在紡織工業(yè)中，顏色是評價紡織品質(zhì)量的一個重要特征。目前，基于標(biāo)準(zhǔn)色卡、機(jī)器視覺、分光光度計(jì)的顏色測量方法在測量精度和效率上都具有一定的局限性。使用標(biāo)準(zhǔn)色卡進(jìn)行顏色比對時，易受測試人員的主觀因素影響，測量效率較低;機(jī)器視覺系統(tǒng)中的數(shù)碼相機(jī)無法獲取顏色的全部光譜信息，測量精度較低;分光光度計(jì)只能獲取測量有限孔徑內(nèi)的平均顏色，無法直接對單根紗線、多色織物等紡織品進(jìn)行直接測量。

針對傳統(tǒng)顏色測量方法的局限性，提出了一種基于高光譜成像系統(tǒng)獲取紡織品的高光譜圖像，再對紡織品顏色進(jìn)行分割和提取的顏色測量方法，該測量方法能夠獲取紡織品精細(xì)的光譜信息和空間信息，高光譜相機(jī)具有更高的測色精度，可以實(shí)現(xiàn)單根紗線和多色紡織品的顏色測量。

研究內(nèi)容如下

高光譜成像的光譜一致性校正∶由于高光譜成像系統(tǒng)與分光光度計(jì)在幾何結(jié)構(gòu)和測色原理上的差異性，測量的光譜反射率存在不一致的現(xiàn)象。針對這一問題，提出了一種改進(jìn)的R模型光譜一致性校正算法。算法的思想是，通過偏最小二乘回歸從光譜反射率的所有波段中，選擇一個具有校正精度最高的波段組合用于光譜一致性校正。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在改善高光譜成像系統(tǒng)測量光譜一致性問題上優(yōu)于傳統(tǒng)的校正算法。

紗線分割與顏色提取∶針對分光光度計(jì)無法直接測量單根紗線顏色的局限性，利用高光譜相機(jī)能夠獲取精細(xì)的光譜信息和空間信息，提出了一種基于弗雷歇距離光譜匹配的紗線分割算法。該算法利用背景像素光譜曲線與紗線像素光譜曲線的差異性，通過基于弗雷歇距離光譜匹配的方法分離出背景像素和紗線像素，從而將單根紗線從背景中分割出來。實(shí)驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確地分離出紗線，并在保留紗線邊緣信息上優(yōu)于其他算法。

色織物顏色分割與提取∶針對色織物高光譜圖像進(jìn)行直接分割時存在運(yùn)算量大的問題，提出了一種基于弗雷歇距離空間變換的色織物顏色分割算法。該算法首先通過弗雷歇距離空間變換后生成灰度圖像，然后利用改進(jìn)的分水嶺算法對灰度圖像進(jìn)行分割，最后使用改進(jìn)的K-均值聚類算法合并過分割區(qū)域，從而實(shí)現(xiàn)色織物顏色分割。實(shí)驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確地分割出多色織物中不同顏色的區(qū)域。

印花織物顏色分割與提取∶由于印花織物含有豐富的顏色和復(fù)雜的圖案，無法通過人眼直接確定顏色數(shù)。針對這一問題，提出了一種基于自組織神經(jīng)網(wǎng)絡(luò)(Self-OrganizingMaps Neural Network，SOM)和密度峰值聚類(Density Peaks Clustering，DPC)算法相結(jié)合的印花織物顏色分割算法。該算法先利用 SOM 神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集進(jìn)行初始聚類，將具有相似顏色特征的數(shù)據(jù)劃分到同一神經(jīng)元下，然后利用DPC算法對SOM神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元進(jìn)行更深層次的聚類，最后使用聚類有效性評價指標(biāo)確定最佳分割顏色數(shù)，從而實(shí)現(xiàn)印花織物顏色的自動分割。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在顏色區(qū)域分割效果和執(zhí)行時間上都要優(yōu)于其他分割算法。