結合全局與局部多樣性特征的色紡紗色度學指標測試與評價

袁 理， 代喬民， 付順林， 鄢煜塵(1.武漢紡織大學 電子與電氣工程學院， 湖北 武漢 0200； 2.武漢紡織大學 湖北省紡織新材料與先進加工技術省部共建國家重點實驗室培育基地， 湖北 武漢 0200； .武漢紡織大學 紡織科學與工程學院， 湖北 武漢 0200； .武漢大學 電子信息學院， 湖北 武漢 0072)

色紡紗是指經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格[1]。近年來，為滿足消費者個性化、時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，被市場所追捧；但是，在實際生產中，這種大色差色紡紗由于缺少科學的色度學指標測試與分析標準，需要根據客戶來樣，并依靠經驗和反復試紡、目測來達到目標色。該過程不僅導致生產周期長，而且易造成色度學指標評測的二義性，影響商業交割。

根據色彩學理論，可將紡織品顏色測量分析方法分為4類：目測法、光電積分法、分光光度法和數碼攝像法[2]。其中，分光光度法由于可測量顏色表面對可見光譜所有波長的反射率，被廣泛應用于紡織品色度學指標的測試與評價中，但是，受限于分光光度計特殊的測量方式，很難在測量孔徑內對紡織品顏色的分布特性進行采集和表征，測評結果往往存在多解性[3]。

近年來，隨著數字成像設備的普及和性能的飛速提升，數碼攝像法在紡織品顏色分析領域得到了廣泛應用，其顯著優勢是可在高分辨率圖像中，借助數字圖像處理技術，利用多通道模式對微小或不規則的物體進行顏色測量和分析。2003年，英國Verivide公司推出的“數慧眼”(Digieye Digital Imaging System)色牢度測試儀就是該測色理論的典型應用[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定方法，可對色纖維的數字圖像進行處理和轉換，并通過聚類的方法確定圖像中各顏色纖維所占比例，該算法可有效實現色紡紗線中色纖維種類的確定及比例測定。Lu等[6]通過模糊C均值聚類算法對染色纖維圖像在HSV顏色空間中進行特征提取，并結合距離指數函數實現染色纖維顏色種類的分析，實驗結果表明，每個像素的顏色可被相應的聚類中心關聯的顏色所代替。何能斌等[7]以數碼攝像法為基礎，提出一種基于Lab顏色空間的彩色等差線提取新技術，即針對白光光源的彩色等差線條紋圖特點，將圖像從RGB顏色空間轉換到Lab顏色空間，從而實現對彩色等差線條紋的精確提取；Li等[8]針對色紡織物特殊的呈色特性，提出利用2種不同的顏色測量方式對其色度學指標進行測量，相對分光光度計而言，數字圖像處理方法的結果更接近人眼評價的結果。李啟正等[9]應用數碼測色法對交織混色織物的顏色進行評價，相較于對分光光度測色系統，利用Digieye 數碼測色系統對非平整表面染色織物的顏色測量時，2種儀器測量的結果差異性較大。徐睿[10]利用機器學習的理論和方法自動高效地估計出場景的光照色度，從而提高紡織品顏色校正的準確性，使其與標準色樣一致，所提出的Bagging-PSO-ELM 顏色校正算法，不僅具有良好的穩定性，還取得了較高的預測精度，模型性能明顯優于傳統的基于ELM 的顏色校正算法。張亞雯[11]利用Digieye 數碼測色系統，研究開發色牢度批量評級的軟件程序和操作方法，與目光評級和傳統的色差儀評級結果進行對比，并研究在不同測試條件和對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級方法。

與此同時，數碼測色法在工業質量監控領域也得到廣泛應用，涌現出一批成熟產品，比如德國瑪諾(Mahlo)公司研制生產的CIS-10 A 型顏色檢測系統、以色列EVS公司的SVALITE在線色差分析儀以及Felles Photonic公司推出的顏色測量系統。這些公司開發的產品具有良好的性能，能夠適應相關企業的嚴苛要求[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，染色纖維會在紗線表面表現為和捻度相關的螺旋形，并且纖維會互相聚集，使得其呈色單元的尺寸很大且分布不均勻，這種隨機性和復雜性對于大色差色紡紗尤為顯著,因此，色紡紗的呈色機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，國內外針對其色度學指標測試與評價的方法和理論還不多見。同時，生理學和心理學研究表明，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現對復雜模式的完整表征；將全局信息與局部信息相結合，利用其互補性可顯著提高特征的有效性和穩定性[13]。不僅如此，對于復雜顏色模式的理解，不同的顏色空間亦有不同的刻畫能力，并不存在一個能夠全面、準確表征顏色模式的空間[14]。

本文以紡織品數碼測色理論為基礎，結合數字圖像處理技術，建立色紡紗大幅面微距圖像采集系統，為色紡紗色度學指標特征的提取與分析提供保障；同時，重點針對色紡紗特有的呈色機制與過程，建立結合全局顏色特征與局部紋理特征的色度學指標表征模型，充分利用全局與局部特征間的互補性和不同顏色空間的多樣性，從而構建穩定、有效且實用的色度學指標差異性評測方法，并為最終實現染色纖維混配呈色產品的色度學指標數字化與智能化檢測系統奠定基礎。

1 色紡紗大幅面微距圖像采集系統

1.1 色紡紗大幅面微距圖像采集平臺

在標準光照條件下，通過對自動云臺加裝必要的紗筒固定裝置和控制系統，并配合微距鏡頭及數字成像系統，建立色紡紗大幅面微距圖像采集平臺，如圖1所示。

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

該平臺能夠在包括D65在內的5種標準光源環境下，通過選擇合適且穩定的相機拍攝參數(如拍攝距離、焦距、拍攝模式、光圈大小、曝光速度及感光度等)對色紗筒進行任意角度的穩定拍攝。

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，本文設計了一套大幅面微距圖像拼接方案，具體步驟如下。

1)在預處理階段，對拍攝的多幅微距圖像進行中心截取，并通過中值濾波和分數階微分運算[15]對紗線紋理進行增強。

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

3)利用特征點對之間的關系計算轉換矩陣，同時，通過有機抽樣一致性算法(RANSAC)算法[17]剔除奇異點，并估計轉換矩陣參數，轉換矩陣計算公式為

(1)

式中：(x1,y1,z1)為原始坐標；(x2,y2,z2)為經過轉換后的坐標；(Tx,Ty)為2個坐標系下的控制轉換參數。

4)采用加權平均的方法，對圖像進行融合。假設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表示加權平均的權重值，并且滿足d1+d2=1。在重疊區域，d1由1逐漸變為0，d2由0逐漸變為1，由此實現在重疊區域中的平滑過渡。

該采集方案克服了傳統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指標的表征。第一階顏色矩(C1)特征的計算公式為

(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)特征的計算公式為

(4)

第三階顏色矩(C3)特征的計算，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，當顏色相同或相近時，紋理的結構對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使人眼的色覺感受產生巨大差異。

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，與傳統的局部二值模式(LBP)相比，具有更強的紋理表征魯棒性。

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

圖3 8個方向的Kirsch模板Fig.3 Kirsch templates in eight directions

LDP編碼值計算公式為

(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個通道信息，同時也能提取LDP 紋理特征，即通過對每個點(x,y)計算CoLDP(x,y)，得到CoLDP圖像。

在此基礎上，利用灰度共生矩陣(GLCM)計算CoLDP圖像塊4個方向和2類間隔距離的GLCM 特征值, 從而更加精準地描述圖像塊的紋理特征。設置GLCM方向(o)為水平方向(0°,o=1)，對角線方向(45°,o=2和135°,o=3)和垂直方向(90°,o=4)，點間距(s)為1和2，GLCM特征計算公式為

(7)

式中：GLCM(g1,g2)表示在4個方向和2類間隔距離情況下灰度值(g1,g2)出現頻數總和。對第i圖像塊的GLCM特征進行歸一化，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。針對全局與局部特征，本文采取決策級加權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，加權融合的計算公式為

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表示權值。

3 結果與討論

3.1 實驗樣本及系統參數設定

能夠影響色紡紗色度學指標的因素很多，包括染色纖維質量配比、染色纖維種類或性狀特征、纖維加捻系數等，其中，又以染色纖維質量配比變化引起的色度學指標改變最為顯著和直接；因此，根據實驗測試分析需求，制備了18份色紡紗樣品。每份樣品均由3種染色纖維構成，但每份樣品的染色纖維質量配比存在細微差別，其他參數如纖維種類、長短、加捻系數均保持一致。樣品具體配比參數如表1所示。同時，利用大幅面微距圖像采集系統獲取的色紡紗全景微距圖像為24 000像素×3 000像素；為進一步簡化特征提取模型，本文將融合特征權值設定為0.5。實驗所用的計算機硬件配置為DELL T5810工作站，四核CPU(主頻3.2 GHz)；內存大小32 GHz。軟件配置為Win 10操作系統，C++程序語言。

根據配比纖維的顏色和比例差異性，可將18份樣品分為2組，分別進行色度學指標測評，即：1～10號樣品為第1組；11～18號樣品構成第2組。其中，第1組樣品主要由本白、大紅以及金黃3種染色纖維構成，樣本間質量配比差異在0.8%～4.3%之間隨機變化；第2組樣本主要由本白、特黑以及寶藍3種染色纖維構成，樣本間質量配比差異在0.2%～8%之間規律變化。

表1 測試樣本染色纖維質量配比Tab.1 Proportion of dyed fiber for testing samples

3.2 實驗結果與分析

以2.3節特征提取模型獲取的第1組測試樣本色度學指標特征如表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。

通過統計分析可看出，提取的指標特征相似度與樣本間的纖維質量配比變化呈現出高度的相關性，證明了本文方法的有效性和可行性。17001號樣本色度學指標特征測評結果如圖5所示。通過擬合曲線可驗證本文所建立的色度學指標特征提取模型的有效性。

同時，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性，可顯著提高色度學指標特征的魯棒性。17001號樣本的全局與局部特征測評結果，如圖6所示。結果表明，提取的全局顏色特征和局部紋理特征均能對色紡紗配比質量變化進行有效表征，但2類特征對其變化的敏感性和穩定性存在顯著差異。總體而言，提取的全局三階顏色特征對配比質量變化較為敏感，而局部紋理特征對其變化較為穩定，符合全局與局部特征的固有屬性[13]；因此，將2類特征進行融合，能有效提高特征的魯棒性。

表2 第1組樣品色紡紗色度學指標測試評價結果Tab.2 Colorimetry index testing results of colored spun yarn of Group No.1

圖5 17001號樣本色度學指標測評結果擬合曲線Fig.5 Fitting curve of colorimetry index testing results of No. 17001 samples

圖6 17001號樣本測評結果擬合曲線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，在部分測試實驗中，也出現了測試指標異常波動的情況，如圖7所示。通過分析發現，在測色樣本中出現了較大區域的染色纖維異常聚集情況，即因為織造工藝而引起的瑕疵；同時，色紡紗中夾雜的異色纖維團也會對測試結果產生顯著影響。

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

對第2組樣本進行色度學指標特征提取與測試分析，可得到類似的結果與結論，如表3所示。但第2組實驗樣本間質量配比變化具有規律性，部分統計數據如表4所示。

表3 第2組樣品色紡紗色度學指標測試評價結果Tab.3 Colorimetry index testing results of colored spun yarn of Group No.2

其中，17018號樣本與17020、17021以及17022這3份樣品的質量配比差異相同(均為8%)，與17019、17024和17025樣品的質量配比差異相同(均為4%)。對表4中的編號樣本進行色度學指標特征提取與測試分析，結果如圖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，所以提取的色度學指標特征能夠針對不同顏色的纖維配比變化進行有效表征，即在17020、17021、17022樣本點的特征相似度基本保持不變；類似的，在17019、17024、17015樣本點處的相似度也基本保持相同。實驗結果表明，多顏色空間的引入能有效避免單一顏色空間特征表達不夠全面的局限性。

表4 17018號樣與其他樣本間質量配比差異統計表Tab.4 Statistical table of quality difference between sample No. 17018 and other samples %

圖8 17018號樣本色度學指標測評結果擬合曲線Fig.8 Fitting curve of colorimetry index testing results of No.17018 samples

4 結 論

色紡紗大幅面微距采集系統的建立，使得眾多特征融合算法能夠應用于色紡紗色度學指標特征的提取與分析。針對色紡紗特有的呈色規律與特性，本文建立的結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性，而且還能結合不同顏色空間的多樣性。實驗結果表明，對于色紡紗色度學指標的細微改變，提取的多樣性特征均能準確、穩定地進行表征，驗證了融合算法的有效性和魯棒性。本文研究對實現色紡紗產品開發的快速反應和科學管理，提高全產業鏈的顏色溝通效率、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多因素色度學指標變化的有效性檢測將是下一步研究的重點和方向。

FZXB

[1] 嚴旭新, 黃玉強, 于文菡, 等. 新型色紡精細混棉工藝流程研究[J]. 棉紡織技術, 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. 計算機測色配色應用技術[M]. 上海: 東華大學出版社, 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. 數碼測色法在織物顏色評價中的應用[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[J]. 紡織學報, 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, 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. 數碼測色法在織物顏色評價中的應用[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. 基于機器學習的紡織品顏色校正[D]. 杭州：浙江理工大學, 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數碼測色系統的紡織品色牢度快速評級方法的研究[D]. 上海：東華大學, 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的染色品色差檢測系統的研究與設計[D]. 杭州：浙江理工大學, 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]. 儀器儀表學報, 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動目標檢測算法分析[J]. 長春理工大學學報(自然科學版), 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. 機織物的交織混色規律及顏色預測模型研究[D]. 杭州：浙江理工大學, 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.