織物顏色配準到標準色卡的計算機識別與仿真

陳孝之， 謝莉青

(青島大學 紡織服裝學院， 山東 青島 266071)

織物顏色配準到標準色卡的計算機識別與仿真

陳孝之， 謝莉青

(青島大學 紡織服裝學院， 山東 青島 266071)

為克服人工目測織物的顏色易受到光線和經驗的影響產生誤差的問題，提出一種基于計算機視覺和圖像分析技術的織物顏色與紡織專用標準色卡自動配準的顏色識別與仿真的方法，實現了針對1 925種潘通色卡的織物顏色自動配準系統。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，構造色卡圖像的色度特征數據庫；設計了顏色分層模型和基于“一對一”支持向量機(SVM)與色卡圖像數據的配準模型，經過對SVM模型參數優化和識別訓練，系統與色卡匹配的正確率達96.89%。另外使用296種未知色號的織物樣本，將它們與系統進行配準實驗，匹配正確率為 98.85%，為客觀、快速地測色和數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； 配準； 潘通色卡

印染布、色織布的來樣仿制，要通過對織物的結構參數和顏色進行分析，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準色卡比對，找出與樣品最匹配的色卡。人工觀測既繁瑣，又容易受到光線和經驗的影響產生誤差。雖然現在不乏儀器測色手段，像分光光度儀可測定出物體反射的光譜功率分布，根據光譜測量數據計算出各種標準光照下的CIEXYZ空間的三刺激值X、Y、Z。但三刺激值對色彩的描述有別于標準色卡,使得熟悉用色卡確定配色方案的技術人員要進行額外的數據篩選和分析，并不適合于相關人員使用色卡的習慣。從此意義上說，織物顏色分析技術，應本著客觀性和實用性兼備的原則進行升級。傳統的織物表面質檢基本都是耗時、費力的人工檢測，制約著產業的升級。許多學者通過機器視覺將織物轉化為數字圖像，利用數字圖像分析取代人工分析，得到布面信息。例如，在計算機對織物外觀與結構分析[1-3]及顏色模擬、色差計算、色牢度評價等方面的研究[4-6]，成為有望突破傳統檢測的發展方向。

本文以國內外廣泛使用的潘通色卡為參照物，將潘通色卡棉布版(TCX)進行圖像采集，仿照潘通色卡的物理分層模式，運用明度模型對色卡圖像的顏色深淺進行層次分割；根據顏色識別算法的發展和應用，引入了支持向量機(簡稱SVM)的機器學習方法，構建了一種將未知色與已知色進行映射匹配的顏色識別模型；研究了一個能使織物顏色自動配準到潘通色卡的系統。系統測試有較高的正確率，為探索客觀、快速地測色和數字仿真顏色提供了參考工具。

1 系統組成

系統采用CanoScan 8800F型彩色掃描儀，在分辨率為600 dpi的條件下對潘通色卡棉布版和受測織物樣品進行圖像采集后保存為24位真彩圖像。基于MatLabR2010b編程語言，開發實現了圖像預處理、特征提取、顏色的智能化配準和仿真的軟件系統。圖1示出與潘通色卡相配準的系統的工作流程。

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

系統的任務是建立起織物圖像色度值與標準色卡色度值之間的映射關系表，系統的核心是“標樣數據庫”和“智能化配準模塊”。首先利用掃描儀采集TCX色卡標樣圖像，然后提取有效特征色度值，按29個顏色層次構造標樣的特征色度值數據庫，最后建立起29個SVM模型，輸入標樣的色度數據進行學習訓練。經交叉驗證，獲得每個SVM分類器的最佳參數c、g，完成SVM的構造。由顏色分層器和29個SVM分類器組成“智能化配準模塊”。

2 標樣數據庫的建立

2.1 色卡圖像的分區

潘通色卡棉布版手冊共有1 925個色卡，色卡尺寸為1.5 cm×1 cm。對每個色卡掃描成像，由圖像處理程序劃分成6個分區，如圖2所示。

圖2 TCX棉布色卡圖像6個分區示意圖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，光澤的變化對色彩的影響會使圖像中夾雜著色模糊、干擾或異色像素。這些隨機變異造成色度值的突變，若被計入統計值，就會引起失真。因變異像素的色度值是突變的，不會處于中位數位置，故用中位數取樣法提取R，G，B向量集的中位數，以確保取到真實像素，完成標樣圖像顏色量化。

求解未知色與數據庫中的已知色相匹配是一個顏色分類問題。顏色特征值的空間劃分影響到分類性能，但RGB空間中兩點的歐氏距離與顏色距離不成線性關系，屬于非均勻顏色空間，并不符合人們對顏色相似性的主觀判斷，單以RGB進行顏色分割得不到理想效果[7]。HSI模型是以色調為基礎的顏色模型，色調H值是確定顏色的主要因素，當它發生變化時色調值也將變化[8]。H值與光波的波長有關，是彩色彼此區分的特性，引入色調H值有利于提高顏色特征值的空間劃分性能。

2.3 標樣數據庫的構成

標樣數據庫由2組數據組成。從色卡圖像的6個分區中提取的4個顏色特征值(R,G,B,H)構成第1組數據，數據規格為1 925×{6×4}，該組數據用于SVM分類器的訓練和測試。第2組是潘通公司發布的TCX電子版的數據，包括潘通色卡的色號和R,G,B值，該組數據用于圖像顏色的仿真。

3 智能顏色配準模型的建立

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”的識別策略，即先進行層識別，然后進行卡識別。如果直接進行卡識別，SVM分類器要分析標樣數據庫的所有數據，對計算機的內存資源占用高并且運行時間很長，需要配置高性能的計算機。而先進行層識別，SVM分類器只需針對該層的卡識別，計算量可大幅下降，適用普通的PC機。

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

從圖3可看出，TCX色卡的物理模型對應顏色由淡到濃變化，與色調、彩度無關。在數字圖像中，可反映顏色濃淡的物理量是明度，其表達式為

I=0.299×R+0.587×G+0.114×B

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

圖4 TCX色卡圖像9個顏色層的數據分析Fig.4 TCX color image digital analysis of nine color layers

3.1.2 TCX色卡圖像的數字化層次分割

按照TCX色卡圖像明度的灰級閾值范圍將0～255的灰級分割為N個集合，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算機對支持向量機的計算能力，以70～120個色卡/層的容量，N的取值應為29，相當于把1 925個色卡分成29層，I與顏色層的對應關系如表1所示。圖5為29層色卡圖像的散點圖。可以看出，各個層次獨立，邊界清晰。

表1 基于I閾值的顏色分層結果數據表Tab.1 Color hierarchical data tables based on I threshold

圖5 TCX色卡圖像的29個顏色層Fig.5 29 color layers of TCX color image

3.1.3 相鄰邊界擴容

理論上，顏色層的灰級數列是連續整數，層次間涇渭分明，但實際上灰級值的計算結果并非一定整數。如果灰級值處在2層邊界，取整數時，因數據微小的波動，導致分層非此即彼的2種可能結果。問題的關鍵是無論樣品落入2層中的哪一層，都能找到與之最匹配的色卡。為此，采取相鄰邊界擴容的方法，示意圖見圖6。如圖所示，如果水平方向是灰級的降序方向，圖中的粗線代表閾值的位置。以閾值為基準，每層都向對方層內相互擴大2個灰級(虛線處)的容量，將此范圍內的原本屬于對方層的TCX色卡也納入進來。無論受測樣品落入2層中的哪一層，都能使支持向量機配準到相同的色卡，從而消除了可能的邊界效應。

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

3.2 基于SVM的顏色配準模型

本文要解決的顏色配準屬于復雜的非線性分類問題，樣本數據也較小，非傳統的解析理論和統計回歸方法能解決。支持向量機模型的思想是針對線性可分情況進行分析，而對于線性不可分的情況，通過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題[9-10]。

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

支持向量機本身是一個二類分類器，對于多類問題，就需要構造組合的SVM多類分類器。本文采用的“一對一”SVM是結合多個二類分類器構造的一個多類分類器。如圖7所示，“一對一”SVM的算法原理是每次選取其中的2類樣本，對所有可能的2類組合構造SVM，總共需要構造n(n-1)/2個SVM。在確定樣本x所屬類別時，采用的是“投票法”，樣本每經過1個二分類SVM都會獲得1個可能的類別號，即獲得1票，當樣本經過所有二分類SVM后，對獲得票數進行統計，得票數最高的類別即為該樣本最可能屬于的類別。當某幾類獲得相同票數時，再將樣本輸入與這幾類相關的二分類SVM，如此循環，直至最終出現票數勝出的類別。

圖7 一對一SVM預測模型的原理圖Fig.7 Principle diagram of one-to-one SVM prediction model

4 顏色配準模型的實現和驗證

4.1 模型參數的優化

參數的選擇主要包括核函數和模型公式。核函數確定后，可以調節的參數為懲罰系數c和核函數g，它們對模型的復雜度、結構和性能起著重要作用。RBF徑向基核函數有使同類樣本靠近、不同類樣本分離的特點，因此，選擇RBF徑向基核函數。分別用29個顏色層的訓練集進行交叉對比訓練，得到29個SVM的最佳參數c和g，結果列入表2。

4.2 模型的驗證

用表2的最佳參數對29個訓練集進行訓練得到29個SVM模型。把29個訓練集分別帶入對應的SVM模型中回判識別準確率，然后另選296個未知色的樣本作為測試集，使用潘通公司的數字化彩通色彩檢測儀Color Cue2給出準確的評定結果。以該結果為基準，利用本系統測試可知其識別準確率，結果如表3所示。

從表3可看出，訓練集平均識別率為96.89%，識別率較高，表明支持向量機的思想適用于類似織物顏色分類的小樣本數據的分類和預測工作。只有SVM-1為84.2%，匹配效果稍差。這是因為這2層色卡的灰級值大于225，屬于最淺的色系。相鄰色卡的色度數據比較接近，導致色度特征值的敏感度不足，從而影響識別有效性。從表3還可看出，測試集平均識別率為98.85%，多數SVM模型均為100%。識別性能超過訓練集，說明系統對未來樣本的泛化能力強。只有SVM-29為83.3%，經查驗潘通TCX色卡中本身就缺乏與測試樣品相匹配的色卡，并非系統性能的問題。這表明本文設計的系統還可為色卡制造商提供補缺色卡的數據。

表3 訓練集和測試集的實驗結果Tab.3 Experimental results of training set and testing set

5 結 語

本文以國際通用的潘通紡織專用色卡為參照物，將潘通棉布色卡進行圖像采集，仿照潘通色卡的物理分層模式，運用明模型對色卡圖像的顏色進行層次分割；引入了支持向量機的機器學習方法，構建了一套能使織物顏色自動配準到潘通色卡的系統。只要對受測樣品掃描成像，系統就能給出與之匹配的潘通色卡的卡號，操作簡單，誤差小，無需人工比對色卡，提高了工作效率，消除了人為觀測的偏差。系統還可把圖像的顏色仿真成標準色卡的色彩，為探索客觀、快速地測色和數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量綜合評價[J].紡織學報,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,衛平.彩色圖像分割與顏色特征選擇[J]. 云南師范大學學報, 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,馮勇,劉洪臣.一種基于HSI顏色模型的目標提取方法[J].光學技術,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.基于一對一支持向量機的視頻自動分類算法[J].計算機應用與軟件，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．基于計算機視覺的織物色差檢測[J]．棉紡織技術，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。研究方向為數字化紡織檢測技術。謝莉青，通信作者，E-mail：christ227@126.com。

TS 107.4

A