基于支持向量機的染色品圖像顏色評價算法的研究

張建新， 吳小亮

(浙江理工大學 機械與自動控制學院，杭州 310018)

?

研究與技術

基于支持向量機的染色品圖像顏色評價算法的研究

張建新， 吳小亮

(浙江理工大學 機械與自動控制學院，杭州 310018)

傳統染色品圖像顏色評價的主要方法是依據色差公式計算平均色差值，然后再根據色差值得出相應的色差等級，其評價指標單一，受色差公式選擇的影響較大且運算時間較長。文章提出了基于優化色差公式和支持向量機的染色品圖像多顏色特征評價指標算法，首先采用遺傳算法對傳統的CIELAB色差公式進行優化，以減少顏色特征指標的計算時間；其次，基于支持向量機建立了多顏色特征指標與評價結果之間的擬合模型，實現了顏色品色差等級的評定。實驗表明，與Datacolor 650標準檢測設備得出的色差評價結果相比，基于優化的色差公式和支持向量機的染色品圖像評價算法的評價結果具有較好的一致性，并且算法的執行時間得到了較大的提高。

顏色評價；色差公式；支持向量機；Datacolor 650；色差評價

印染行業是浙江省的主要產業，產品的質量直接關系到該行業在國際競爭中的地位。顏色是印染產品最主要的質量指標，顏色的質量控制離不開色差檢測設備。而色差檢測設備中最核心的一環就是顏色的評價，其評價結果直接關系到一系列的控制I/O口的輸出。

目前對于顏色品圖像顏色評價的主要方法是依據色差公式計算色差平均值，然后再根據色差值得出相應的色差等級，其評價指標單一，受色差公式的影響較大。顏色領域的色差計算公式主要有CIELAB、CMC(l︰c)、JPC79、BFD、CIE94和CIEDE2000等，其計算的復雜度是各不相同的。王寒等[1-2]研究了各個色差公式與視覺色差之間的關系，指出了各個色差公式在大小色差檢測方面的優缺點。本研究在此基礎上通過遺傳算法優化CIELAB色差公式，使得單一的色差公式對大小色差檢測都具有良好的表現，同時具有最小的復雜度，從而也為后面色差評價環節的顏色信息的提取減少運算時間。

此外，在圖像質量評價算法領域，目前主要有諸如信噪比(PSNR)[3]、基于人眼視覺系統HVS(human visual system)的結構相似性SSIM模型[4-7]、樸素貝葉斯方法及支持向量機方法[8]。這些算法主要都是基于待檢測圖像相對于標準圖像整體的相似度進行歸類評價的，而非針對圖像顏色這一特征的評價。支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理的基礎上，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中，以求獲得最好的推廣能力。張建新等[9]，常衛[10]首次將其用于圖像顏色的評價領域，建立了圖像顏色評價算法，改變了評價算法受色差這一單一顏色指標的影響，但該算法對訓練數據的數據量要求較大，同時在運算時間上耗時也較大。本研究在此基礎上采用支持向量機模型擬合顏色的特征信息到評價結果之間的函數，簡化訓練樣本的數據量并通過優化遺傳算法優化參數，控制算法評價的正確率，從而達到解決算法耗時過大的問題。

1 基于遺傳算法的CIELAB色差公式優化

色差公式的選擇對于顏色特征信息的提取至關重要，但不同的色差公式對于大小色差的檢測效果各有所長。在理想情況下，測試樣本與標準品之間的色差理論上是一個恒值，但由于光照的不均勻及一些其他因素的干擾，其各個像素點的色差表現出的是一個圍繞由區域顏色特征均值計算而來的色差值離散分布的函數。鑒于像素點級別色差計算的巨大計算量，在實際應用中的色差比對往往采取的是由區域顏色特征均值計算而來的色差值進行的。本研究通過計算區域內各個像素點的色差相較于由區域顏色特征均值計算而來的色差的方差來選擇具有顯著性的色差公式。因此，對于色差公式的選擇，以有視覺色差和無視覺色差的棉紡布匹圖片對為實驗對象，分別采用最簡單的色差公式CIELAB、印染行業最普遍的色差公式CMC(2︰1)和最新的色差公式CIEDE2000(1︰1︰1)計算相應的色差值和方差。最后通過遺傳算法對色差公式CIELAB進行優化，以使得色差公式在大小色差通用性和顯著性方面都具有較好的表現。

在相同的光照條件下，取兩幅視覺無色差的棉紡布匹圖像和一幅有視覺色差的棉紡布匹圖像(像素大小為97×88)，如圖1所示。以其中一幅為參考圖像，分別使用三種色差公式，計算另一幅無視覺色差的圖像與參考圖像之間的色差，可得到一個基于像素點的色差數據集(數據集大小為97×88)，再計算其均值和方差(表1)。然后計算另外一幅有視覺色差的圖像與參考圖像之間的色差，可得到另一個基于像素點的色差數據集，再計算其均值和方差(表2)。

圖1 實驗布匹圖片Fig.1 Images of experimental fabric

色差公式方差色差CIELAB0.40050.1899CMC(2︰1)0.17560.0192CIEDE20000.22490.0936

表2 有視覺色差計算值Tab.2 The calculated value with visual color difference

對比表1和表2可以發現：由方差計算可知，CMC色差公式計算的色差均值對無視覺色差布匹的檢測效果更符合人眼視覺效果，CIELAB色差公式的均值對有視覺色差布匹的檢測效果更符合人眼視覺效果。正是由于單一色差公式與人眼視覺效果的這種背離，同時考慮到色差公式本身的計算復雜度，本研究選擇計算最簡單的CIELAB色差公式作為優化對象。通過比對觀察其他色差公式的公式形式，對所選的公式的三個分量分別加入權值系數，并依照色差計算值的結果，采取折中的優化參考思路對色差公式作數學上的擬合逼近優化。改進的色差公式模型如下式：

(1)

式中：ΔE為色差，ΔL為明度差，Δa為紅綠值差，Δb為黃藍值差，kL、ka、kb為各自的權重系數。

針對色差公式(1)的優化，本研究選擇遺傳算法的優化方式，考慮到均勻性及準確性，取CIEDE2000色差公式作為優化目標色差公式,選擇種群數量為100，代數為1000，交叉概率為0.3，變異概率為0.01，并采用下式的概率構造函數(f)：

f=|ΔE-ΔECIEDE2000|

(2)

通過遺傳算法尋優可得出系數解kL為0.604，ka為0.274，kb為0.142。

從優化后的色差公式各項之間的權重系數可以發現，對計算色差產生最大影響的是亮度差，同時對前一節的圖片進行優化處理，得到如表3所示表現。

表3 優化后的色差公式的表現Tab.3 The performance of optimized color difference formula

從表3可以看出，改進的簡化色差公式與CIEDE2000的數值相近，但公式本身的復雜度相較于CIEDE2000公式有了大幅的改善，這為后來的顏色評價算法在圖像顏色特征信息提取上節約時間成本提供了可能。

2 基于支持向量機的染色評價算法

2.1 評價模型的輸入輸出的量化

染色的評價指標是指對染色效果的數值量進行具體的分類描述，評價的指標與染色效果的幾項顏色特征值存在某種關系。針對染色品染色效果的評價指標，本研究擬參照美國國家標準局的標準，其與色差感覺的對應關系如表4所示[11]，其中色差單位為NBS。

表4 色差值與色差感覺的對應關系Tab.4 The corresponding relationship between the color difference value and the color difference sensation

染色效果的評價具體可分為均勻性評價和一致性評價[9-10]，即染色布匹取景視野內的自我色差評價和染色布匹與標準布匹之間的評價。具體的評價思路是首先對單色布匹進行均勻性評價，如果在均勻性評價滿足的前提下，則可繼續進行一致性評價，否則的話直接輸出染色不合格的結果。均勻性評價由于是在同一視覺窗口下進行的，易于形成視覺比對效應，其精度要求也就要高于一致性。考慮到實際的染色情況，將色差感覺分為5個色差等級，在進行均勻性評價時按照表5的指標。在進行一致性評價的時候，考慮到人眼視覺的停留效果的間歇性，所以對其色差值進行適當放寬，分別取表4后一個的中值作為前一個的終止值，可得表6的指標。

表5 均勻性評價指標Tab.5 Uniformity evaluation index

表6 一致性評價指標Tab.6 Consistency evaluation index

對布匹染色效果評價起作用的不單單只有色差值，色差值只是其中的一個參考量，在實驗過程中加以人眼的輔助可以進行篩選，從而過濾色差值對視覺的畸變。對于不同的色差公式，色差計算值也會有很大的變化。因此為了避免色差值對評價結果的唯一性影響，考慮引入的顏色特征量有明度差ΔL、Δa、Δb，色度差ΔH、飽和度差ΔS、亮度差ΔV及色差ΔE。為了減少模型輸入數據的冗余性，傳統的方法是采用主元分析法對輸入的參數矩陣進行降維計算，但隨著輸入數據的變化，主元分析法所產生的系數也會隨之改變，從而帶來附加的運算。故在本研究中不考慮主元分析法進行降維，而是對顏色的特征信息進行線性相關分析，最終篩選出的顏色特征量如表7所示。相較于原始數據少了色度差和亮度差，可以有限地降低運算的效率，考慮到實際的實驗情況，樣本量主要通過基于像素點的特征量進行體現。

表7 篩選的顏色特征量Tab.7 Selected color characteristic quantity

2.2 染色均勻性評價

在對布匹進行染色均勻性評價時需先將棉紡布匹染色品的圖片分成4等份，如圖2所示。取第一份作為參照圖片，依次將剩余三份與第一份進行比對評價，從而得出視野下的均勻性評價。各個顏色部分的特征值則均取其像素點的平均值。而對于模型的獲取，則取無視覺色差的圖片和有視覺色差的圖片的顏色特征值及其通過Datacolor 650所獲取的相應色差等級作為訓練數據，并且在圖像均勻性評價時以3個小分塊的均勻性計算所得結果的最小值作為對該布匹的最終均勻性評價輸出等級。同時為了有效地減少訓練數據量，選取具有指向性色差等級

區間的數據各一組，而實驗中的染色等級的劃分則是依據Datacolor 650測得的色差值對應于評價指標得出的，如表8所示。

圖2 圖像區域劃分示意Fig.2 Sketching map of image region

ΔLΔaΔbΔSΔE色差等級1.292061.278290.399010.0086510.8572740.020220.102010.051320.0010510.0313655.529662.023923.964530.1233863.4321323.702762.028453.531880.0614462.3584436.2815921.5431134.301530.3039188.541861

將表8的每一行依次作為支持向量機模型中xi，i=1，2，3，4，5。xi為5行的行向量，通過最小二乘法可得支持向量機的模型參數(表9)。

得到的色差評價模型如下式所示：

(3)

式中：K(xi,x)=e-γ(xi-x)T(xi-x)，y為輸出的色差等級。

由模型參數的確定可得到最終的均勻性評價模型，通過測量的其他測試數據對模型的可靠性進行驗證，如表10所示。

表9 模型相關參數Tab.9 Parameters of the model

表10 模型的驗證結果Tab.10 The results of model validation

由表10可知，實驗結果符合預期，能夠實現對布匹顏色的均勻性做出合理的評價，但同時可以發現有一項數據失真比較嚴重。這是由于該項輸入數據的參數范圍超過了模型訓練數據的范圍，這就導致了無法預測的性質。因此在實驗建模的時候要充分選擇建模的數據，盡量選擇比實際情況的范圍要大的數據范圍進行模型的獲取，避免超出范圍導致不可預測性的失真。

2.3 染色一致性評價

在布匹染色均勻性條件滿足的前提下再進行染色的一致性評價。取染色視野下圖片的顏色特征值平均值。對于模型的獲取，按照色差等級來選取具有指向性色差等級區間內的數據各一組，如表11所示，可以有效地控制模型的冗余度，簡化模型，提高模型的效率。

表11 染色品一致性評價訓練數據Tab.11 Training data for evaluation of dyed product consistency

將表11的每一行作為支持向量機模型中xi，i=1，2，3，4，5。xi為5行的行向量，通過最小二乘法可得支持向量機的模型參數如表12所示。

模型形式同均勻性模型一樣，由模型參數的確定可得到最終的一致性評價模型，通過測量的其他測試數據對模型的可靠性進行驗證，結果如表13所示。

表12 模型相關參數Tab.12 Parameters of the model

表13 模型的驗證結果Tab.13 The results of model validation

由表13可知，實驗結果符合預期，能夠實現對布匹顏色的一致性做出合理的評價。同時也可發現有一項的數據有輕微的失真效應，對于失真產生的原因進行查找，可以發現失真的這項是位于分類的零界點。因此，可以總結出模型在分類的零界點具有一定的模糊效應，易發生錯誤的歸類現象，在不考慮運算量的前提下則可以考慮在各個分界點多選取幾組加入訓練數據組，從而實現在分界點的細化。

3 結 論

首先通過遺傳算法在數學的角度優化CIELAB色差公式，使其在更好反應顏色特征信息的基礎上具有較低的公式復雜度；其次，通過支持向量機將顏色的特征信息與色差等級之間進行擬合，通過有等級區間的篩選顏色特征信息與顏色等級的數據量，可以適當簡化樣本的數據集，從而減少算法的計算量，避免計算的冗余度。相較于傳統模糊歸類型的支持向量機算法，在相同訓練數據的前提下，其訓練時間由21 s減少至1 s，評價結果的準確度為85%。主要的時間節省來自于顏色特征信息提取的簡化和模型參數的恒值化，避免隨輸入數據的變化產生的重復訓練的問題，相較于神經網絡65%的準確度有很大的提升。實驗結果表明，以單色棉紡布匹為實驗對象，該算法具有較好的效率和準確度。實驗的不足之處在于實驗的對象是以單色的染色品為研究對象，而在實際的印染行業是單一布匹上的多種顏色的色差評價，需要引入精確的分割定位算法，這將是下一步研究的方向。

[1]王寒.基于物體表面色的色差評價研究[D].杭州:浙江大學,2008:5-12. WANG Han.The Studies of the Color Difference Evaluation on the Surface Color of Objects[D]. Hangzhou: Zhejiang University,2008:5-12.

[2]WANG Han, CUI Guihua, LUO M R, et al. Evalution of color difference formulae for difference magnitudes[J]. Color Research & Application,2012,37(5):316-325.

[3]朱博,王新鴻,唐伶俐,等.光學遙感圖像信噪比評估方法研究進展[J].遙感技術與應用,2010,25(2):303-309. ZHU Bo, WANG Xinhong, TANG Linli, et al. The research progress of the signal to noise evaluation methods of optical remote sensing images[J]. Remote Sensing Technology and Application,2010,25(2):303-309.

[4]WANG Z, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing,2004,13(4):600-612.

[5]WANG Z, SIMONCELLI E P, BOVIK A C. Multiscale structural similarity for image quality assessment[C]//Pacific Grove: IEEE Signal Processing Society,2010:1398-1402.

[6]王學珍.數字圖像質量評價算法研究及性能評價[D].天津:天津大學,2011:1-5. WANG Xuezhen. The Research and Performance Evaluation of the Digital Image Quality Evaluation Algorithm[D]. Tianjing: Tianjing University,2011:1-5.

[7]佟雨兵,張其善,胡薇薇,等.視頻質量評價方法綜述[J].計算機輔助設計與圖像學報,2006,18(5):735-741. TONG Yubin, ZHANG Qishan, HU Weiwei, et al. A review on the video quality assessment methods[J]. Journal of Computer Aided Design and Images,2006,18(5):735-741.

[8]鄧乃揚,田英杰.支持向量機:理論、算法與拓展[M].北京:科學出版社,2009:116-155. DENG Naiyang, TIAN Yingjie. The Support Machine: Theory, Algorithm and Development[M]. Beijing: Science Press,2009:116-155.

[9]ZHANG Jianxin, YANG Chong. Evaluation model of color difference for dyed fabrics based on the support vector machine[J]. Textile Research Journal,2015,84(20):2184-2197.

[10]常衛.基于機器視覺的顏色品色差檢測系統的關鍵技術[D].杭州:浙江理工大學,2011:1-6. CHANG Wei. The Key Technologies of Color Difference Detection System on Machine Vision[D]. Hangzhou: Zhejiang Sci-Tech University,2011:1-6.

[11]金守峰.布匹色差在線視覺檢測系統[J].印染,2013,38(17):35-37. JIN Shoufeng. The visual detection system of the fabric color difference online[J]. Dyeing and Printing,2013,38(17):35-37.

Research on color evaluation algorithm of dyed product image based on SVM

ZHANG Jianxin, WU Xiaoliang

(School of Mechanical Engineering and Automation, Zhejiang Sci-Tech University, Hangzhou 310018, China)

The traditional method to evaluate the color of dyed product image is based on calculation of the average color difference value according to the color difference formula, and then obtains the color scale according to the color difference. The evaluation index of this method is single, and the results can be greatly influenced by the selection of color difference formula. Besides, it costs too much time. This paper puts forward multi-color feature evaluation index algorithm of dyed product images based on optimized color difference formula and support vector machine. Firstly, in order to reduce the computation time of color feature index, the genetic algorithm is applied to optimize the traditional CIELAB color difference formula; secondly, a fitting model between multicolor feature indexes and evaluation results is established on the basis of support vector machine, which achieves assessment of color difference grade of dyed products. Experimental results show that the results based on optimized color difference formula and SVM have better consistency than the results which are achieved by Datacolor 650 standard testing equipment. In addition, the execution time of the algorithm has been greatly improved.

color evaluation; color difference formula; support vector machine; Datacolor 650; color difference evaluation

10.3969/j.issn.1001-7003.2016.11.006

2016-05-09;

2016-10-12

國家自然科學基金項目(61074154)

TS190.9

A

1001-7003(2016)11-0029-06 引用頁碼: 111106