基于光谱成像技术的织物光泽模糊综合评价

张建新， 黄 钢， 胡旭东

(浙江理工大学 机械与自动控制学院， 浙江 杭州 310018)

织物光泽即织物表面反光性能，在织物视觉风格设计中起着十分重要的作用。在视觉美感上,织物或服装的美感和设计感都离不开织物光泽，因此织物光泽性能的研究与设计对织物视觉风格的改进与成品风格的提升均有重要的意义。

目前，织物的光泽理论主要分为方向差异理论和内外差异理论2种:方向差异理论认为，织物反射空间不同方向的反射光强度差异越大,则其光泽越强；而内外差异理论则认为，织物的反射光中表面反射成分与内部反射成分的相对构成决定其光泽的质与量[1]。评价织物光泽的方法有2种:主观评价法和客观评价法。主观评价法凭借人的主观感觉对织物光泽进行评价，受人为、环境以及心理因素影响，存在一定局限性。随着光泽理论的发展，织物光泽性能评价方法逐渐发展为仪器测量。在织物光泽评价研究初期，主要通过光电检测器测量织物表面正反射光强度以及漫反射光强度，根据FZ/T 01097—2006《织物光泽测试方法》中的公式来计算织物光泽，并衍生出不同的测试方法，如对比度光泽测试[2]、二维对比度光泽法、变角光度仪测试法[3]等。后来慢慢发展到采用二维图像分析的方式以及通过数字图像处理技术提取织物光泽图像特征。如申悦等[4]利用计算机视觉测试系统采集织物表面图像，并提取灰度对比度、名义填充度、光泽填充度极差、灰度共生矩阵对比度和饱和度等光泽特征，建立Hopfiled神经网络织物光泽分类模型来对织物进行光泽等级分类。但由于评价结果与光泽的关系仍存在争议，因此，织物光泽测试方法仍需要进一步的探索和研究。李静等[5]通过织物颜色实验和光泽实验证明了颜色与光泽存在着相互影响。黄丽等[6]首先通过4个典型的色差公式对织物进行视觉评价，得出光泽与色差的相互关系。目前，针对织物光泽的测试方法集中体现织物的反射光的强度差异和分布差异。通过光谱成像系统采集织物表面多波段光谱信息，光谱反射率信息既包含物体表面反射率信息，也包含颜色信息，因此，利用光谱技术评价织物的光泽性能具有一定的研究意义。

本文通过对织物光谱数据进行分析和处理，构建反映织物光泽性能的评价特征指标，建立了模糊综合评价模型来对织物光泽性能进行评价，为光谱成像技术在纺织品光泽性能评价的发展和应用提供参考。

1 织物光泽评价方法

1.1 主观评价法

织物光泽主观评价法是指在一定光照条件下，评价人员通过视觉对具有一定光泽性能的织物给出视觉上的感受或光泽优劣的划分。在实验开始前，需确保评价人员对织物光泽的认知保持一致，能够给出合理的织物光泽语言描述。本文实验参照已有的研究成果，采用织物光泽主观评价表将语言描述与量化等级相结合[7]。织物光泽主观评价表如表1所示。

实验光源采用D65标准光源，主观评价实验在温湿度适宜且密闭的房间内进行，保证实验环境无干扰。评价人员视角在织物试样正上方，记录人员根据表1记录织物光泽主观评价结果。为确保数据的有效性，评价人员一般为3位，且一个试样重复实验3次取平均值，最后剔除明显的误差数据，然后取平均值作为最终结果。

表1 织物光泽主观评价等级Tab.1 Subjective evaluation level of fabric gloss

1.2 客观评价法

1.2.1 光谱成像系统简介

实验仪器采用可见光谱成像系统，主要部分包括GaiaField-V10E-AZ4高光谱相机、150 W卤素光源、光源控制器、步进载物台控制器、计算机、暗箱及控制软件等。其中光谱仪的分辨率为2.8 nm，采样间隔为0.55 nm，光谱范围为350 ～1 000 nm。系统整体结构如图1所示。

1—卤素光源；2—光源控制器；3—高光谱相机模块；4—步进电动机载物台；5—台式计算机。图1 光谱成像系统Fig.1 Hyper spectral imaging system

1.2.2 检测原理及过程

光谱成像系统可用于采集均匀光照条件下试样表面的光谱信息，光谱信息反映试样表面反射率信息。本文提出的织物光泽性能评价方法通过高光谱相机采集试样的连续波段的光谱信息，并在此基础上进行进一步的研究。光谱数据采集具体过程如下：

1)将长宽均为20 cm的试样放入载物台中间，并确保试样表面平整。

2)相机调焦并确定相机参数，在设定参数下采集原始数据。

3)进行黑白校正，消除暗电流以及光源光照强度的分布不均匀可能产生的噪声，校正公式为

式中：Rc为校正后的光谱数据；Rr为扫描标准反射白板得到白板数据；Rd为暗环境下的暗场数据；Rw为原始的光谱数据。

原始光谱数据为raw后缀的光谱数据文件，需要通过反射率数据处理软件ENVI进行后续的处理，才能得到试样光谱图像的光谱反射率数据。选择ENVI 4.8作为软件平台，首先通过ENVI 4.8以多波段反射率数据的方式打开原始光谱数据，再通过ROI工具选取兴趣区域，并将多波段光谱数据导出为txt文件，最终获得试样的光谱反射率数据。人眼可见光范围为380～780 nm，因此仅保留可见光波段的光谱数据留于后续分析和处理。本文光谱数据采集的流程如图2所示。

图2 光谱数据采集及校正流程图Fig.2 Flow chart of spectral image acquisition and calibration

1.2.3 评价特征构建

反射率表示织物表面对光的反射能力，通过反射率表征织物的光泽性能。这种方法简单易行，但并未考虑织物颜色对光泽的影响，只能片面描述织物的光泽性能。刘哲等[8]通过构建反映织物外观的图像灰度特征来建立织物外观的综合评价模型。因此，通过对光谱数据的分析，将光谱数据经过色度空间变换得到CIELab色度空间，并构建反映织物光泽性能的评价特征来建立织物光泽评价模型。Lab色度空间由3个要素组成：L反映亮度信息；a和b是2个颜色通道，均反映颜色信息[9]。基于CIELab色度空间亮度信息和颜色信息分量相互独立的特点，本文提出4个描述织物光泽性能的评价特征。

1)亮度平均值Lq：织物图像中所有像素点的亮度值L的平均值，描述织物表面的反射光强度，计算公式为

式中：Lij表示第i行第j列像素点的亮度值；m表示像素点的行数；n表示像素点的列数。

2)亮度极差值Ld：织物图像亮度最大值与最小值之间的差值，描述图像反射光强度的变化范围，反映亮度变化的剧烈程度。

Ld=Lmax-Lmin

式中：Lmax表示图像所有像素点亮度值最大值前3位的平均值；Lmin表示图像所有像素点亮度值最小值前3位的平均值。公式为

式中：maxi表示第i大的亮度值；mini表示第i小的亮度值；ni表示相应的亮度值的个数。

3)亮度均匀度Lu：织物像素点亮度值的均方差，衡量织物亮度的分布均匀程度。公式为

4)颜色均方差Cu：织物图像像素点颜色信息值的均方差，反映织物表面的颜色信息。公式为

式中：aq、bq表示所有像素点的颜色空间信息的平均值；aij、bij表示Lij对应第i行第j列像素点的颜色空间信息的值。

1.2.4 织物光泽的模糊综合评价

考虑到构建织物光泽的评价特征的选取时可能产生的不确定性、不全面性，利用模糊综合评价将不完全信息、不全面信息转化为模糊概念，提高评价结果的准确性[10]。

根据上述评价特征，织物光泽的模糊综合评价过程如下：

1)根据构建的织物试样的评价特征，即选择亮度平均值Lq、亮度极差值Ld、亮度均匀度Lu、颜色均方差Cu作为模糊综合评价模型的评价特征集{X1,X2,X3,X4}。

2)确定评语集。评语集是对织物试样光泽性能做出的不同评价的一组集合{Y1,Y2,…,Yn}，即对应不同织物试样的光泽性能。

3)建立模糊关系矩阵R。模糊关系矩阵R在模糊综合评价中起着至关重要的作用。根据评价特征数据所对应的量值按从优隶属度指标进行隶属度转换，进而得到模糊关系矩阵R。从优隶属度转换公式为

式中：Xij为第i项评价特征对于第j项评语所对应的量值；maxXi为第i项评价特征中最大值；minXi为第i项评价特征中最小值；rij表示评价特征Xi对于评语Yj的隶属度。

4)确定权重向量W。根据各评价特征对织物试样光泽性能的重要程度，确定评价特征的权值向量。权重值直接影响模糊综合评价结果的准确性，故需要对确定权值的方法进行讨论。

在模糊综合评价方法中，比较常见的权值确定方法为：变异系数法、层次分析法、专家经验法、熵权法等[11]。变异系数法(简称为COV)，是直接利用各项评价特征所包含的信息，通过计算数学指标变异系数和标准差的比值来确定各评价特征的权值；层次分析法又称APH层次分析法(简称为APH)，是通过将复杂的评价对象分解为有序的递阶层次整体，对各评价特征进行两两比较和计算，最终得到各个评价特征的权值[12]；专家经验法(简称为EEM)，是通过咨询权威专家的意见给出合适权值，并不断反馈评价信息来得到一个较为合理的权值；熵权法(简称为EWM)，是根据评价特征的信息熵的大小来判断变异程度大小，与评价特征信息量成正比。在综合评价中，评价特征提供的信息量越大，其对应的权值就越大[13]。

5)根据建立的模糊关系矩阵R和权重向量W计算模糊综合评判向量B。

B=W·R=[b1,b2,…,bm]

式中，[b1,b2,…,bm]是模糊综合评价的评判向量。在评判向量[b1,b2,…,bm]中，根据评判结果大小为各织物试样赋以参数值c1,c2,…,cm利用参数加权平均公式对织物试样的光泽进行评级，计算公式如下：

式中：Ci为各织物试样所对应的评价结果；t为待定系数，一般可取t=1，2。

2 实验与分析

选择纯棉织物作为实验对象，在实验开始之前对所有试样进行低温熨烫处理确保表面平整。在预处理后，将织物裁剪成长宽均为20 cm的试样在标准实验环境下静置24 h后备用，织物试样参数见表2。

表2 织物试样参数Tab.2 Fabric sample parameters

2.1 主观评价实验

根据人类视觉对织物光泽强弱的语言描述，将织物光泽分为8类，通过表1将语言描述与量化等级建立对应关系。在主观评价实验中，3位评价人员对织物试样进行有关光泽性能的定性描述，然后根据描述按表1中的对应关系对每个试样进行评级，主观评价实验结果见表3。

表3 主观评价光泽等级实验数据Tab.3 Subjective evaluation experimental data of luster 级

2.2 客观评价实验

2.2.1 光谱成像评价实验

通过本文提出的基于光谱成像技术的织物光泽性能评价方法，按照上述流程采集8种纯棉织物表面多波段光谱反射率数据，经过数据处理后得到有关织物光泽的评价特征，其数据见表4。

表4 评价特征数据Tab.4 Evaluation characteristic data

织物试样确定评语集{Y1,Y2,…,Y8}，分别对应8个试样的织物光泽性能。根据模糊综合评价的评价特征集{X1,X2,X3,X4}，其中X1为亮度平均值，X2亮度极差值，X3为亮度均匀度，X4为颜色均匀度，对评价特征数据根据从优隶属度公式转换后可建立模糊关系矩阵：

通过不同权值确定方法得到的评价特征所对应的权重向量W见表5，Wi为权重W的元素。

表5 不同权值方法确定的权值Tab.5 Weight determined by different methods

显然，对织物光泽性能的模糊综合评价结果向量B为

最后，根据结果高低，赋予各评语参数值，其参数赋值公式如下所示：

取待定系数t=1，根据加权平均公式对织物光泽进行评价，结果见表6。

表6 织物光泽评价结果Tab.6 Evaluation results of fabric gloss

2.2.2 对比度光泽实验

参考FZ/T 01097—2006进行实验，测试仪器采用YG268高精度光泽测试仪。测试方法如下：

1)将仪器放置在避免阳光直射的平台上，并校准仪器；2)在仪器的测量口上，将平整试样的测试面朝外；3)旋转样品台，读取织物正反射光强度(GS)最大值及其织物正反射光强度与漫反射光强度之差(GR)值；4)根据测量值，按下式计算织物光泽度：

本实验目的是与本文提出的方法进行对比，验证该方法的可行性。实验结果见表7。

表7 对比度光泽实验结果Tab.7 Contrast gloss experiment results 级

2.3 分析与验证

2.3.1 结果分析

为验证本文提出的基于光谱成像技术的织物光泽评价方法的可行性，将得到的主观评价结果与基于光谱成像技术的织物光泽评价结果进行比较，确定评价结果间的一致性，结果如图3所示。图中，H0为一致性判断指标，当H0为1表明在显著水平为5%时拒绝原假设，那么可以认为一致性显著。R2为决定系数，取值在(0，1)之间，当H0成立时，R2越接近1，表明拟合程度越高，换言之一致性就越好[14]。

图3 模糊评价与主观评价结果比较Fig.3 Result comparison of fuzzy evaluation and subjective evaluation

由图3可知，基于光谱技术的模糊综合评价模型所得到的结果与主观评价结果的结果具有良好的一致性，从主观层面证明了该方法的一致性。通过对不同权值确定方法的结果比较可知，COV、APH与EEM均可视为一致性显著，且COV显著性最好，EWM不具备一致性，不适合用于确定本模型权值的确定。图4示出对比度光泽实验与本文方法的结果比较。

图4 模糊评价与对比度实验结果比较Fig.4 Result comparison of fuzzy evaluation and contrast experiment

由图4可知，基于光谱成像技术的织物光泽评价结果与对比度光泽实验的评价结果具有良好的一致性，符合行业测试标准，从客观层面验证了该方法的可行性。通过4种不同的权值确定方法的比较可知，COV与EEM均可视为一致性显著，且COV显著性最好，EWM与APH一致性不显著，不适合用于确定评价模型的权值。

2.3.2 验证与预测

选取部分重复试样及不同组织结构的织物作为预测试样，利用上述建立的回归方程对织物的光泽性能进行预测，验证该方法的有效性。织物样本部分参数如表8所示。

表8 织物试样参数Tab.8 Fabric sample parameters

表8中，斜纹组织为二上一下，缎纹组织为五枚二飞经面缎纹。通过结果分析，选择一致性最为显著的COV权值确定方法所建立的回归方程进行预测，回归方程如下：

y=0.451x+0.293

yc=0.733x+0.814

式中：y为对比度光泽实验的实际值；x为所提出方法的光泽评价结果；yc为主观评价光泽的实际值。

令y′为对比度光泽实验的预测值，y′c为光泽主观评价结果的预测值，结合提出的光谱评价方法以及建立的回归方程，预测结果如表9所示。

通过对回归方程进行预测研究，由表9数据可知，预测值与实际值间的误差较小，预测结果在接受区间内，因此可认为,该方法能有效应用于织物光泽性能的测试和评价。

表9 预测分析表Tab.9 Predictive analysis table 级

3 结 论

本文提出一种基于光谱成像技术的织物光泽性能客观评价方法，该方法采用光谱成像系统采集织物表面的光谱反射率信息。从原理上分析并构建描述织物光泽和颜色的评价特征，建立基于评价特征的模糊综合评价模型，分析比较模型中不同权值确定方法的评价结果，最后分别从主客观层面验证评价结果的一致性，通过回归预测验证方法的有效性，得出如下结论。

1)在本文提出的织物光泽模糊综合评价模型中，通过变异系数法来确定权值，其模糊综合评价结果显著性最好，适用于模糊评价模型中权值的确定，专家经验法评价结果显著性次之，层次分析法与熵权法并不适用于本模型中权值的确定。所建立的织物光泽模糊综合评价模型能够实现定量分析织物的光泽性能，且能减少由于评价特征构建的不全面性与不确定性所带来的影响，为织物光泽性能提供可靠的评价结果。

2)采用光谱成像技术对织物光泽性能进行评价具有可行性。通过包含织物表面信息更加丰富的光谱成像技术对织物进行评价，既能反映颜色信息，也能反映表面反射率信息。该方法既符合行业内FZ/T 01097—2006 标准的客观评价结果，也与主观评价结果具有一致性，能实现快速、无损的织物光泽性能评价，具有一定的应用价值，为纺织品光泽性能评价方法的研究和发展提供参考。