【正文】 4）D75 對(duì)應(yīng)光源為冷色調(diào)室內(nèi)燈，CCT為7504K白熾燈價(jià)格便宜，將其作為應(yīng)用光源成本較低，另外其具有同日光相似的連續(xù)光譜能量分布，輸出可控，光輸出較為穩(wěn)定，隨電輸入可改變，結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)。石英鹵素?zé)糁挥糜诠庠碅。另外，石英鹵素?zé)粼贗R區(qū)域會(huì)產(chǎn)生較多的能量，一些著色劑對(duì)光或熱敏感，這將造成樣本在鹵素?zé)粝率軣?，從而產(chǎn)生熱變色樣本的顏色度量誤差。總體來說，脈沖氙燈可以克服以上所述缺點(diǎn)。在每次測(cè)量中，脈沖氙燈只是在幾納秒的時(shí)間內(nèi)釋放閃光，并不提供持續(xù)的光源照明。另外，脈沖氙光也較適合對(duì)暗顏色的測(cè)量。綜上所述，考慮到不同光源的不同特性，相關(guān)行業(yè)在進(jìn)行染色品色差檢測(cè)時(shí)，需要針對(duì)自己公司產(chǎn)品的特性進(jìn)行光源的選取。26 建立染色效果評(píng)價(jià)模型染色效果評(píng)價(jià)模型的建立是實(shí)現(xiàn)染色過程信息在線反饋控制的基礎(chǔ)，具體是指色差評(píng)價(jià)指標(biāo)與布匹表面的染色信息之間的關(guān)系模型。261染色評(píng)價(jià)模型及染色效果評(píng)價(jià)指標(biāo)2611染色評(píng)價(jià)模型顯然，除了特殊需求，染色品染色不均勻或者和目標(biāo)色不一致是很難被客戶所接受的，本文將針對(duì)現(xiàn)有離線在檢驗(yàn)檢測(cè)色差方面的局限性，以滌綸質(zhì)、棉質(zhì)染色布面為研究對(duì)象，提出一種基于計(jì)算機(jī)視覺的、實(shí)時(shí)性的在線染色色差檢測(cè)評(píng)價(jià)模型。此模型為實(shí)現(xiàn)染色過程的在線反饋控制奠定了評(píng)價(jià)基礎(chǔ)。本論文的研究也將遵循這一原則。我們可以用可見光譜內(nèi)給定波長(zhǎng)區(qū)間的光的反射率來表示染色品的顏色。由此，評(píng)價(jià)染色樣品的均勻性時(shí)，必須比較不同部位的顏色；而評(píng)價(jià)染色一致性時(shí)，必須在同樣的外部環(huán)境下去比較標(biāo)準(zhǔn)色和樣品顏色之間的差異，并測(cè)出不同部位的反射率值（在相同的波長(zhǎng)區(qū)間）。本文通過融合局部紋理特征的混合高斯模型（GMM）進(jìn)行分類，建立評(píng)價(jià)指標(biāo)與樣品顏色各屬性值之間的關(guān)系模型，實(shí)現(xiàn)染色效果色差的在線評(píng)價(jià)。染色效果可以通過以下兩個(gè)指標(biāo)來評(píng)價(jià)： （1） 染色品顏色和目標(biāo)顏色之間的顏色匹配程度，即為類間方差[14]。在實(shí)際中，當(dāng)從眾多屬性中選取某幾項(xiàng)屬性值與評(píng)價(jià)指標(biāo)建立關(guān)系模型時(shí)，其中某些所選取的屬性之間可能存在著近似線性關(guān)系。因此，為了提高評(píng)價(jià)的精度，須過濾掉次要的信息。本文采用PCA[15]（主成份分析法對(duì)顏色特征的冗余信息進(jìn)行有效的抑制）。表21 染色品樣本顏色的差異數(shù)據(jù)序號(hào)12345678910PCA（主成份分析法）是一種對(duì)數(shù)據(jù)進(jìn)行分析的技術(shù)，最重要的應(yīng)用是對(duì)原有的數(shù)據(jù)進(jìn)行簡(jiǎn)化。其有點(diǎn)是原理簡(jiǎn)單、且無參數(shù)限制，因此本文采用PCA算法對(duì)樣本的顏色信息進(jìn)行降維處理。11份樣本均為相同的光照條件下的采集圖像，運(yùn)用主元分析法去除了原始屬性指標(biāo)中的次要指標(biāo)，得出表23中的數(shù)據(jù)。在此選擇的布匹檢測(cè)區(qū)域大小為。因此，本文對(duì)染色布匹進(jìn)行色差評(píng)定時(shí)，將評(píng)定區(qū)域定為（即295 295像素），因此被檢測(cè)區(qū)域?qū)⒈环譃樗膫€(gè)待評(píng)定區(qū)域，如下圖所示。當(dāng)檢測(cè)區(qū)域（）內(nèi)的四個(gè)小區(qū)域中一致性指標(biāo)小于等于2級(jí)的個(gè)數(shù)多于2時(shí)，就將該檢測(cè)區(qū)域定為染色不一致區(qū)域。 且，length(檢測(cè)區(qū)域)； （4）采集下一個(gè)區(qū)域，重復(fù)步驟一、二、三；262 紋理特征提取紋理是景物的一個(gè)重要特征。紋理大致可分為兩類：一類是規(guī)則紋理，它由明確的紋理基本元素（簡(jiǎn)稱紋理基元）經(jīng)有規(guī)則排列而成，常被稱為人工紋理。這種分布在空間位置上的反復(fù)出現(xiàn)形成紋理，這樣的重復(fù)在局部范圍內(nèi)往往難以體察出來，只有從整體上才能顯露。紋理特征可用來描述對(duì)象物表面的粗糙程度和它的方向性，也可用來分析生物材料組織，或者用來進(jìn)行圖像分割。本文采用LBP（局部二值模式）[16]對(duì)目標(biāo)圖像的區(qū)域進(jìn)行紋理表述。其中表示局部鄰域中心的灰度值，對(duì)應(yīng)著半徑為R的圓環(huán)上的P個(gè)等分點(diǎn)的灰度值，不同的（P, R）組合，LBP算子也不相同，圖3為3種不同的LBP算子。因?yàn)閳D像邊緣處的LBP紋理特征受鄰域影響較小，所以本文對(duì)于圖像邊緣的像素點(diǎn)保留了原始像素灰度值。由于本文采用的局部二值模式紋理特征（P=8, R=2），則的取值為0－255，建立統(tǒng)計(jì)直方圖Hist(LBP)，并且對(duì)直方圖進(jìn)行歸一化處理。其中Bhattacharyya距離[17]的計(jì)算公式如下所示：其中，Bhattacharyya距離的取值范圍是0－1，數(shù)值越大表示二者的相似度越高。其中，第1－6組，待測(cè)目標(biāo)的紋理比較接近，第7－9組，待測(cè)目標(biāo)的紋理相差較大。263 基于混合高斯模型（GMM）的算法建模混合高斯模型是想對(duì)應(yīng)于單高斯模型而言的，其應(yīng)用可以在一定程度上解決多維特征向量的分類判別問題，就是數(shù)據(jù)可以看作是從數(shù)個(gè)高斯分布中生成出來的。每個(gè) GMM 由 K 個(gè) Gaussian 分布組成，每個(gè) Gaussian 稱為一個(gè)“Component”，這些 Component 線性加成在一起就組成了 GMM 的概率密度函數(shù)：其中，表示選中這個(gè)ponent部分的概率，我們也稱其為加權(quán)系數(shù)。以下圖組為以某一單一顏色的布匹采集樣本為例子。訓(xùn)練結(jié)果參數(shù)為：檢測(cè)分量高斯核中心高斯核權(quán)重ABHV即可得到混合高斯核函數(shù)為：264 基于LBP和混合高斯模型（GMM）的算法建模 在以上兩節(jié)內(nèi)容中，本文討論了基于局部二值模式的紋理提取和基于混合高斯模型的顏色建模方法。通過將待測(cè)目標(biāo)的LBP直方圖與混合高斯模型結(jié)合在一起，構(gòu)造出一種新的目標(biāo)高維特征。建立LBPGMM相似度計(jì)算公式：其中，為混合高斯模型中的相似性度量（0－1）。 (第1組) (第2組) (第3組) (第4組) (第5組) (第6組) (第7組) (第8組) (第9組)213 基于LBPGMM模型的測(cè)試樣本值計(jì)算結(jié)果：組別值123456789可以看出，在待測(cè)目標(biāo)與標(biāo)準(zhǔn)目標(biāo)相似的情況下，計(jì)算出的值比較高，也即相似度較高；在待測(cè)目標(biāo)與標(biāo)準(zhǔn)目標(biāo)不相似的情況下，計(jì)算出的值比較低。首先介紹了去除圖像噪聲的的三種圖像預(yù)處理方法：鄰域平均法濾波、中值濾波及高斯模板濾波法，總結(jié)分析三種方法的優(yōu)缺點(diǎn)后，本文決定所有樣本圖像使用高斯模板濾波。最后本節(jié)重點(diǎn)研究了一種圖案的紋理特殊提取方法（局部二值模式）和顏色信息模型（混合高斯模型），并且提出了一種融合局部紋理信息（LBP）和高斯混合模型（GMM）的特征構(gòu)造方法，為染色布匹的顏色質(zhì)量的分類判別做好了數(shù)據(jù)基礎(chǔ)。本文首先討論幾種常見的分類算法，并對(duì)其性能進(jìn)行了分析，包括基于支持向量的分類算法、基于級(jí)聯(lián)弱分類器的boosting分類算法[18]，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[19]分類算法，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)和分類識(shí)別。由于是針對(duì)有些檢測(cè)情況下，樣本比較小難以通過大樣本進(jìn)行訓(xùn)練分類的情況。支持向量機(jī)方法在進(jìn)行分類時(shí)，先依據(jù)區(qū)域中樣本的屬性值計(jì)算該區(qū)域的分類曲面，然后由該分類曲面來判定該區(qū)域中樣本的類別。另外，考慮到可能存在一些被超平面錯(cuò)誤分類的樣本，因此引入松弛因子（slack variable） 3(3)，令超平面滿足： 3(4)得到最小泛函： 3(5)公式中，定義非負(fù)常數(shù)為懲罰因子，它的值越大說明對(duì)支持向量機(jī)的錯(cuò)誤分類懲罰度越大。如果核函數(shù)k(x ,y)滿足mercer條件，它就對(duì)應(yīng)于某一變換空間的內(nèi)積運(yùn)算。32 AdaBoost分類算法組合分類的方法是指通過分類學(xué)習(xí)獲得多個(gè)分量分類器，然后按照某種方法把他們組裝起來。Freund和Schapire提出的AdaBoost算法是組合方法中的代表。AdaBoost的分量分類器的分類精度和差異性之間存在矛盾、以至于降低了AdaBoost算法的分類精度和泛化性，針對(duì)于此，本文提出了通過改變高斯寬度σ的基于Adaboost的SVM分類器，并使用它對(duì)染色效果評(píng)價(jià)指標(biāo)進(jìn)行模型重建。AdaBoost算法是提取若干簡(jiǎn)單特征組成的若干個(gè)弱分類器，再由弱分類器組陳的一個(gè)強(qiáng)分類器的算法。該算法其實(shí)是一個(gè)簡(jiǎn)單的弱分類算法提升過程，這個(gè)過程通過不斷的訓(xùn)練，可以提高對(duì)數(shù)據(jù)的分類能力。AdaBoost算法中不同的訓(xùn)練集是通過調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重來實(shí)現(xiàn)的。至于分類不正確樣本，則加大其對(duì)應(yīng)的權(quán)重；而對(duì)于分類正確的樣本，就降低它的權(quán)重。在新的樣本分布下，再次對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，得到弱分類器。具體步驟如下：一， 給定訓(xùn)練樣本集S， X和Y分別對(duì)應(yīng)于正例樣本和負(fù)例樣本；T為訓(xùn)練的最大循環(huán)次數(shù)；二， 初始化樣本權(quán)重為1/n ，即為訓(xùn)練樣本的初始概率分布；三， 第一次迭代：a) 訓(xùn)練樣本的概率分布相同下，訓(xùn)練得到弱分類器；b) 計(jì)算弱分類器的錯(cuò)誤率；c) 選取合適閾值，使得誤差最??；d) 更新樣本權(quán)重；經(jīng)T次循環(huán)后，得到T個(gè)弱分類器，按更新的權(quán)重疊加，最終得到的是強(qiáng)分類器。并且需要人工對(duì)大量的正負(fù)樣本進(jìn)行標(biāo)定，在本文的設(shè)計(jì)中難以實(shí)現(xiàn)。33 一種基于LBPGMM模型的支持向量機(jī)色差檢測(cè)分類算法如果訓(xùn)練數(shù)據(jù)集中的變化僅引起分類器上很小的變化，那么分類器是穩(wěn)定的，此時(shí)AdaBoost算法將不能較好地改善分類的性能。同時(shí)，本文選取支持向量機(jī)的基本結(jié)構(gòu)，利用其在小樣本的情況下可實(shí)現(xiàn)較好分類的性質(zhì)，本文將LBP－GMM模型的判別方程：作為本文中支持向量機(jī)核函數(shù)的選擇。 對(duì)于，將作為標(biāo)準(zhǔn)模型的參數(shù)信息進(jìn)行離線學(xué)習(xí)，由于支持向量機(jī)本身的特點(diǎn)，因此對(duì)樣本的數(shù)量不要求很好，這一點(diǎn)與Adaboost算法有著很大的區(qū)別，也給本文在實(shí)際應(yīng)用中的實(shí)施帶來了較大的工程化可行性。本文中P=8，R=2。對(duì)采用LBPGMM的SVM的性能進(jìn)行分析后可以發(fā)現(xiàn)，C值過小，分類器的學(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)單地通過調(diào)整σ值來改變，并且對(duì)分類器的影響也更大。2）如果σ值過大，LBPGMM的性能將變得較低，分類精度小于60%。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精度。與普通SVM分類器相比，具有容易選擇SVM模型的優(yōu)點(diǎn)，另外通過改變參數(shù)σ，也較好地提到了泛化性能。34 本章小結(jié)本章首先對(duì)幾種常用的分類算法進(jìn)行了研究，并討論其性能，包括：基于支持向量的分類算法、基于級(jí)聯(lián)弱分類器的Adaboost分類算法，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)和分類識(shí)別，并且在小樣本的情況下也可以適用。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)帶來較大的影響。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]。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，比如高速公路車流量預(yù)測(cè)[23]，金融市場(chǎng)預(yù)測(cè)[24]等。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。因此，SVR的輸出為單一結(jié)果輸出。將顏色的強(qiáng)度信息值I=R+G+B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。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。每種光源9幅布面圖像共獲得27組數(shù)據(jù)，r分量和g分量分別取50個(gè)數(shù)據(jù)點(diǎn)，那么對(duì)于一幅圖像來說，產(chǎn)生的訓(xùn)練數(shù)據(jù)維數(shù)為（）。將尋優(yōu)獲得的參數(shù)用于SVR模型的訓(xùn)練和預(yù)測(cè)。：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，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%。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)問題， Kries等人[33]提出了Von Kries（即對(duì)角模型）模型。兩種光照下的圖像顏色轉(zhuǎn)換可以通過一個(gè)對(duì)角矩陣來完成。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。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所具有的感官環(huán)境，即曾觀察過的顏色以及周圍的環(huán)境。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。R/G/B與LMS模型之間的轉(zhuǎn)換關(guān)系如公式4(8)所示。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。本文將采集到的27幅染色布