计算机视觉之染色品颜色分类及光照校正算法研究.docVIP

　　计算机视觉之染色品颜色分类及光照校正算法研究 --第一章 绪论 1.1引言 人们在生产生活中往往会涉及到各种数据测量与质量控制，如玻璃色差质量检查、印刷字符条码检查等。往常，这些重复繁杂的工作大多通过人工检测来完成，但由于人眼视力的差别及其主观性，结果往往是增加了管理与检测成本，还不能保证较高的检测合格率。当今科技日新月异，工业生产也向高速智能方向发展，在此背景下，相关人员将人类的智能与逻辑能力和计算机的可重复性、可靠性等优点结合起来进行研究。一种新的学科—计算机视觉（也称机器视觉）也由此诞生[1]。计算机视觉的特点是智能化及自动化程度高、精度高、非接触、速度快以及客观性强等。基于以上种种优点，计算机视觉已被广泛地应用于成品检验、工程监视和质量控制等领域。作为人工智能领域的一个重要分支，计算机视觉的发展不仅将大大加快智能系统的研究脚步，也将拓宽各智能机器的研究范围和应用领域[2]。在纺织印染行业中，控制产品颜色质量的首要问题是尽可能地使其颜色信息与标准色样一致，厂商和客户将色差测量作为评价染色效果和出厂交货的必要依据。以往生产中，主要靠有丰富辨色经验的人员使用人眼离线地去辨别生产及标准样品之间的色差，所以，其结果往往受身体条件、心理环境以及工作状态的影响。除了对视力的苛刻要求外，适宜的外部环境和光源以及评级人的经验也起到决定性的作用。因此，在染整行业，用计算机视觉来代替人的视觉进行前后样品颜色差异的评价就成为人们亟待解决的问题，也成了基于计算机视觉相关科研活动的重要研究方向之一。基于计算机视觉的染色品色差检测是将计算机视觉应用在纺织品的染色生产线上，从而实现染色品染色效果的实时评定。具体步骤大致为：染色品图像的采集—图像预处理—色差计算—检测效果反馈—对反馈内容做出相应处理。染色品图像的特征提取、分类算法以及光照处理等作为在线色差检测的关键问题，将作为本文的重点研究内容。另外，图像预处理、颜色空间及色差公式的选择也需要进行针对性的考量。 1.2国内外研究现状 随着人工智能、计算机视觉以及图像处理等领域的发展，基于计算机视觉的染色品色差检测成为纺织印染行业重要的研究内容，越来越多的基于计算机视觉的在线布料检测系统也在国内外市场上涌现。在色差检测中，除了考虑特征提取、颜色分类算法以及光照校正算法等领域外，场景、光照等外部因素的控制也成为较为重要的研究对象。 1.2.1仪器、系统研究现状 本文将采取 Morlet 小波核 SVM 算法对染色品进行色差分类。SVM 是 Vapnik 等人在多年研究统计学习理论的基础上于 1995 年提出的，其建立在统计学习理论的 VC 维理论和结构风险最小原理基础上，在解决小样本、线性及非线性（通过核函数转化成高维空间）模式识别等问题中表现良好，已被广泛地应用于预测及分类等问题，并能够推广到函数拟合等其他机器学习问题中。SVM根据样本信息在模型的学习能力（无错误地识别任意样本的能力）和复杂性（对特定训练样本的学习精度，Accuracy）之间寻求最佳折衷，以期获得最好的泛化能力（推广能力）[6]。SVM模型的关键是核函数的选择及优化问题。实际应用时，特征值的选取格外重要，常卫[7]在《基于机器的染色品色差检测系统的关键技术研究》一文中使用了SVM算法，只是她所选取的特征仅为染色品颜色值如L、A、B、H、S、V值等。薛建中等提出的推广误差上界估计判据，利用该判据，自动选取最优核函数的参数[8]，应用结果表明其效果显著高于RBF神经网络。张莉等人对核方法的容量控制、推广及非线性映射等理论方面进行了研究，提出了决策树多类SVM算法、1 范数SVM算法、核聚类算法等[9]。据我所查阅的文献可知，该理论研究目前处于国际领先水平。浙江大学的常志华、王子文对直方图匹配的颜色校正算法进行了研究，对三维空间进行采样，匹配时又降至一维，较为简便。但考虑的情况较为简单，在空间选择，直方图抑制等方面没有进行研究。W.Xiong等提出了基于支持向量回归(SVR)的颜色恒常性算法[10]，支持向量回归是一种基于全局寻优的算法。北京交通大学的李兵、须德等提出了基于灰色表面的恒常性算法(CCAS)[11、12]和基于图像纹理相似性的计算方法。前者避免了相机参数的获取，节省了时间，后者新颖之处在于定义了两个颜色空间，并在颜色不变性描述子的计算上引入了不变矩理论。在图像的光照变化或者本身模糊时，这些描述子表现较为鲁棒。但是上述对颜色恒常性的算法的研究还仅仅是理论方面，在颜色评定方面并未形成真正的检测系统，因此并没有被应用于实际的色差检测。 第二章 染色品色差检测理论基础及系统设计 本节首先介绍图像预处理相关知识，其次对图像的颜色空间及色差衡量公式进行深入研究，并选择了合适的颜色空间及参数。最后，讨论整个染色品色差检测系统的结构组成，在