结合全局与局部多样性特征的色纺纱色度学指标测试与评价

袁 理， 代乔民， 付顺林， 鄢煜尘(1.武汉纺织大学 电子与电气工程学院， 湖北 武汉 0200； 2.武汉纺织大学 湖北省纺织新材料与先进加工技术省部共建国家重点实验室培育基地， 湖北 武汉 0200； .武汉纺织大学 纺织科学与工程学院， 湖北 武汉 0200； .武汉大学 电子信息学院， 湖北 武汉 0072)

色纺纱是指经特定工序混和加工纺制而成的含有2种或2种以上不同色泽纤维的纱线，具有特定的外观色彩风格[1]。近年来，为满足消费者个性化、时尚化以及多样化的需求，通过多种染色纤维和特殊纺纱工艺而制备的大色差色纺纱，因其具有的“可控不匀性”混色效果与新颖的视觉特征，被市场所追捧；但是，在实际生产中，这种大色差色纺纱由于缺少科学的色度学指标测试与分析标准，需要根据客户来样，并依靠经验和反复试纺、目测来达到目标色。该过程不仅导致生产周期长，而且易造成色度学指标评测的二义性，影响商业交割。

根据色彩学理论，可将纺织品颜色测量分析方法分为4类：目测法、光电积分法、分光光度法和数码摄像法[2]。其中，分光光度法由于可测量颜色表面对可见光谱所有波长的反射率，被广泛应用于纺织品色度学指标的测试与评价中，但是，受限于分光光度计特殊的测量方式，很难在测量孔径内对纺织品颜色的分布特性进行采集和表征，测评结果往往存在多解性[3]。

近年来，随着数字成像设备的普及和性能的飞速提升，数码摄像法在纺织品颜色分析领域得到了广泛应用，其显著优势是可在高分辨率图像中，借助数字图像处理技术，利用多通道模式对微小或不规则的物体进行颜色测量和分析。2003年，英国Verivide公司推出的“数慧眼”(Digieye Digital Imaging System)色牢度测试仪就是该测色理论的典型应用[4]。沉利利等[5]提出一种基于聚类算法的色纤维颜色分类及比例测定方法，可对色纤维的数字图像进行处理和转换，并通过聚类的方法确定图像中各颜色纤维所占比例，该算法可有效实现色纺纱线中色纤维种类的确定及比例测定。Lu等[6]通过模糊C均值聚类算法对染色纤维图像在HSV颜色空间中进行特征提取，并结合距离指数函数实现染色纤维颜色种类的分析，实验结果表明，每个像素的颜色可被相应的聚类中心关联的颜色所代替。何能斌等[7]以数码摄像法为基础，提出一种基于Lab颜色空间的彩色等差线提取新技术，即针对白光光源的彩色等差线条纹图特点，将图像从RGB颜色空间转换到Lab颜色空间，从而实现对彩色等差线条纹的精确提取；Li等[8]针对色纺织物特殊的呈色特性，提出利用2种不同的颜色测量方式对其色度学指标进行测量，相对分光光度计而言，数字图像处理方法的结果更接近人眼评价的结果。李启正等[9]应用数码测色法对交织混色织物的颜色进行评价，相较于对分光光度测色系统，利用Digieye 数码测色系统对非平整表面染色织物的颜色测量时，2种仪器测量的结果差异性较大。徐睿[10]利用机器学习的理论和方法自动高效地估计出场景的光照色度，从而提高纺织品颜色校正的准确性，使其与标准色样一致，所提出的Bagging-PSO-ELM 颜色校正算法，不仅具有良好的稳定性，还取得了较高的预测精度，模型性能明显优于传统的基于ELM 的颜色校正算法。张亚雯[11]利用Digieye 数码测色系统，研究开发色牢度批量评级的软件程序和操作方法，与目光评级和传统的色差仪评级结果进行对比，并研究在不同测试条件和对不同表面特征织物的适用性，最终建立纺织品色牢度快速评级方法。

与此同时，数码测色法在工业质量监控领域也得到广泛应用，涌现出一批成熟产品，比如德国玛诺(Mahlo)公司研制生产的CIS-10 A 型颜色检测系统、以色列EVS公司的SVALITE在线色差分析仪以及Felles Photonic公司推出的颜色测量系统。这些公司开发的产品具有良好的性能，能够适应相关企业的严苛要求[12]。

值得注意的是，不同于染色织物或交织混色织物，色纺纱是以染色纤维作为基本呈色单元，在成纱的过程中，染色纤维会在纱线表面表现为和捻度相关的螺旋形，并且纤维会互相聚集，使得其呈色单元的尺寸很大且分布不均匀，这种随机性和复杂性对于大色差色纺纱尤为显著,因此，色纺纱的呈色机制与显示器色光混色或印刷色料混色均存在显著差异。目前，国内外针对其色度学指标测试与评价的方法和理论还不多见。同时，生理学和心理学研究表明，全局信息与局部信息描述的作用不同，仅依靠单方面信息很难实现对复杂模式的完整表征；将全局信息与局部信息相结合，利用其互补性可显著提高特征的有效性和稳定性[13]。不仅如此，对于复杂颜色模式的理解，不同的颜色空间亦有不同的刻画能力，并不存在一个能够全面、准确表征颜色模式的空间[14]。

本文以纺织品数码测色理论为基础，结合数字图像处理技术，建立色纺纱大幅面微距图像采集系统，为色纺纱色度学指标特征的提取与分析提供保障；同时，重点针对色纺纱特有的呈色机制与过程，建立结合全局颜色特征与局部纹理特征的色度学指标表征模型，充分利用全局与局部特征间的互补性和不同颜色空间的多样性，从而构建稳定、有效且实用的色度学指标差异性评测方法，并为最终实现染色纤维混配呈色产品的色度学指标数字化与智能化检测系统奠定基础。

1 色纺纱大幅面微距图像采集系统

1.1 色纺纱大幅面微距图像采集平台

在标准光照条件下，通过对自动云台加装必要的纱筒固定装置和控制系统，并配合微距镜头及数字成像系统，建立色纺纱大幅面微距图像采集平台，如图1所示。

图1 色纺纱大幅面微距图像采集平台Fig.1 Large area macro image acquisition platform for colored spun yarn

该平台能够在包括D65在内的5种标准光源环境下，通过选择合适且稳定的相机拍摄参数(如拍摄距离、焦距、拍摄模式、光圈大小、曝光速度及感光度等)对色纱筒进行任意角度的稳定拍摄。

1.2 色纺纱大幅面微距图像采集方案

由于微距镜头特殊的成像原理，使获取图像的视野范围和景深都非常有限。为此，本文设计了一套大幅面微距图像拼接方案，具体步骤如下。

1)在预处理阶段，对拍摄的多幅微距图像进行中心截取，并通过中值滤波和分数阶微分运算[15]对纱线纹理进行增强。

2)使用尺度不变特征变换(SIFT)算法[16]对色纱图像进行特征点提取，可得到描述该特征点的特征向量，并通过其特征向量的欧氏距离确定候选匹配点。

3)利用特征点对之间的关系计算转换矩阵，同时，通过有机抽样一致性算法(RANSAC)算法[17]剔除奇异点，并估计转换矩阵参数，转换矩阵计算公式为

(1)

式中：(x1,y1,z1)为原始坐标；(x2,y2,z2)为经过转换后的坐标；(Tx,Ty)为2个坐标系下的控制转换参数。

4)采用加权平均的方法，对图像进行融合。假设I1、I2为2幅待拼接图像的重叠部分，I为融合以后的图像，则

I(x,y)=d1I1(x,y)+d2I2(x,y)

(2)

式中，d1、d2表示加权平均的权重值，并且满足d1+d2=1。在重叠区域，d1由1逐渐变为0，d2由0逐渐变为1，由此实现在重叠区域中的平滑过渡。

该采集方案克服了传统大幅面图像采集与微距图像采集相互矛盾的问题，获取的部分色纺纱大幅面微距图像如图2所示。

图2 部分色纺纱大幅面微距图像Fig.2 Some large area macro images of colored spun yarn

2 全局与局部多样性特征提取模型

2.1 全局颜色特征提取算法

颜色特征是图像内容信息中最丰富的一类特征，具有大小不变性、方向不变性等。其中，颜色矩特征具备颜色特征的一般属性[18]。

本文选取了三阶次的颜色矩特征用于色纺纱色度学指标的表征。第一阶颜色矩(C1)特征的计算公式为

(3)

式中：W、H分别为图像的宽度和高度；P(i,j)为位置(i,j)处像素的颜色信息。

第二阶颜色矩(C2)特征的计算公式为

(4)

第三阶颜色矩(C3)特征的计算，如式(5)所示：

(5)

2.2 局部纹理特征提取算法

颜色和纹理是物体外貌的重要组成部分，当颜色相同或相近时，纹理的结构对于人眼的感知属性有着非常显著的影响。尤其是大色差色纺纱，其不同的纤维分布会使人眼的色觉感受产生巨大差异。

局部方向模式(LDP)是一种有效的纹理描述算子，可充分利用局部边缘梯度信息来表征模式特征，与传统的局部二值模式(LBP)相比，具有更强的纹理表征鲁棒性。

LDP的基本思想是将图像3×3领域像素灰度值与8个Kirsch模板卷积得到相应方向的边缘响应di(i=0,1,…,7)；同时，将第i个边缘响应的绝对值|di|按顺时针方向与第k个绝对值最大的边缘相应|dk|比较，大于或者等于0，则二进制相应位取1；反之取0，从而得到一个8位的二进制编码；然后根据不同位置进行加权求和，所得十进制数即为该像素点的局部方向模式(LDP)特征值。8个方向(D0～D7)的Kirsch模板，如图3所示。

图3 8个方向的Kirsch模板Fig.3 Kirsch templates in eight directions

LDP编码值计算公式为

(6)

彩色LDP(CoLDP)是图像彩色与纹理信息的融合，既保留了彩色图像3个通道信息，同时也能提取LDP 纹理特征，即通过对每个点(x,y)计算CoLDP(x,y)，得到CoLDP图像。

在此基础上，利用灰度共生矩阵(GLCM)计算CoLDP图像块4个方向和2类间隔距离的GLCM 特征值, 从而更加精准地描述图像块的纹理特征。设置GLCM方向(o)为水平方向(0°,o=1)，对角线方向(45°,o=2和135°,o=3)和垂直方向(90°,o=4)，点间距(s)为1和2，GLCM特征计算公式为

(7)

式中：GLCM(g1,g2)表示在4个方向和2类间隔距离情况下灰度值(g1,g2)出现频数总和。对第i图像块的GLCM特征进行归一化，并记为GLCM(i)。

2.3 融合全局与局部多样性特征提取模型

由于不同的颜色空间反映图像的信息不同，具有不同的刻画能力，本文选择在RGB、LAB、HSV 3种颜色空间中，通过全局与局部特征提取模型来获取色纺纱的颜色和纹理多样性特征。针对全局与局部特征，本文采取决策级加权融合方式建立特征提取模型。特征提取与融合过程如图4所示。

其中，加权融合的计算公式为

S=w·(1-GCM)+(1-w)·LCoLDP

(8)

式中：GCM、LCoLDP分别表示全局与局部特征归一化后的相似度；w表示权值。

3 结果与讨论

3.1 实验样本及系统参数设定

能够影响色纺纱色度学指标的因素很多，包括染色纤维质量配比、染色纤维种类或性状特征、纤维加捻系数等，其中，又以染色纤维质量配比变化引起的色度学指标改变最为显著和直接；因此，根据实验测试分析需求，制备了18份色纺纱样品。每份样品均由3种染色纤维构成，但每份样品的染色纤维质量配比存在细微差别，其他参数如纤维种类、长短、加捻系数均保持一致。样品具体配比参数如表1所示。同时，利用大幅面微距图像采集系统获取的色纺纱全景微距图像为24 000像素×3 000像素；为进一步简化特征提取模型，本文将融合特征权值设定为0.5。实验所用的计算机硬件配置为DELL T5810工作站，四核CPU(主频3.2 GHz)；内存大小32 GHz。软件配置为Win 10操作系统，C++程序语言。

根据配比纤维的颜色和比例差异性，可将18份样品分为2组，分别进行色度学指标测评，即：1～10号样品为第1组；11～18号样品构成第2组。其中，第1组样品主要由本白、大红以及金黄3种染色纤维构成，样本间质量配比差异在0.8%～4.3%之间随机变化；第2组样本主要由本白、特黑以及宝蓝3种染色纤维构成，样本间质量配比差异在0.2%～8%之间规律变化。

表1 测试样本染色纤维质量配比Tab.1 Proportion of dyed fiber for testing samples

3.2 实验结果与分析

以2.3节特征提取模型获取的第1组测试样本色度学指标特征如表2所示。其中：G Feat. 表示全局颜色特征相似度；L Feat. 表示局部纹理特征相似度；F Feat. 表示融合特征相似度。

通过统计分析可看出，提取的指标特征相似度与样本间的纤维质量配比变化呈现出高度的相关性，证明了本文方法的有效性和可行性。17001号样本色度学指标特征测评结果如图5所示。通过拟合曲线可验证本文所建立的色度学指标特征提取模型的有效性。

同时，融合全局颜色特征与局部纹理特征能够充分利用特征间的互补性，可显著提高色度学指标特征的鲁棒性。17001号样本的全局与局部特征测评结果，如图6所示。结果表明，提取的全局颜色特征和局部纹理特征均能对色纺纱配比质量变化进行有效表征，但2类特征对其变化的敏感性和稳定性存在显著差异。总体而言，提取的全局三阶颜色特征对配比质量变化较为敏感，而局部纹理特征对其变化较为稳定，符合全局与局部特征的固有属性[13]；因此，将2类特征进行融合，能有效提高特征的鲁棒性。

表2 第1组样品色纺纱色度学指标测试评价结果Tab.2 Colorimetry index testing results of colored spun yarn of Group No.1

图5 17001号样本色度学指标测评结果拟合曲线Fig.5 Fitting curve of colorimetry index testing results of No. 17001 samples

图6 17001号样本测评结果拟合曲线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，在部分测试实验中，也出现了测试指标异常波动的情况，如图7所示。通过分析发现，在测色样本中出现了较大区域的染色纤维异常聚集情况，即因为织造工艺而引起的瑕疵；同时，色纺纱中夹杂的异色纤维团也会对测试结果产生显著影响。

图7 样本测试异常波动点Fig.7 Singular points in colorimetry index testing results of samples. (a) No. 17004 samples; (b) No. 17007 samples

对第2组样本进行色度学指标特征提取与测试分析，可得到类似的结果与结论，如表3所示。但第2组实验样本间质量配比变化具有规律性，部分统计数据如表4所示。

表3 第2组样品色纺纱色度学指标测试评价结果Tab.3 Colorimetry index testing results of colored spun yarn of Group No.2

其中，17018号样本与17020、17021以及17022这3份样品的质量配比差异相同(均为8%)，与17019、17024和17025样品的质量配比差异相同(均为4%)。对表4中的编号样本进行色度学指标特征提取与测试分析，结果如图8所示。

从图8可看出，由于本文选取的3种颜色空间(RGB、LAB、HSV)具有不同的信息刻画能力，所以提取的色度学指标特征能够针对不同颜色的纤维配比变化进行有效表征，即在17020、17021、17022样本点的特征相似度基本保持不变；类似的，在17019、17024、17015样本点处的相似度也基本保持相同。实验结果表明，多颜色空间的引入能有效避免单一颜色空间特征表达不够全面的局限性。

表4 17018号样与其他样本间质量配比差异统计表Tab.4 Statistical table of quality difference between sample No. 17018 and other samples %

图8 17018号样本色度学指标测评结果拟合曲线Fig.8 Fitting curve of colorimetry index testing results of No.17018 samples

4 结 论

色纺纱大幅面微距采集系统的建立，使得众多特征融合算法能够应用于色纺纱色度学指标特征的提取与分析。针对色纺纱特有的呈色规律与特性，本文建立的结合全局颜色与局部纹理多样性特征模型，不仅利用了全局与局部特征间的互补性，而且还能结合不同颜色空间的多样性。实验结果表明，对于色纺纱色度学指标的细微改变，提取的多样性特征均能准确、稳定地进行表征，验证了融合算法的有效性和鲁棒性。本文研究对实现色纺纱产品开发的快速反应和科学管理，提高全产业链的颜色沟通效率、减少沟通成本具有重大的意义。采用多样性特征的融合策略以及模型对多因素色度学指标变化的有效性检测将是下一步研究的重点和方向。

FZXB

[1] 严旭新, 黄玉强, 于文菡, 等. 新型色纺精细混棉工艺流程研究[J]. 棉纺织技术, 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] 王华清, 文水平. 计算机测色配色应用技术[M]. 上海: 东华大学出版社, 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] 李启正, 金肖克, 张声诚, 等. 数码测色法在织物颜色评价中的应用[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. 色纺纱线中纤维混色比例的图像检测[J]. 纺织学报, 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 颜色空间的彩色等差线骨架线的提取[J]. 河南科学, 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] 李启正, 金肖克, 张声诚, 等. 数码测色法在织物颜色评价中的应用[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. 基于机器学习的纺织品颜色校正[D]. 杭州：浙江理工大学, 2016:6.

XU Rui. Textile color correction based on machine learning [D]. Hangzhou: Zhejiang Sci-Tech University, 2016:6．

[11] 张亚雯. 基于Digieye数码测色系统的纺织品色牢度快速评级方法的研究[D]. 上海：东华大学, 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] 吴小亮. 基于DSP的染色品色差检测系统的研究与设计[D]. 杭州：浙江理工大学, 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, 张朋珍, 李昊立, 等. 基于全局和局部特征融合的图像匹配算法研究[J]. 仪器仪表学报, 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] 丁莹, 钱锋, 范静涛, 等. 基于不同颜色空间的运动目标检测算法分析[J]. 长春理工大学学报(自然科学版), 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] 李启正. 机织物的交织混色规律及颜色预测模型研究[D]. 杭州：浙江理工大学, 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-颜色信息的尺度不变特征变换[J]. 光学精密工程, 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.