結(jié)合全局與局部多樣性特征的色紡紗色度學(xué)指標(biāo)測(cè)試與評(píng)價(jià)

袁 理， 代喬民， 付順林， 鄢煜塵(1.武漢紡織大學(xué) 電子與電氣工程學(xué)院， 湖北 武漢 0200； 2.武漢紡織大學(xué) 湖北省紡織新材料與先進(jìn)加工技術(shù)省部共建國家重點(diǎn)實(shí)驗(yàn)室培育基地， 湖北 武漢 0200； .武漢紡織大學(xué) 紡織科學(xué)與工程學(xué)院， 湖北 武漢 0200； .武漢大學(xué) 電子信息學(xué)院， 湖北 武漢 0072)

色紡紗是指經(jīng)特定工序混和加工紡制而成的含有2種或2種以上不同色澤纖維的紗線，具有特定的外觀色彩風(fēng)格[1]。近年來，為滿足消費(fèi)者個(gè)性化、時(shí)尚化以及多樣化的需求，通過多種染色纖維和特殊紡紗工藝而制備的大色差色紡紗，因其具有的“可控不勻性”混色效果與新穎的視覺特征，被市場(chǎng)所追捧；但是，在實(shí)際生產(chǎn)中，這種大色差色紡紗由于缺少科學(xué)的色度學(xué)指標(biāo)測(cè)試與分析標(biāo)準(zhǔn)，需要根據(jù)客戶來樣，并依靠經(jīng)驗(yàn)和反復(fù)試紡、目測(cè)來達(dá)到目標(biāo)色。該過程不僅導(dǎo)致生產(chǎn)周期長，而且易造成色度學(xué)指標(biāo)評(píng)測(cè)的二義性，影響商業(yè)交割。

根據(jù)色彩學(xué)理論，可將紡織品顏色測(cè)量分析方法分為4類：目測(cè)法、光電積分法、分光光度法和數(shù)碼攝像法[2]。其中，分光光度法由于可測(cè)量顏色表面對(duì)可見光譜所有波長的反射率，被廣泛應(yīng)用于紡織品色度學(xué)指標(biāo)的測(cè)試與評(píng)價(jià)中，但是，受限于分光光度計(jì)特殊的測(cè)量方式，很難在測(cè)量孔徑內(nèi)對(duì)紡織品顏色的分布特性進(jìn)行采集和表征，測(cè)評(píng)結(jié)果往往存在多解性[3]。

近年來，隨著數(shù)字成像設(shè)備的普及和性能的飛速提升，數(shù)碼攝像法在紡織品顏色分析領(lǐng)域得到了廣泛應(yīng)用，其顯著優(yōu)勢(shì)是可在高分辨率圖像中，借助數(shù)字圖像處理技術(shù)，利用多通道模式對(duì)微小或不規(guī)則的物體進(jìn)行顏色測(cè)量和分析。2003年，英國Verivide公司推出的“數(shù)慧眼”(Digieye Digital Imaging System)色牢度測(cè)試儀就是該測(cè)色理論的典型應(yīng)用[4]。沉利利等[5]提出一種基于聚類算法的色纖維顏色分類及比例測(cè)定方法，可對(duì)色纖維的數(shù)字圖像進(jìn)行處理和轉(zhuǎn)換，并通過聚類的方法確定圖像中各顏色纖維所占比例，該算法可有效實(shí)現(xiàn)色紡紗線中色纖維種類的確定及比例測(cè)定。Lu等[6]通過模糊C均值聚類算法對(duì)染色纖維圖像在HSV顏色空間中進(jìn)行特征提取，并結(jié)合距離指數(shù)函數(shù)實(shí)現(xiàn)染色纖維顏色種類的分析，實(shí)驗(yàn)結(jié)果表明，每個(gè)像素的顏色可被相應(yīng)的聚類中心關(guān)聯(lián)的顏色所代替。何能斌等[7]以數(shù)碼攝像法為基礎(chǔ)，提出一種基于Lab顏色空間的彩色等差線提取新技術(shù)，即針對(duì)白光光源的彩色等差線條紋圖特點(diǎn)，將圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間，從而實(shí)現(xiàn)對(duì)彩色等差線條紋的精確提取；Li等[8]針對(duì)色紡織物特殊的呈色特性，提出利用2種不同的顏色測(cè)量方式對(duì)其色度學(xué)指標(biāo)進(jìn)行測(cè)量，相對(duì)分光光度計(jì)而言，數(shù)字圖像處理方法的結(jié)果更接近人眼評(píng)價(jià)的結(jié)果。李啟正等[9]應(yīng)用數(shù)碼測(cè)色法對(duì)交織混色織物的顏色進(jìn)行評(píng)價(jià)，相較于對(duì)分光光度測(cè)色系統(tǒng)，利用Digieye 數(shù)碼測(cè)色系統(tǒng)對(duì)非平整表面染色織物的顏色測(cè)量時(shí)，2種儀器測(cè)量的結(jié)果差異性較大。徐睿[10]利用機(jī)器學(xué)習(xí)的理論和方法自動(dòng)高效地估計(jì)出場(chǎng)景的光照色度，從而提高紡織品顏色校正的準(zhǔn)確性，使其與標(biāo)準(zhǔn)色樣一致，所提出的Bagging-PSO-ELM 顏色校正算法，不僅具有良好的穩(wěn)定性，還取得了較高的預(yù)測(cè)精度，模型性能明顯優(yōu)于傳統(tǒng)的基于ELM 的顏色校正算法。張亞雯[11]利用Digieye 數(shù)碼測(cè)色系統(tǒng)，研究開發(fā)色牢度批量評(píng)級(jí)的軟件程序和操作方法，與目光評(píng)級(jí)和傳統(tǒng)的色差儀評(píng)級(jí)結(jié)果進(jìn)行對(duì)比，并研究在不同測(cè)試條件和對(duì)不同表面特征織物的適用性，最終建立紡織品色牢度快速評(píng)級(jí)方法。

與此同時(shí)，數(shù)碼測(cè)色法在工業(yè)質(zhì)量監(jiān)控領(lǐng)域也得到廣泛應(yīng)用，涌現(xiàn)出一批成熟產(chǎn)品，比如德國瑪諾(Mahlo)公司研制生產(chǎn)的CIS-10 A 型顏色檢測(cè)系統(tǒng)、以色列EVS公司的SVALITE在線色差分析儀以及Felles Photonic公司推出的顏色測(cè)量系統(tǒng)。這些公司開發(fā)的產(chǎn)品具有良好的性能，能夠適應(yīng)相關(guān)企業(yè)的嚴(yán)苛要求[12]。

值得注意的是，不同于染色織物或交織混色織物，色紡紗是以染色纖維作為基本呈色單元，在成紗的過程中，染色纖維會(huì)在紗線表面表現(xiàn)為和捻度相關(guān)的螺旋形，并且纖維會(huì)互相聚集，使得其呈色單元的尺寸很大且分布不均勻，這種隨機(jī)性和復(fù)雜性對(duì)于大色差色紡紗尤為顯著,因此，色紡紗的呈色機(jī)制與顯示器色光混色或印刷色料混色均存在顯著差異。目前，國內(nèi)外針對(duì)其色度學(xué)指標(biāo)測(cè)試與評(píng)價(jià)的方法和理論還不多見。同時(shí)，生理學(xué)和心理學(xué)研究表明，全局信息與局部信息描述的作用不同，僅依靠單方面信息很難實(shí)現(xiàn)對(duì)復(fù)雜模式的完整表征；將全局信息與局部信息相結(jié)合，利用其互補(bǔ)性可顯著提高特征的有效性和穩(wěn)定性[13]。不僅如此，對(duì)于復(fù)雜顏色模式的理解，不同的顏色空間亦有不同的刻畫能力，并不存在一個(gè)能夠全面、準(zhǔn)確表征顏色模式的空間[14]。

本文以紡織品數(shù)碼測(cè)色理論為基礎(chǔ)，結(jié)合數(shù)字圖像處理技術(shù)，建立色紡紗大幅面微距圖像采集系統(tǒng)，為色紡紗色度學(xué)指標(biāo)特征的提取與分析提供保障；同時(shí)，重點(diǎn)針對(duì)色紡紗特有的呈色機(jī)制與過程，建立結(jié)合全局顏色特征與局部紋理特征的色度學(xué)指標(biāo)表征模型，充分利用全局與局部特征間的互補(bǔ)性和不同顏色空間的多樣性，從而構(gòu)建穩(wěn)定、有效且實(shí)用的色度學(xué)指標(biāo)差異性評(píng)測(cè)方法，并為最終實(shí)現(xiàn)染色纖維混配呈色產(chǎn)品的色度學(xué)指標(biāo)數(shù)字化與智能化檢測(cè)系統(tǒng)奠定基礎(chǔ)。

1 色紡紗大幅面微距圖像采集系統(tǒng)

1.1 色紡紗大幅面微距圖像采集平臺(tái)

在標(biāo)準(zhǔn)光照條件下，通過對(duì)自動(dòng)云臺(tái)加裝必要的紗筒固定裝置和控制系統(tǒng)，并配合微距鏡頭及數(shù)字成像系統(tǒng)，建立色紡紗大幅面微距圖像采集平臺(tái)，如圖1所示。

圖1 色紡紗大幅面微距圖像采集平臺(tái)Fig.1 Large area macro image acquisition platform for colored spun yarn

該平臺(tái)能夠在包括D65在內(nèi)的5種標(biāo)準(zhǔn)光源環(huán)境下，通過選擇合適且穩(wěn)定的相機(jī)拍攝參數(shù)(如拍攝距離、焦距、拍攝模式、光圈大小、曝光速度及感光度等)對(duì)色紗筒進(jìn)行任意角度的穩(wěn)定拍攝。

1.2 色紡紗大幅面微距圖像采集方案

由于微距鏡頭特殊的成像原理，使獲取圖像的視野范圍和景深都非常有限。為此，本文設(shè)計(jì)了一套大幅面微距圖像拼接方案，具體步驟如下。

1)在預(yù)處理階段，對(duì)拍攝的多幅微距圖像進(jìn)行中心截取，并通過中值濾波和分?jǐn)?shù)階微分運(yùn)算[15]對(duì)紗線紋理進(jìn)行增強(qiáng)。

2)使用尺度不變特征變換(SIFT)算法[16]對(duì)色紗圖像進(jìn)行特征點(diǎn)提取，可得到描述該特征點(diǎn)的特征向量，并通過其特征向量的歐氏距離確定候選匹配點(diǎn)。

3)利用特征點(diǎn)對(duì)之間的關(guān)系計(jì)算轉(zhuǎn)換矩陣，同時(shí)，通過有機(jī)抽樣一致性算法(RANSAC)算法[17]剔除奇異點(diǎn)，并估計(jì)轉(zhuǎn)換矩陣參數(shù)，轉(zhuǎn)換矩陣計(jì)算公式為

(1)

式中：(x1,y1,z1)為原始坐標(biāo)；(x2,y2,z2)為經(jīng)過轉(zhuǎn)換后的坐標(biāo)；(Tx,Ty)為2個(gè)坐標(biāo)系下的控制轉(zhuǎn)換參數(shù)。

4)采用加權(quán)平均的方法，對(duì)圖像進(jìn)行融合。假設(shè)I1、I2為2幅待拼接圖像的重疊部分，I為融合以后的圖像，則

I(x,y)=d1I1(x,y)+d2I2(x,y)

(2)

式中，d1、d2表示加權(quán)平均的權(quán)重值，并且滿足d1+d2=1。在重疊區(qū)域，d1由1逐漸變?yōu)?，d2由0逐漸變?yōu)?，由此實(shí)現(xiàn)在重疊區(qū)域中的平滑過渡。

該采集方案克服了傳統(tǒng)大幅面圖像采集與微距圖像采集相互矛盾的問題，獲取的部分色紡紗大幅面微距圖像如圖2所示。

圖2 部分色紡紗大幅面微距圖像Fig.2 Some large area macro images of colored spun yarn

2 全局與局部多樣性特征提取模型

2.1 全局顏色特征提取算法

顏色特征是圖像內(nèi)容信息中最豐富的一類特征，具有大小不變性、方向不變性等。其中，顏色矩特征具備顏色特征的一般屬性[18]。

本文選取了三階次的顏色矩特征用于色紡紗色度學(xué)指標(biāo)的表征。第一階顏色矩(C1)特征的計(jì)算公式為

(3)

式中：W、H分別為圖像的寬度和高度；P(i,j)為位置(i,j)處像素的顏色信息。

第二階顏色矩(C2)特征的計(jì)算公式為

(4)

第三階顏色矩(C3)特征的計(jì)算，如式(5)所示：

(5)

2.2 局部紋理特征提取算法

顏色和紋理是物體外貌的重要組成部分，當(dāng)顏色相同或相近時(shí)，紋理的結(jié)構(gòu)對(duì)于人眼的感知屬性有著非常顯著的影響。尤其是大色差色紡紗，其不同的纖維分布會(huì)使人眼的色覺感受產(chǎn)生巨大差異。

局部方向模式(LDP)是一種有效的紋理描述算子，可充分利用局部邊緣梯度信息來表征模式特征，與傳統(tǒng)的局部二值模式(LBP)相比，具有更強(qiáng)的紋理表征魯棒性。

LDP的基本思想是將圖像3×3領(lǐng)域像素灰度值與8個(gè)Kirsch模板卷積得到相應(yīng)方向的邊緣響應(yīng)di(i=0,1,…,7)；同時(shí)，將第i個(gè)邊緣響應(yīng)的絕對(duì)值|di|按順時(shí)針方向與第k個(gè)絕對(duì)值最大的邊緣相應(yīng)|dk|比較，大于或者等于0，則二進(jìn)制相應(yīng)位取1；反之取0，從而得到一個(gè)8位的二進(jìn)制編碼；然后根據(jù)不同位置進(jìn)行加權(quán)求和，所得十進(jìn)制數(shù)即為該像素點(diǎn)的局部方向模式(LDP)特征值。8個(gè)方向(D0～D7)的Kirsch模板，如圖3所示。

圖3 8個(gè)方向的Kirsch模板Fig.3 Kirsch templates in eight directions

LDP編碼值計(jì)算公式為

(6)

彩色LDP(CoLDP)是圖像彩色與紋理信息的融合，既保留了彩色圖像3個(gè)通道信息，同時(shí)也能提取LDP 紋理特征，即通過對(duì)每個(gè)點(diǎn)(x,y)計(jì)算CoLDP(x,y)，得到CoLDP圖像。

在此基礎(chǔ)上，利用灰度共生矩陣(GLCM)計(jì)算CoLDP圖像塊4個(gè)方向和2類間隔距離的GLCM 特征值, 從而更加精準(zhǔn)地描述圖像塊的紋理特征。設(shè)置GLCM方向(o)為水平方向(0°,o=1)，對(duì)角線方向(45°,o=2和135°,o=3)和垂直方向(90°,o=4)，點(diǎn)間距(s)為1和2，GLCM特征計(jì)算公式為

(7)

式中：GLCM(g1,g2)表示在4個(gè)方向和2類間隔距離情況下灰度值(g1,g2)出現(xiàn)頻數(shù)總和。對(duì)第i圖像塊的GLCM特征進(jìn)行歸一化，并記為GLCM(i)。

2.3 融合全局與局部多樣性特征提取模型

由于不同的顏色空間反映圖像的信息不同，具有不同的刻畫能力，本文選擇在RGB、LAB、HSV 3種顏色空間中，通過全局與局部特征提取模型來獲取色紡紗的顏色和紋理多樣性特征。針對(duì)全局與局部特征，本文采取決策級(jí)加權(quán)融合方式建立特征提取模型。特征提取與融合過程如圖4所示。

其中，加權(quán)融合的計(jì)算公式為

S=w·(1-GCM)+(1-w)·LCoLDP

(8)

式中：GCM、LCoLDP分別表示全局與局部特征歸一化后的相似度；w表示權(quán)值。

3 結(jié)果與討論

3.1 實(shí)驗(yàn)樣本及系統(tǒng)參數(shù)設(shè)定

能夠影響色紡紗色度學(xué)指標(biāo)的因素很多，包括染色纖維質(zhì)量配比、染色纖維種類或性狀特征、纖維加捻系數(shù)等，其中，又以染色纖維質(zhì)量配比變化引起的色度學(xué)指標(biāo)改變最為顯著和直接；因此，根據(jù)實(shí)驗(yàn)測(cè)試分析需求，制備了18份色紡紗樣品。每份樣品均由3種染色纖維構(gòu)成，但每份樣品的染色纖維質(zhì)量配比存在細(xì)微差別，其他參數(shù)如纖維種類、長短、加捻系數(shù)均保持一致。樣品具體配比參數(shù)如表1所示。同時(shí)，利用大幅面微距圖像采集系統(tǒng)獲取的色紡紗全景微距圖像為24 000像素×3 000像素；為進(jìn)一步簡(jiǎn)化特征提取模型，本文將融合特征權(quán)值設(shè)定為0.5。實(shí)驗(yàn)所用的計(jì)算機(jī)硬件配置為DELL T5810工作站，四核CPU(主頻3.2 GHz)；內(nèi)存大小32 GHz。軟件配置為Win 10操作系統(tǒng)，C++程序語言。

根據(jù)配比纖維的顏色和比例差異性，可將18份樣品分為2組，分別進(jìn)行色度學(xué)指標(biāo)測(cè)評(píng)，即：1～10號(hào)樣品為第1組；11～18號(hào)樣品構(gòu)成第2組。其中，第1組樣品主要由本白、大紅以及金黃3種染色纖維構(gòu)成，樣本間質(zhì)量配比差異在0.8%～4.3%之間隨機(jī)變化；第2組樣本主要由本白、特黑以及寶藍(lán)3種染色纖維構(gòu)成，樣本間質(zhì)量配比差異在0.2%～8%之間規(guī)律變化。

表1 測(cè)試樣本染色纖維質(zhì)量配比Tab.1 Proportion of dyed fiber for testing samples

3.2 實(shí)驗(yàn)結(jié)果與分析

以2.3節(jié)特征提取模型獲取的第1組測(cè)試樣本色度學(xué)指標(biāo)特征如表2所示。其中：G Feat. 表示全局顏色特征相似度；L Feat. 表示局部紋理特征相似度；F Feat. 表示融合特征相似度。

通過統(tǒng)計(jì)分析可看出，提取的指標(biāo)特征相似度與樣本間的纖維質(zhì)量配比變化呈現(xiàn)出高度的相關(guān)性，證明了本文方法的有效性和可行性。17001號(hào)樣本色度學(xué)指標(biāo)特征測(cè)評(píng)結(jié)果如圖5所示。通過擬合曲線可驗(yàn)證本文所建立的色度學(xué)指標(biāo)特征提取模型的有效性。

同時(shí)，融合全局顏色特征與局部紋理特征能夠充分利用特征間的互補(bǔ)性，可顯著提高色度學(xué)指標(biāo)特征的魯棒性。17001號(hào)樣本的全局與局部特征測(cè)評(píng)結(jié)果，如圖6所示。結(jié)果表明，提取的全局顏色特征和局部紋理特征均能對(duì)色紡紗配比質(zhì)量變化進(jìn)行有效表征，但2類特征對(duì)其變化的敏感性和穩(wěn)定性存在顯著差異。總體而言，提取的全局三階顏色特征對(duì)配比質(zhì)量變化較為敏感，而局部紋理特征對(duì)其變化較為穩(wěn)定，符合全局與局部特征的固有屬性[13]；因此，將2類特征進(jìn)行融合，能有效提高特征的魯棒性。

表2 第1組樣品色紡紗色度學(xué)指標(biāo)測(cè)試評(píng)價(jià)結(jié)果Tab.2 Colorimetry index testing results of colored spun yarn of Group No.1

圖5 17001號(hào)樣本色度學(xué)指標(biāo)測(cè)評(píng)結(jié)果擬合曲線Fig.5 Fitting curve of colorimetry index testing results of No. 17001 samples

圖6 17001號(hào)樣本測(cè)評(píng)結(jié)果擬合曲線Fig.6 Fitting curve of colorimetry index testing results of No. 17001 samples. (a) Results based on global color features; (b) Results based on local texture features

值得注意的是，在部分測(cè)試實(shí)驗(yàn)中，也出現(xiàn)了測(cè)試指標(biāo)異常波動(dòng)的情況，如圖7所示。通過分析發(fā)現(xiàn)，在測(cè)色樣本中出現(xiàn)了較大區(qū)域的染色纖維異常聚集情況，即因?yàn)榭椩旃に嚩鸬蔫Υ?；同時(shí)，色紡紗中夾雜的異色纖維團(tuán)也會(huì)對(duì)測(cè)試結(jié)果產(chǎn)生顯著影響。

圖7 樣本測(cè)試異常波動(dòng)點(diǎn)Fig.7 Singular points in colorimetry index testing results of samples. (a) No. 17004 samples; (b) No. 17007 samples

對(duì)第2組樣本進(jìn)行色度學(xué)指標(biāo)特征提取與測(cè)試分析，可得到類似的結(jié)果與結(jié)論，如表3所示。但第2組實(shí)驗(yàn)樣本間質(zhì)量配比變化具有規(guī)律性，部分統(tǒng)計(jì)數(shù)據(jù)如表4所示。

表3 第2組樣品色紡紗色度學(xué)指標(biāo)測(cè)試評(píng)價(jià)結(jié)果Tab.3 Colorimetry index testing results of colored spun yarn of Group No.2

其中，17018號(hào)樣本與17020、17021以及17022這3份樣品的質(zhì)量配比差異相同(均為8%)，與17019、17024和17025樣品的質(zhì)量配比差異相同(均為4%)。對(duì)表4中的編號(hào)樣本進(jìn)行色度學(xué)指標(biāo)特征提取與測(cè)試分析，結(jié)果如圖8所示。

從圖8可看出，由于本文選取的3種顏色空間(RGB、LAB、HSV)具有不同的信息刻畫能力，所以提取的色度學(xué)指標(biāo)特征能夠針對(duì)不同顏色的纖維配比變化進(jìn)行有效表征，即在17020、17021、17022樣本點(diǎn)的特征相似度基本保持不變；類似的，在17019、17024、17015樣本點(diǎn)處的相似度也基本保持相同。實(shí)驗(yàn)結(jié)果表明，多顏色空間的引入能有效避免單一顏色空間特征表達(dá)不夠全面的局限性。

表4 17018號(hào)樣與其他樣本間質(zhì)量配比差異統(tǒng)計(jì)表Tab.4 Statistical table of quality difference between sample No. 17018 and other samples %

圖8 17018號(hào)樣本色度學(xué)指標(biāo)測(cè)評(píng)結(jié)果擬合曲線Fig.8 Fitting curve of colorimetry index testing results of No.17018 samples

4 結(jié) 論

色紡紗大幅面微距采集系統(tǒng)的建立，使得眾多特征融合算法能夠應(yīng)用于色紡紗色度學(xué)指標(biāo)特征的提取與分析。針對(duì)色紡紗特有的呈色規(guī)律與特性，本文建立的結(jié)合全局顏色與局部紋理多樣性特征模型，不僅利用了全局與局部特征間的互補(bǔ)性，而且還能結(jié)合不同顏色空間的多樣性。實(shí)驗(yàn)結(jié)果表明，對(duì)于色紡紗色度學(xué)指標(biāo)的細(xì)微改變，提取的多樣性特征均能準(zhǔn)確、穩(wěn)定地進(jìn)行表征，驗(yàn)證了融合算法的有效性和魯棒性。本文研究對(duì)實(shí)現(xiàn)色紡紗產(chǎn)品開發(fā)的快速反應(yīng)和科學(xué)管理，提高全產(chǎn)業(yè)鏈的顏色溝通效率、減少溝通成本具有重大的意義。采用多樣性特征的融合策略以及模型對(duì)多因素色度學(xué)指標(biāo)變化的有效性檢測(cè)將是下一步研究的重點(diǎn)和方向。

FZXB

[1] 嚴(yán)旭新, 黃玉強(qiáng), 于文菡, 等. 新型色紡精細(xì)混棉工藝流程研究[J]. 棉紡織技術(shù), 2015, 43(6): 49-52.

YAN Xuxin, HUANG Yuqiang, YU Wenhan, et al. New fine blending process procedure study of colored spinning [J]. Cotton Textile Technology, 2015, 43(6): 49-52.

[2] 王華清, 文水平. 計(jì)算機(jī)測(cè)色配色應(yīng)用技術(shù)[M]. 上海: 東華大學(xué)出版社, 2012: 59-60.

WANG Huaqing, WEN Shuiping. Computer Measure ment and Matching Color Technology [M]. Shanghai: Donghua University Press, 2012: 59-60．

[3] GABRIJELCIC H, DIMITROVSKI K. Use of regression methods for determining the relation between theoretical linear and spectra-photo metrical color values of bi-color woven strutures [J]. Coloration Technology, 2009, 125(2): 74-85.

[4] 李啟正, 金肖克, 張聲誠, 等. 數(shù)碼測(cè)色法在織物顏色評(píng)價(jià)中的應(yīng)用[J]. 印染, 2014(17): 17-22.

LI Qizheng, JIN Xiaoke, ZHANG Shengcheng, et al. Application of digital color measuring methods to color evaluation of textiles [J]. China Dyeing & Finishing, 2014(17): 17-22.

[5] 沈利利，李忠健，潘如如, 等. 色紡紗線中纖維混色比例的圖像檢測(cè)[J]. 紡織學(xué)報(bào), 2016, 37(3): 138-143.

SHEN Lili，LI Zhongjian，PAN Ruru，et al. Image inspection of fiber blending percentages in colored spun yarns [J]. Journal of Textile Research, 2016, 37(3): 138-143.

[6] LU Yuzheng, GAO Weidong, LIU Jihong. Color separation for colored fiber blends based on the fuzzy C-means cluster [J]. Color Research & Application, 2012, 37(3): 212-218．

[7] 何能斌, 杜云海. 基于Lab 顏色空間的彩色等差線骨架線的提取[J]. 河南科學(xué), 2008, 26(11): 1324-1326.

HE Nengbin, DU Yunhai. Extraction method of isochromatic′s skeleton based oil lab color space [J]. Henan Science, 2008, 26(11): 1324-1326．

[8] LI Q Z, ZHU C Y. Comparison of color measuring methods for yarn dyed woven fabrics [J]. Advanced Materials Research, 2012, 441: 651-655.

[9] 李啟正, 金肖克, 張聲誠, 等. 數(shù)碼測(cè)色法在織物顏色評(píng)價(jià)中的應(yīng)用[J]. 印染, 2014(17): 17-22.

LI Qizheng, JIN Xiaoke, ZHANG Shengcheng, et al. Application of digital color measuring methods to color evaluation of textiles [J]. China Dyeing & Finishing, 2014(17): 17-22.

[10] 徐睿. 基于機(jī)器學(xué)習(xí)的紡織品顏色校正[D]. 杭州：浙江理工大學(xué), 2016:6.

XU Rui. Textile color correction based on machine learning [D]. Hangzhou: Zhejiang Sci-Tech University, 2016:6．

[11] 張亞雯. 基于Digieye數(shù)碼測(cè)色系統(tǒng)的紡織品色牢度快速評(píng)級(jí)方法的研究[D]. 上海：東華大學(xué), 2016:4.

ZHANG Yawen. Research on the rating method of textile color fastness based on digieye digital color measurement system [D]. Shanghai: Donghua Universtiy, 2016:4.

[12] 吳小亮. 基于DSP的染色品色差檢測(cè)系統(tǒng)的研究與設(shè)計(jì)[D]. 杭州：浙江理工大學(xué), 2016:1-36

WU Xiaoliang. The research and design of the color difference detection system based on DSP for dyeing products [D]. Hangzhou: Zhejiang Sci-Tech University, 2016:1-36

[13] 朱奇光, 張朋珍, 李昊立, 等. 基于全局和局部特征融合的圖像匹配算法研究[J]. 儀器儀表學(xué)報(bào), 2016, 37(1): 170-176.

ZHU Qiguang, ZHANG Pengzhen, LI Haoli, et al. Investigation on the image matching algorithm based on global and local feature fusion [J]. Chinese Journal of Scientific Instrument, 2016, 37(1): 170-176.

[14] 丁瑩, 錢鋒, 范靜濤, 等. 基于不同顏色空間的運(yùn)動(dòng)目標(biāo)檢測(cè)算法分析[J]. 長春理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 35(4): 1-4.

DING Ying, QIAN Feng, FAN Jingtao, et al. Study on moving object detection algorithm based on different color space [J]. Journal of Changchun University of Science and Technology(Natural Science Edition), 2012, 35(4): 1-4.

[15] 李啟正. 機(jī)織物的交織混色規(guī)律及顏色預(yù)測(cè)模型研究[D]. 杭州：浙江理工大學(xué), 2015:4.

LI Qizheng. Study on color mixing law and color prediction model for interwoven fabrics [D]. Hangzhou: Zhejiang Sci-Tech University, 2015:4.

[16] 王睿, 朱正丹. 融合全局-顏色信息的尺度不變特征變換[J]. 光學(xué)精密工程, 2015, 23(1): 295-301.

WANG Rui, ZHU Zhengdan. SIFT matching with color invariant characteristics and global contx [J]. Optics and precision engineering, 2015, 23(1): 295-301.

[17] MANGIJAOSINGH S, HEMACHANDRAN K. Content-based image retrieval using color moment and Gabor texture feature [J]. International Journal Computer Science Issues, 2012, 59(1): 299-309.

[18] MALIK F, BAHARUDIN B. Features analysis for content-based image retrieval based on color moments [J]. Research Journal of Applied Sciences, Engineering and Technology, 2012, 4(9): 1215-1224.