數碼相機在染色織物色差測量中的應用

辛春莉， 王子玉， 周 建， 潘如如， 高衛東

(生態紡織教育部重點實驗室(江南大學)， 江蘇 無錫 214122)

在實際生產中，紡織品顏色及色差控制是紡織品品質保證的重要因素。目前測量顏色及色差的方法有光電積分法、分光光度法和數碼測色法[1]。其中：光電積分式儀器可測出2個色源之間的差別，但不能精確測量出色源的三刺激值和色品坐標[2]；分光光度法是通過測量光源的光譜功率分布或物體反射光的光譜功率得出各顏色參數，其結果精度高，但價格昂貴且對測量樣本的尺寸有嚴格要求；數碼測色法是近些年較為熱門的測色方法，其主要原理是在標準光源下，采用特定的標定色卡并配合相機參數校正來實現樣品RGB信息的測定，經過顏色校正后可得到樣品的標準色度數據[3]。數碼測色法典型代表是英國VeriVide公司的DigiEye圖像測色系統，其測色結果更加接近于人眼視覺，且可測量表面不平整以及不規整或粗糙的物體的顏色。隨著測量精度的提高，目前數碼測色法在各行業都得到了廣泛應用，如服裝、裝飾紡織品、鞋類設計制造、木板、金屬材料及化妝品等，但由于數碼測色法采用電荷耦合原件作為圖像采集傳感器，其測量色域受到一定限制。

色差是指2個顏色在色覺上的差異，包括明度差、彩度差和色相差3個方面[4]。紡織品的生產樣顏色和標準樣顏色存在一定差異，若同一批產品色差較大，則直接影響企業的經濟效益，因此，為實現紡織品顏色及色差的測量和檢測，找到一種既實用且價格低廉的方法測量紡織品色差是急需解決的問題。本文通過數碼相機在標準光源下采集樣本圖像，經過對圖像原始顏色信息提取及顏色空間轉換，實現對織物色差快速、客觀的測量。

1 實驗裝置

本文實驗所涉及的儀器和材料包括：Datacolor 650型分光光度計(Datacolor公司)，自制圖像采集裝置，DigiEye測色系統，潘通(Pantone)標準色卡，紡織品CNCS色卡，染色樣布。

光源和幾何照明條件是影響顏色測量結果的重要因素之一。數碼相機能否在標準的光源環境和幾何照明條件下采集圖像是實驗成功的關鍵，因此，自行創建的圖像采集裝置的照明條件和幾何條件等要與DigiEye測色系統保持一致。本文自制裝置系統可提供d/8幾何條件以及2°和10°視場角。d/8幾何條件是指反射光束軸線與試樣中心法線成8°，在接收光束軸線5°內的所有方向上，采樣孔徑反射的輻射是均勻的[5]。其裝置示意圖如圖1所示。國際照明委員會(CIE)推薦的常用標準照明體有A、B、C、D65、D50、D55、D75等[6]。嚴格的光照控制將顯著影響樣本間的色差辨別[7]，本文實驗選用最常用的人工日光D65作為照明光源，幾何條件為d/8，10°視場角下進行觀察。

圖1 圖像采集系統示意圖Fig.1 Schematic diagram of image acquisition system

2 圖像顏色提取與轉換

2.1 原始RGB信號提取

通常數碼相機可獲得多種格式的數字圖像，如最為常見的JPEG格式，但該格式是一種有損壓縮格式，不能直接應用其提取圖像的顏色信息。而對于數碼相機而言，通常都支持RAW格式的輸出(RAW格式是一種文件格式，不是圖像格式)，該格式文件是最原始且未被處理的數據。相比JPEG，RAW文件記錄了更多的場景信息，保留了更寬廣的色域以及動態范圍，也留下了更為自由的后期處理空間[8]，因此，本文選用RAW文件進行圖像采集，并在其上提取原始傳感器三通道的響應信息(以下簡稱原始RGB信號)。

數碼相機圖像傳感器(CMOS或CCD)所能采集到的原始RGB信號由其表面的特定濾光片(也稱拜耳濾鏡)決定。濾鏡一般4個為1組，從左至右、從上至下的順序一般有RGGB、GBRG和GRBG 3種。每個濾鏡只能透過對應波長的光信號，剩余的2種顏色要經過差值計算得到，差值計算也稱領域取平均法，濾鏡下方對應的像素點的r、g、b響應信息就是此時計算得到的顏色信息，這個過程稱為色彩插值或去馬賽克。

首先實驗采用標準白板拍照計算增益參數進行白平衡調校，然后在此基礎上，根據所用數碼相機拜耳濾鏡的排列順序，直接在其經過白平衡調校的RAW格式文件上提取紅、綠、藍3個通道的響應信息的平均值，作為原始RGB信號輸出，用變量r、g、b表示。

2.2 顏色空間轉換

通過數碼相機輸出的R、G、B值屬于設備依賴，與CIE標準三刺激值響應并不完全對應，因此，不能直接轉換到CIEL*a*b*空間進行色差計算。以往的數碼相機顏色信號到CIE顏色的轉換是R、G、B值到X、Y、Z[9]，之后還需再轉換到CIEL*a*b*，過程繁瑣，且結果不是非常理想，因此，本文采用最小二乘法將提取的原始RGB信號直接轉換到CIEL*a*b*顏色空間，并通過轉化計算色差，再得到色差差值。其主要步驟包括以下幾個方面。

步驟1：在CIE標準光源D65照明下，利用Datacolor獲得對應 Pantone色卡的CIEL*a*b*空間下的亮度值L和色度值a、b，記為矩陣Pi=[L,a,b]T，其中i=1，…，N，表示第i個色卡，作為構建回歸模型的標準顏色值。

步驟2：應用圖1裝置采集樣本的RAW格式圖像，并提取樣本的原始RGB信號，記為矩陣Ci(i=1，…，N)?？紤]到顏色轉換的非線性關系，將所提取的原始傳感器響應信息進行非線性展開，展開方式包括以下7種模型：

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

步驟3：將提取的原始RGB信號轉換到標準CIEL*a*b*顏色空間的非線性關系表示為

Pi=M·Ci

(1)

式中：Ci為3個傳感器通道響應構成的向量矩陣；Pi為CIEL*a*b*空間下的3個向量矩陣；M是待求解的轉換矩陣，其最小二乘解為

M=Pi·CiT(Ci·CiT)-1

式中：T表示矩陣的轉置；“-1”表示矩陣的逆[10]。

2.3 色差公式

目前最常用且發展比較成熟的色差公式是基于CIEL*a*b*均勻顏色空間的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。紡織品顏色控制及評價中，CIEDE2000 色差公式比CMC或CIE1976L*a*b*更適合[1]，因此，本文實驗采用CIEDE2000色差公式，其色差ΔE00計算式為

ΔE00=

200個訓練樣本和280個測試樣本的實驗用Pantone標準色卡的色品圖見圖2，圖中橫縱坐標分別代表色品圖中色度坐標的x、y值。

圖2 Pantone標準色卡的色品圖Fig.2 Color chart of Pantone standard color card

由圖2可知，本實驗選用的訓練和測試樣本顏色分布均勻，顏色約涵蓋了標準色品圖Adobe RGB空間的2/3，保證了得到的實驗結果具有代表性和可靠性。

3 實驗結果與分析

為得到準確、可靠的色差測量結果，分別用不同尺寸的色塊圖像、不同的回歸模型及不同模型訓練樣本數量對色差結果的影響進行分析。

3.1 色塊尺寸

為分析同一鏡頭下，不同尺寸色塊對測量結果的影響，選定大小分別為100像素×100像素、200像素×200像素和300像素×300像素的色塊進行實驗，選取32張Pantone標準色卡作為測試樣本，比較每張3個不同色塊圖像生成的原始RGB信號的變化情況，觀察其變異系數，結果如表1所示。

表1 不同色塊尺寸測量結果Tab.1 Results for different color block size

表1表明：不同尺寸的色塊生成的原始RGB信號變異系數(CV)平均值分別為：0.17(r)，0.12(g)和0.18(b)，32張Pantone色卡變異系數均遠小于1，說明所測不同尺寸的色塊對所要提取的原始RGB信號無影響，每次提取的原始RGB信號具有穩定性。為減少實驗運算量，以下實驗均選用 100像素×100像素的色塊尺寸進行顏色提取。

3.2 訓練樣本數量和回歸模型

為研究訓練樣本數量和不同回歸模型對色差差值測量結果的影響，統一選取圖像色塊尺寸為 100像素×100像素。色卡樣本總數量480張，其中 280張用于測試，剩余200張用于訓練。回歸訓練樣本數量分別設為60、80、100、120、140對。

首先采用不同模型和不同樣本數量，經過訓練得到響應的回歸模型，然后利用此模型計算剩余色卡樣本的CIEL*a*b*顏色值，并計算樣本之間的色差，最后將所計算的色差與Datacolor 650所測量色差做對比，計算二者差值的絕對值。不同訓練樣本數量和不同回歸模型的色差差值測量結果如表2所示。

色差差值越小，表示本文方法測得的色差越準確，即越接近Datacolor的結果。從表2可以看出：訓練樣本數量相同時，模型1較其他模型的平均色差差值均大，說明常數項在模型參數中的重要性；隨著訓練樣本數量增多，不同模型平均色差差值呈減小趨勢，但是對于模型6和7，樣本數量從100對增加到140對，二者的平均色差差值先減小后略有增加，說明訓練樣本數量增加到一定程度，再增加其數量對色差測量精度的提高幫助不大；樣本數量為120對時，模型3較模型2的平均色差差值大，分別為0.89和0.83，而模型6較模型5的平均色差小，分別為0.53和0.63，說明rgb這個參數項對模型色差精度影響不大；當樣本數量同為140對時，將模型5 和模型2進行對比，前者色差結果更好，說明r2、g2、b2這3個平方參數項對色差差值結果的影響較大；當樣本數量相同時，參數較多的模型較參數較少的模型的平均色差差值小，中位數也較小，說明模型構建中參數數量越多，對轉化后色差差值減小的幫助越大，但樣本數量為140對時，模型6和7的平均色差差值分別為0.55和0.58，平均色差差值反而稍有增加；因此，所用回歸模型參數數量并非決定性因素，其有效度依賴于所選擇的特定參數[9]。

采用本文實驗所提出的所有模型計算所得的色差差值的標準差都較小，最大為1.26，最小為0.14，平均標準差為0.72，數據變動小，說明本文方法得到的色差穩定性較好。故綜合得出優選模型為模型5和6，且對應的最優訓練樣本數量為120對。

表2 不同訓練樣本數量和不同映射模型的色差測量結果Tab.2 Results of color difference with different training samples and different models

3.3 在紡織品色卡及染色樣布中的應用

為驗證上述實驗方法所得的色差測量模型的有效性，將其應用于中國紡織行業的專業棉布CNCS色卡及染色樣布的色差測量。

實驗以上述Pantone標準色卡的120對訓練樣本和優選模型5、6為基礎，色塊尺寸為100像素×100像素，測試了100對CNCS色卡和30對染色樣布，測試結果如表3、4所示，表中包含DigiEye測色系統與對應的標準色差的對比結果。圖3示出所測CNCS色卡和染色樣布的色品圖，圖中橫縱坐標分別代表色品圖中色度坐標的x、y值。

表3 CNCS色卡色差測量結果Tab.3 Results of color difference for CNCS color card

表4 染色樣布色差測量結果Tab.4 Results of color difference for dyed fabric

圖3 CNCS色卡和染色樣布的色品圖Fig.3 Color chart of CNCS color card and dyed fabric

由表3可知，模型5、6的平均色差差值分別為1.16和1.47，與上述色卡測量結果相比，數值略有增加。其可能原因為：CNCS色卡屬于紡織品織物，表面沒有Pantone標準色卡光滑，提取的圖像像素會略有差異。與DigiEye相比：模型5、6的平均色差差值略大，但其標準差分別為0.95和1.05，色差波動較小。模型5平均色差差值較模型6小0.31，說明模型5較模型6更加適用于紡織品CNCS色卡色差測量。表4表明，模型5和6應用于紡織染色樣布時，所得的平均色差差值分別為1.34和1.44，很接近于DigiEye測量結果，且模型5較優于模型6。此外，模型5的標準差為1.26，其波動小、穩定性較好，所得色差結果能與DigiEye測量結果保持良好的一致性。

4 結 論

1)本文以分光光度計為標準測量儀，Pantone標準色卡為訓練樣本，采集色卡的RAW圖像，提取圖像的原始RGB信號，建立其與CIEL*a*b*值之間的非線性回歸模型，完成任意2個待測樣本的色差預測，為快速、成本低的色差的評價裝置提供理論基礎。

2)將回歸模型[rgbrgrbgbr2g2b2]T分別應用于紡織品CNCS色卡和染色織物樣本的色差測量，所得到平均色差差值分別為1.16和1.34， 略高于DigiEye測色系統的結果(0.86和1.11)，但總體上與DigiEye測量結果保持良好的一致性，尤其是對染色織物。

本文選用了有代表性的Pantone標準色卡顏色作為模型訓練樣本，不同于DigiEye測色系統專用的標定色卡，導致測量精度受限，后續的研究方向需進一步改進回歸模型和優化訓練樣本顏色組合。