基于圖像技術的迷彩面料顏色測量

朱晨青，李忠健，潘如如

(江南大學 紡織服裝學院，江蘇 無錫 214122)

迷彩利用空間混色原理，基于不同顏色色塊的排列組合，通過色塊相互滲透來模擬背景的顏色和紋理特征，以達到與背景融合和偽裝變形的目的[1]。顏色作為迷彩作戰服的一個重要偽裝元素，越接近自然背景環境，越可以提高士兵的隱蔽保護性，從而減少士兵的暴露傷害，提高生存率[2-3]。隨著軍事偵察設備和技術的進步，對于顏色的測量要求越來越趨于精確、快速，但迷彩印花圖案尺寸和顏色的不規則性和不確定性使得測色難度加大。在織物顏色的測定評判中，傳統的目視比色法易受到主觀因素的干擾，無法準確測量顏色值[4]。臺式分光測色儀雖具有較高的測試精度，但其為接觸式測量，無法對于尺寸過小或圖案較復雜的織物進行測量[5]。近年來，利用計算機進行顏色再現技術已經越來越成熟，即先通過常用的圖像采集設備(如數碼相機、掃描儀等)得到紡織產品圖像，再將其輸入到計算機中，利用數字圖像處理等技術對紡織產品圖像進行分析和處理[6]。

在織物圖像分割處理方面：諸葛振榮等[7]提出基于Mean Shift的織物圖像分割算法；李鵬飛等[8]提出基于 JSEG(joint systems engineering group)算法的紡織品印花圖像分割；景軍鋒等[9-10]提出基于模糊C均值聚類的紡織品印花圖像分割和基于小波域多尺度 Markov 隨機場的織物印花圖案分割；王穎[11]采用一種自組織映射(self-organizing map, SOM)網絡與改進型K-均值聚類相融合的方法，完成印花織物的自動分色。對于機器視覺與圖像處理技術：文獻[12]提出一種基于小波核多維特征SVM(support vector machine)的染色織物色差檢測，分類準確率高達87.5%；文獻[13]提出基于 HSV(hue，saturation，value) 顏色空間的直方圖相交算法和改進的 BP(back propagation) 神經網絡算法，實現了紡織品色差的定性與定量檢測；文獻[14]提出一種基于T-S(Takagi-Sugeno)模糊神經網絡的染色織物色差分塊自動檢測算法，能夠較好地實現色差的檢測和異常顏色的定位。目前國內外對于紡織品圖像的研究多是針對單色織物，而對于圖像的顏色信息提取存在困難的帶有圖案或花紋的多色織物，以及因組織結構形成凹凸紋理的織物的研究相對較少。

本文針對圖案具有多樣性、復雜性的迷彩織物提出的研究框架如圖1所示，包括色彩空間轉換、圖像分割與顏色測量。具體流程為：先提取單色織物的sRGB(standard red green blue)值與Lab值，采用神經網絡訓練實現色彩空間的轉換；然后利用Mean Shift聚類算法對迷彩面料圖像進行分割，通過正態分布法進行分割后各色塊顏色sRGB值的提取，再利用轉換算法將其轉換為預測Lab值；最后以Datacolor分光測色儀測色結果Lab值為標準，對本文處理方法的預測值進行色差判斷。

1 算法理論

1.1 Mean Shift算法

Mean Shift算法[15]是一種高效的統計迭代聚類算法，由非參數密度估計公式推導獲得，能在特征空間中沿著采樣點密度分布上升的方向搜索到局部密度極值點，將收斂到同一極值的點聚為一類。由于其不需要任何先驗知識，計算簡單且收斂速度快，因此比較適合用于對未知的數據場進行聚類分析。對織物圖像進行分割時，首先將圖像像素轉換成特征空間的采樣點，然后對采樣點進行均值漂移聚類，最后將特征空間中的聚類對應于圖像空間進行分割。具體過程如下：

(1)

式中：h為核函數的帶寬參數。

(2) 將mh，G(x)賦值給x。

(3) 重復步驟(1)、(2)，直到‖mh，G(x)‖<ε，結束循環，得到一個收斂值。如果兩個特征點的收斂值相同或距離小于一個閾值，那么就認為它們屬于同一類，計算這一類數據的平均值并找到它們的中心點，即完成了數據集的聚類過程，經過區域合并得到最終的圖像分割結果。

1.2 BP神經網絡

BP神經網絡[16]是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，由輸入層、隱含層和輸出層組成，可以學習并儲存多種輸入模式與輸出模式之間的映射關系，無需在學習和存儲前事先證明并描述這種映射關系。BP神經網絡結構如圖2所示。學習算法的實質就是求取誤差函數的最小值，通過多個樣本的反復訓練(一般采用非線性規劃中最速下降方法)，按誤差函數的負梯度方向修改權系數，使神經網絡的平方誤差最小，從而使預測結果不斷逼近期望輸出。

利用BP神經網絡算法進行非線性函數擬合，具體過程如下：

(1) 初始化輸入層、隱含層和輸出層神經元之間的連接權值和閾值，并確定BP神經網絡的結構參數：輸入值X=[x1，x2，…，xn]、輸出值Y=[y1，y2，…，ym]、輸入層節點數n、輸出層節點數m和隱含層節點參數等。

(2) 依次輸入訓練樣本集P=[X1，X2，…，Xk]，k為訓練樣本個數。

(3) 正向傳播過程。根據給定的訓練模式輸入，計算網絡的預測值，并將其與期望值Q=[Y1，Y2，…，Yk]進行比較，如果存在誤差就執行，否則結束訓練。

(4) 反向傳播過程。計算同一層單元誤差，修改權值和閾值，返回步驟(3)，如果誤差滿足要求則結束訓練。

(5) 用訓練好的BP神經網絡預測非線性函數輸出，通過預測輸出和期望輸出分析BP神經網絡的擬合能力。

2 試驗結果與討論

2.1 圖像采集

為了精確獲取迷彩面料的顏色信息，使用數字圖像采集系統得到迷彩印花織物圖像，如圖3所示。圖3(a)所示為D 65標準光源的密閉式燈箱，通過尼康D 7000型相機采集到迷彩織物sRGB格式圖像(見圖3(b))。圖像統一裁剪為1 000像素×1 000 像素進行處理，對應的實際織物尺寸為6.8 cm×6.8 cm，且確保每幅圖像包含所有種類的迷彩顏色。

2.2 色彩空間轉換

實際生產中，多以Lab值作為織物顏色測量和色差計算的參考數據，故由相機獲得的迷彩面料圖像中各圖案的sRGB值需轉成與設備無關的CIEL*A*B*顏色值即Lab值。由于數碼相機與Datacolor分光測色儀的顏色信息采集模式不一樣，利用CIE提供的RGB-XYZ-Lab色彩轉換公式得到的結果與實際測色結果誤差較大。因此采用神經網絡擬合算法時，將采集的紡織品樣本圖像的sRGB值和實際的Lab值分別作為神經網絡的輸入和輸出值進行訓練，實現sRGB顏色空間與Lab顏色空間之間的直接轉換。

訓練樣本為477塊純色織物，其中織物sRGB值由數碼相機采集并計算所有像素點的平均值得到，織物的Lab值是由Datacolor 650型分光測色儀測量得到。試驗采用單隱含層神經網絡，網絡結構為3-25-3，訓練1 000次后輸出預測函數，利用CMC(2∶1)色差公式計算預測結果與實際結果之間的色差，判斷BP神經網絡訓練出的算法是否滿足要求，結果如圖4所示。

從圖4可以看出，色差值絕大部分集中在小于2的范圍內，占87.00%，而3以上的色差值只占3.56%。說明神經網絡的預測值和期望值之間的誤差較小，可利用BP神經網絡訓練的算法實現sRGB與Lab顏色空間的直接轉換。

2.3 圖像分割

本文采用Mean Shift算法對迷彩織物圖像進行分割，其效率主要受核函數的帶寬參數h的影響。為得到聚類分割的最佳結果，經過多次試驗，將帶寬參數h的范圍設定為0.01～0.15(步長為0.01)進行試驗。聚類時間與聚類數目隨帶寬h值的變化如圖5所示。從圖5可以看出：隨著h值的增大，聚類時間和數目均在減小；當h<0.08時，分割時間較長，效率較低，且聚類的數目較多，即圖像過度分割現象嚴重，同一顏色色塊被細致分割成許多部分，同時分割邊界不清晰；h值為0.12～0.15時，雖然聚類時間短且聚類數目與實際色塊顏色的數量基本相符，但未能成功分割顏色色塊，出現了兩種顏色色塊分割為一塊的現象。故h取值設定為0.08～0.11，此時聚類時間短、效率高且分割結果準確。

試驗中一幅迷彩印花圖像共含有1 000×1 000個像素點，以此作為數據集的數據點，選定帶寬參數h為0.10，進行Mean Shift迭代聚類。聚類分割后的迷彩圖像受光源、相機等因素的影響存在一些噪聲，采用圖像二值化和中值濾波進行去噪處理，濾波后的二值化圖像與原圖進行矩陣點乘運算得到織物圖像的顏色分割，結果如圖6所示。該方法將叢林迷彩的棕色(圖6(a))、黑藍色(圖6(b))、綠色(圖6(c))、土黃色(圖6(d))4種顏色色塊清晰地分割出來。

為驗證本文分割方法的準確性，對叢林迷彩面料之外的其他4種類型迷彩服面料(野戰數碼、海上數碼、山地迷彩、陸地迷彩)分別進行分割試驗，4種迷彩面料的原圖和分割結果如表1所示。從表1可以看出，基于Mean Shift聚類的圖像分割方法對不同顏色效果的迷彩織物圖像均可實現準確分割，且分割色塊的邊界清晰、平滑。

表1 4種迷彩服面料的分割結果

(續表)

2.4 顏色分析測量

對圖像sRGB值的常規提取方法是直接對分割后各個色塊中所有像素點信息求取平均值，但由于迷彩織物各色塊間邊界易存在兩種顏色的漸變顏色，導致迷彩顏色的測量結果存在誤差，如圖7所示。

為避免邊界區域顏色對測量結果的影響，本文利用正態分布法獲得叢林迷彩面料的4種色塊的R(red)、G(green)、B(blue)值曲線圖，并對其區域范圍進行提取。為討論區域范圍對測量結果的影響，分別計算圖中區間概率為95%、 90%、 85%、 80%、 75%和70%的所有數據的平均值，并將其作為采集到的整幅迷彩織物圖像的R、 G、 B值。圖8所示為叢林迷彩分割后色塊1中R值的直方圖分布情況及區間概率為80%時的數據取值范圍。這種提取區間范圍的方法可剔除部分異常點，有望提高迷彩顏色的測量準確性。

采用經神經網絡訓練的算法，進行sRGB與Lab色彩空間的轉換，通過CMC(2∶1)色差公式計算神經網絡獲得的預測Lab值與分光測色儀測得的實際Lab值之間的色差值，對迷彩印花顏色的測量做出判斷。5種迷彩面料的試驗結果見圖9。

由圖9可知，區間概率為100%即直接求得所有像素點R、 G、 B平均值時，色差值偏大，在人眼視覺中，這樣的色差感覺十分明顯。這是因為分割后圖像邊界易存在兩種顏色的漸變色，利用正態分布法分析處理時剔除了這些顏色相差太大的點，較大程度地縮小了織物色差值。區間概率在90%之后，色差值逐漸趨于穩定，其中只有叢林迷彩的黑藍色塊2、野戰數碼的紅棕色塊1和黃白色塊3、海上數碼的綠色塊2和白色塊3的色差結果大于2，分別為2.61、 2.29、 2.27、 2.14和2.86，而其他15種色塊顏色的色差值均在2以下，5種迷彩織物的平均色差分別為1.5、 1.9、 1.16、 1.65和1.97<2。由此可見，分割后圖像的RGB值經過正態分布法分析和神經網絡訓練的色彩空間轉換，與Datacolor分光測色儀測色結果相似，5種迷彩服織物的平均色差結果都在2以下，均在人眼可接受范圍內。

3 結 語

本文利用Mean Shift聚類算法實現了對迷彩織物圖像的分割，5種迷彩織物圖像(叢林迷彩、野戰數碼、海上數碼、山地迷彩、陸地迷彩)均可準確分割出不同顏色色塊，且分割邊界自然、清晰。在此基礎上，采用神經網絡回歸訓練實現迷彩織物圖像sRGB顏色空間與Lab顏色空間的轉換，采用正態分布法對各色塊顏色值進行分析，并與Datacolor分光測色儀測色結果對此發現，本文方法的平均色差在2以下，這為客觀測量印花織物的顏色提供了方法和思路。

在本文研究的基礎上，還可通過擴大神經網絡訓練對象的范圍，如增加顏色種類等，進一步提高迷彩面料圖像顏色的預測精度。