数码相机在染色织物色差测量中的应用

辛春莉， 王子玉， 周 建， 潘如如， 高卫东

(生态纺织教育部重点实验室(江南大学)， 江苏 无锡 214122)

在实际生产中，纺织品颜色及色差控制是纺织品品质保证的重要因素。目前测量颜色及色差的方法有光电积分法、分光光度法和数码测色法[1]。其中：光电积分式仪器可测出2个色源之间的差别，但不能精确测量出色源的三刺激值和色品坐标[2]；分光光度法是通过测量光源的光谱功率分布或物体反射光的光谱功率得出各颜色参数，其结果精度高，但价格昂贵且对测量样本的尺寸有严格要求；数码测色法是近些年较为热门的测色方法，其主要原理是在标准光源下，采用特定的标定色卡并配合相机参数校正来实现样品RGB信息的测定，经过颜色校正后可得到样品的标准色度数据[3]。数码测色法典型代表是英国VeriVide公司的DigiEye图像测色系统，其测色结果更加接近于人眼视觉，且可测量表面不平整以及不规整或粗糙的物体的颜色。随着测量精度的提高，目前数码测色法在各行业都得到了广泛应用，如服装、装饰纺织品、鞋类设计制造、木板、金属材料及化妆品等，但由于数码测色法采用电荷耦合原件作为图像采集传感器，其测量色域受到一定限制。

色差是指2个颜色在色觉上的差异，包括明度差、彩度差和色相差3个方面[4]。纺织品的生产样颜色和标准样颜色存在一定差异，若同一批产品色差较大，则直接影响企业的经济效益，因此，为实现纺织品颜色及色差的测量和检测，找到一种既实用且价格低廉的方法测量纺织品色差是急需解决的问题。本文通过数码相机在标准光源下采集样本图像，经过对图像原始颜色信息提取及颜色空间转换，实现对织物色差快速、客观的测量。

1 实验装置

本文实验所涉及的仪器和材料包括：Datacolor 650型分光光度计(Datacolor公司)，自制图像采集装置，DigiEye测色系统，潘通(Pantone)标准色卡，纺织品CNCS色卡，染色样布。

光源和几何照明条件是影响颜色测量结果的重要因素之一。数码相机能否在标准的光源环境和几何照明条件下采集图像是实验成功的关键，因此，自行创建的图像采集装置的照明条件和几何条件等要与DigiEye测色系统保持一致。本文自制装置系统可提供d/8几何条件以及2°和10°视场角。d/8几何条件是指反射光束轴线与试样中心法线成8°，在接收光束轴线5°内的所有方向上，采样孔径反射的辐射是均匀的[5]。其装置示意图如图1所示。国际照明委员会(CIE)推荐的常用标准照明体有A、B、C、D65、D50、D55、D75等[6]。严格的光照控制将显著影响样本间的色差辨别[7]，本文实验选用最常用的人工日光D65作为照明光源，几何条件为d/8，10°视场角下进行观察。

图1 图像采集系统示意图Fig.1 Schematic diagram of image acquisition system

2 图像颜色提取与转换

2.1 原始RGB信号提取

通常数码相机可获得多种格式的数字图像，如最为常见的JPEG格式，但该格式是一种有损压缩格式，不能直接应用其提取图像的颜色信息。而对于数码相机而言，通常都支持RAW格式的输出(RAW格式是一种文件格式，不是图像格式)，该格式文件是最原始且未被处理的数据。相比JPEG，RAW文件记录了更多的场景信息，保留了更宽广的色域以及动态范围，也留下了更为自由的后期处理空间[8]，因此，本文选用RAW文件进行图像采集，并在其上提取原始传感器三通道的响应信息(以下简称原始RGB信号)。

数码相机图像传感器(CMOS或CCD)所能采集到的原始RGB信号由其表面的特定滤光片(也称拜耳滤镜)决定。滤镜一般4个为1组，从左至右、从上至下的顺序一般有RGGB、GBRG和GRBG 3种。每个滤镜只能透过对应波长的光信号，剩余的2种颜色要经过差值计算得到，差值计算也称领域取平均法，滤镜下方对应的像素点的r、g、b响应信息就是此时计算得到的颜色信息，这个过程称为色彩插值或去马赛克。

首先实验采用标准白板拍照计算增益参数进行白平衡调校，然后在此基础上，根据所用数码相机拜耳滤镜的排列顺序，直接在其经过白平衡调校的RAW格式文件上提取红、绿、蓝3个通道的响应信息的平均值，作为原始RGB信号输出，用变量r、g、b表示。

2.2 颜色空间转换

通过数码相机输出的R、G、B值属于设备依赖，与CIE标准三刺激值响应并不完全对应，因此，不能直接转换到CIEL*a*b*空间进行色差计算。以往的数码相机颜色信号到CIE颜色的转换是R、G、B值到X、Y、Z[9]，之后还需再转换到CIEL*a*b*，过程繁琐，且结果不是非常理想，因此，本文采用最小二乘法将提取的原始RGB信号直接转换到CIEL*a*b*颜色空间，并通过转化计算色差，再得到色差差值。其主要步骤包括以下几个方面。

步骤1：在CIE标准光源D65照明下，利用Datacolor获得对应 Pantone色卡的CIEL*a*b*空间下的亮度值L和色度值a、b，记为矩阵Pi=[L,a,b]T，其中i=1，…，N，表示第i个色卡，作为构建回归模型的标准颜色值。

步骤2：应用图1装置采集样本的RAW格式图像，并提取样本的原始RGB信号，记为矩阵Ci(i=1，…，N)。考虑到颜色转换的非线性关系，将所提取的原始传感器响应信息进行非线性展开，展开方式包括以下7种模型：

1)Ci=[rgbrgrbgb]T

2)Ci=[rgbrgrbgb1]T

3)Ci=[rgbrgrbgbrgb1]T

4)Ci=[rgbrgrbgbr2g2b2]T

5)Ci=[rgbrgrbgbr2g2b21]T

6)Ci=[rgbrgrbgbr2g2b2rgb1]T

7)Ci=[rgbrgrbgbr2g2b2rgb(rg)2(rb)2(gb)21]T

步骤3：将提取的原始RGB信号转换到标准CIEL*a*b*颜色空间的非线性关系表示为

Pi=M·Ci

(1)

式中：Ci为3个传感器通道响应构成的向量矩阵；Pi为CIEL*a*b*空间下的3个向量矩阵；M是待求解的转换矩阵，其最小二乘解为

M=Pi·CiT(Ci·CiT)-1

式中：T表示矩阵的转置；“-1”表示矩阵的逆[10]。

2.3 色差公式

目前最常用且发展比较成熟的色差公式是基于CIEL*a*b*均匀颜色空间的CIE1976L*a*b*色差公式、CMC(2∶1)色差公式、CIE94色差公式以及CIEDE2000色差公式。纺织品颜色控制及评价中，CIEDE2000 色差公式比CMC或CIE1976L*a*b*更适合[1]，因此，本文实验采用CIEDE2000色差公式，其色差ΔE00计算式为

ΔE00=

200个训练样本和280个测试样本的实验用Pantone标准色卡的色品图见图2，图中横纵坐标分别代表色品图中色度坐标的x、y值。

图2 Pantone标准色卡的色品图Fig.2 Color chart of Pantone standard color card

由图2可知，本实验选用的训练和测试样本颜色分布均匀，颜色约涵盖了标准色品图Adobe RGB空间的2/3，保证了得到的实验结果具有代表性和可靠性。

3 实验结果与分析

为得到准确、可靠的色差测量结果，分别用不同尺寸的色块图像、不同的回归模型及不同模型训练样本数量对色差结果的影响进行分析。

3.1 色块尺寸

为分析同一镜头下，不同尺寸色块对测量结果的影响，选定大小分别为100像素×100像素、200像素×200像素和300像素×300像素的色块进行实验，选取32张Pantone标准色卡作为测试样本，比较每张3个不同色块图像生成的原始RGB信号的变化情况，观察其变异系数，结果如表1所示。

表1 不同色块尺寸测量结果Tab.1 Results for different color block size

表1表明：不同尺寸的色块生成的原始RGB信号变异系数(CV)平均值分别为：0.17(r)，0.12(g)和0.18(b)，32张Pantone色卡变异系数均远小于1，说明所测不同尺寸的色块对所要提取的原始RGB信号无影响，每次提取的原始RGB信号具有稳定性。为减少实验运算量，以下实验均选用 100像素×100像素的色块尺寸进行颜色提取。

3.2 训练样本数量和回归模型

为研究训练样本数量和不同回归模型对色差差值测量结果的影响，统一选取图像色块尺寸为 100像素×100像素。色卡样本总数量480张，其中 280张用于测试，剩余200张用于训练。回归训练样本数量分别设为60、80、100、120、140对。

首先采用不同模型和不同样本数量，经过训练得到响应的回归模型，然后利用此模型计算剩余色卡样本的CIEL*a*b*颜色值，并计算样本之间的色差，最后将所计算的色差与Datacolor 650所测量色差做对比，计算二者差值的绝对值。不同训练样本数量和不同回归模型的色差差值测量结果如表2所示。

色差差值越小，表示本文方法测得的色差越准确，即越接近Datacolor的结果。从表2可以看出：训练样本数量相同时，模型1较其他模型的平均色差差值均大，说明常数项在模型参数中的重要性；随着训练样本数量增多，不同模型平均色差差值呈减小趋势，但是对于模型6和7，样本数量从100对增加到140对，二者的平均色差差值先减小后略有增加，说明训练样本数量增加到一定程度，再增加其数量对色差测量精度的提高帮助不大；样本数量为120对时，模型3较模型2的平均色差差值大，分别为0.89和0.83，而模型6较模型5的平均色差小，分别为0.53和0.63，说明rgb这个参数项对模型色差精度影响不大；当样本数量同为140对时，将模型5 和模型2进行对比，前者色差结果更好，说明r2、g2、b2这3个平方参数项对色差差值结果的影响较大；当样本数量相同时，参数较多的模型较参数较少的模型的平均色差差值小，中位数也较小，说明模型构建中参数数量越多，对转化后色差差值减小的帮助越大，但样本数量为140对时，模型6和7的平均色差差值分别为0.55和0.58，平均色差差值反而稍有增加；因此，所用回归模型参数数量并非决定性因素，其有效度依赖于所选择的特定参数[9]。

采用本文实验所提出的所有模型计算所得的色差差值的标准差都较小，最大为1.26，最小为0.14，平均标准差为0.72，数据变动小，说明本文方法得到的色差稳定性较好。故综合得出优选模型为模型5和6，且对应的最优训练样本数量为120对。

表2 不同训练样本数量和不同映射模型的色差测量结果Tab.2 Results of color difference with different training samples and different models

3.3 在纺织品色卡及染色样布中的应用

为验证上述实验方法所得的色差测量模型的有效性，将其应用于中国纺织行业的专业棉布CNCS色卡及染色样布的色差测量。

实验以上述Pantone标准色卡的120对训练样本和优选模型5、6为基础，色块尺寸为100像素×100像素，测试了100对CNCS色卡和30对染色样布，测试结果如表3、4所示，表中包含DigiEye测色系统与对应的标准色差的对比结果。图3示出所测CNCS色卡和染色样布的色品图，图中横纵坐标分别代表色品图中色度坐标的x、y值。

表3 CNCS色卡色差测量结果Tab.3 Results of color difference for CNCS color card

表4 染色样布色差测量结果Tab.4 Results of color difference for dyed fabric

图3 CNCS色卡和染色样布的色品图Fig.3 Color chart of CNCS color card and dyed fabric

由表3可知，模型5、6的平均色差差值分别为1.16和1.47，与上述色卡测量结果相比，数值略有增加。其可能原因为：CNCS色卡属于纺织品织物，表面没有Pantone标准色卡光滑，提取的图像像素会略有差异。与DigiEye相比：模型5、6的平均色差差值略大，但其标准差分别为0.95和1.05，色差波动较小。模型5平均色差差值较模型6小0.31，说明模型5较模型6更加适用于纺织品CNCS色卡色差测量。表4表明，模型5和6应用于纺织染色样布时，所得的平均色差差值分别为1.34和1.44，很接近于DigiEye测量结果，且模型5较优于模型6。此外，模型5的标准差为1.26，其波动小、稳定性较好，所得色差结果能与DigiEye测量结果保持良好的一致性。

4 结 论

1)本文以分光光度计为标准测量仪，Pantone标准色卡为训练样本，采集色卡的RAW图像，提取图像的原始RGB信号，建立其与CIEL*a*b*值之间的非线性回归模型，完成任意2个待测样本的色差预测，为快速、成本低的色差的评价装置提供理论基础。

2)将回归模型[rgbrgrbgbr2g2b2]T分别应用于纺织品CNCS色卡和染色织物样本的色差测量，所得到平均色差差值分别为1.16和1.34， 略高于DigiEye测色系统的结果(0.86和1.11)，但总体上与DigiEye测量结果保持良好的一致性，尤其是对染色织物。

本文选用了有代表性的Pantone标准色卡颜色作为模型训练样本，不同于DigiEye测色系统专用的标定色卡，导致测量精度受限，后续的研究方向需进一步改进回归模型和优化训练样本颜色组合。