一种基于RBF的纺织品颜色测量方法

一种基于rbf的纺织品颜色测量方法
技术领域
1.本发明涉及一种基于rbf的纺织品颜色测量方法，属于颜色科学与影像技术研究领域。


背景技术：

2.纺织业是中国国民经济的传统支柱产业和重要民生产业。染色，配色，拼色等传统工艺水平对于纺织品生产具有重要意义，准确的颜色测量和色差检测对纺织品设计和生产显得尤为重要。许多企业依靠人工目测法，仪器测色法。而采用成像系统作为色度测量装置，采集到的图像可以一定程度的反应纺织品颜色，具有大视场，多采样的特点，是未来颜色测量的发展趋势。
3.但是作为颜色测量装置，成像系统在成像过程中受到多方面因素的影响，输出图像很难达到与人眼实际观测相一致的效果，而色度特征化模型可以实现对数字图像设备精准的颜色预测及控制。彩色成像系统色度特征化模型建立设备相关颜色空间与设备无关颜色空间之间的转换关系，可以实现从颜色信息采集到颜色信息输出的颜色一致性。对于图像高保真显示、色度测量、色彩再现、不同设备的色彩管理和色彩外观预测非常重要。常用的色度特征化方法包括查找表法、多项式法和bp神经网络法。而bp神经网络权值和阈值的调节采用负梯度下降的方法，其收敛速度慢且容易陷入局部极小点。
4.因此，如何基于成像系统进行纺织品颜色测量研究，提供一种利用成像系统能更好的提取颜色特征信息，通过色差公式比较算法的有效性和可行性的纺织品颜色测量方法，是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种基于rbf的纺织品颜色测量方法，本发明目的在于采用ga算法训练神经网络无需先验知识而且对初始参数不敏感，不会陷入局部极小点，克服了局部极值对rbf神经网络影响。而且rbf神经网络隐层节点中心确定具有随机性，所以利用ga算法全局搜索能力，优化隐含节点中心值，弥补rbf神经网络可调参数单一的缺陷，具有良好的预测精度，为纺织品颜色测量提供了有效的方法。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种基于rbf的纺织品颜色测量的方法，其特征在于，包括以下步骤：
8.s1、选择纺织品实验样本、光源、测量环境、色度测量仪器和需要进行色度特征化的彩色成像系统；
9.s2、采集所述纺织品实验样本的彩色成像系统设备相关空间rgb值和设备无关空间cie1931xyz三刺激值，构建数据集；
10.s3、构建rbf神经网络，包括输入层、隐层和输出层，设置所述输入层、隐层、输出层的神经元个数以及径向基函数，建立rbf神经网络模型；
11.s4、基于训练集对所述rbf神经网络模型进行训练，用ga算法优化所述rbf神经网
络的隐层节点中心并选取最优的中心点，完成参数优化，构建基于rbf神经网络的纺织品成像系统色度特征化模型；
12.s5、将测试集输入所述色度特征化模型，得到模型预测的xyz刺激值。
13.可选的，步骤s1具体包括：
14.s11、选择测试样本，包括丝织物、混纺织物、棉型织物、毛型织物以及各种纺织品样本；
15.s12、选择光源，包括d65光源、d55光源以及各种实际光源，光源应与实际应用环境一致；
16.s13、选择测量环境，成像系统色度特征化环境应与实际应用环境一致；
17.s14、选择色度测量仪器，包括光谱光度计和色度计；
18.s15、选择待测彩色成像系统，包括各种类型的商业数码相机、摄像机、手机以及摄像头。
19.可选的，步骤s2具体包括：
20.s21、应用所述色度测量仪器垂直对准待测样本，测量cie1931xyz三刺激值；
21.s22、调整所述彩色成像系统为手动模式，设置感光度iso和系统f数，垂直拍摄待测样本，采集设备相关空间rgb值；
22.s23、将rgb三通道响应值作为输入空间，将cie1931xyz三刺激值作为输出空间，每个测试样本的rgb值作为属性值，cie1931xyz三刺激值作为标记值，实现数据集构建。
23.其中，将数据集划分为训练集和测试集，具体为：
24.实验中用到的纺织品样本共计128种，其中包括红色、蓝色和中性(黑、白、灰)、绿色、紫色、黄色的纺织品样本。
25.为了保证样本分配的均衡性和算法的稳定性，从每八种颜色中抽取5种纺织品样本作为训练集，其余为测试集。最后选择104个样本作为训练集， 24个作为测试集，用于评估模型。
26.可选的，步骤s3具体包括：
27.s31、所述输入层、隐层、输出层神经元个数分别为3、15、3；
28.s32、所述神经元设置范围为10～60，以最小色差为标准，确定最优隐层神经元数；
29.s33、所述隐层为径向基层，使用高斯函数作为径向基函数，所述输出层设置为线性层。
30.可选的，步骤s4具体包括：
31.s41、通过ga算法对隐含层节点中心值长度进行编码构成染色体，初始化参数；
32.s42、通过训练集训练调整确定合适的初始化参数，选择预测三刺激值和测量三刺激值的误差绝对值作为适应度函数；
33.s43、进行选择、交叉、变异的遗传操作，并计算个体适应度值；
34.s44、确定迭代终止精度ε＝0.001；若个体适应度值小于等于ε，则训练结束，输出最优个体，否则返回步骤s43；
35.s45、将所述最优个体赋给rbf神经网络，其中最优个体即为最优隐层节点中心值；
36.s46、确定各隐层节点中心之后根据各中心之间的距离，取最小值作为对应径向基函数的宽度；
37.s47、采用伪逆法确定线性层权值，种群中每个个体都包含一个rbf神经网络的隐层节点中心，根据适应度函数用训练集训练rbf神经网络，并把训练得到的预测三刺激值和实际测量三刺激值差的绝对值作为个体适应度值，通过适应度值评估网络的性能，个体适应度值越小，个体就越优。
38.训练后最终设种群p为40，交叉概率为0.5，变异概率为0.5，迭代次数为100。
39.可选的，还包括模型精度评估步骤，所述模型精度评估步骤具体包括：
40.根据步骤s5中模型预测的xyz刺激值以及测试集实际测量的xyz三刺激值，计算lab色差；
41.计算测试样本色差结果求平均值，得到平均色差，评估色度特征化精度。
42.经由上述的技术方案可知，与现有技术相比，选择纺织品样品、光源等仪器以及彩色成像系统，并采集纺织品样品成像系统的相关数据构建数据集，划分为训练集和测试集，构建rbf神经网络，采用ga算法，通过训练集对 rbf神经网络进行训练得到色度特征化模型，将测试集输入该模型对其进行评估。本发明采用ga算法训练神经网络无需先验知识而且对初始参数不敏感，不会陷入局部极小点，克服了局部极值对rbf神经网络影响，且rbf神经网络隐层节点中心的确定具有随机性，利用ga算法全局搜索能力，优化隐含节点中心值，弥补rbf神经网络可调参数单一的缺陷，具有良好的预测精度，为纺织品颜色测量提供了有效的方法。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
44.图1为本发明实施例中基于rbf神经网络的纺织品成像系统色度特征化流程图。
45.图2为本发明实施例中基于rbf神经网络的纺织品成像系统色度特征化中rbf神经网络结构图。
46.图3为本发明实施例中基于rbf神经网络的纺织品成像系统色度特征化实验建立图。
47.图4为本发明实施例中基于rbf神经网络的纺织品成像系统色度特征化样本数据rgb值分布图。
48.图5为本发明实施例中基于rbf神经网络的纺织品成像系统色度特征化样本数据xyz三刺激值分布图。
49.图6为本发明实施例中基于ga算法优化rbf神经网络色度特征化流程图。
50.图7为本发明实施例中基于rbf神经网络的彩色成像系统色度特征化测试样本平均色差图。
具体实施方式
51.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.本发明实施例公开了一种基于rbf的纺织品颜色测量方法，如图1所示，代表本发明实施例中基于rbf神经网络的纺织品成像系统色度特征化流程图，具体包括以下步骤：
53.s1、选择纺织品实验样本、光源、测量环境、色度测量仪器和需要进行色度特征化的彩色成像系统；
54.s2、采集所述纺织品实验样本的彩色成像系统设备相关空间rgb值和设备无关空间cie1931xyz三刺激值，构建数据集；
55.s3、构建rbf神经网络，包括输入层、隐层和输出层，设置所述输入层、隐层、输出层的神经元个数以及径向基函数，建立rbf神经网络模型；
56.s4、基于训练集对所述rbf神经网络模型进行训练，用ga算法优化所述rbf神经网络的隐层节点中心并选取最优的中心点，完成参数优化，构建基于rbf神经网络的纺织品成像系统色度特征化模型；
57.s5、将测试集输入所述色度特征化模型，得到模型预测的xyz刺激值。
58.步骤s1进一步包括步骤
59.s11、选择丝织物色样卡作为测试样本，丝织物色样卡如图3(c)所示；
60.s12、选择型号为qtc-600-7标准对色灯箱，d65光源进行测试，如图3 所示；
61.s13、将灯箱放置于暗室进行实验；
62.s14、选择cs2000光谱辐射度计进行cie1931xyz三刺激值测量，如图 3(b)所示；
63.s15、选择cannon eos 600d商业数码相机进行色度特征化，如图3(a) 所示；
64.步骤s2进一步包括步骤：
65.s21、应用光谱辐射度计垂直对准丝织物色样卡，测量不同织物色样的 cie1931xyz三刺激值，光谱辐射度计距离织物色样卡75cm，视场设置为1
°
。
66.s22、调整cannon eos 600d商业数码相机为手动模式，设置感光度iso 为400，系统f数为10，垂直拍摄丝织物色样卡，获取raw格式数字图像，提取cannon eos 600d商业数码相机拍摄的raw格式图像织物色样的三通道响应rgb值。
67.s23、将cannon eos 600d商业数码相机三通道响应rgb值作为输入空间，将cie1931xyz三刺激值作为输出空间，丝织物色样卡的每个色样对应 rgb值作为属性值，其cie1931xyz三刺激值作为标记值，实现数据集构建。
68.将数据集划分为训练集和测试集，具体为：
69.实验中用到的纺织品色样共计128种，其中包括红色、蓝色和中性(黑、白、灰)、绿色织物、紫色、黄色的纺织品色样，如图4、5所示；
70.为了保证样本分配的均衡性和算法的稳定性，从每八种颜色中抽取5种纺织品样本作为训练集，其余为测试集。最后选择104个样本作为训练集， 24个作为测试集，用于评估模型。
71.步骤s3进一步包括步骤：
72.s31、所述输入层、隐层、输出层神经元个数分别为3、15、3；
73.s32、所述神经元设置范围为10～60，以最小色差为标准，确定最优隐层神经元数；
74.s33、网络隐层为径向基层，使用高斯型函数作为径向基函数，输出层设置为线性
层；高斯型径向基函数如公式(1)所示，逼近模型如公式(2)所示，实施例如图2所示；
[0075][0076]
式中，输入向量为p，隐含层基函数的中心为c，基函数围绕中心点的宽度为σ。
[0077]
a2＝wa1+b
ꢀꢀꢀ
(2)
[0078]
式中，隐藏层和输出层之间的权值表示为w；输出层节点的阈值表示为b。
[0079]
步骤s4进一步包括步骤：
[0080]
s41、通过ga算法对隐含层节点中心c进行编码构成染色体，初始化参数,设中心向量c初始化为[10,-10]区间上的实数，输入向量[r,g,b]维度的个数为3，隐含层节点数为h，种群大小为p，则一个中心向量染色体的长度就是3
×
h，中心向量就是一个p
×
(3
×
h)大小的矩阵；
[0081]
s42、通过训练集训练调整确定合适的初始化参数，选择预测三刺激值和测量三刺激值的误差绝对值的和作为适应度函数f,如公式(3)所示；
[0082][0083]
式中n表示输出变量的维度，m表示输入变量的个数，r
ij
表示预测三刺激值，表示实际测量三刺激值。
[0084]
s43、进行选择、交叉、变异的遗传操作，并计算个体适应度值；
[0085]
s44、确定迭代终止精度ε＝0.001；若个体适应度值小于等于ε，则训练结束，输出最优个体，否则返回步骤s43；
[0086]
其中运行参数是ga算法初始化确定的参数，通过训练集训练调整确定合适的初始化参数设种群p为40，交叉概率为0.5，变异概率为0.5，迭代次数为100次；
[0087]
s45、将所述最优个体赋给rbf神经网络，其中最优个体即为最优隐层节点中心值；
[0088]
s46、确定各隐层节点中心之后根据各中心之间的距离，取最小值作为对应径向基函数的宽度，如公式(4)所示。
[0089]
σj＝λ
min
(||c
j-ci||)j＝1,2,
…
,n
ꢀꢀꢀ
(4)
[0090]
式中，λ为重叠系数，n为隐含层节点数；
[0091]
s47、采用伪逆法确定线性层权值，并通过适应度值评估网络的性能，其中个体适应度值越小，个体就越优。
[0092]
当输入为x
p
时，第j个隐含层节点的输出如公式(5)所示。
[0093][0094]
式中，h为训练样本数。
[0095]
则隐含层输出矩阵如公式(6)所示：
[0096][0097]
如果rbf网络的当前权值为w＝(w1,w2,
…
,wm)，则网络输出向量为：y＝φw。令网络的输出向量y等于网络输出向量的期望值d，则w可以用φ中的伪逆φ
+
求出：w＝φ
+
d。即φ
+
＝(φ
t
φ)-1
φ
t
；
[0098]
如图6所示，其为本发明实施例中基于ga算法优化rbf神经网络色度特征化流程图。
[0099]
ga算法通过计算种群中个体适应度值寻找最优个体，根据个体得到rbf 神经网络的隐层节点中心，进而算出线性层权值以及基函数宽度，将这些参数赋值给rbf神经网络，从而得到个体适应度值。遗传算法优化过程，迭代次数增加，误差随之减少，同时确定迭代终止精度ε＝0.001。若个体适应度值小于等于ε，则训练结束，否则返回重新计算。当满足迭代终止条件时，输出末代种群对应就是最优个体，即最优的中心点。
[0100]
本发明提出的基于rbf的纺织品颜色测量方法还包括模型精度评估步骤，所述模型精度评估步骤具体包括：
[0101]
根据步骤s5中模型预测的xyz刺激值以及测试集实际测量的xyz三刺激值，计算lab色差；
[0102]
计算测试样本色差结果求平均值，得到平均色差，评估色度特征化精度。
[0103]
其中，lab色差计算公式如下所示：
[0104][0105][0106][0107]
(x,y,z)为颜色样本的三刺激值；(x0,y0,z0)为cie标准照明体照射在全漫反射体上，反射到观察者眼中的白色三刺激值，其中y0＝100；l
*
为明度坐标； a
*
，b
*
为色品坐标。其中，
[0108][0109]
根据公式(7)(8)(9)得到l
*
，a
*
，b
*
的值；
[0110]
计算每次测试样本色差结果求平均值，得到平均色差，利用平均色差来评估色度
特征化结果，采用δe
ab
作为评估标准，如公式(11)所示；
[0111][0112]
当δe
ab
≤3时代表模型预测精度比较高。
[0113]
通过10次循环得到测试样本的平均色差δe
ab
如图7所示，从图中可以看出纺织品成像系统色度特征化每次平均色差大多数分布于3个lab色差以下，预测精度比较好。同时应用sg色卡作为训练样本进行色度特征化对纺织品颜色进行测量，应用sg色卡进行色度特征化颜色测量结果比本文纺织品作为训练样本的平均色差高出5个lab色差，所以选用纺织品作为训练样本进行颜色测量的预测精度更高。
[0114]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0115]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。