基于计算机视觉的织物光泽测试方法研究

张建新 黄钢 李消晋

摘要： 织物光泽作为服装外观性能的特性之一，具有重要的研究意义。文章提出多角度织物光泽计算机视觉测试方法，通过数字图像处理技术提取光泽特征，运用随机森林回归模型并结合感官评价结果，进行织物光泽的测试与評价。该方法将计算机视觉应用于织物光泽的测试，可测试不同光照环境下的织物光泽。通过线性拟合分析，表明运用随机森林回归模型进行预测的结果，既符合织物光泽测试标准，也与感官评价结果相一致。实验结果表明，文章所提出的多角度织物光泽计算机视觉测试方法可有效用于织物光泽测试。

关键词： 感官评价;计算机视觉;数字图像处理技术;特征提取;线性拟合;随机森林回归模型

中图分类号： TS101.8

文献标志码： A

文章编号： 10017003（2021）07006207

引用页码： 071110

DOI： 10.3969/j.issn.1001-7003.2021.07.010（篇序）

Research on measuring method of fabric luster based on computer vision

ZHANG Jianxin， HUANG Gang， LI Xiaojin

（Faculty of Mechanical Engineering & Automation， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract： As one of the important characteristics of garment appearance， fabric luster is of great significance for study. The paper has proposed a multi-angle computer vision test method for fabric luster. The features of fabric luster were extracted through digital image processing technology， and the fabric luster was tested and evaluated by using Random Forest regression model combined with sensory evaluation results. This method has applied computer vision to fabric luster test， which can test fabric luster under different lighting environments. Through linear fitting analysis， it has been shown that the prediction results using the Random Forest regression model not only met the standard of fabric luster test， but also corresponded to the sensory evaluation results. The experimental results have shown that the multi-angle computer vision method proposed in this paper can be used effectively for the test of fabric luster.

Key words： sensory evaluation; computer vision; digital image processing technology; feature extraction; linear fitting; Random Forest regression model

收稿日期： 20210130;

修回日期： 20210618

基金项目： 国家自然科学基金项目（U1609205）

作者简介： 张建新（1972），男，教授，主要从事纺织测试仪器的研究。

纺织品是人们日常生活中的必需品，一直占据着十分重要的地位。纺织品作为商品时，其视觉风格和触觉风格是消费者购买时的两项重要指标，而织物光泽是视觉风格的重要组成部分之一。织物光泽性能测试方法的研究和改进对服装面料的选择和设计有着重要的指导意义。

在物理学上解释，织物光泽是由表面反射光、内部反射光及投射光共同决定的结果[1]。目前，织物光泽理论主要包括内外差异理论和方向差异理论，其中方向差异理论更看重不同方向反射光而造成的光泽效果，而内外差异理论则更看重表面与内部的反射光差异。目前，织物光泽测试方法主要分为感官评价法和仪器评价法。在织物光泽性能测试方法研究的初期，主要依靠人的感官评价。但感官评价法仅依赖人的主观感受对织物光泽进行评价，一定程度上受环境因素、心理因素及生理因素等的干扰，具有一定的局限性。因此，织物光泽评价方法逐渐发展为仪器测试法。仪器测试法主要包括对比度光泽测试[2]、二维对比度光泽法[3]、变角光度仪测试法[4]等。随着计算机图像处理技术的成熟与发展，应用计算机视觉对织物光泽性能进行评价变为可能[5]。如申悦[6]通过CCD相机采集织物表面图像，并通过数字图像处理技术处理原始图像，提取与织物光泽相关的各类评价特征，最后建立Hopfield神经网络输入输出模型来评价织物光泽。但由于测试角度单一，且不贴合人的主观视觉感受，需要进一步的研究与完善。针对目前织物光泽测试方法的缺点与不足，提出一种多角度织物光泽计算机视觉测试方法来评价织物光泽，具有一定的研究意义。

本文的主要目的是研究一种多角度织物光泽计算机视觉测试方法来评价织物光泽性能。通过自主搭建的计算机视觉测试平台去采集不同光照环境下的织物表面图像，利用数字图像处理技术提取相关光泽评价特征，在光泽评价特征的基础上结合人的感官评价结果，建立随机森林回归模型来对织物光泽进行评价和预测。

1 织物光泽评价方法

1.1 多角度织物光泽视觉测试方法

1.1.1 多角度织物光泽计算机视觉测试平台

自主搭建多角度织物光泽计算机视觉测试平台，该计算机视觉测试平台主要部分包括CCD相机单元（DFK 23G274，The Imaging Source Co.， Ltd.， 中国台湾）、工业镜头、LED光源（LTS-HSL15058，Lighting & Optics Tech Specialist Co.， Ltd.， 广东）、光源控制器、角度旋转单元、计算机、暗箱及控制软件等。其中相机高达20帧速率，1 600×1 200像素，附带高敏感度的Sony IC单元。测试平台整体结构如图1所示。

1.1.2 图像采集与预处理

计算机视觉测试方法的第一步是采集织物图像。由于工业镜头的畸变等不可避免的因素，在圖像采集之前，需要对相机进行标定[7]。在相机标定完成后，采集一定光照环境下的试样。针对测试平台采集到的试样图像，为了去除图像中的无关信息，通过兴趣区域选择、灰度化和滤波对图像进行预处理。兴趣区域选择是为了去除背景信息的干扰，灰度化是后续图像处理过程的第一步，图像滤波是去除原始图像中的噪声干扰。经过对比分析可知，灰度化方法选用加权平均法能明显地反映各像素点灰度差异，滤波选用中值滤波能较好地去除噪声带来的干扰，如图2所示。

多角度织物光泽计算机视觉测试平台具体测量过程如下：

1）将长宽均为20 cm试样放入载物台中间，并对试样进行预处理，保证试样表面平整;

2）选定光源角度，光源角度可选30°、45°和60°，在选定光照环境下，采集原始织物图像;

3）对采集到的图像进行预处理，其中包括兴趣区域选择、灰度化、滤波处理等，随后对其进行图像处理提取光泽评价特征;

4）在Matlab 2018b的工作环境下，结合感官评价结果，运用随机森林回归模型，将结果以txt文件形式保存，并通过屏幕显示评价结果（图3）。

1.1.3 评价特征构建

通过数学的机制来处理复杂现象的理解问题，即将物体及其性质抽象为形式化的数学模型，模型由一组相对少的参数来表示，一般可以从图像信息数据中得到[8]。织物光泽性能在客观上表示为织物本身的固有属性，受光照环境的影响，与颜色也存在着相互影响关系。综上可以认定，通过数字图像处理技术从织物图像上提取有关灰度[9]、色彩[10]、纹理[11]等方面的评价特征，能建立对应的数学模型来量化织物的光泽性能。

1）颜色特征。织物颜色是织物光泽的影响因素之一，反过来说，织物光泽也是织物颜色的影响因素之一，两者之间存在着相辅相成的关系。计算机视觉测试平台通过相机采集到织物RGB三个通道组成的图像，RGB颜色空间是三种基本色的叠加，但由于人眼对于三色的敏感程度不一样，不能合理地描述颜色特征。相比RGB颜色空间，Lab颜色空间更符合人类的视觉感应。通过颜色空间转换将图像从RGB颜色空间转换到Lab颜色空间，并构建颜色均方差Cu，即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，如下式所示。

Cu=∑ni=1∑mj=1（aa-aij）2+（ba-bij）2+（La-Lij）2n×m（1）

式中：aa、ba、La分别是图像中所有像素Lab颜色空间三要素的平均值，aij、bij、Lij对应图像中第i行j列像素点的Lab颜色

空间三要素的值。

2）灰度特征。在灰度世界中，不包含颜色信息，灰度值反映图像亮度信息，取值是从0～256。通过所采集的图像灰度值的分布和变化构建灰度特征，能反映织物样本平均亮度信息的灰度平均值Ga、反映亮度变化程度信息的灰度极差值Gd及反映织物反射光强分布均匀度的灰度均匀度Gu。

灰度平均值Ga：所采集织物图像中所有像素点的灰度值的平均值，描述织物表面的平均亮度，反映织物表面的光强信息。

Ga=∑mi=1∑nj=1Gijm×n（2）

式中：Gij表示第i行j列像素点的灰度值;m表示像素点的行数;n表示像素点的列数。

灰度极差值Gd：织物图像灰度值最大值与最小值之间的差值，描述织物反射光强的变化范围，反映图像表面亮度变化的剧烈程度。

Gd=Gmax-Gmin（3）

式中：Gmax表示图像所有像素点灰度最大值前15位的平均值，Gmin表示图像所有像素点灰度最小值前15位的平均值，这里取前15位是为了数据尽可能的准确。

Gmax=∑15i=1maxini∑15i=1ni，Gmin=∑15i=1minini∑15i=1ni（4）

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

灰度均匀度Gu：织物图像所有像素点的灰度值的均方差，描述织物反射光强的分布均匀程度。

Gu=∑ni=1∑mj=1（Ga-Gij）2n×m（5）

3）纹理特征。图像纹理描述图像中重复出现的局部规则和排列规则，反映物体表面特性，同时与光照环境及反射情况有一定的关系。弱纹理的基元之间在空间上的相互作用较小，强纹理基元间的空间相互作用是有某种规律的[12]。强弱纹理在织物图像中具体表现为强纹理的图像视觉效果清晰，对比度较大，弱纹理的图像视觉效果模糊，对比度较小[13]。通过描述图像像素点之间的空间灰度关系的灰度共生矩阵，来构建能量ASM、对比度CON和相关性COR作为织物图像的纹理特征，分别描述织物图像的纹理粗细程度、视觉效果及局部灰度相关性。为了方便计算，灰度级压缩为16级，灰度共生矩阵的滑动串口选择5×5，步距设置为1，方向选择0°、45°、90°、135°，对四个方向的特征取平均值，如下式所示。

ASM=∑ki=1∑kj=1（Gij）2（6）

CON=∑k-1n=0n2∑|i-j=n|Gij（7）

COR=∑ki=1∑kj=1（ij）G（i，j）-uiujSiSj（8）

式中：Gij是所建立的灰度共生矩阵中第i行第j列的值，k是建立灰度共生矩阵时的灰度级，ui、uj、Si、Sj的计算如下式所示。

ui=∑ki=1∑kj=1i×Gij（9）

uj=∑ki=1∑kj=1j×Gij（10）

Si=∑ki=1∑kj=1（i-ui）2×Gij（11）

Sj=∑ki=1∑kj=1（j-uj）2×Gij（12）

1.1.4 随机森林回归模型

随机森林属于集成学习类算法，是通过将多个弱学习模型打包组成一个强学习模型，多个弱学习模型之间相互独立。随机森林选择决策树作为弱学习模型，强学习模型比弱学习模型的预测结果更为精确[14]。随机森林回归模型可以建立若干自变量与因变量之间的复杂非线性关系，假设有n个织物样本，k个与织物光泽相关的评价特征。在构建回归树的过程中，通过Bootstrap抽样法从n个织物样本随机抽取m个子样本，随机选择其中mtry个特征建立m个决策树模型。每次构建的决策树模型都可能因为随机性而不同，通常能随机地生成几百甚至几千棵分类树，从中选择重复度最高的树作为最终结果[15]。随机森林回归模型的预测结果是m个决策树结果的平均值，流程如下：

1）从具有n个样本的原始样本集中有放回地随机抽取m个样本构造m个子样本集，通过训练m个子样本集，构建m棵回归树，其中未抽取的样本作测试集，验证模型性能。

2）设定回归模型参数mtry，假设织物样本有k个评价特征，随机选择mtry个（mtry

3）每颗回归树通过设定树棵数ntree值来作为回归树生长的终止条件，训练结束生成的m棵回归树组合成随机森林回归模型，取m棵回归树训练结果的算术平均值作为最终模型输出。

随机森林预测模型如图4所示。

假设测试集的样本数为q，模型的预测效果通过测试集均方误差MSE及决定系数R2来衡量，如下式所示。

MSE=∑qi=1（yi-y′i）2q（13）

R2=1-MSEY2（14）

式中：yi表示测试集中测试样本的真实值，yi′表示回归模型的预测值，Y2表示预测值的方差，q为测试集的样本数。

1.2 测试标准

测试标准即光泽对比度测试法，是按照现行纺织测试标准FZ/T 01097—2006《织物光泽测试方法》进行的，作为测试标准与本文提出的方法进行比较。测试仪器为YG268高精度测试仪（3nh Technology Co.， Ltd.， 深圳）。测试原理（图5）：光源以60°的入射角度照射在织物样本上，随后在60°和30°与样本相同距离的位置上，通过光电传感器检测正反射光与漫反射光，经由光电转换器得到相应数字量，最后通过比较电路得出织物光泽的数值。

织物光泽计算如下式所示。

GC=GSGC-GR（15）

式中：GC为织物光泽度;GS为织物正反射光强度;GR为织物正反射光强度与漫反射光强度之差。

1.3 感官评价法

感官评价法是指在一定的光照环境下，评价人员通过视觉等对织物作出织物光泽等级的描述或划分。在感官评价开始前，为了确保评价人员能够给出合理的评价结果，应对评价人员进行认知上的训练，保证评价人员对织物光泽的认知一致。通过研究织物感官评价语言描述结果与客观评价结果的相互联系，建立了语言描述和量化等级相结合的感官评价（表1[16]）。感官评价法在表1的基础上进行，实验光源采用标准LED光源，色温5 500 K，评价人员在温湿度适宜且密闭的实验室环境内进行，评价人员视角在织物正上方，记录人员根据评价等级记录评价结果。

2 实验与分析

本文选择纯棉织物作为实验试样，在实验进行之前对所有面料进行低温熨烫处理，确保表面平整，随后将试样在室温24 ℃、湿度65%环境静置24 h后裁剪成长宽均为20 cm的试样备用。各织物试样参数见表2。

2.1 实验结果

2.1.1 感官评价结果

如表1所示，根据人类视觉的反映，把试样分为8类，建立语言描述与量化等级的对应关系。在确保不同光照环境下光源与试样的距离保持不变的情况下，进行不同光照角度的感官评价实验，照射角度分别为30°、45°和60°。16位评价人员依次对织物试样进行评价，剔除异常数据，平均结果保留两位有效数字，感官实验结果如表3所示。

2.1.2 标准测试结果

本实验目的是与本文提出的方法进行对比，验证该方法与测试标准结果是否具有一致性。方法测试流程如下：1）将仪器放置在密闭环境下，并在实验前校准仪器;2）将样本按顺时针旋转60°，并将测试面朝外，使其位于测试端;3）根据仪器测试结果，读取GS最大值及其GR值，并根据计算公式计算织物光泽，实验数据见表4。

2.1.3 多角度织物光泽测试结果

根据多角度织物光泽视觉测试方法，采集在30°、45°、60°光源照射角度下的织物图像，经过预处理及数字图像处理构建灰度特征灰度平均值Ga、灰度极差值Gd、灰度均匀度Gu，计算颜色特征颜色均方差Cu，将纹理特征能量ASM、对比度CON和相关性COR作為随机森林回归模型中的评价特征。原始织物样本集为48个，取2/3作为训练集，1/3作为测试集，结合感官评价结果，建立随机森林回归模型。

随机森林模型有两个重要的参数，一是回归树的参数ntree，对应子决策树棵树m;二是确定回归树分枝的评价特征的个数mtry，是回归树从输入评价特征中随机选取的确定分枝的评价特征个数。ntree决定了森林的大小，是随机森林中回归树生长终止的条件，ntree不宜过大，过大模型训练时间较长，训练效率较低，也不宜过小，过小导致训练结果误差较大，模型预测精度较低。mtry值的选择能提升模型的泛化能力，与织物光泽的评价特征集有关，一般取原始织物光泽评价特征集的1/3，即有放回地从原始织物光泽特征集中抽取评价特征组成新的评价特征集作为回归数的输入特征进行训练。经过随机森林回归模型的参数分析，随机森林回归模型参数选择ntree为500，mtry为原始织物光泽特征的1/3，建立织物光泽随机森林回归模型，模型预测结果如表5所示。

由表5数据可知，该模型的评价指标R2为0.93，表明模型预测效果较好，能有效用于织物光泽性能的预测与评价。

2.2 验证与分析

将测试标准对比度光泽测试结果与感官评价结果相比较，验证两者间的一致性，比较结果如图6所示。

决定系数R2的取值在（0，1），越接近1拟合程度越高。上述线性拟合曲线的R2为0.896，Pearson系数为0.946，拟合效果较差，这表明测试标准与感官评价结果的一致性较差。为了验证多角度织物光泽计算机视觉测试方法与标准测试结果的一致性，本文将织物光泽随机森林回归模型的预测结果与测试标准结果进行一致性验证，确定两者结果间的一致性，比较结果如图7所示。

该线性拟合曲线的R2是0.977，这表明多角度光泽测试方法和测试标准结果拟合程度较高。同时该拟合曲线的Pearson相关系数是0.988，也表明两种方法的评价结果具有良好的映射关系。综上可以认为，多角度计算机视觉测试方法与标准测试方法的评价结果具有良好的一致性，且贴合感官评价的量化结果，证明了该方法的优越性。

运用织物光泽随机森林回归模型对不同光源入射角度下的织物的光泽性能进行预测，预测结果如表6所示。

织物由于自身组织结构等，对光的反射是织物的固有属性，织物光泽是由不同方向反射光刺激人眼产生的光泽效应，因此不同入射角度下织物反映的光泽性能也有不同。由表6数据可知，光源不同入射角度下的织物光泽性能不一，具体表现为60°入射角度下的织物光泽性能强于45°入射角度下的织物光泽性能，随着入射角度的较小，织物表现出的光泽性能减弱。

3 结 语

本文提出了一种多角度织物光泽计算机视觉测试方法，通过图像处理技术构建织物光泽评价特征，并结合随机森林算法，建立了随机森林回归模型。该方法通过建立的随机森林回归模型，能有效预测不同光照角度下的织物光泽性能。相比测试标准，通过计算机视觉的方式采集织物表面信息，样

本信息更为丰富和全面。验证结果表明，该方法建立的回归模型预测性能较好，可用于织物光泽的性能评价。随机森林回归模型将感官评价结果与计算机视觉测试方法相结合，既与标准测试结果具有良好的一致性，也与感官评价结果相一致。但是，预测模型的部分预测值也与实际值有一定误差，在后续研究中，将在该测试方法的基础上，调整和优化模型的参数，使其预测效果更加精确。

参考文献：

[1]姚穆， 吕明哲， 蒋素禅. 纺织品光泽评定的研究[J]. 西北纺织工学院学报， 1991， 10（2）： 84-90.

YAO Mu， L Mingzhe， JIANG Suchan. A study of evaluation of fabric lustre[J]. Journal of Northwest Textile Institute， 1991， 10（2）： 84-90.

[2]李汝勤， 宋钧才. 纤维和纺织品测试技术[M]. 3版. 上海： 东华大学出版社， 2009： 29-36.

LI Ruqin， SONG Juncai. Fiber and Textile Testing Technology[M]. 3th Ed. Shanghai： Donghua University Press， 2009： 29-36.

[3]MEHDI H， DARIUSH S， MOHAMMAD S. A new method for mearsuring luster index based on image processing[J]. Textile Research Journal， 2010， 80（8）： 65-69.

[4]申悦， 谢莉青. 织物光泽测试技术研究现状与展望[J]. 纺织科技进展， 2017， 9（3）： 5-9.

SHEN Yue， XIE Liqing. Research status and prospect of the testing technology of fabric luster[J]. Progress in Textile Technology， 2017， 9（3）： 5-9.

[5]禹晶， 孙卫东， 肖创柏. 数字图像处理[M]. 2版. 北京： 机械工业出版社， 2015： 278-294.

YU Jing， SUN Weidong， XIAO Chuangbo. Digital Image Processingm[M]. 2nd Ed. Beijing： China Machine Press， 2015： 278-294.

[6]申悦. 织物光泽的计算机视觉评价研究[D]. 青岛： 青岛大学， 2018： 12-91.

SHEN Yue. Research on Computer Vision Evaluation of Fabric Gloss[D]. Qingdao： Qingdao University， 2018： 12-91.

[7]劉静， 庄梅玲， 石历丽， 等. 基于纹理平滑和GrabCut的皮影图案轮廓的智能提取[J]. 丝绸， 2020， 57（11）： 20-23.

LIU Jing， ZHUANG Meiling， SHI Lili， et al. Intelligent contour extraction of shadow patterns based on texture smoothing and GrabCut[J]. Journal of Silk， 2020， 57（11）： 20-23.

[8]于海鹏. 基于数字图像学的木材纹理定量化研究[D]. 沈阳： 东北林业大学， 2008： 27-35.

YU Haipeng. Quantitation of Wood Texture by Digital Image Processing[D]. Shenyang： Northeast Forestry University， 2008： 27-35.

[9]刘哲. 基于图像分析的织物外观质量综合评价[J]. 纺织学报， 2012， 33（11）： 62-66.

LIU Zhe. Comprehensive evaluation of appearance quality of fabrics based on image analysis[J]. Journal of Textile Reasearch， 2012， 33（11）： 62-66.

[10]李静. 织物表面纹理特征与光泽对主观颜色的影响[D]. 杭州： 浙江理工大学， 2013： 17-23.

LI Jing. Influence of Fabric Surface Texture Characteristic and Gloss on Subjective Color[D]. Hangzhou： Zhejiang Sci-Tech University， 2013： 17-23.

[11]张丽. 基于颜色和纹理特征的图像检索技术研究[D]. 南京： 南京邮电大学， 2017： 6-18.

ZHANG Li. Research on Color-Based and Texture-Based Image Retrieval Algorithm[D]. Nanjing： Nanjing University of Posts and Telecommunications， 2017： 6-18.

[12]单洪波， 王世伟， 戚大伟， 等. 基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别[J]. 森林工程， 2017， 33（4）： 40-43.

SHAN Hongbo， WANG Shiwei， QI Dawei， et al. Wood defects recognition based on gray-level co-occurrence matrix and fuzzy BP neutral network[J]. Progress in Textile Technology， 2017， 30（4）： 40-43.

[13]陳燕芹， 段锦， 祝勇， 等. 基于纹理特征的图像复杂度研究[J]. 中国光学， 2015， 8（3）： 408-413.

CHEN Yanqin， DUAN Jin， ZHU Yong， et al. Research on the image complexity based on texture features[J]. Chinese Optics， 2015， 8（3）： 408-413.

[14]谢桦， 陈俊星， 郭志星， 等. 基于随机森林算法的架空输电线路状态评价方法[J]. 现代电力， 2020， 37（6）： 562-564.

XIE Hua， CHEN Junxing， GUO Zhixing， et al. Condition evaluation method of overhead transmission line based on random forest algorithm[J]. Modern Electric Power， 2020， 37（6）： 562-564.

[15]唐蓉. 基于随机森林回归的青年人体质影响因素研究[D]. 南昌： 华东交通大学， 2016： 28-36.

TANG Rong. Research on Influence Factors of Young People Physical Fitness Based on Random Forest Regression[D]. Nanchang： East China Jiaotong University， 2016： 28-36.

[16]GUNDOLA M， KISTAMAH N. Development of a fabric luster scale[J]. University of Mauritius Research Journal， 2007， 13（1）： 155-162.