVM分類器的最佳參數(shù)c、g，完成SVM的構(gòu)造。由顏色分層器和29個(gè)SVM分類器組成“智能化配準(zhǔn)模塊”。

2 標(biāo)樣數(shù)據(jù)庫(kù)的建立

2.1 色卡圖像的分區(qū)

潘通色卡棉布版手冊(cè)共有1 925個(gè)色卡，色卡尺寸為1.5 cm×1 cm。對(duì)每個(gè)色卡掃描成像，由圖像處理程序劃分成6個(gè)分區(qū)，如圖2所示。

圖2 TCX棉布色卡圖像6個(gè)分區(qū)示意圖Fig.2 Six maps of TCX cotton color images

2.2 顏色特征值的提取

織物是纖維、紗線的集合體，由于表面毛羽、紗線的屈曲起伏、織物紋理凹凸等引起光反射不勻，光澤的變化對(duì)色彩的影響會(huì)使圖像中夾雜著色模糊、干擾或異色像素。這些隨機(jī)變異造成色度值的突變，若被計(jì)入統(tǒng)計(jì)值，就會(huì)引起失真。因變異像素的色度值是突變的，不會(huì)處于中位數(shù)位置，故用中位數(shù)取樣法提取R，G，B向量集的中位數(shù)，以確保取到真實(shí)像素，完成標(biāo)樣圖像顏色量化。

求解未知色與數(shù)據(jù)庫(kù)中的已知色相匹配是一個(gè)顏色分類問(wèn)題。顏色特征值的空間劃分影響到分類性能，但RGB空間中兩點(diǎn)的歐氏距離與顏色距離不成線性關(guān)系，屬于非均勻顏色空間，并不符合人們對(duì)顏色相似性的主觀判斷，單以RGB進(jìn)行顏色分割得不到理想效果[7]。HSI模型是以色調(diào)為基礎(chǔ)的顏色模型，色調(diào)H值是確定顏色的主要因素，當(dāng)它發(fā)生變化時(shí)色調(diào)值也將變化[8]。H值與光波的波長(zhǎng)有關(guān)，是彩色彼此區(qū)分的特性，引入色調(diào)H值有利于提高顏色特征值的空間劃分性能。

2.3 標(biāo)樣數(shù)據(jù)庫(kù)的構(gòu)成

標(biāo)樣數(shù)據(jù)庫(kù)由2組數(shù)據(jù)組成。從色卡圖像的6個(gè)分區(qū)中提取的4個(gè)顏色特征值(R,G,B,H)構(gòu)成第1組數(shù)據(jù)，數(shù)據(jù)規(guī)格為1 925×{6×4}，該組數(shù)據(jù)用于SVM分類器的訓(xùn)練和測(cè)試。第2組是潘通公司發(fā)布的TCX電子版的數(shù)據(jù)，包括潘通色卡的色號(hào)和R,G,B值，該組數(shù)據(jù)用于圖像顏色的仿真。

3 智能顏色配準(zhǔn)模型的建立

圖3示出潘通色卡分層的物理模型，分層代碼為 11～19。這種“層式”的色卡管理模式，使人容易想到“先層后卡”的識(shí)別策略，即先進(jìn)行層識(shí)別，然后進(jìn)行卡識(shí)別。如果直接進(jìn)行卡識(shí)別，SVM分類器要分析標(biāo)樣數(shù)據(jù)庫(kù)的所有數(shù)據(jù)，對(duì)計(jì)算機(jī)的內(nèi)存資源占用高并且運(yùn)行時(shí)間很長(zhǎng)，需要配置高性能的計(jì)算機(jī)。而先進(jìn)行層識(shí)別，SVM分類器只需針對(duì)該層的卡識(shí)別，計(jì)算量可大幅下降，適用普通的PC機(jī)。

圖3 TCX色卡的分層模型圖Fig.3 Layered model of TCX

3.1 顏色分層模型

3.1.1 分層參數(shù)

從圖3可看出，TCX色卡的物理模型對(duì)應(yīng)顏色由淡到濃變化，與色調(diào)、彩度無(wú)關(guān)。在數(shù)字圖像中，可反映顏色濃淡的物理量是明度，其表達(dá)式為

I=0.299×R+0.587×G+0.114×B

將TCX色卡圖像的明度按照11～19的分類畫成散點(diǎn)圖，如圖4所示。可看出：其一，明度對(duì)色卡深淺的描述呈層次狀，與圖3物理模型的分層機(jī)制基本一致，說(shuō)明I可成為有效參數(shù)；其二，鄰層間似犬牙交錯(cuò)，層次邊界不清，說(shuō)明基于相同的理論模型，計(jì)算機(jī)的數(shù)字分層比人工精準(zhǔn)，因此，需要對(duì)TCX色卡圖像重新進(jìn)行層次分割。

圖4 TCX色卡圖像9個(gè)顏色層的數(shù)據(jù)分析Fig.4 TCX color image digital analysis of nine color layers

3.1.2 TCX色卡圖像的數(shù)字化層次分割

按照TCX色卡圖像明度的灰級(jí)閾值范圍將0～255的灰級(jí)分割為N個(gè)集合，落入相同集合的色卡即為同一顏色層。由于色卡容量影響到計(jì)算機(jī)對(duì)支持向量機(jī)的計(jì)算能力，以70～120個(gè)色卡/層的容量，N的取值應(yīng)為29，相當(dāng)于把1 925個(gè)色卡分成29層，I與顏色層的對(duì)應(yīng)關(guān)系如表1所示。圖5為29層色卡圖像的散點(diǎn)圖?？梢钥闯?，各個(gè)層次獨(dú)立，邊界清晰。

表1 基于I閾值的顏色分層結(jié)果數(shù)據(jù)表Tab.1 Color hierarchical data tables based on I threshold

圖5 TCX色卡圖像的29個(gè)顏色層Fig.5 29 color layers of TCX color image

3.1.3 相鄰邊界擴(kuò)容

理論上，顏色層的灰級(jí)數(shù)列是連續(xù)整數(shù)，層次間涇渭分明，但實(shí)際上灰級(jí)值的計(jì)算結(jié)果并非一定整數(shù)。如果灰級(jí)值處在2層邊界，取整數(shù)時(shí)，因數(shù)據(jù)微小的波動(dòng)，導(dǎo)致分層非此即彼的2種可能結(jié)果。問(wèn)題的關(guān)鍵是無(wú)論樣品落入2層中的哪一層，都能找到與之最匹配的色卡。為此，采取相鄰邊界擴(kuò)容的方法，示意圖見(jiàn)圖6。如圖所示，如果水平方向是灰級(jí)的降序方向，圖中的粗線代表閾值的位置。以閾值為基準(zhǔn)，每層都向?qū)Ψ綄觾?nèi)相互擴(kuò)大2個(gè)灰級(jí)(虛線處)的容量，將此范圍內(nèi)的原本屬于對(duì)方層的TCX色卡也納入進(jìn)來(lái)。無(wú)論受測(cè)樣品落入2層中的哪一層，都能使支持向量機(jī)配準(zhǔn)到相同的色卡，從而消除了可能的邊界效應(yīng)。

圖6 顏色層的邊界擴(kuò)容法意圖Fig.6 Shematic diagram of color layer boundary expansion method

3.2 基于SVM的顏色配準(zhǔn)模型

本文要解決的顏色配準(zhǔn)屬于復(fù)雜的非線性分類問(wèn)題，樣本數(shù)據(jù)也較小，非傳統(tǒng)的解析理論和統(tǒng)計(jì)回歸方法能解決。支持向量機(jī)模型的思想是針對(duì)線性可分情況進(jìn)行分析，而對(duì)于線性不可分的情況，通過(guò)使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而從根本上解決非線性問(wèn)題[9-10]。

表2 交叉驗(yàn)證法所得最佳參數(shù)c、gTab.2 Optimal parameters c and g acquired by CV method

支持向量機(jī)本身是一個(gè)二類分類器，對(duì)于多類問(wèn)題，就需要構(gòu)造組合的SVM多類分類器。本文采用的“一對(duì)一”SVM是結(jié)合多個(gè)二類分類器構(gòu)造的一個(gè)多類分類器。如圖7所示，“一對(duì)一”SVM的算法原理是每次選取其中的2類樣本，對(duì)所有可能的2類組合構(gòu)造SVM，總共需要構(gòu)造n(n-1)/2個(gè)SVM。在確定樣本x所屬類別時(shí)，采用的是“投票法”，樣本每經(jīng)過(guò)1個(gè)二分類SVM都會(huì)獲得1個(gè)可能的類別號(hào)，即獲得1票，當(dāng)樣本經(jīng)過(guò)所有二分類SVM后，對(duì)獲得票數(shù)進(jìn)行統(tǒng)計(jì)，得票數(shù)最高的類別即為該樣本最可能屬于的類別。當(dāng)某幾類獲得相同票數(shù)時(shí)，再將樣本輸入與這幾類相關(guān)的二分類SVM，如此循環(huán)，直至最終出現(xiàn)票數(shù)勝出的類別。

圖7 一對(duì)一SVM預(yù)測(cè)模型的原理圖Fig.7 Principle diagram of one-to-one SVM prediction model

4 顏色配準(zhǔn)模型的實(shí)現(xiàn)和驗(yàn)證

4.1 模型參數(shù)的優(yōu)化

參數(shù)的選擇主要包括核函數(shù)和模型公式。核函數(shù)確定后，可以調(diào)節(jié)的參數(shù)為懲罰系數(shù)c和核函數(shù)g，它們對(duì)模型的復(fù)雜度、結(jié)構(gòu)和性能起著重要作用。RBF徑向基核函數(shù)有使同類樣本靠近、不同類樣本分離的特點(diǎn)，因此，選擇RBF徑向基核函數(shù)。分別用29個(gè)顏色層的訓(xùn)練集進(jìn)行交叉對(duì)比訓(xùn)練，得到29個(gè)SVM的最佳參數(shù)c和g，結(jié)果列入表2。

4.2 模型的驗(yàn)證

用表2的最佳參數(shù)對(duì)29個(gè)訓(xùn)練集進(jìn)行訓(xùn)練得到29個(gè)SVM模型。把29個(gè)訓(xùn)練集分別帶入對(duì)應(yīng)的SVM模型中回判識(shí)別準(zhǔn)確率，然后另選296個(gè)未知色的樣本作為測(cè)試集，使用潘通公司的數(shù)字化彩通色彩檢測(cè)儀Color Cue2給出準(zhǔn)確的評(píng)定結(jié)果。以該結(jié)果為基準(zhǔn)，利用本系統(tǒng)測(cè)試可知其識(shí)別準(zhǔn)確率，結(jié)果如表3所示。

從表3可看出，訓(xùn)練集平均識(shí)別率為96.89%，識(shí)別率較高，表明支持向量機(jī)的思想適用于類似織物顏色分類的小樣本數(shù)據(jù)的分類和預(yù)測(cè)工作。只有SVM-1為84.2%，匹配效果稍差。這是因?yàn)檫@2層色卡的灰級(jí)值大于225，屬于最淺的色系。相鄰色卡的色度數(shù)據(jù)比較接近，導(dǎo)致色度特征值的敏感度不足，從而影響識(shí)別有效性。從表3還可看出，測(cè)試集平均識(shí)別率為98.85%，多數(shù)SVM模型均為100%。識(shí)別性能超過(guò)訓(xùn)練集，說(shuō)明系統(tǒng)對(duì)未來(lái)樣本的泛化能力強(qiáng)。只有SVM-29為83.3%，經(jīng)查驗(yàn)潘通TCX色卡中本身就缺乏與測(cè)試樣品相匹配的色卡，并非系統(tǒng)性能的問(wèn)題。這表明本文設(shè)計(jì)的系統(tǒng)還可為色卡制造商提供補(bǔ)缺色卡的數(shù)據(jù)。

表3 訓(xùn)練集和測(cè)試集的實(shí)驗(yàn)結(jié)果Tab.3 Experimental results of training set and testing set

5 結(jié) 語(yǔ)

本文以國(guó)際通用的潘通紡織專用色卡為參照物，將潘通棉布色卡進(jìn)行圖像采集，仿照潘通色卡的物理分層模式，運(yùn)用明模型對(duì)色卡圖像的顏色進(jìn)行層次分割；引入了支持向量機(jī)的機(jī)器學(xué)習(xí)方法，構(gòu)建了一套能使織物顏色自動(dòng)配準(zhǔn)到潘通色卡的系統(tǒng)。只要對(duì)受測(cè)樣品掃描成像，系統(tǒng)就能給出與之匹配的潘通色卡的卡號(hào)，操作簡(jiǎn)單，誤差小，無(wú)需人工比對(duì)色卡，提高了工作效率，消除了人為觀測(cè)的偏差。系統(tǒng)還可把圖像的顏色仿真成標(biāo)準(zhǔn)色卡的色彩，為探索客觀、快速地測(cè)色和數(shù)字仿真顏色提供了參考工具。

[1] TUNAK M, LINKA A, VOLF P, VOLT P. Automatic assessing and monitoring of weaving density [J]. Fibers and Polymers, 2009,10(6):830-836.

[2] 劉哲. 基于圖像分析的織物外觀質(zhì)量綜合評(píng)價(jià)[J].紡織學(xué)報(bào),2012,33(11):61-65. LIU Zhe．Comprehensive evaluation of appearance quality of fabrics based on image analysis [J].Journal of Textile Research, 2012,33(11):61-65.

[3] NGAN H Y T，PANG G K H，YUNG N H C. Automated fabric defect detection: a review[J].Image and Vision Computing，2011，29(7)：442-458.

[4] PAN Ruru，GAO Weidong，LIU Jihong，et al．Automatic recognition of woven fabric pattern based on pattern database[J]．Fibers and Polymers，2010，11(2)：303-308．

[5] PAN R，GAO W，LIU J，et al. Automatic detection of the layout of color yarns for yam-dyed fabric via a FCM algorithm[J].Textile Research Journal,2010,80(12)：1222-1231．

[6] KUO C J，JIAN B L，WU H C． Automatic machine embroidery image color analysis system: part 1: using Gustafson-Kessel clustering algorithm in embroidery fabric color separation[J]．Textile Research Journal，2012，82(6): 571-583．

[7] 石俊生,衛(wèi)平.彩色圖像分割與顏色特征選擇[J]. 云南師范大學(xué)學(xué)報(bào), 1999, 19(6): 53-56. SHI Junshen,WEI Ping.Color image segmentation and color feature selection[J].Journal of Yunnan Normal University,1999, 19(6): 53-56.

[8] 楊旭強(qiáng),馮勇,劉洪臣.一種基于HSI顏色模型的目標(biāo)提取方法[J].光學(xué)技術(shù),2006,32(2)：290-292. YANG Xuqiang,FENG Yong,LIU Hongchen.A target extraction method based on HSI color model[J].Optical Technology,2006,32(2)：290-292.

[9] 覃丹，蔣興浩，孫錟鋒,等.基于一對(duì)一支持向量機(jī)的視頻自動(dòng)分類算法[J].計(jì)算機(jī)應(yīng)用與軟件，2010,27(1)：3-5. QIN Dan,JIANG Xinghao,SUN Tanfeng, et al.

Automatic video classification algorithm based on one-to-one support vector machine (SVM)[J].Computer Applications and Software,2010,27(1)：3-5.

[10] 劉素一，劉晶景，薛勇，等．基于計(jì)算機(jī)視覺(jué)的織物色差檢測(cè)[J]．棉紡織技術(shù)，2008，36(6)：352-355． LIU Suyi,LIU Jingjing,XUE Yong,et al.Fabric color detection based on compute vision[J].Cotton Textile Technology,2008,36(6):352-355.

Computer recognition and simulation of fabric color from matching to standard color chip

CHEN Xiaozhi， XIE Liqing

(CollegeofTextiles&Clothing,QingdaoUniversity,Qingdao,Shandong266071,China)

To reduce the errors of fabric color caused by light and experience when measured by human eyes, a color recognition and simulation method for automatically matching fabric color with special standard color card was put forward. This method is developed based on computer vision and image analysis technique, and fabric color automatic registration system for 1 925 Pantone TCX color swatches was realized. The method used the scanner to acquire Pantone TCX color scan images, and then extracted effective color characteristic information from color image for constructing database of color image feature. Color layered model and registration model of chromatic value and Pantone TCX color card based on ″one to one″ support vector machine (SVM) were designed. After optimization and implement training of color identifying for SVM model parameters, the accuracy is 96.89%. Using 296 previously unknown samples for verification, accuracy is 98.85%. This would provide a reference tool for objective, fast color measurement and color of digital simulation.

fabric color; image processing; support vector machine; registration; Pantone color swatches

10.13475/j.fzxb.20150300506

2015-03-05

2016-02-17

陳孝之(1990—)，男，碩士生。研究方向?yàn)閿?shù)字化紡織檢測(cè)技術(shù)。謝莉青，通信作者，E-mail：christ227@126.com。

TS 107.4

A