【導(dǎo)讀】基于計(jì)算機(jī)視覺(jué)的染色品色差檢測(cè)。人類(lèi)社會(huì)約百分之七十的信息是通過(guò)人類(lèi)視覺(jué)進(jìn)行的通過(guò)眼睛來(lái)獲取。圖像具有其它方法所不可比擬的優(yōu)勢(shì)包括直觀性易理解性快速性等計(jì)算機(jī)視覺(jué)。的快速發(fā)展計(jì)算機(jī)視覺(jué)已經(jīng)廣泛地應(yīng)用于醫(yī)藥衛(wèi)生國(guó)防建設(shè)航空航天兵器制造。檢測(cè)質(zhì)量控制等社會(huì)應(yīng)用領(lǐng)域而人民生活水平的日益提高促使著紡織品印染行。業(yè)的快速發(fā)展色差檢測(cè)技術(shù)作為其中的一項(xiàng)基本要求漸漸成為相關(guān)公司及科研。單位迫切需要解決的問(wèn)題。的表面顏色進(jìn)行檢測(cè)使用相關(guān)處理軟件實(shí)現(xiàn)實(shí)時(shí)在線監(jiān)控這樣便于生產(chǎn)管理的。降低工廠的人力成本提高生產(chǎn)效率讓產(chǎn)品質(zhì)量管理透明化獲得良好的經(jīng)濟(jì)效益。從而增強(qiáng)企業(yè)的市場(chǎng)競(jìng)爭(zhēng)力。染色品色差檢測(cè)的評(píng)價(jià)指標(biāo)一致性指標(biāo)和均勻性指標(biāo)。究包括基于支持向量機(jī)的分類(lèi)算法基于級(jí)聯(lián)弱分類(lèi)器的AdaBoost分類(lèi)算法最終。量機(jī)分類(lèi)算法并將分類(lèi)算法對(duì)染色品的色差質(zhì)量進(jìn)行判別分類(lèi)試驗(yàn)結(jié)果表明該。場(chǎng)染色品色差的在線檢測(cè)系統(tǒng)奠定了良好的基礎(chǔ)

　　

【正文】 后可以發(fā)現(xiàn) C值過(guò)小分類(lèi)器的學(xué)習(xí)能力表現(xiàn)不好采用 LBPGMM核函數(shù)的 SVM的性能在于 C 于一個(gè)合適的 范圍內(nèi)取值時(shí)可以簡(jiǎn)單地通過(guò)調(diào)整σ值來(lái)改變并且對(duì)分類(lèi)器的影響也更大 當(dāng)選擇 LBPGMM 作為 SVM 分類(lèi)器時(shí)如果σ值均相同將會(huì)出現(xiàn)如下問(wèn)題 1σ值過(guò)小將會(huì)使得 LBPGMM 模型對(duì)特征區(qū)分效果較為健壯分量分類(lèi)器錯(cuò)誤高度相關(guān)而且還可能出現(xiàn)對(duì)訓(xùn)練樣本的過(guò)擬合 2 如果σ值過(guò)大 LBPGMM 的性能將變得較低分類(lèi)精度小于 60 綜上所述我們需要為各分量分類(lèi)器選擇較為合適的σ針對(duì) LBPGMM 在選擇合適的參數(shù) C 時(shí)用訓(xùn)練樣本集的標(biāo)準(zhǔn)差作為高斯寬度σ可以獲得較高的分類(lèi)精度 本文通過(guò)對(duì)以下采集樣本進(jìn)行離線訓(xùn)練 31 LBPGMM SVM 部分訓(xùn)練樣本 本文采用以下樣本進(jìn)行分類(lèi)測(cè)試 32 部分測(cè)試樣本 最終得到的分類(lèi)結(jié)果 訓(xùn)練數(shù)據(jù) 測(cè)試數(shù)據(jù) 核函數(shù) 參數(shù)尋優(yōu)時(shí)間 模型訓(xùn)練時(shí)間 訓(xùn)練精度 預(yù)測(cè)精度 100 組 50 組 LBPGMM 91s 10s 920 935 實(shí)驗(yàn)表明通過(guò)改變各個(gè)核函數(shù)參數(shù)σ值基于 LBPGMM 的 SVM 分類(lèi)器采用LBPGMM 內(nèi)核的分類(lèi)精度有了顯著的提高與普通 SVM 分類(lèi)器相比具有容易選擇SVM 模型的優(yōu)點(diǎn)另外通過(guò)改變參數(shù)σ也較好地提到了泛化性能實(shí)驗(yàn)同時(shí)驗(yàn)證該算法對(duì)于提高非均衡數(shù)據(jù)集的分類(lèi)精度效果也較為顯著 34 本章小結(jié) 本章首先對(duì)幾種常用的分類(lèi)算法進(jìn)行了研究并討論其性能包括基于支持向量的分類(lèi)算法基于級(jí)聯(lián)弱分類(lèi)器的 Adaboost 分類(lèi)算法最后根據(jù)待檢測(cè)目標(biāo)是非剛體且易受光照影響的特點(diǎn)提出了一種基于 LBPGMM 模型的支持向量機(jī)色差分類(lèi)算法該算法針對(duì)文章前部分提出的一種基于 LBPGMM 的特征描述可有效對(duì)檢測(cè)目標(biāo)的色差進(jìn)行檢測(cè)和分類(lèi)識(shí)別并且在小樣本的情況下也可以適用 第四章 染色品色差檢測(cè)中的光照校正 由于現(xiàn)場(chǎng)的檢測(cè)環(huán)境比較復(fù)雜可能會(huì)受到外界光線的干擾因此在不同光照條件的照射下染色品的顏色會(huì)有差異從而造成我 們采集到的圖像效果會(huì)有所下降而這種差異將對(duì)染色品的色差檢測(cè)帶來(lái)較大的影響為了獲得更好的色差評(píng)價(jià)準(zhǔn)確度達(dá)到很好了檢測(cè)效果本章將針對(duì)針對(duì)兩種光照校正算法進(jìn)行研究支持向量回歸 SVR 光照估計(jì)算法 [20]和光照色調(diào)顏色恒常性算法 [21]本章的最后將小波理論 [22] 引入到光照校正中提出了一種基于小波理論的光照校正算法 41 SVR 支持向量回歸 光照校正 目前 SVR 方法已在實(shí)際生產(chǎn)生活中得到廣泛應(yīng)用比如高速公路車(chē)流量預(yù)測(cè) [23]金融市場(chǎng)預(yù)測(cè) [24]等 SVR 方法是一種基于全局最優(yōu)的回歸算法并且也是一種基于貝葉 斯模型推理算法 [25]又能給出連續(xù)的圖像光照色調(diào)因此該方法被用于光照校正 W Xiong[26]等人把支持向量回歸引入到圖像顏色恒常性的計(jì)算中實(shí)驗(yàn)結(jié)果表明相比其它有監(jiān)督的顏色恒常性算法 SVR優(yōu)勢(shì)十分明顯在基于 SVR的顏色恒常性計(jì)算中將光照色度的估計(jì)分為 r分量和 g分量的估計(jì)且獨(dú)立進(jìn)行因此 SVR的輸出為單一結(jié)果輸出 在輸入向量中 WXiong等人不僅使用了與 BP神經(jīng)網(wǎng)絡(luò)方法相同的二值化色度向量記為 SVR2D 還參照了 3D Correlation 算法 [27]將顏色的強(qiáng)度信息值 I RGB加入到原有的色度空間從而構(gòu)成 3D顏色空間并在 3D的顏色空間中構(gòu)建新的顏色特征向量 對(duì)于 SVR 核函數(shù)的選擇 WXiong 等人對(duì)多種核函數(shù)及相應(yīng)的參數(shù)進(jìn)行實(shí)驗(yàn)比較最后選擇了表現(xiàn)最優(yōu)的 RBF核函數(shù)由大量的實(shí)驗(yàn)結(jié)果可知基于 SVR的算法相對(duì)于現(xiàn)有絕大多數(shù)算法具有更好的光照估計(jì)精度 411 支持向量回歸 SVR 光照估計(jì)結(jié)果 鑒于 WXiong 等人所用方法的優(yōu)越性本文對(duì)其光照校正算法進(jìn)行了大量的試驗(yàn)在及 A 三種光源下 每種光源 9幅布面圖像共獲得 27組數(shù)據(jù)取色度步長(zhǎng)為 002r分量和 g分量分別取 50 個(gè)數(shù)據(jù)點(diǎn)那么對(duì)于一幅圖像來(lái)說(shuō)產(chǎn)生的訓(xùn)練數(shù)據(jù)維數(shù)為 在 選用表現(xiàn)最優(yōu)的 RBF[27]作為核函數(shù)的基礎(chǔ)上采用大小的數(shù)據(jù)對(duì) SVR模型進(jìn)行訓(xùn)練采用遺傳算法進(jìn)行尋優(yōu)尋優(yōu)結(jié)果如圖 41 所示將尋優(yōu)獲得的參數(shù)用于SVR模型的訓(xùn)練和預(yù)測(cè)并選用其中 4組數(shù)據(jù)參與模型的預(yù)測(cè)對(duì) r分量進(jìn)行估計(jì)的訓(xùn)練和預(yù)測(cè)結(jié)果如圖 42 所示 圖 41 SVR 光照估計(jì)參數(shù)尋優(yōu) 圖 42 SVR 模型在 27 組布面樣品數(shù)據(jù)下的訓(xùn)練和預(yù)測(cè)結(jié)果 由圖 42 可以看出在本文的實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練下基于 SVR 的光照估計(jì)模型訓(xùn)練精度為 70 所以可以得出采用 SVR可以在一定程度上預(yù)測(cè)出未知光源圖像的光照色品坐標(biāo)在此光照色品坐標(biāo)值的基礎(chǔ)上進(jìn)一 步采用 Von Kries模型 [28]對(duì)圖像進(jìn)行色調(diào)校正 412 Von Kries 模型的色調(diào)校正 在已經(jīng)得到計(jì)算正確的光照結(jié)果的情況下怎樣將任意光照下的圖像校正到標(biāo)準(zhǔn)白光條件下對(duì)于這個(gè)問(wèn)題 Jvon Kries 等人 [33]提出了 Von Kries 即對(duì)角模型模型用來(lái)進(jìn)行在不同的任意光照下對(duì)圖像之間顏色的轉(zhuǎn)換 兩種光照下的圖像顏色轉(zhuǎn)換可以通過(guò)一個(gè)對(duì)角矩陣來(lái)完成即將光照下的圖像顏色映射到光照下的顏色 在相機(jī)圖像處理中 Von Kries 色調(diào)校正方法得到了廣泛的應(yīng)用當(dāng)人體視錐細(xì)胞受到外界顏色的刺激時(shí)該方法將給人眼 視錐細(xì)胞一個(gè)增益以保持人眼中的物體顏色始終保持在參考白光的狀態(tài)下 Herbet Elves[34]首次將 Johannes von Kries 的關(guān)于調(diào)整型增益的思想在三種視錐細(xì)胞 S錐體 M錐體及 L錐體上的研究用于解決顏色恒常性問(wèn)題上該方法有時(shí)會(huì)涉及到 lves 轉(zhuǎn)換 [35]或 von Krieslves 校正 [36]Von Kries 系數(shù)規(guī)則的應(yīng)用需要二個(gè)前提條件一顏色恒常性的實(shí)現(xiàn)需要對(duì)三種視錐細(xì)胞分別進(jìn)行調(diào)整二調(diào)整的增益取決于人體視覺(jué)所具有的感官環(huán)境即曾觀察過(guò)的顏色以及周?chē)沫h(huán)境 因此通過(guò)選擇合適的對(duì)角校正矩 陣 [37]可以獲得輻射光譜的視錐細(xì)胞響應(yīng)計(jì)算公式如 4 1 所示 4 1 其中是條件刺激頻譜為視錐敏感度矩陣 基于 Von Kries 模型的色度校正需要在 LMS 顏色模型中進(jìn)行 RGB與 LMS 模型之間的轉(zhuǎn)換關(guān)系如公式 4 8 所示 4 2 對(duì)角矩陣是將一種條件下的視錐敏感度顏色轉(zhuǎn)換到另一種條件下所 謂的條件是指由光照決定的物體顏色的周邊環(huán)境另外它在光照校正轉(zhuǎn)換中也起著非常重要的作用 矩陣對(duì)角線上的元素是指視錐敏感度相對(duì)于光照白點(diǎn)的比率的計(jì)算如公式4 3 所示 4 3 413 染色布面圖像的實(shí)驗(yàn)結(jié)果比照 圖 43 27 幅染色布面圖像中的其中 2 幅原圖像 圖 44 2 幅圖像在 Von Kries 模型下的圖像光照校正結(jié)果 采用支持向量回歸 SVR 對(duì)未知光源下的圖像進(jìn)行光照色度的估計(jì)利用 SVR模型預(yù)測(cè)到的光照色度值對(duì)圖像進(jìn)行光 照校正本文將采集到的 27 幅染色布面圖像中的其中 2幅圖像如圖 43輸入該模型進(jìn)行實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果如圖 44所示從上述結(jié)果可以看出在基于 SVR的光照估計(jì)模型下對(duì)圖像進(jìn)行基于 Von Kries模型的光照校正效果不甚理想甚至?xí)嬖趫D像失真 42 光照色調(diào)顏色恒常性算法光照校正 在近光源照射的情況下光源中心色調(diào)變化比較大以致于不同的物體有可能呈現(xiàn)出相同的色調(diào)因此為了提高對(duì)圖像的識(shí)別精度基于光學(xué)輻照原理對(duì)彩色感知數(shù)學(xué)模型推導(dǎo)出了光照校正的數(shù)學(xué)模型并利用 HSV 顏色空間實(shí)現(xiàn)光照色調(diào)校正 [32] 421 算法原理 相比于基于貝 葉斯模型推理假設(shè)在一個(gè)平坦無(wú)光澤的 Lambertian 平面上存在近點(diǎn)光源投影并從投影法線的方向進(jìn)行采樣那么對(duì)于某波長(zhǎng)為λ的彩色光照在以投影方向?yàn)橹行牡臍W幾里得坐標(biāo)系中根據(jù) Lambertian 余弦定律 [22] 和光學(xué)輻照原理可推斷某點(diǎn)的反射光照強(qiáng)度為式 4 1 4 4 上式中為點(diǎn)的反射光照強(qiáng)度為某波長(zhǎng)投影光的最大發(fā)光強(qiáng)度為點(diǎn)表面片的法線與光源方向矢量間的夾角該式表明隨著單位表面法線的入射角的變化某波長(zhǎng)點(diǎn)光源在表面片 上照明的感覺(jué)亮度也將變化 在計(jì)算機(jī)視覺(jué)中由成像系統(tǒng)的第個(gè)顏色傳感器采集到的某點(diǎn)的顏色值可表示為式 4 2 [22] 4 5 上式中 是 SPD 即在每一個(gè)波長(zhǎng)上入射光照光譜的能量分布是場(chǎng)景中某一點(diǎn)對(duì)每一個(gè)波長(zhǎng)的反射率值而則為成像系統(tǒng)的第個(gè)顏色傳感器的光譜靈敏度即對(duì)每個(gè)波長(zhǎng)能吸收多大比例的投影光是上述三個(gè)因素作用的結(jié)果即成像系統(tǒng)在像素點(diǎn)處的第個(gè)傳感器的響應(yīng) 式 4 3 為其離散型式 4 6 由于系統(tǒng)的反射光照由決定因此可以將它視為利用式 4 1 將代入可以推出 4 7 所以可以得到 4 8 上式中可看做該種顏色在投影光照下的最大光照強(qiáng)度 關(guān)于 cosθ p 的計(jì)算我們可以假定法向投影點(diǎn)為光源到投影平面的距離為如圖 41 所示則平面上某點(diǎn)與法線方向的夾角的余弦值為 上 式中為點(diǎn)與法向投影點(diǎn)之間的距離如圖 圖 45 彩色感知系統(tǒng)模型 422 算法步驟 本文采用 WXiong 中的方法對(duì)獲得的染色布面圖像進(jìn)行在及三種光源下的光照估計(jì)把染色品圖像轉(zhuǎn)換到 CIELAB空間上然后找出 Lambertian朗伯平面上最亮的一點(diǎn)作為光源在平面上法向投影點(diǎn) o 其在投影圖像中的位置記為得到其光強(qiáng)分量并且確定采集光源與平面間之間的距離 確定圖像上的參考點(diǎn)其三個(gè)顏色傳感器的 RGB 值分別為在投影平面中的位置為并且確定參考點(diǎn)與 o 點(diǎn)之間的距離 根據(jù) 4 6 式計(jì)算 對(duì)于染色品平面上其它各點(diǎn)顏色值根據(jù)式 34 得到其校正后的光照值 這一步將校正后的圖像轉(zhuǎn)換到 HSV 空間與標(biāo)準(zhǔn)樣進(jìn)行色差的計(jì)算 423 校正結(jié)果 本論文圖片采集時(shí)的光照環(huán)境為對(duì)染色品分別在以下三種光照環(huán)境下進(jìn)行圖像的采集 1 照射光源為 D65 標(biāo)準(zhǔn)光源 2 照射光源為黃光源 A3 照射光源為 D50標(biāo)準(zhǔn)光源每一次圖像采集均采用的是上述三種光照之一的單一光照環(huán)境將光照環(huán)境 1 情況下采集的圖像設(shè)為標(biāo)準(zhǔn)光照條件即客戶所要求及進(jìn)行色差評(píng)價(jià)所采用的光照環(huán)境下的圖像將另兩種條件設(shè)為生產(chǎn)商進(jìn)行染色色差評(píng)價(jià)時(shí)所采用的光照環(huán)境 實(shí)驗(yàn)結(jié)果如下 圖 46 在圖 46 中從上到下從左到右的每組 樣本序號(hào)依次記為 129 其中每組左邊圖像為 A 光源照射下采集到的原圖像右圖像為基于色調(diào)顏色恒常性算法的光照校正效果圖可以看出該算法實(shí)現(xiàn)了比較好的校正效果 43 基于小波理論的光照校正算法 由于布匹本身是非剛體且由于光源的距離問(wèn)題會(huì)導(dǎo)致被檢測(cè)目標(biāo)的表面光照不均勻嚴(yán)重時(shí)會(huì)導(dǎo)致色差檢測(cè)結(jié)果的失敗因此本節(jié)研究了一種基于小波理論的光照校正算法將小波算法與不均勻光照的情況結(jié)合起來(lái)并第一次用于布匹材料的色差檢測(cè)中 431 算法原理 小波作為一種數(shù)學(xué)工具已經(jīng)被廣泛地應(yīng)用于圖像處理中在實(shí)際應(yīng)用中經(jīng)常使用的是二進(jìn)離散小波變換 它由一組分解與重構(gòu)系數(shù)完全確定對(duì)于一個(gè)雙正小波設(shè)其分解與重構(gòu)系數(shù)為則下面的雙尺度方程確定了它的小波函數(shù)和尺度函數(shù)本文通過(guò)取圖像的降質(zhì)模型 對(duì)圖像的亮度進(jìn)行校正其中為真實(shí)圖像和分別為異常光照亮度和采集到的圖像通常情況下真實(shí)圖像的內(nèi)容與光照對(duì)比是快速變化的可視為噪聲針對(duì)圖像