基于光譜成像技術的織物光澤模糊綜合評價

張建新， 黃 鋼， 胡旭東

(浙江理工大學 機械與自動控制學院， 浙江 杭州 310018)

織物光澤即織物表面反光性能，在織物視覺風格設計中起著十分重要的作用。在視覺美感上,織物或服裝的美感和設計感都離不開織物光澤，因此織物光澤性能的研究與設計對織物視覺風格的改進與成品風格的提升均有重要的意義。

目前，織物的光澤理論主要分為方向差異理論和內外差異理論2種:方向差異理論認為，織物反射空間不同方向的反射光強度差異越大,則其光澤越強；而內外差異理論則認為，織物的反射光中表面反射成分與內部反射成分的相對構成決定其光澤的質與量[1]。評價織物光澤的方法有2種:主觀評價法和客觀評價法。主觀評價法憑借人的主觀感覺對織物光澤進行評價，受人為、環境以及心理因素影響，存在一定局限性。隨著光澤理論的發展，織物光澤性能評價方法逐漸發展為儀器測量。在織物光澤評價研究初期，主要通過光電檢測器測量織物表面正反射光強度以及漫反射光強度，根據FZ/T 01097—2006《織物光澤測試方法》中的公式來計算織物光澤，并衍生出不同的測試方法，如對比度光澤測試[2]、二維對比度光澤法、變角光度儀測試法[3]等。后來慢慢發展到采用二維圖像分析的方式以及通過數字圖像處理技術提取織物光澤圖像特征。如申悅等[4]利用計算機視覺測試系統采集織物表面圖像，并提取灰度對比度、名義填充度、光澤填充度極差、灰度共生矩陣對比度和飽和度等光澤特征，建立Hopfiled神經網絡織物光澤分類模型來對織物進行光澤等級分類。但由于評價結果與光澤的關系仍存在爭議，因此，織物光澤測試方法仍需要進一步的探索和研究。李靜等[5]通過織物顏色實驗和光澤實驗證明了顏色與光澤存在著相互影響。黃麗等[6]首先通過4個典型的色差公式對織物進行視覺評價，得出光澤與色差的相互關系。目前，針對織物光澤的測試方法集中體現織物的反射光的強度差異和分布差異。通過光譜成像系統采集織物表面多波段光譜信息，光譜反射率信息既包含物體表面反射率信息，也包含顏色信息，因此，利用光譜技術評價織物的光澤性能具有一定的研究意義。

本文通過對織物光譜數據進行分析和處理，構建反映織物光澤性能的評價特征指標，建立了模糊綜合評價模型來對織物光澤性能進行評價，為光譜成像技術在紡織品光澤性能評價的發展和應用提供參考。

1 織物光澤評價方法

1.1 主觀評價法

織物光澤主觀評價法是指在一定光照條件下，評價人員通過視覺對具有一定光澤性能的織物給出視覺上的感受或光澤優劣的劃分。在實驗開始前，需確保評價人員對織物光澤的認知保持一致，能夠給出合理的織物光澤語言描述。本文實驗參照已有的研究成果，采用織物光澤主觀評價表將語言描述與量化等級相結合[7]。織物光澤主觀評價表如表1所示。

實驗光源采用D65標準光源，主觀評價實驗在溫濕度適宜且密閉的房間內進行，保證實驗環境無干擾。評價人員視角在織物試樣正上方，記錄人員根據表1記錄織物光澤主觀評價結果。為確保數據的有效性，評價人員一般為3位，且一個試樣重復實驗3次取平均值，最后剔除明顯的誤差數據，然后取平均值作為最終結果。

表1 織物光澤主觀評價等級Tab.1 Subjective evaluation level of fabric gloss

1.2 客觀評價法

1.2.1 光譜成像系統簡介

實驗儀器采用可見光譜成像系統，主要部分包括GaiaField-V10E-AZ4高光譜相機、150 W鹵素光源、光源控制器、步進載物臺控制器、計算機、暗箱及控制軟件等。其中光譜儀的分辨率為2.8 nm，采樣間隔為0.55 nm，光譜范圍為350 ～1 000 nm。系統整體結構如圖1所示。

1—鹵素光源；2—光源控制器；3—高光譜相機模塊；4—步進電動機載物臺；5—臺式計算機。圖1 光譜成像系統Fig.1 Hyper spectral imaging system

1.2.2 檢測原理及過程

光譜成像系統可用于采集均勻光照條件下試樣表面的光譜信息，光譜信息反映試樣表面反射率信息。本文提出的織物光澤性能評價方法通過高光譜相機采集試樣的連續波段的光譜信息，并在此基礎上進行進一步的研究。光譜數據采集具體過程如下：

1)將長寬均為20 cm的試樣放入載物臺中間，并確保試樣表面平整。

2)相機調焦并確定相機參數，在設定參數下采集原始數據。

3)進行黑白校正，消除暗電流以及光源光照強度的分布不均勻可能產生的噪聲，校正公式為

式中：Rc為校正后的光譜數據；Rr為掃描標準反射白板得到白板數據；Rd為暗環境下的暗場數據；Rw為原始的光譜數據。

原始光譜數據為raw后綴的光譜數據文件，需要通過反射率數據處理軟件ENVI進行后續的處理，才能得到試樣光譜圖像的光譜反射率數據。選擇ENVI 4.8作為軟件平臺，首先通過ENVI 4.8以多波段反射率數據的方式打開原始光譜數據，再通過ROI工具選取興趣區域，并將多波段光譜數據導出為txt文件，最終獲得試樣的光譜反射率數據。人眼可見光范圍為380～780 nm，因此僅保留可見光波段的光譜數據留于后續分析和處理。本文光譜數據采集的流程如圖2所示。

圖2 光譜數據采集及校正流程圖Fig.2 Flow chart of spectral image acquisition and calibration

1.2.3 評價特征構建

反射率表示織物表面對光的反射能力，通過反射率表征織物的光澤性能。這種方法簡單易行，但并未考慮織物顏色對光澤的影響，只能片面描述織物的光澤性能。劉哲等[8]通過構建反映織物外觀的圖像灰度特征來建立織物外觀的綜合評價模型。因此，通過對光譜數據的分析，將光譜數據經過色度空間變換得到CIELab色度空間，并構建反映織物光澤性能的評價特征來建立織物光澤評價模型。Lab色度空間由3個要素組成：L反映亮度信息；a和b是2個顏色通道，均反映顏色信息[9]。基于CIELab色度空間亮度信息和顏色信息分量相互獨立的特點，本文提出4個描述織物光澤性能的評價特征。

1)亮度平均值Lq：織物圖像中所有像素點的亮度值L的平均值，描述織物表面的反射光強度，計算公式為

式中：Lij表示第i行第j列像素點的亮度值；m表示像素點的行數；n表示像素點的列數。

2)亮度極差值Ld：織物圖像亮度最大值與最小值之間的差值，描述圖像反射光強度的變化范圍，反映亮度變化的劇烈程度。

Ld=Lmax-Lmin

式中：Lmax表示圖像所有像素點亮度值最大值前3位的平均值；Lmin表示圖像所有像素點亮度值最小值前3位的平均值。公式為

式中：maxi表示第i大的亮度值；mini表示第i小的亮度值；ni表示相應的亮度值的個數。

3)亮度均勻度Lu：織物像素點亮度值的均方差，衡量織物亮度的分布均勻程度。公式為

4)顏色均方差Cu：織物圖像像素點顏色信息值的均方差，反映織物表面的顏色信息。公式為

式中：aq、bq表示所有像素點的顏色空間信息的平均值；aij、bij表示Lij對應第i行第j列像素點的顏色空間信息的值。

1.2.4 織物光澤的模糊綜合評價

考慮到構建織物光澤的評價特征的選取時可能產生的不確定性、不全面性，利用模糊綜合評價將不完全信息、不全面信息轉化為模糊概念，提高評價結果的準確性[10]。

根據上述評價特征，織物光澤的模糊綜合評價過程如下：

1)根據構建的織物試樣的評價特征，即選擇亮度平均值Lq、亮度極差值Ld、亮度均勻度Lu、顏色均方差Cu作為模糊綜合評價模型的評價特征集{X1,X2,X3,X4}。

2)確定評語集。評語集是對織物試樣光澤性能做出的不同評價的一組集合{Y1,Y2,…,Yn}，即對應不同織物試樣的光澤性能。

3)建立模糊關系矩陣R。模糊關系矩陣R在模糊綜合評價中起著至關重要的作用。根據評價特征數據所對應的量值按從優隸屬度指標進行隸屬度轉換，進而得到模糊關系矩陣R。從優隸屬度轉換公式為

式中：Xij為第i項評價特征對于第j項評語所對應的量值；maxXi為第i項評價特征中最大值；minXi為第i項評價特征中最小值；rij表示評價特征Xi對于評語Yj的隸屬度。

4)確定權重向量W。根據各評價特征對織物試樣光澤性能的重要程度，確定評價特征的權值向量。權重值直接影響模糊綜合評價結果的準確性，故需要對確定權值的方法進行討論。

在模糊綜合評價方法中，比較常見的權值確定方法為：變異系數法、層次分析法、專家經驗法、熵權法等[11]。變異系數法(簡稱為COV)，是直接利用各項評價特征所包含的信息，通過計算數學指標變異系數和標準差的比值來確定各評價特征的權值；層次分析法又稱APH層次分析法(簡稱為APH)，是通過將復雜的評價對象分解為有序的遞階層次整體，對各評價特征進行兩兩比較和計算，最終得到各個評價特征的權值[12]；專家經驗法(簡稱為EEM)，是通過咨詢權威專家的意見給出合適權值，并不斷反饋評價信息來得到一個較為合理的權值；熵權法(簡稱為EWM)，是根據評價特征的信息熵的大小來判斷變異程度大小，與評價特征信息量成正比。在綜合評價中，評價特征提供的信息量越大，其對應的權值就越大[13]。

5)根據建立的模糊關系矩陣R和權重向量W計算模糊綜合評判向量B。

B=W·R=[b1,b2,…,bm]

式中，[b1,b2,…,bm]是模糊綜合評價的評判向量。在評判向量[b1,b2,…,bm]中，根據評判結果大小為各織物試樣賦以參數值c1,c2,…,cm利用參數加權平均公式對織物試樣的光澤進行評級，計算公式如下：

式中：Ci為各織物試樣所對應的評價結果；t為待定系數，一般可取t=1，2。

2 實驗與分析

選擇純棉織物作為實驗對象，在實驗開始之前對所有試樣進行低溫熨燙處理確保表面平整。在預處理后，將織物裁剪成長寬均為20 cm的試樣在標準實驗環境下靜置24 h后備用，織物試樣參數見表2。

表2 織物試樣參數Tab.2 Fabric sample parameters

2.1 主觀評價實驗

根據人類視覺對織物光澤強弱的語言描述，將織物光澤分為8類，通過表1將語言描述與量化等級建立對應關系。在主觀評價實驗中，3位評價人員對織物試樣進行有關光澤性能的定性描述，然后根據描述按表1中的對應關系對每個試樣進行評級，主觀評價實驗結果見表3。

表3 主觀評價光澤等級實驗數據Tab.3 Subjective evaluation experimental data of luster 級

2.2 客觀評價實驗

2.2.1 光譜成像評價實驗

通過本文提出的基于光譜成像技術的織物光澤性能評價方法，按照上述流程采集8種純棉織物表面多波段光譜反射率數據，經過數據處理后得到有關織物光澤的評價特征，其數據見表4。

表4 評價特征數據Tab.4 Evaluation characteristic data

織物試樣確定評語集{Y1,Y2,…,Y8}，分別對應8個試樣的織物光澤性能。根據模糊綜合評價的評價特征集{X1,X2,X3,X4}，其中X1為亮度平均值，X2亮度極差值，X3為亮度均勻度，X4為顏色均勻度，對評價特征數據根據從優隸屬度公式轉換后可建立模糊關系矩陣：

通過不同權值確定方法得到的評價特征所對應的權重向量W見表5，Wi為權重W的元素。

表5 不同權值方法確定的權值Tab.5 Weight determined by different methods

顯然，對織物光澤性能的模糊綜合評價結果向量B為

最后，根據結果高低，賦予各評語參數值，其參數賦值公式如下所示：

取待定系數t=1，根據加權平均公式對織物光澤進行評價，結果見表6。

表6 織物光澤評價結果Tab.6 Evaluation results of fabric gloss

2.2.2 對比度光澤實驗

參考FZ/T 01097—2006進行實驗，測試儀器采用YG268高精度光澤測試儀。測試方法如下：

1)將儀器放置在避免陽光直射的平臺上，并校準儀器；2)在儀器的測量口上，將平整試樣的測試面朝外；3)旋轉樣品臺，讀取織物正反射光強度(GS)最大值及其織物正反射光強度與漫反射光強度之差(GR)值；4)根據測量值，按下式計算織物光澤度：

本實驗目的是與本文提出的方法進行對比，驗證該方法的可行性。實驗結果見表7。

表7 對比度光澤實驗結果Tab.7 Contrast gloss experiment results 級

2.3 分析與驗證

2.3.1 結果分析

為驗證本文提出的基于光譜成像技術的織物光澤評價方法的可行性，將得到的主觀評價結果與基于光譜成像技術的織物光澤評價結果進行比較，確定評價結果間的一致性，結果如圖3所示。圖中，H0為一致性判斷指標，當H0為1表明在顯著水平為5%時拒絕原假設，那么可以認為一致性顯著。R2為決定系數，取值在(0，1)之間，當H0成立時，R2越接近1，表明擬合程度越高，換言之一致性就越好[14]。

圖3 模糊評價與主觀評價結果比較Fig.3 Result comparison of fuzzy evaluation and subjective evaluation

由圖3可知，基于光譜技術的模糊綜合評價模型所得到的結果與主觀評價結果的結果具有良好的一致性，從主觀層面證明了該方法的一致性。通過對不同權值確定方法的結果比較可知，COV、APH與EEM均可視為一致性顯著，且COV顯著性最好，EWM不具備一致性，不適合用于確定本模型權值的確定。圖4示出對比度光澤實驗與本文方法的結果比較。

圖4 模糊評價與對比度實驗結果比較Fig.4 Result comparison of fuzzy evaluation and contrast experiment

由圖4可知，基于光譜成像技術的織物光澤評價結果與對比度光澤實驗的評價結果具有良好的一致性，符合行業測試標準，從客觀層面驗證了該方法的可行性。通過4種不同的權值確定方法的比較可知，COV與EEM均可視為一致性顯著，且COV顯著性最好，EWM與APH一致性不顯著，不適合用于確定評價模型的權值。

2.3.2 驗證與預測

選取部分重復試樣及不同組織結構的織物作為預測試樣，利用上述建立的回歸方程對織物的光澤性能進行預測，驗證該方法的有效性。織物樣本部分參數如表8所示。

表8 織物試樣參數Tab.8 Fabric sample parameters

表8中，斜紋組織為二上一下，緞紋組織為五枚二飛經面緞紋。通過結果分析，選擇一致性最為顯著的COV權值確定方法所建立的回歸方程進行預測，回歸方程如下：

y=0.451x+0.293

yc=0.733x+0.814

式中：y為對比度光澤實驗的實際值；x為所提出方法的光澤評價結果；yc為主觀評價光澤的實際值。

令y′為對比度光澤實驗的預測值，y′c為光澤主觀評價結果的預測值，結合提出的光譜評價方法以及建立的回歸方程，預測結果如表9所示。

通過對回歸方程進行預測研究，由表9數據可知，預測值與實際值間的誤差較小，預測結果在接受區間內，因此可認為,該方法能有效應用于織物光澤性能的測試和評價。

表9 預測分析表Tab.9 Predictive analysis table 級

3 結 論

本文提出一種基于光譜成像技術的織物光澤性能客觀評價方法，該方法采用光譜成像系統采集織物表面的光譜反射率信息。從原理上分析并構建描述織物光澤和顏色的評價特征，建立基于評價特征的模糊綜合評價模型，分析比較模型中不同權值確定方法的評價結果，最后分別從主客觀層面驗證評價結果的一致性，通過回歸預測驗證方法的有效性，得出如下結論。

1)在本文提出的織物光澤模糊綜合評價模型中，通過變異系數法來確定權值，其模糊綜合評價結果顯著性最好，適用于模糊評價模型中權值的確定，專家經驗法評價結果顯著性次之，層次分析法與熵權法并不適用于本模型中權值的確定。所建立的織物光澤模糊綜合評價模型能夠實現定量分析織物的光澤性能，且能減少由于評價特征構建的不全面性與不確定性所帶來的影響，為織物光澤性能提供可靠的評價結果。

2)采用光譜成像技術對織物光澤性能進行評價具有可行性。通過包含織物表面信息更加豐富的光譜成像技術對織物進行評價，既能反映顏色信息，也能反映表面反射率信息。該方法既符合行業內FZ/T 01097—2006 標準的客觀評價結果，也與主觀評價結果具有一致性，能實現快速、無損的織物光澤性能評價，具有一定的應用價值，為紡織品光澤性能評價方法的研究和發展提供參考。