基于光谱特征和图像处理的真丝织物光泽研究

朱巧武 梁帅童 丁雪梅 裴刘军 张红娟 王际平

摘要：在评价织物品质与风格时需要对织物的光泽感进行评价，基于图像处理的织物光泽评价技术较其他评价技术具有诸多优点，但在关键的织物图像光泽特征的构建上，仍需要进行研究。本文选用本白色真丝素绉缎织物作为浅色样本，蓝色和黑色真丝素绉缎织物作为深色样本，粉红色和棕色样本验证分析结论。通过真丝织物的光谱数据分析对光泽度主观评价的影响因素，并建立有效的织物光泽图像特征对织物光泽评价。本文通过对真丝织物的光谱数据分析，发现织物的颜色明度与主观评分相关性很低，颜色的色相显著影响主观评分结果。并且织物的波长反射率在530～560 nm改变时，对织物光泽的主观评分影响最大。以此建立的织物光泽图像特征，表明织物表面亮点与整体表面背景亮度的对比度是基于图像处理评价技术的关键之一。

关键词：真丝织物；光谱特征；主观评价；数据分析；图像处理

中图分类号：TS101.923

文献标志码：A

文章编号：10017003（2024）02005109

DOI：10.3969/j.issn.1001-7003.2024.02.006

收稿日期：20230725;

修回日期：20231216

基金项目：国家自然科学基金项目（22108169）;新疆生产建设兵团重点研发计划项目（2019AA001）

作者简介：朱巧武（1996），男，硕士研究生，研究方向为织物光泽评价。通信作者： 梁帅童，副教授，liangst@sues.edu。

织物的光泽感评价是评价织物品质与风格的一项关键指标，对织物光泽机理与测试评价方法的研究具有重要的意义。织物光泽的测试方法主要分为感官测试方法和仪器测试方法，感官测试方法依赖人的主观评价，受主观因素的影响非常大，Gundola等开发用于织物光泽主观测量的量表，降低了主观因素的影响，但是感官评价依然存在过程繁琐、效率低等问题。仪器测试方法分为对比光泽度测试方法、基于计算机视觉的图像处理评价测试方法，以及显微光泽计测试方法和积分球测试方法等。对比光泽度测试方法在不同角度下测量织物表面的正反射亮度与漫反射亮度的比值，问题是该方法仅测量织物部分表面的光泽度，在织物的表面光泽分布不均匀时，出现同一块织物面料不同区域对比光泽度差值极大。基于计算机视觉的图像处理评价测试方法则没有这个问题，可以通过摄像机拍摄织物整体进行处理分析。刘哲使用图像处理的方法构建五个灰度图像的特征，综合评价织物的外观风格；张新建等同样使用织物的颜色、灰度和纹理特征，建立随机森林回归模型。但是在许多图像处理评价测试方法研究中，建立的模型只能针对特定的样本集表现良好，泛化能力差。原因是在关键的织物图像光泽特征的构建上，如何建立织物光泽图像的有效特征仍需进行研究。

本文选用本白色、蓝色、黑色、粉红色和棕色的真丝素绉缎织物作为样本，基于样本的光谱数据分析织物光澤感主观评价的影响因素，并且基于分析结论构建有效的织物光泽图像特征。本文要解决的关键问题是如何构建有效的图像特征评价织物光泽，因此对于织物光泽感主观评价的影响因素分析尤为重要。本文使用可编程标准洗衣机洗涤样本，采用分光测色仪收集样本的光谱数据，通过目测实验获得样本的主观评分。对收集的数据集进行探索性聚类分析，获得数据集中数据的结构特征。然后进行相关性分析和因子分析探究织物光泽感主观评价的影响因素，最后基于分析结果构建光泽图像的特征，并评价图像特征的可行性和可信度，预期得到有效评价织物光泽感的特征建立方法。

1 实 验

1.1 仪器与设备

Wascator FOM71 CLS欧标缩水率洗衣机（伊莱克斯（中国）电器有限公司），Datacolor800精密台式测色仪（德塔（苏州）颜色科技有限公司），BZGY908A标准光源对色灯箱（元茂光电科技（武汉）有限公司），Eos Rebel T3 佳能CMOS相机（佳能（中国）有限公司），27V OSRAM CHIP LED板光源（欧司朗（中国）照明有限公司）。

1.2 样品制备

本实验所用样品为真丝素绉缎织物（吴江鼎盛丝绸厂），裁剪成长宽20 cm×20 cm的大小。实验组的浅色样本86个，颜色为本白色；深色样本86个，其中深蓝色样本43个和黑色样本43个。验证组的样本86个，其中粉色样本43个

和棕色样本43个，具体规格如表1所示。

各阶段实验前后，样本试样均放置在温度20 ℃±2 ℃、相对湿度65%±4%的恒温恒湿环境下。样本的处理选用可编程标准洗衣机，型号为Wascator FOM71CLS，基于经验模型随机产生磨损样品。本文采用随机函数生成各项洗涤参数的参数组合，要求随机函数的随机结果为指定范围内的整数，各项洗涤参数的随机值区间如表2所示。

1.3 光谱特征数据收集

本文采用Datacolor800精密台式测色仪，收集织物样本的光谱特征数据，使用时室内温度保持在20 ℃±2 ℃内，相对湿度保持在65% ±4%内。测色仪测量各波段的反射率R，计算出CIE XYZ的X、Y、Z值，CIE Lab的L、a、b值，CIE LCh的L、C、h值，并且可以计算出K/S值和Inter值，描述样本颜色的深浅。

实验人员将样本折叠4次，置于测色仪测量处。测量前选用30 mm孔径的LAV板、D65国际标准光源，并使用标准颜色板校准仪器，测试方法选择不包含镜面反射。测量过程先测量标准样品，然后测量洗涤后的样品，每个样本测量3个以上的点位，去掉极值点。总色差ΔE小于0.05时，取剩余点平均值作为样本的光谱数据，并将测量数据汇总记录。

1.4 目测评价实验

参考织物光泽的视觉物理量与视觉心理量的关系语义量表，如表3所示，用于评价人员对织物光泽的描述和等级划分。仪器选用BZGY908A标准光源对色灯箱，选择D65国际标准光源并将样本置于光照下。评价人员共9人，视觉、色觉正常，通过初期目视评价实验训练，保证所有评价人员对样本光泽的认知一致。评价人员结合光泽语义描述和量化表，通过主观视觉或者心理知觉对样本的光泽强弱描述和打分。实验过程评价人员在温湿度适宜，且无环境光干扰的室内进行，眼睛处于样本上方，位置距离保持一致。评价人员在不同时间段的相同条件下根据语义量表对样本多次打分，为了评分结果稳定可靠，仅接受实验样本主观评价打分方差小于或等于0.5的结果，并且取平均值作为主观评价结果。

1.5 数据分析方法

聚类分析属于无监督算法，对于数据集的聚类分析目的是挖掘数据集的数据结构关系。本文采用层次聚类的方法，层次聚类将样本的光泽、颜色等为特征划分后，会形成不同的树状结构，有助于对分析结果的理解。该方法首先将每个观测视为一个聚类，使用Ward法计算样本距离，然后逐步将距离上最相近的两个聚类合并成一个聚类。该组合过程会一直进行到所有点都位于一个聚类中，分类正确时同类样本的离差平方和较小。此外，Ward法对离群值非常敏感，偏向于生成与观测类别数相同的聚类。三次聚类准则（Cubic Clustering Criterion，CCC）用于评价基于距离的聚类算法，CCC值越大则表明拟合的效果越好。

本文采用皮尔逊相关系数r，取值范围在-1～1，大于0呈正相关，小于0呈负相关。Datacolor800分光测色仪测量结果使用CIE Lab颜色空间更符合人眼视觉感官，對颜色空间中的L、a和b值与主观评分进行相关性分析。并对收集的光谱反射率因数，进行因子分析，KMO检验用于比较变量间简单相关系数和偏相关系数，取值范围在0～1。当简单相关系数远远大于偏相关系数时，KMO的值接近1，巴特利特球度检验结果显著时，说明数据符合正态分布。因子分析的方法是用少量且不可观测的潜在变量或因子，描述样本的光谱反射率特征，这些因子可以被定义为光谱反射率因数的线性组合，用以解释被观测变量的共有变异。

2 数据分析与讨论

2.1 聚类分析

分别对本白色、深蓝色和黑色样本的数据集进行聚类分析，聚类结果使用星座图绘制，横纵坐标表示样本点的相对距离，样本之间的角度和方位并无意义。深蓝色样本的聚类结果如图1（a）所示，样本被分为8类。图1（b）为聚类树图，描述样本间的层次结构。由图1（b）可见，聚类结果为8类时CCC为峰值，大小为5.19。

黑色样本的聚类结果如图2（a）所示，样本被分为5类。图2（b）为聚类树图，描述样本间的层次结构。由图2（b）可见，聚类结果为5类时CCC为峰值，大小为3.65。

本白色样本的聚类结果如图3（a）所示，内容为样本的层次聚类结果，样本被分为6类。图3（b）为聚类树图，描述样本间的层次结构。由图3（b）可见，聚类结果为6类时CCC为峰值，大小为18.01，表明此时同类成员之间光谱特征相近，色差较小，而不同类别之间光谱特征相差较大，对应色差也较大。

分别对浅色和深色样本的聚类结果分析，本白色样本的聚类类别所对应的主观评分的分布如图4（a）所示，类主观评分的均值拟合线为蓝色曲线，大体上主观评分从类1到类6具有上升趋势。将本白色样本的光谱反射率经过Z-Score标准化处理，得到本白色样本的聚类均值平行图，如图4（b）所示，每类样本在400～700 nm波段上Z-Score标准化处理后的光谱反射率均值，类1到类6的均值逐渐下降。类均值曲线在左端和右端的特征距离较远，500～600 nm波段上的距离较近，显示类别之间不同波段的均值下降程度不同。

本白色织物的聚类分析结果显示，光谱反射率降低对应类主观评分上升的趋势，表明样本颜色的变化和主观评分的变化存在一致性，并且不同波段的反射率变化，引起的主观感知程度不同。深色样本集的光谱反射率聚类均值平行图和类别主观得分，如图5所示，在类别主观得分中均按照光谱反射率聚类均值由高到低排列，与浅色样本比较深色样本集上的特征不明显但相似。

2.2 颜色空间CIE Lab的相关性分析

对CIE Lab颜色空间的L、a、b值与主观评分的相关性进行分析，结果如图6所示。图6中于对角线位置处为主观评分和L、a、b的直方图。下三角区域描述主观评分和L、a、b之间的相关程度，着色区域的形状在高相关性下近似为直线，反之近似于圆。上三角区域为主观评分和L、a、b之间的相关性热图，右侧为相关性热图的图例。图6中，主观评分与颜色亮度L的相关性大小为0.086 4，相关程度较低。主观评分与a的相关性大小为-0.453 9，与b的相关性大小为-0.453 7。由于a与b同属于颜色三要素中的色相，且主观光泽评价与a和b存在中等的相关性，因此可以表明样本主观评分等级与色相效应存在中等的相关性。

将 a、b、ab的交互作用作为因素，使用一般线性模型对主观评分进行效应检验，方差分析如表4所示，p小于0.05，模型显著。效应检验结果如表5所示，a、b、ab的交互作用均显著，表明a、b、ab的交互作用对主观评分均具有影响，以及a、b对主观评分的影响程度不同。

2.3 因子分析

首先检验数据是否满足因子分析的前提，检验结果KMO 取样适切性量0.955，大于0.500，巴特利球形度检验结果显著，说明数据可以进行因子分析。使用主成分法分析样本数据的相关性矩阵，解释总方差如表6所示。由表6可见，因子1的方差贡献率为44.860%，因子2的方差贡献率为31.617%，因子3的方差贡献率为22.261%，累计百分比为98.738%。

使用凯撒正态化最大方差法旋转因子载荷矩阵，旋转后的因子载荷矩阵如图7所示。波长在570～700 nm的光谱反射率对因子1载荷较大，指标对应于样本在可见光下长波光谱反射率的影响。波长在400～480 nm的光谱反射率对因子2载荷较大，指标对应于样本在可见光下短波光谱反射率的影响。波长在530～560 nm的光谱反射率对因子3的载荷较大，指标对应于样本在可见光下中波光谱反射率的影响。因此在可见光范围内有理由称，因子1为长波反射率因子，因子2为短波反射率因子，因子3为中波反射率因子。

用回归法计算出每个因子的得分，并且使用每个因子所占的方差百分比，乘上每个对应因子的因子得分，将得到的三个乘积相加为样本总得分，如图8所示，横轴为三个因子得分、总得分和主观评分。对因子得分和主观评价进行相关性分析，如图9所示。由图9可见，因子1与主观评分的相关性大小为-0.326 9，因子2与主观评分的相关性大小为-0.249 8，因子3与主观评分的相关性大小为-0.411 3，总得分为三个因子的线性组合，与主观评分的相关性大小为-0.535 6。

使用一般线性模型检验三个因子的效应，方差分析结果显著，效应检验表如表7所示，三个因子效应皆显著。在可见光范围内，实验分析表明织物样本中波长反射率的变化，人眼的感知最为敏锐，原因是人眼视觉对绿色等中波长的变化感知最为明显。因此，因子3对主观评价的影响程度最高，其次是因子1，影响最小的为因子2。

2.4 相关性验证

为验证结论的可靠性，本文将在粉红色和棕色的样本集中验证实验组得出的相关性结论。验证组上CIE Lab颜色空间的L、a、b值与主观评分的相关性分析，结果如表8所示。由表8可见，主观评分与颜色亮度L的相关性大小为0.191 7，相关程度较低。主观评分与a的相关性大小为-0.418 9，与b的相关性大小为-0.437 3，a与b与主观光泽评价存在中等的相关性，与实验组数据相差不大。将 a、b、ab的交互作用作为因素，使用一般线性模型对主观评分进行效应检验，方差分析如表9所示，p小于0.050，模型显著。因此，可以表明样本主观评分等级与色相存在中等的相关性。

3 织物光泽图像分析

3.1 织物光泽图像采集

从本白色样本中挑选出五个等级的参考样本，样本的光泽感随等级下降依次降低，如图10所示，5级为原样，1级为光泽感最差的样本。本文将样本以径向正对拍摄相机并置于一个宽度约为5 cm、高度约为3 cm的拱状结构上的光源箱中，光源箱长宽高均为410 mm，捕捉设备由高分辨率相机CANON Eos Rebel T3和LED光源组成。照明系统的设计方式是包含3个平行板光源，单个LED光源板长为350 mm，宽为40 mm，色温5 600 K，光通量1 400 lm，固定在光源箱的特定位置，光源的光線禁止直接照射到拍摄区域，光源距离织物样品400 mm。相机与样本的水平面夹角为15°，拍摄样本织物图像的方法如图11所示。相机的参数设置焦距为35 mm，感光度为200，快门速度为1/100 s，光圈大小为f/8.0。相机使用的色彩空间为sRGB，采集的样本图片像素为72 dpi，图片的三通道像素深度均为8 bit，数据存储格式为jpg。

3.2 图像特征构建

对采集的图像进行分析，由于中波因子对主观评价的效应最高，因此使用下式将RGB图像进行灰度化处理：

分辨率为m×n的图像，预处理为灰度图像后，每个像素点的灰度值为f（r，c）；r代表图片中的行，取值范围为（0，m-1）；c代表图片中的列，取值范围为（0，n-1）；（r，c）代表图片中像素的坐标点。构建织物光泽图像的特征，分别为背景亮度等级，光泽不均匀性和亮点比例。其中灰度图像的灰度亮度等级Xf，反映织物样本平均亮度信息，计算如下式所示：

灰度方差δ，描述图像明暗变化的波动程度，反映图像灰度分布的不均匀性，计算如下式所示：

在前文的研究中，织物颜色亮度L与主观评价相关程度极低，因此选用织物灰度图像中的灰度极大值点作为光泽“亮点”，用亮点的数量及亮点在织物图像中的占比描述织物的光泽感。使用下式计算膨胀灰度图像中的灰度极大值点所在区域：

式中：⊕运算符表示膨胀，b为平坦结构元，（s，t）为b的参数，f（r，c）与前面相同表示织物灰度图像中的像素点灰度值，max表示为取最大值。

经过灰度特征膨胀的图像，灰度极大值点不会被膨胀，使用下式提取灰度极大值点：

式中：Threshold表示动态阈值的方法，［f⊕b］表示原图像的灰度特征膨胀，offset表示偏移。

亮点提取过程如图12所示，可以看出原样的亮点比1级样稀疏。

3.3 图像特征分析

本文构建并提取图像的不均匀性、背景亮度等级和亮点比例特征如图13所示，r表示相关性。其中均匀度和亮度等级计算与式（2）（3）相同，亮点比例为亮点像素面积与织物图像面积的比例。图13中，亮点比例最低的5级原样光泽感最好，表明织物的光泽感并非实际亮点的简单函数。并且随着样本光泽感从1级升至5级，织物的灰度不均匀性在升高，亮度等级在下降，随之而来的是明暗对比度的升高。

因此，本文得出织物亮点与背景亮度的对比度特征是基于图像处理技术评价织物光泽感优劣的关键因素。对此使用马赫带效应解释，视觉系统在实际不同的灰度边缘上，会出现“上冲”或者“下冲”现象，正是真丝织物具有亮点与背景的高对比度，才使得真丝织物具有闪亮的光泽感。

4 结 论

本文采用随机生成的洗涤参数设置可编程标准洗衣机，处理真丝素绉缎织物。使用Datacolor800精密台式测色仪收集样本的光谱特征数据，通过目测评价实验获得主观评价结果，分析真丝织物光泽的主观评价结果与其光谱特征之间的联系，并采集样本图像探索了织物光泽的图像特征，有如下结论：

1）在颜色空间CIE Lab中，a、b与样本主观评价存在大小-0.45的相关性，而颜色亮度与主观评价相关性低。在对a、b效应进行一般线性模型分析时，发现织物颜色的变化显著影响光泽的主观评分等级。

2）因子分析从样本数据中发现3个独立的潜在因子，分别对应可见光范围内的长、中、短波长因子。结果表明样本光谱反射率的变化在波长530～560 nm时，对织物光泽的主观评分影响最大，其次是570～700 nm长波因子变化，影响程度最小的是400～480 nm短波长因子的变化。原因推测是人类视觉对绿色等中波长的色光变化灵敏度最高，其次是长波和短波色光。

3）织物的光泽图像分析，构建了图像的不均匀性、光泽等级和亮点比例特征。研究表明，这三个特征能较好地反映织物的亮点与背景亮度对比度特征。该方法对比使用神经网络或者其他集成学习模型具有更直观的指标，并且区别于其他基于图像处理的织物光泽评价技术，不需要在特定的样本集上学习训练，会具有更广泛的应用前景。

4）本文的后续工作基于颜色与主观评价存在的相关性，收集更多颜色种类的织物，建立完善的织物颜色光泽理论模型，从而构建图像的颜色特征。

参考文献：

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

［2］刘鹏， 冯兆行， 时培培，等. PLA/棉织物的光泽研究［J］. 浙江理工大学学报， 2010， 27（6）： 880-884.

LIU P， FENG Z H， SHI P P， et al. The study of the lustrousness of PLA/cotton fabrics［J］. Journal of Zhejiang Sci-Tech University， 2010， 27（6）： 880-884.

［3］杨建忠， 李波， 鹿璐， 等. 拉细羊毛及其混纺织物的结构与光泽［J］. 纺织学报， 2007（2）： 17-20.

YANG J Z， LI B， LU L， et al. Luster and structure of optim fiber and its blended fabrics［J］. Journal of Textile Research， 2007（2）： 17-20.

［4］徐士欣. 織物光泽及织物光泽仪的研究［J］. 纺织学报， 1988， 9（5）： 196-199.

XU S X. Research of fabric gloss and testing meter［J］. Journal of Textile Research， 1988， 9（5）： 196-199.

［5］ANTON A， JOHSON K A， JANSSON P A. Characterization of fabric luster via image analysis［J］. Textile Research Journal， 1978，48（5）： 247-251.

［6］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）： 61-65.

LIU Z. Comprehensive evaluation of appearance quality of fabrics based on image analysis［J］. Journal of Textile Research， 2012， 33（11）： 61-65.

［7］张建新， 黄钢， 李消晋. 基于计算机视觉的织物光泽测试方法研究［J］. 丝绸， 2021， 58（7）： 62-68.

ZHANG J X， HUANG G， LI X J， et al. Research on measuring method of fabric luster based on computer vision［J］. Journal of Silk， 2021， 58（7）： 62-68.

［8］ZHOU R， WANG X L， YU J Y， et al. Evaluation of luster， hand feel and comfort properties of modified polyester woven fabrics［J］. Journal of Engineered Fibers and Fabrics， 2017， 12（4）： 70-77.

［9］周慧玲， 楊琴琴， 吴雄英， 等. 滚筒洗涤参数对真丝织物光泽度的影响［J］. 丝绸， 2020， 57（10）： 12-16.

ZHOU H L， YANG Q Q， WU X Y， et al. Influence of cylinder washing parameters on glossiness of silk fabric［J］. Journal of Silk， 2020， 57（10）： 12-16.

［10］杨琴琴， 丁雪梅. 家庭洗护中影响真丝织物光泽的因素讨论［J］. 家电科技， 2018（9）： 43-45.

YANG Q Q， DING X M. Research on the luster of silk fabrics in home care［J］. Journal of Appliance Science & Technology， 2018（9）： 43-45.

［11］周镭. 织物光泽的视觉物理量与视觉心理量的关系研究［J］. 山东纺织科技， 2019， 60（6）： 27-30.

ZHOU L. Relationship analysis between visual physical quantity and visual psychological quantity of fabric luster［J］. Shandong Textile Science & Technology， 2019， 60（6）： 27-30.

［12］SINAGA K P， YANG M S. Unsupervised K-means clustering algorithm［J］. IEEE Access， 2020， 8： 80716-80727.

［13］JAFARZADEGAN M， SAFI ESFAHANI F， BEHESHTI Z. Combining hierarchical clustering approaches using the PCA method［J］. Expert Systems with Applications， 2019， 137： 1-10.

［14］MILLIGAN G W. An examination of the effect of six types of error perturbation on fifteen clustering algorithms［J］. Psychometrika， 1980， 45（3）： 325-342.

［15］WARREN S， SARIE S. Cubic Clustering Criterion［M］. Cary： SAS Institute Incorporated， 1983.

［16］DURMUS D. CIELAB color space boundaries under theoretical spectra and 99 test color samples［J］. Color Research & Application， 2020， 45（5）： 796-802.

［17］KYRIAZOS T A. Applied psychometrics： Sample size and sample power considerations in factor analysis （EFA， CFA） and SEM in general［J］. Psychology， 2018， 9（8）： 2207-2230.

［18］HEINRICH J， WEISKOPF D. Continuous parallel coordinates［J］. IEEE Transactions on Visualization and Computer Graphics， 2009， 15（6）： 1531-1538.

［19］李元勇. 基于人类视觉机制的马赫带效应研究［J］. 现代仪器， 2008， 79（6）： 45-47.

LI Y Y. Mach band effect based on the human vision mechanism［J］. Modern Instruments， 2008， 79（6）： 45-47.

Research on the luster of silk fabrics based on spectral characteristics and image processing

ZHU Qiaowu， LIANG Shuaitong， DING Xuemei， PEI Liujun， ZHANG Hongjuan， WANG Jiping

（1.School of Textiles and Fashion， Shanghai University of Engineering Science， Shanghai 201620， China;

2.Shanghai Engineering Research Center for Clean Production of Textile Chemistry， Shanghai 201620， China;

3.College of Fashion and Design， Donghua University， Shanghai 200051， China）

Abstract：China is the world’s largest producer and exporter of silk products， as well as a major consumer of silk products. Luster， as one of the main components of the visual style and appearance of silk products， is an important indicator for evaluating the appearance quality of silk fabrics. Therefore， the testing and evaluation of the luster of silk fabrics is of great significance for better style of products and enhancing the visual appearance of the fabrics. The evaluation methods for the luster of fabrics are mainly divided into subjective evaluation methods and instrumental testing methods. Subjective evaluation methods rely on human subjective perceptions with unstable consequences. The instrumental methods can only measure the luster of part surface of the fabrics. When the luster distribution of the fabrics is uneven， the test results are inaccurate. Comparison with other evaluation methods， there are many advantages on the technology of image processing. However， in most studies of luster evaluation based on image processing， the models established can only perform well for specific sample sets with poor generalization abilities. The reason is that the effective features of fabric luster images remain to be further studied in the construction of the key luster features of fabric images.

In this paper， white， blue， black， pink and brown silk crepe satin plain fabrics were selected as samples， and the samples were washed by a programmable standard washing machine. The spectral data of the samples were collected by a spectrophotometer， and the subjective scores of the samples were obtained through visual experiments. Exploratory cluster analysis was carried out on the collected data set to obtain the structural characteristics of the data set， and correlation analysis and factor analysis were carried out to explore the influencing factors of the subjective evaluation of fabric luster. The results show that in the color space CIE Lab， a and b have a correlation of -0.45 with the subjective evaluation of samples， while the correlation between color brightness and subjective evaluation is low. In the general linear model analysis of the effects of a and b， it is found that the change of fabric color significantly affects the subjective cores of fabric luster. The results of factor analysis show that the change of spectral reflectance of samples has the highest impact on the subjective score of fabric luster in the wavelength range of 530 nm to 560 nm.

On this basis， the image analysis of fabric luster was carried out in this paper， and features such as non-uniformity， luster grade and highlight ratio of the image were constructed. These three features can better reflect the contrast characteristics of the highlights and background brightness of the fabric， and it is concluded that the contrast characteristics of the highlights and background brightness of the fabric are the key factors to evaluate the luster of the fabric based on image processing technology. In the human visual system， there is a phenomenon that enhances higher gray level and reduces lower gray level when human eyes are gazing at different grayscale edges. It is the high contrast between the bright spots and the background of silk fabrics that makes silk fabrics have a shiny luster. Compared with neural network or other integrated learning models， this method has more intuitive indexes， and is different from other fabric luster evaluation technologies based on image processing. It does not require learning and training on a specific sample set， so it will have a more promising application prospect.

Key words：silk fabric; spectral characterization; subjective evaluation; data analysis; image processing