织物颜色配准到标准色卡的计算机识别与仿真

陈孝之， 谢莉青

(青岛大学 纺织服装学院， 山东 青岛 266071)

织物颜色配准到标准色卡的计算机识别与仿真

陈孝之， 谢莉青

(青岛大学 纺织服装学院， 山东 青岛 266071)

为克服人工目测织物的颜色易受到光线和经验的影响产生误差的问题，提出一种基于计算机视觉和图像分析技术的织物颜色与纺织专用标准色卡自动配准的颜色识别与仿真的方法，实现了针对1 925种潘通色卡的织物颜色自动配准系统。该方法利用扫描仪获得潘通色卡棉布版的扫描图像，然后从色卡图像中提取颜色有效特征信息，构造色卡图像的色度特征数据库；设计了颜色分层模型和基于“一对一”支持向量机(SVM)与色卡图像数据的配准模型，经过对SVM模型参数优化和识别训练，系统与色卡匹配的正确率达96.89%。另外使用296种未知色号的织物样本，将它们与系统进行配准实验，匹配正确率为 98.85%，为客观、快速地测色和数字仿真颜色提供了参考工具。

织物颜色； 图像处理； 支持向量机； 配准； 潘通色卡

印染布、色织布的来样仿制，要通过对织物的结构参数和颜色进行分析，才能得到基本的工艺资料。颜色分析目前普遍由人工将样品与纺织标准色卡比对，找出与样品最匹配的色卡。人工观测既繁琐，又容易受到光线和经验的影响产生误差。虽然现在不乏仪器测色手段，像分光光度仪可测定出物体反射的光谱功率分布，根据光谱测量数据计算出各种标准光照下的CIEXYZ空间的三刺激值X、Y、Z。但三刺激值对色彩的描述有别于标准色卡,使得熟悉用色卡确定配色方案的技术人员要进行额外的数据筛选和分析，并不适合于相关人员使用色卡的习惯。从此意义上说，织物颜色分析技术，应本着客观性和实用性兼备的原则进行升级。传统的织物表面质检基本都是耗时、费力的人工检测，制约着产业的升级。许多学者通过机器视觉将织物转化为数字图像，利用数字图像分析取代人工分析，得到布面信息。例如，在计算机对织物外观与结构分析[1-3]及颜色模拟、色差计算、色牢度评价等方面的研究[4-6]，成为有望突破传统检测的发展方向。

本文以国内外广泛使用的潘通色卡为参照物，将潘通色卡棉布版(TCX)进行图像采集，仿照潘通色卡的物理分层模式，运用明度模型对色卡图像的颜色深浅进行层次分割；根据颜色识别算法的发展和应用，引入了支持向量机(简称SVM)的机器学习方法，构建了一种将未知色与已知色进行映射匹配的颜色识别模型；研究了一个能使织物颜色自动配准到潘通色卡的系统。系统测试有较高的正确率，为探索客观、快速地测色和数字仿真颜色提供了参考工具。

1 系统组成

系统采用CanoScan 8800F型彩色扫描仪，在分辨率为600 dpi的条件下对潘通色卡棉布版和受测织物样品进行图像采集后保存为24位真彩图像。基于MatLabR2010b编程语言，开发实现了图像预处理、特征提取、颜色的智能化配准和仿真的软件系统。图1示出与潘通色卡相配准的系统的工作流程。

图1 系统工作流程示意图Fig.1 Working flow diagram of system

系统的任务是建立起织物图像色度值与标准色卡色度值之间的映射关系表，系统的核心是“标样数据库”和“智能化配准模块”。首先利用扫描仪采集TCX色卡标样图像，然后提取有效特征色度值，按29个颜色层次构造标样的特征色度值数据库，最后建立起29个SVM模型，输入标样的色度数据进行学习训练。经交叉验证，获得每个SVM分类器的最佳参数c、g，完成SVM的构造。由颜色分层器和29个SVM分类器组成“智能化配准模块”。

2 标样数据库的建立

2.1 色卡图像的分区

潘通色卡棉布版手册共有1 925个色卡，色卡尺寸为1.5 cm×1 cm。对每个色卡扫描成像，由图像处理程序划分成6个分区，如图2所示。

图2 TCX棉布色卡图像6个分区示意图Fig.2 Six maps of TCX cotton color images

2.2 颜色特征值的提取

织物是纤维、纱线的集合体，由于表面毛羽、纱线的屈曲起伏、织物纹理凹凸等引起光反射不匀，光泽的变化对色彩的影响会使图像中夹杂着色模糊、干扰或异色像素。这些随机变异造成色度值的突变，若被计入统计值，就会引起失真。因变异像素的色度值是突变的，不会处于中位数位置，故用中位数取样法提取R，G，B向量集的中位数，以确保取到真实像素，完成标样图像颜色量化。

求解未知色与数据库中的已知色相匹配是一个颜色分类问题。颜色特征值的空间划分影响到分类性能，但RGB空间中两点的欧氏距离与颜色距离不成线性关系，属于非均匀颜色空间，并不符合人们对颜色相似性的主观判断，单以RGB进行颜色分割得不到理想效果[7]。HSI模型是以色调为基础的颜色模型，色调H值是确定颜色的主要因素，当它发生变化时色调值也将变化[8]。H值与光波的波长有关，是彩色彼此区分的特性，引入色调H值有利于提高颜色特征值的空间划分性能。

2.3 标样数据库的构成

标样数据库由2组数据组成。从色卡图像的6个分区中提取的4个颜色特征值(R,G,B,H)构成第1组数据，数据规格为1 925×{6×4}，该组数据用于SVM分类器的训练和测试。第2组是潘通公司发布的TCX电子版的数据，包括潘通色卡的色号和R,G,B值，该组数据用于图像颜色的仿真。

3 智能颜色配准模型的建立

图3示出潘通色卡分层的物理模型，分层代码为 11～19。这种“层式”的色卡管理模式，使人容易想到“先层后卡”的识别策略，即先进行层识别，然后进行卡识别。如果直接进行卡识别，SVM分类器要分析标样数据库的所有数据，对计算机的内存资源占用高并且运行时间很长，需要配置高性能的计算机。而先进行层识别，SVM分类器只需针对该层的卡识别，计算量可大幅下降，适用普通的PC机。

图3 TCX色卡的分层模型图Fig.3 Layered model of TCX

3.1 颜色分层模型

3.1.1 分层参数

从图3可看出，TCX色卡的物理模型对应颜色由淡到浓变化，与色调、彩度无关。在数字图像中，可反映颜色浓淡的物理量是明度，其表达式为

I=0.299×R+0.587×G+0.114×B

将TCX色卡图像的明度按照11～19的分类画成散点图，如图4所示。可看出：其一，明度对色卡深浅的描述呈层次状，与图3物理模型的分层机制基本一致，说明I可成为有效参数；其二，邻层间似犬牙交错，层次边界不清，说明基于相同的理论模型，计算机的数字分层比人工精准，因此，需要对TCX色卡图像重新进行层次分割。

图4 TCX色卡图像9个颜色层的数据分析Fig.4 TCX color image digital analysis of nine color layers

3.1.2 TCX色卡图像的数字化层次分割

按照TCX色卡图像明度的灰级阈值范围将0～255的灰级分割为N个集合，落入相同集合的色卡即为同一颜色层。由于色卡容量影响到计算机对支持向量机的计算能力，以70～120个色卡/层的容量，N的取值应为29，相当于把1 925个色卡分成29层，I与颜色层的对应关系如表1所示。图5为29层色卡图像的散点图。可以看出，各个层次独立，边界清晰。

表1 基于I阈值的颜色分层结果数据表Tab.1 Color hierarchical data tables based on I threshold

图5 TCX色卡图像的29个颜色层Fig.5 29 color layers of TCX color image

3.1.3 相邻边界扩容

理论上，颜色层的灰级数列是连续整数，层次间泾渭分明，但实际上灰级值的计算结果并非一定整数。如果灰级值处在2层边界，取整数时，因数据微小的波动，导致分层非此即彼的2种可能结果。问题的关键是无论样品落入2层中的哪一层，都能找到与之最匹配的色卡。为此，采取相邻边界扩容的方法，示意图见图6。如图所示，如果水平方向是灰级的降序方向，图中的粗线代表阈值的位置。以阈值为基准，每层都向对方层内相互扩大2个灰级(虚线处)的容量，将此范围内的原本属于对方层的TCX色卡也纳入进来。无论受测样品落入2层中的哪一层，都能使支持向量机配准到相同的色卡，从而消除了可能的边界效应。

图6 颜色层的边界扩容法意图Fig.6 Shematic diagram of color layer boundary expansion method

3.2 基于SVM的颜色配准模型

本文要解决的颜色配准属于复杂的非线性分类问题，样本数据也较小，非传统的解析理论和统计回归方法能解决。支持向量机模型的思想是针对线性可分情况进行分析，而对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而从根本上解决非线性问题[9-10]。

表2 交叉验证法所得最佳参数c、gTab.2 Optimal parameters c and g acquired by CV method

支持向量机本身是一个二类分类器，对于多类问题，就需要构造组合的SVM多类分类器。本文采用的“一对一”SVM是结合多个二类分类器构造的一个多类分类器。如图7所示，“一对一”SVM的算法原理是每次选取其中的2类样本，对所有可能的2类组合构造SVM，总共需要构造n(n-1)/2个SVM。在确定样本x所属类别时，采用的是“投票法”，样本每经过1个二分类SVM都会获得1个可能的类别号，即获得1票，当样本经过所有二分类SVM后，对获得票数进行统计，得票数最高的类别即为该样本最可能属于的类别。当某几类获得相同票数时，再将样本输入与这几类相关的二分类SVM，如此循环，直至最终出现票数胜出的类别。

图7 一对一SVM预测模型的原理图Fig.7 Principle diagram of one-to-one SVM prediction model

4 颜色配准模型的实现和验证

4.1 模型参数的优化

参数的选择主要包括核函数和模型公式。核函数确定后，可以调节的参数为惩罚系数c和核函数g，它们对模型的复杂度、结构和性能起着重要作用。RBF径向基核函数有使同类样本靠近、不同类样本分离的特点，因此，选择RBF径向基核函数。分别用29个颜色层的训练集进行交叉对比训练，得到29个SVM的最佳参数c和g，结果列入表2。

4.2 模型的验证

用表2的最佳参数对29个训练集进行训练得到29个SVM模型。把29个训练集分别带入对应的SVM模型中回判识别准确率，然后另选296个未知色的样本作为测试集，使用潘通公司的数字化彩通色彩检测仪Color Cue2给出准确的评定结果。以该结果为基准，利用本系统测试可知其识别准确率，结果如表3所示。

从表3可看出，训练集平均识别率为96.89%，识别率较高，表明支持向量机的思想适用于类似织物颜色分类的小样本数据的分类和预测工作。只有SVM-1为84.2%，匹配效果稍差。这是因为这2层色卡的灰级值大于225，属于最浅的色系。相邻色卡的色度数据比较接近，导致色度特征值的敏感度不足，从而影响识别有效性。从表3还可看出，测试集平均识别率为98.85%，多数SVM模型均为100%。识别性能超过训练集，说明系统对未来样本的泛化能力强。只有SVM-29为83.3%，经查验潘通TCX色卡中本身就缺乏与测试样品相匹配的色卡，并非系统性能的问题。这表明本文设计的系统还可为色卡制造商提供补缺色卡的数据。

表3 训练集和测试集的实验结果Tab.3 Experimental results of training set and testing set

5 结 语

本文以国际通用的潘通纺织专用色卡为参照物，将潘通棉布色卡进行图像采集，仿照潘通色卡的物理分层模式，运用明模型对色卡图像的颜色进行层次分割；引入了支持向量机的机器学习方法，构建了一套能使织物颜色自动配准到潘通色卡的系统。只要对受测样品扫描成像，系统就能给出与之匹配的潘通色卡的卡号，操作简单，误差小，无需人工比对色卡，提高了工作效率，消除了人为观测的偏差。系统还可把图像的颜色仿真成标准色卡的色彩，为探索客观、快速地测色和数字仿真颜色提供了参考工具。

[1] TUNAK M, LINKA A, VOLF P, VOLT P. Automatic assessing and monitoring of weaving density [J]. Fibers and Polymers, 2009,10(6):830-836.

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

[3] NGAN H Y T，PANG G K H，YUNG N H C. Automated fabric defect detection: a review[J].Image and Vision Computing，2011，29(7)：442-458.

[4] PAN Ruru，GAO Weidong，LIU Jihong，et al．Automatic recognition of woven fabric pattern based on pattern database[J]．Fibers and Polymers，2010，11(2)：303-308．

[5] PAN R，GAO W，LIU J，et al. Automatic detection of the layout of color yarns for yam-dyed fabric via a FCM algorithm[J].Textile Research Journal,2010,80(12)：1222-1231．

[6] KUO C J，JIAN B L，WU H C． Automatic machine embroidery image color analysis system: part 1: using Gustafson-Kessel clustering algorithm in embroidery fabric color separation[J]．Textile Research Journal，2012，82(6): 571-583．

[7] 石俊生,卫平.彩色图像分割与颜色特征选择[J]. 云南师范大学学报, 1999, 19(6): 53-56. SHI Junshen,WEI Ping.Color image segmentation and color feature selection[J].Journal of Yunnan Normal University,1999, 19(6): 53-56.

[8] 杨旭强,冯勇,刘洪臣.一种基于HSI颜色模型的目标提取方法[J].光学技术,2006,32(2)：290-292. YANG Xuqiang,FENG Yong,LIU Hongchen.A target extraction method based on HSI color model[J].Optical Technology,2006,32(2)：290-292.

[9] 覃丹，蒋兴浩，孙锬锋,等.基于一对一支持向量机的视频自动分类算法[J].计算机应用与软件，2010,27(1)：3-5. QIN Dan,JIANG Xinghao,SUN Tanfeng, et al.

Automatic video classification algorithm based on one-to-one support vector machine (SVM)[J].Computer Applications and Software,2010,27(1)：3-5.

[10] 刘素一，刘晶景，薛勇，等．基于计算机视觉的织物色差检测[J]．棉纺织技术，2008，36(6)：352-355． LIU Suyi,LIU Jingjing,XUE Yong,et al.Fabric color detection based on compute vision[J].Cotton Textile Technology,2008,36(6):352-355.

Computer recognition and simulation of fabric color from matching to standard color chip

CHEN Xiaozhi， XIE Liqing

(CollegeofTextiles&Clothing,QingdaoUniversity,Qingdao,Shandong266071,China)

To reduce the errors of fabric color caused by light and experience when measured by human eyes, a color recognition and simulation method for automatically matching fabric color with special standard color card was put forward. This method is developed based on computer vision and image analysis technique, and fabric color automatic registration system for 1 925 Pantone TCX color swatches was realized. The method used the scanner to acquire Pantone TCX color scan images, and then extracted effective color characteristic information from color image for constructing database of color image feature. Color layered model and registration model of chromatic value and Pantone TCX color card based on ″one to one″ support vector machine (SVM) were designed. After optimization and implement training of color identifying for SVM model parameters, the accuracy is 96.89%. Using 296 previously unknown samples for verification, accuracy is 98.85%. This would provide a reference tool for objective, fast color measurement and color of digital simulation.

fabric color; image processing; support vector machine; registration; Pantone color swatches

10.13475/j.fzxb.20150300506

2015-03-05

2016-02-17

陈孝之(1990—)，男，硕士生。研究方向为数字化纺织检测技术。谢莉青，通信作者，E-mail：christ227@126.com。

TS 107.4

A