基于支持向量机的染色品图像颜色评价算法的研究

张建新， 吴小亮

(浙江理工大学 机械与自动控制学院，杭州 310018)



研究与技术

基于支持向量机的染色品图像颜色评价算法的研究

张建新， 吴小亮

(浙江理工大学 机械与自动控制学院，杭州 310018)

传统染色品图像颜色评价的主要方法是依据色差公式计算平均色差值，然后再根据色差值得出相应的色差等级，其评价指标单一，受色差公式选择的影响较大且运算时间较长。文章提出了基于优化色差公式和支持向量机的染色品图像多颜色特征评价指标算法，首先采用遗传算法对传统的CIELAB色差公式进行优化，以减少颜色特征指标的计算时间；其次，基于支持向量机建立了多颜色特征指标与评价结果之间的拟合模型，实现了颜色品色差等级的评定。实验表明，与Datacolor 650标准检测设备得出的色差评价结果相比，基于优化的色差公式和支持向量机的染色品图像评价算法的评价结果具有较好的一致性，并且算法的执行时间得到了较大的提高。

颜色评价；色差公式；支持向量机；Datacolor 650；色差评价

印染行业是浙江省的主要产业，产品的质量直接关系到该行业在国际竞争中的地位。颜色是印染产品最主要的质量指标，颜色的质量控制离不开色差检测设备。而色差检测设备中最核心的一环就是颜色的评价，其评价结果直接关系到一系列的控制I/O口的输出。

目前对于颜色品图像颜色评价的主要方法是依据色差公式计算色差平均值，然后再根据色差值得出相应的色差等级，其评价指标单一，受色差公式的影响较大。颜色领域的色差计算公式主要有CIELAB、CMC(l︰c)、JPC79、BFD、CIE94和CIEDE2000等，其计算的复杂度是各不相同的。王寒等[1-2]研究了各个色差公式与视觉色差之间的关系，指出了各个色差公式在大小色差检测方面的优缺点。本研究在此基础上通过遗传算法优化CIELAB色差公式，使得单一的色差公式对大小色差检测都具有良好的表现，同时具有最小的复杂度，从而也为后面色差评价环节的颜色信息的提取减少运算时间。

此外，在图像质量评价算法领域，目前主要有诸如信噪比(PSNR)[3]、基于人眼视觉系统HVS(human visual system)的结构相似性SSIM模型[4-7]、朴素贝叶斯方法及支持向量机方法[8]。这些算法主要都是基于待检测图像相对于标准图像整体的相似度进行归类评价的，而非针对图像颜色这一特征的评价。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理的基础上，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以求获得最好的推广能力。张建新等[9]，常卫[10]首次将其用于图像颜色的评价领域，建立了图像颜色评价算法，改变了评价算法受色差这一单一颜色指标的影响，但该算法对训练数据的数据量要求较大，同时在运算时间上耗时也较大。本研究在此基础上采用支持向量机模型拟合颜色的特征信息到评价结果之间的函数，简化训练样本的数据量并通过优化遗传算法优化参数，控制算法评价的正确率，从而达到解决算法耗时过大的问题。

1 基于遗传算法的CIELAB色差公式优化

色差公式的选择对于颜色特征信息的提取至关重要，但不同的色差公式对于大小色差的检测效果各有所长。在理想情况下，测试样本与标准品之间的色差理论上是一个恒值，但由于光照的不均匀及一些其他因素的干扰，其各个像素点的色差表现出的是一个围绕由区域颜色特征均值计算而来的色差值离散分布的函数。鉴于像素点级别色差计算的巨大计算量，在实际应用中的色差比对往往采取的是由区域颜色特征均值计算而来的色差值进行的。本研究通过计算区域内各个像素点的色差相较于由区域颜色特征均值计算而来的色差的方差来选择具有显著性的色差公式。因此，对于色差公式的选择，以有视觉色差和无视觉色差的棉纺布匹图片对为实验对象，分别采用最简单的色差公式CIELAB、印染行业最普遍的色差公式CMC(2︰1)和最新的色差公式CIEDE2000(1︰1︰1)计算相应的色差值和方差。最后通过遗传算法对色差公式CIELAB进行优化，以使得色差公式在大小色差通用性和显著性方面都具有较好的表现。

在相同的光照条件下，取两幅视觉无色差的棉纺布匹图像和一幅有视觉色差的棉纺布匹图像(像素大小为97×88)，如图1所示。以其中一幅为参考图像，分别使用三种色差公式，计算另一幅无视觉色差的图像与参考图像之间的色差，可得到一个基于像素点的色差数据集(数据集大小为97×88)，再计算其均值和方差(表1)。然后计算另外一幅有视觉色差的图像与参考图像之间的色差，可得到另一个基于像素点的色差数据集，再计算其均值和方差(表2)。

图1 实验布匹图片Fig.1 Images of experimental fabric

色差公式方差色差CIELAB0.40050.1899CMC(2︰1)0.17560.0192CIEDE20000.22490.0936

表2 有视觉色差计算值Tab.2 The calculated value with visual color difference

对比表1和表2可以发现：由方差计算可知，CMC色差公式计算的色差均值对无视觉色差布匹的检测效果更符合人眼视觉效果，CIELAB色差公式的均值对有视觉色差布匹的检测效果更符合人眼视觉效果。正是由于单一色差公式与人眼视觉效果的这种背离，同时考虑到色差公式本身的计算复杂度，本研究选择计算最简单的CIELAB色差公式作为优化对象。通过比对观察其他色差公式的公式形式，对所选的公式的三个分量分别加入权值系数，并依照色差计算值的结果，采取折中的优化参考思路对色差公式作数学上的拟合逼近优化。改进的色差公式模型如下式：

(1)

式中：ΔE为色差，ΔL为明度差，Δa为红绿值差，Δb为黄蓝值差，kL、ka、kb为各自的权重系数。

针对色差公式(1)的优化，本研究选择遗传算法的优化方式，考虑到均匀性及准确性，取CIEDE2000色差公式作为优化目标色差公式,选择种群数量为100，代数为1000，交叉概率为0.3，变异概率为0.01，并采用下式的概率构造函数(f)：

f=|ΔE-ΔECIEDE2000|

(2)

通过遗传算法寻优可得出系数解kL为0.604，ka为0.274，kb为0.142。

从优化后的色差公式各项之间的权重系数可以发现，对计算色差产生最大影响的是亮度差，同时对前一节的图片进行优化处理，得到如表3所示表现。

表3 优化后的色差公式的表现Tab.3 The performance of optimized color difference formula

从表3可以看出，改进的简化色差公式与CIEDE2000的数值相近，但公式本身的复杂度相较于CIEDE2000公式有了大幅的改善，这为后来的颜色评价算法在图像颜色特征信息提取上节约时间成本提供了可能。

2 基于支持向量机的染色评价算法

2.1 评价模型的输入输出的量化

染色的评价指标是指对染色效果的数值量进行具体的分类描述，评价的指标与染色效果的几项颜色特征值存在某种关系。针对染色品染色效果的评价指标，本研究拟参照美国国家标准局的标准，其与色差感觉的对应关系如表4所示[11]，其中色差单位为NBS。

表4 色差值与色差感觉的对应关系Tab.4 The corresponding relationship between the color difference value and the color difference sensation

染色效果的评价具体可分为均匀性评价和一致性评价[9-10]，即染色布匹取景视野内的自我色差评价和染色布匹与标准布匹之间的评价。具体的评价思路是首先对单色布匹进行均匀性评价，如果在均匀性评价满足的前提下，则可继续进行一致性评价，否则的话直接输出染色不合格的结果。均匀性评价由于是在同一视觉窗口下进行的，易于形成视觉比对效应，其精度要求也就要高于一致性。考虑到实际的染色情况，将色差感觉分为5个色差等级，在进行均匀性评价时按照表5的指标。在进行一致性评价的时候，考虑到人眼视觉的停留效果的间歇性，所以对其色差值进行适当放宽，分别取表4后一个的中值作为前一个的终止值，可得表6的指标。

表5 均匀性评价指标Tab.5 Uniformity evaluation index

表6 一致性评价指标Tab.6 Consistency evaluation index

对布匹染色效果评价起作用的不单单只有色差值，色差值只是其中的一个参考量，在实验过程中加以人眼的辅助可以进行筛选，从而过滤色差值对视觉的畸变。对于不同的色差公式，色差计算值也会有很大的变化。因此为了避免色差值对评价结果的唯一性影响，考虑引入的颜色特征量有明度差ΔL、Δa、Δb，色度差ΔH、饱和度差ΔS、亮度差ΔV及色差ΔE。为了减少模型输入数据的冗余性，传统的方法是采用主元分析法对输入的参数矩阵进行降维计算，但随着输入数据的变化，主元分析法所产生的系数也会随之改变，从而带来附加的运算。故在本研究中不考虑主元分析法进行降维，而是对颜色的特征信息进行线性相关分析，最终筛选出的颜色特征量如表7所示。相较于原始数据少了色度差和亮度差，可以有限地降低运算的效率，考虑到实际的实验情况，样本量主要通过基于像素点的特征量进行体现。

表7 筛选的颜色特征量Tab.7 Selected color characteristic quantity

2.2 染色均匀性评价

在对布匹进行染色均匀性评价时需先将棉纺布匹染色品的图片分成4等份，如图2所示。取第一份作为参照图片，依次将剩余三份与第一份进行比对评价，从而得出视野下的均匀性评价。各个颜色部分的特征值则均取其像素点的平均值。而对于模型的获取，则取无视觉色差的图片和有视觉色差的图片的颜色特征值及其通过Datacolor 650所获取的相应色差等级作为训练数据，并且在图像均匀性评价时以3个小分块的均匀性计算所得结果的最小值作为对该布匹的最终均匀性评价输出等级。同时为了有效地减少训练数据量，选取具有指向性色差等级

区间的数据各一组，而实验中的染色等级的划分则是依据Datacolor 650测得的色差值对应于评价指标得出的，如表8所示。

图2 图像区域划分示意Fig.2 Sketching map of image region

ΔLΔaΔbΔSΔE色差等级1.292061.278290.399010.0086510.8572740.020220.102010.051320.0010510.0313655.529662.023923.964530.1233863.4321323.702762.028453.531880.0614462.3584436.2815921.5431134.301530.3039188.541861

将表8的每一行依次作为支持向量机模型中xi，i=1，2，3，4，5。xi为5行的行向量，通过最小二乘法可得支持向量机的模型参数(表9)。

得到的色差评价模型如下式所示：

(3)

式中：K(xi,x)=e-γ(xi-x)T(xi-x)，y为输出的色差等级。

由模型参数的确定可得到最终的均匀性评价模型，通过测量的其他测试数据对模型的可靠性进行验证，如表10所示。

表9 模型相关参数Tab.9 Parameters of the model

表10 模型的验证结果Tab.10 The results of model validation

由表10可知，实验结果符合预期，能够实现对布匹颜色的均匀性做出合理的评价，但同时可以发现有一项数据失真比较严重。这是由于该项输入数据的参数范围超过了模型训练数据的范围，这就导致了无法预测的性质。因此在实验建模的时候要充分选择建模的数据，尽量选择比实际情况的范围要大的数据范围进行模型的获取，避免超出范围导致不可预测性的失真。

2.3 染色一致性评价

在布匹染色均匀性条件满足的前提下再进行染色的一致性评价。取染色视野下图片的颜色特征值平均值。对于模型的获取，按照色差等级来选取具有指向性色差等级区间内的数据各一组，如表11所示，可以有效地控制模型的冗余度，简化模型，提高模型的效率。

表11 染色品一致性评价训练数据Tab.11 Training data for evaluation of dyed product consistency

将表11的每一行作为支持向量机模型中xi，i=1，2，3，4，5。xi为5行的行向量，通过最小二乘法可得支持向量机的模型参数如表12所示。

模型形式同均匀性模型一样，由模型参数的确定可得到最终的一致性评价模型，通过测量的其他测试数据对模型的可靠性进行验证，结果如表13所示。

表12 模型相关参数Tab.12 Parameters of the model

表13 模型的验证结果Tab.13 The results of model validation

由表13可知，实验结果符合预期，能够实现对布匹颜色的一致性做出合理的评价。同时也可发现有一项的数据有轻微的失真效应，对于失真产生的原因进行查找，可以发现失真的这项是位于分类的零界点。因此，可以总结出模型在分类的零界点具有一定的模糊效应，易发生错误的归类现象，在不考虑运算量的前提下则可以考虑在各个分界点多选取几组加入训练数据组，从而实现在分界点的细化。

3 结 论

首先通过遗传算法在数学的角度优化CIELAB色差公式，使其在更好反应颜色特征信息的基础上具有较低的公式复杂度；其次，通过支持向量机将颜色的特征信息与色差等级之间进行拟合，通过有等级区间的筛选颜色特征信息与颜色等级的数据量，可以适当简化样本的数据集，从而减少算法的计算量，避免计算的冗余度。相较于传统模糊归类型的支持向量机算法，在相同训练数据的前提下，其训练时间由21 s减少至1 s，评价结果的准确度为85%。主要的时间节省来自于颜色特征信息提取的简化和模型参数的恒值化，避免随输入数据的变化产生的重复训练的问题，相较于神经网络65%的准确度有很大的提升。实验结果表明，以单色棉纺布匹为实验对象，该算法具有较好的效率和准确度。实验的不足之处在于实验的对象是以单色的染色品为研究对象，而在实际的印染行业是单一布匹上的多种颜色的色差评价，需要引入精确的分割定位算法，这将是下一步研究的方向。

[1]王寒.基于物体表面色的色差评价研究[D].杭州:浙江大学,2008:5-12. WANG Han.The Studies of the Color Difference Evaluation on the Surface Color of Objects[D]. Hangzhou: Zhejiang University,2008:5-12.

[2]WANG Han, CUI Guihua, LUO M R, et al. Evalution of color difference formulae for difference magnitudes[J]. Color Research & Application,2012,37(5):316-325.

[3]朱博,王新鸿,唐伶俐,等.光学遥感图像信噪比评估方法研究进展[J].遥感技术与应用,2010,25(2):303-309. ZHU Bo, WANG Xinhong, TANG Linli, et al. The research progress of the signal to noise evaluation methods of optical remote sensing images[J]. Remote Sensing Technology and Application,2010,25(2):303-309.

[4]WANG Z, BOVIK A C, SHEIKH H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing,2004,13(4):600-612.

[5]WANG Z, SIMONCELLI E P, BOVIK A C. Multiscale structural similarity for image quality assessment[C]//Pacific Grove: IEEE Signal Processing Society,2010:1398-1402.

[6]王学珍.数字图像质量评价算法研究及性能评价[D].天津:天津大学,2011:1-5. WANG Xuezhen. The Research and Performance Evaluation of the Digital Image Quality Evaluation Algorithm[D]. Tianjing: Tianjing University,2011:1-5.

[7]佟雨兵,张其善,胡薇薇,等.视频质量评价方法综述[J].计算机辅助设计与图像学报,2006,18(5):735-741. TONG Yubin, ZHANG Qishan, HU Weiwei, et al. A review on the video quality assessment methods[J]. Journal of Computer Aided Design and Images,2006,18(5):735-741.

[8]邓乃扬,田英杰.支持向量机:理论、算法与拓展[M].北京:科学出版社,2009:116-155. DENG Naiyang, TIAN Yingjie. The Support Machine: Theory, Algorithm and Development[M]. Beijing: Science Press,2009:116-155.

[9]ZHANG Jianxin, YANG Chong. Evaluation model of color difference for dyed fabrics based on the support vector machine[J]. Textile Research Journal,2015,84(20):2184-2197.

[10]常卫.基于机器视觉的颜色品色差检测系统的关键技术[D].杭州:浙江理工大学,2011:1-6. CHANG Wei. The Key Technologies of Color Difference Detection System on Machine Vision[D]. Hangzhou: Zhejiang Sci-Tech University,2011:1-6.

[11]金守峰.布匹色差在线视觉检测系统[J].印染,2013,38(17):35-37. JIN Shoufeng. The visual detection system of the fabric color difference online[J]. Dyeing and Printing,2013,38(17):35-37.

Research on color evaluation algorithm of dyed product image based on SVM

ZHANG Jianxin, WU Xiaoliang

(School of Mechanical Engineering and Automation, Zhejiang Sci-Tech University, Hangzhou 310018, China)

The traditional method to evaluate the color of dyed product image is based on calculation of the average color difference value according to the color difference formula, and then obtains the color scale according to the color difference. The evaluation index of this method is single, and the results can be greatly influenced by the selection of color difference formula. Besides, it costs too much time. This paper puts forward multi-color feature evaluation index algorithm of dyed product images based on optimized color difference formula and support vector machine. Firstly, in order to reduce the computation time of color feature index, the genetic algorithm is applied to optimize the traditional CIELAB color difference formula; secondly, a fitting model between multicolor feature indexes and evaluation results is established on the basis of support vector machine, which achieves assessment of color difference grade of dyed products. Experimental results show that the results based on optimized color difference formula and SVM have better consistency than the results which are achieved by Datacolor 650 standard testing equipment. In addition, the execution time of the algorithm has been greatly improved.

color evaluation; color difference formula; support vector machine; Datacolor 650; color difference evaluation

10.3969/j.issn.1001-7003.2016.11.006

2016-05-09;

2016-10-12

国家自然科学基金项目(61074154)

TS190.9

A

1001-7003(2016)11-0029-06 引用页码: 111106