CN105787508A - 纺织品颜色识别方法及系统 - Google Patents

Abstract

本发明公开了一种纺织品颜色识别方法，包括：建立标样数据库步骤，包括：（11）、将潘通棉布色卡扫描成真彩图像；（12）、计算出潘通棉布色卡图像的色度值；（13）、将潘通棉布色卡图像按照明度的灰级范围划分为N个颜色分层；（14）、建立支持向量机；纺织品颜色对应色卡号识别步骤，包括：（21）、将受测样品扫描成真彩图像；（22）、计算出该受测样品图像的色度值和明度；（23）、根据该受测样品图像明度的灰级判断出该受测样品所属颜色分层；（24）、从标样数据库中提取出所属颜色分层内所有潘通棉布色卡图像的色度值向量。本发明的纺织品颜色识别方法，操作简单，误差小，无需人工比对色卡，提高了工作效率，消除了人为观测的偏差。

Description

纺织品颜色识别方法及系统

技术领域

本发明涉及一种颜色识别方法，具体地说，是涉及一种纺织品颜色识别方法及系统。

背景技术

纺织品的来样仿制是供、需双方达成一致的生产贸易中常规项目。打样前，要对样品的颜色进行鉴别和确定。织物颜色的鉴别目前普遍采用人工观测的方法,以色卡为颜色参考工具，通过人工将未知样与纺织标准色卡比对，从而判析出与样品颜色最接近的色卡,取得配色的依据。像潘通(Pantone)色卡包括2100种棉布(TCX)或纸版(TPX)色彩，为目前国际上应用最为广泛的选择和确定纺织和服装生产使用的色彩，因此，国内外的生产和贸易商多数采用潘通色卡为颜色参考工具。然而，人工比对色卡的过程既繁琐，又容易受到光线和经验的影响产生误差。

仪器测色具有客观性，但是，现有的两类测色仪也存在使用方面的局限性，其一是光电积分仪，由于其基于传感器原理测量的是物体表面数值化的光学参数(光谱能量)，仅描述了光学效果(无法测出光谱组成)，测量值并不能直接表示颜色；其二是分光光度仪，测定的是物体反射的光谱功率分布，根据光谱测量数据可计算出各种标准光照下的CIEXYZ空间的三刺激值，现代的分光光度仪多与计算机配套使用，因为价格昂贵，体积大、携带不方便，而且只能测量某个区域的平均色，不能测量一个图像上各个位置的颜色，像纺织物中存在多个颜色的产品十分普遍，限制了其使用。而且，三刺激值的色彩描述有别于潘通纺织专用色卡的配色方案，使得熟悉潘通色卡配色方案打样技术人员要进行额外的数据筛选和分析，并不适用于国内大多数惯用色卡配色方案工厂的实际生产应用。

数码测色法是仪器测色领域一个新的发展方向，数码测色是采用价格低廉的数码产品，编制分析软件，载体为电脑，测色的对象为实物图片。数码测色除了经济优势外，可以同时对非常小或不规则的图案的多种颜色数据的获取，满足多色测量。但是，数码图片的色彩是基于RGB颜色模型的表达，RGB是对光照和设备依赖的颜色模型，用数码图片直接分析的颜色和真实原色之间有或大或小的差异。公开的发明专利“一种利用彩色数码相机的反射物体颜色测量仪”，(申请号201210498834.0)，电脑中的测色软件获得物体的R、G、B信息，然后通过数学关系将R、G、B信息转换成物体对应的CIE1931颜色三刺激值X、Y、Z，从而获得物体的色坐标x，y。所述的数学关系是该公开发明的核心，其建立是利用标准色卡100-300张，先用数码相机拍摄构成R、G、B矩阵，再用标准测色仪获取CIE1931颜色三刺激值，构成XYZ矩阵，最后在两者之间建立起转换矩阵(数学关系)。授权的发明专利“双面扫描织物和纱线分析系统”(授权公告日2013.05.01)中涉及到为实现织物分析的快速逆向反应系统，将试样颜色校正保证测量的一致性。测色过程是在试样夹板四周内嵌了24个标准色板，试样与色板扫描在同一幅图像，标准色板的颜色参数是已知量，颜色校正算法是利用最小二乘法获得估计映射矩阵A来进行颜色映射造成的颜色偏差是等价与由于颜色的反射光谱差异而造成的颜色误差。以上两项发明，都是数码产品利用标准色卡作颜色校准后，再进行测色的实例。为了满足生产商贸的实际需求，消除人工比对色卡测色的缺点，客观地获得纺织标准色卡号，有必要利用数码技术的优势，利用计算机视觉，在光线稳定的环境中获取稳定的织物真彩图像，编制分析软件，使织物图像的颜色与潘通色卡之间进行计算机识别配准，取代人工比对色卡。

发明内容

本发明为了解决现有纺织品颜色识别方法复杂、效率低、人工误差的问题，提出了一种纺织品颜色识别方法，可以解决上述问题。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种纺织品颜色识别方法，包括：

建立标样数据库步骤，包括：

(11)、将潘通色卡扫描成真彩图像；

(12)、计算出潘通色卡图像的色度值，所述色度值包括图像的颜色分量R、G、B，以及色调值H；

(13)、将潘通色卡图像按照明度的灰级范围划分为N个颜色分层，并将N个颜色分层的层号、各颜色分层的灰级范围，各颜色分层内潘通色卡图像的色度值及其色卡号对应存储于标样数据库中，所述N为正整数；

(14)、建立支持向量机，以位于同一颜色分层的全部潘通色卡图像的色度值为一组，分别将各颜色分层的潘通色卡图像的色度值所组成的向量作为所述支持向量机的输入，训练所述支持向量机在该颜色分层的分类器最佳参数：惩罚系数c和核函数g；

纺织品颜色对应色卡号识别步骤，包括：

(21)、将受测样品扫描成真彩图像，并计算出受测样品图像的色度值；

(22)、根据所述受测样品图像的色度值计算出该受测样品图像的明度；

(23)、根据该受测样品图像明度的灰级判断出该受测样品所属颜色分层；

(24)、从标样数据库中提取出所属颜色分层内所有潘通色卡图像的色度值向量，并把受测样品的色度值添加到该色度值向量中，由支持向量机完成输入色度值与输出纺织品颜色对应的标准色卡号映射关系，给出受测样品对应的标准色卡号。

进一步的，所述标样数据库中还存储有潘通色卡的标准色度值数组，所述的纺织品颜色识别方法还包括颜色仿真步骤：

根据受测样品对应的标准色卡号从标样数据库中提取出该标准色卡号所对应的标准色度值，根据所述标准色度值把受测样品图像的颜色板仿真成最接近的标准色卡的色彩。

进一步的，步骤(12)中，分别将各潘通棉布色卡图像划分成M个子区域，对每个子区域内所有像素的R、G、B、H值分别排序，取中位数作为该子区域的R、G、B、H值，其中，所述M为正整数。

进一步的，步骤(13)中，还包括将存储于标样数据库中的颜色分层进行扩容的步骤：

将各颜色分层的灰级范围扩大K个灰级，同时将落入所扩大范围的潘通棉布色卡图像的色度值及其色卡号对应存储于该颜色分层中，其中，K为正整数，在本实施例中，K取值为2。

进一步的，所述支持向量机将各颜色分层的色度值向量作为输入数据，使用映射把输入数据映射到高维空间，在高维空间进行线性回归，对输入数据进行线性可分。

进一步的，步骤(21)中，将受测样品图像划分成M个子区域，对每个子区域内所有像素的R、G、B、H值分别排序，取中位数作为该子区域的R、G、B、H值，然后，再将所有子区域的R、G、B、H值求取平均值，以平均值作为该样品图像的R、G、B、H值。基于上述的一种纺织品颜色识别方法，本发明同时提出了一种纺织品颜色识别系统，包括标样数据库和色卡识别模块，所述标样数据库的建立包括：

(11)、将潘通棉布色卡扫描成真彩图像；

(12)、计算出潘通棉布色卡图像的色度值，所述色度值包括图像的颜色分量R、G、B，以及色调值H，将所述潘通棉布色卡图像的色度值及其色卡号存储于标样数据库中；

(13)、将潘通色卡图像按照明度的灰级范围划分为N个颜色分层，并将N个颜色分层的层号、各颜色分层的灰级范围、各颜色分层内潘通棉布色卡图像的色度值及其色卡号对应存储于标样数据库中，所述N为正整数；

(14)、建立支持向量机，以位于同一颜色分层的全部潘通棉布色卡图像的色度值为一组，分别将各颜色分层的潘通色卡图像的色度值所组成的向量作为所述支持向量机的输入，训练所述支持向量机在该颜色分层的分类器最佳参数：惩罚系数c和核函数g；

所述色卡识别模块的识别步骤包括：

(21)、将受测样品扫描成真彩图像，并计算出受测样品图像的色度值；

(22)、根据所述受测样品图像的色度值计算出该受测样品图像的明度；

(23)、根据该受测样品图像明度的灰级判断出该受测样品所属颜色分层；

(24)、从标样数据库中提取出所属颜色分层内所有潘通棉布色卡图像的色度值向量，并把受测样品的色度值添加到该色度值向量中，由支持向量机完成输入色度值与输出纺织品颜色对应的标准色卡号映射关系，给出受测样品对应的标准色卡号。

进一步的，还包括颜色仿真模块，所述标样数据库中还存储有潘通色卡的标准色度值数组，所述颜色仿真模块的仿真步骤包括：

根据受测样品对应的标准色卡号从标样数据库中提取出该标准色卡号所对应的标准色度值，根据所述标准色度值把受测样品图像的颜色板仿真成最接近的标准色卡的色彩。

与现有技术相比，本发明的优点和积极效果是：本发明的纺织品颜色识别方法，通过扫描潘通棉布色卡以及受测样品，由计算机计算出潘通棉布色卡图像以及受测样品的色度值，训练支持向量机，根据受测样品的色度值从潘通棉布色卡图像的色度值中匹配识别出最接近的潘通色卡，相应确定潘通色卡号，操作简单，误差小，无需人工比对色卡，提高了工作效率，消除了人为观测的偏差。基于支持向量机智能算法，经过训练该模型适用于摄取图像的各种设备，与各种图像摄入设备均可匹配，预报过程具有普适性。将潘通棉布色卡图像按照明度的灰级进行分层，受测样品识别匹配过程中首先进行层识别，支持向量机分类器只需针对该层的卡识别，计算量可大幅下降，适用普通的PC机。由于本发明可以把实物图片的颜色仿真成为普遍公认的最接近的标准色卡的色彩，有利于电子商务业、服装定制业中对纺织品色彩的远程交流和管理。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明所提出的纺织品颜色识别方法的一种实施例中建立标样数据库步骤流程图；

图2是本发明所提出的纺织品颜色识别方法的一种实施例中纺织品颜色对应色卡号识别步骤流程图；

图3是本发明所提出的纺织品颜色识别方法的一种实施例中颜色分层的划分示意图。

具体实施方式

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。

印染布、色织布的来样仿制，要涉及到织物的结构参数分析和颜色分析，才能形成基本的工艺资料。样品颜色的分析目前普遍由人工将样品与纺织标准色卡比对，找出与样品最相匹配的色卡。人工比对色卡过程既繁琐，又容易受到光线和经验的影响，产生误差。虽然现在不乏仪器测色手段，像分光光度仪可测定出物体反射的光谱功率分布，根据光谱测量数据计算出各种标准光照下的CIEXYZ空间的颜色分量R，G，B。然而颜色分量对色彩的描述有别于标准色卡,使得熟悉用色卡确定配色方案的技术人员要进行额外的数据筛选和分析，有悖于大多数商贸公司和工厂的习惯。从此意义上，如何将织物颜色分析的技术升级，应本着客观性和实用性兼备的原则进行。

实施例一，本实施例提出了一种纺织品颜色识别方法，如图1、图2所示，包括：

建立标样数据库步骤，包括：

S11、将潘通色卡扫描成真彩图像；

S12、计算出潘通色卡图像的色度值，所述色度值包括图像的颜色分量R、G、B，以及色调值H；

S13、将潘通色卡图像按照明度的灰级范围划分为N个颜色分层，并将N个颜色分层的层号、各颜色分层的灰级范围，各颜色分层内潘通色卡图像的色度值及其色卡号对应存储于标样数据库中，所述N为正整数；

S14、建立支持向量机，以位于同一颜色分层的全部潘通色卡图像的色度值为一组，分别将各颜色分层的潘通色卡图像的色度值所组成的向量作为所述支持向量机的输入，训练所述支持向量机在该颜色分层的分类器最佳参数：惩罚系数c和核函数g；

纺织品颜色对应色卡号识别步骤，包括：

S21、将受测样品扫描成真彩图像，并计算出受测样品图像的色度值；

S22、根据所述受测样品图像的色度值计算出该受测样品图像的明度；

S23、根据该受测样品图像明度的灰级判断出该受测样品所属颜色分层；

S24、从标样数据库中提取出所属颜色分层内所有潘通棉布色卡图像的色度值向量，并把受测样品的色度值添加到该色度值向量中，由支持向量机完成输入色度值与输出纺织品颜色对应的标准色卡号映射关系，给出受测样品对应的标准色卡号。其中本实施例中的潘通棉布色卡，以国内外广泛使用的国际色彩标准—潘通纺织专用色卡为参照物，将潘通色卡棉布版(潘通棉布色卡)进行图像采集，仿照潘通色卡的物理分层模式，运用明度模型对色卡图像的颜色进行层次分割；根据颜色识别算法的发展和应用，引入了支持向量机(SupportVectorMachine,SVM)的机器学习方法，构建了一种将未知色与已知色进行映射匹配的颜色识别模型；系统测试有较高的正确率，为探索客观、快速地测色和数字仿真颜色提供了参考工具。

本实施例的纺织品颜色识别方法，通过扫描潘通棉布色卡以及受测样品，由计算机计算出潘通棉布色卡图像以及受测样品的色度值，训练支持向量机，根据受测样品的色度值从潘通棉布色卡图像的色度值中匹配识别出最接近的潘通色卡，相应确定受测样品的潘通色卡号，操作简单，误差小，无需人工比对色卡，提高了工作效率，消除了人为观测的偏差。基于支持向量机智能算法，经过训练该模型适用于摄取图像的各种设备，与各种图像摄入设备均可匹配，预报过程具有普适性。将潘通棉布色卡图像按照明度的灰级进行分层，受测样品识别匹配过程中首先进行层识别，支持向量机分类器只需针对该层的卡识别，计算量可大幅下降，适用普通的PC机。

在本实施例中，所述标样数据库中还存储有潘通色卡的标准色度值数组，所述的纺织品颜色识别方法还包括颜色仿真步骤：

根据受测样品对应的标准色卡号从潘通色卡标样数据库中提取出该标准色卡号所对应的标准色度值，根据所述标准色度值把受测样品图像的颜色板仿真成最接近的标准色卡的色彩。通过把实物图片的颜色仿真成为普遍公认的最接近的标准色卡的色彩，有利于电子商务业、服装定制业中对纺织品色彩的远程交流和管理。潘通色卡的标准色度值是从潘通公司发布的PantoneTPX/TCX电子版色号查询系统中，输入潘通色卡号即可查询该色号的标准R、G、B色度值。

根据纺织品的特性，织物是纤维、纱线的集合体，由于表面的毛羽、纱线的屈曲起伏、织物纹理凹凸等引起光线反射不匀，光泽的变化对色彩的影响，会使图像像素中夹杂着色模糊、干扰或异色像素。这些随机变异造成颜色值的突变，如果被计入颜色统计值，则会导致提取的颜色特征值并不能真实反映织物本身的颜色，引起颜色表达失真。因变异像素点的颜色值是突变的，与主要颜色值不同，不会处于中位数位置，因此，在步骤S12中，分别将各潘通棉布色卡图像划分成M个子区域，对每个子区域内所有像素的R、G、B、H值分别排序，取中位数作为该子区域的R、G、B、H值，其中，所述M为正整数。采取中位数取样法可以避开突变的像素点。所谓中位数，就是将一组数据按大小依次排列后，处在最中间位置的一个数据(或最中间两个数据的平均数)。在织物图像的多处进行中位数法颜色色度值采集后，取其平均值以确保采集到的颜色色度值尽可能地接近织物真实颜色。

明度是反映颜色浓淡的物理量，与色调、彩度无关。因此，数字图像中，对明度灰级的阈值范围分割，就是颜色深浅的层次化。明度与颜色层的对应关系，如表1所示。

表1

理论上，颜色分层内的明度灰级数列是连续整数，层次间泾渭分明，根据受测样品实际明度灰级就可找到所属层号。但是实际上明度灰级的计算结果并非一定整数，如果灰级处在相邻两层边界，取整数时，因数据微小的波动，导致分层非此即彼的两种可能结果。问题的关键是无论样品落入两层中的哪一层，都应该找到与之相匹配的色卡。但是由于因数据波动或者因判断算法不同，导致边界处的样品可能不能落入与其最接近色卡所在的颜色分层。为此，本实施例中采取对边界扩容的方法解决该技术问题，具体如下：步骤S13中包括将存储于标样数据库中的颜色分层进行扩容的步骤：

将各颜色分层的灰级范围扩大K个灰级，同时将落入所扩大范围的潘通色卡图像的色度值及色卡号对应存储于该颜色分层中，其中，K为正整数，在本实施例中，K取值为2。

如图3所示，如果水平方向是灰级的降序方向，图中的粗线代表阈值的位置。以阈值为基准，每层都向相邻层内相互扩大2个灰级(虚线处)的容量，将此范围内的原本属于相邻层的潘通色卡也纳入进来，采用本扩容方式，当受测样品灰级处在相邻两层边界，取整数时，因数据微小的波动，导致分层非此即彼的两种可能结果，由于每层分别扩容了另外一层灰度相近的潘通色卡，因此，无论受测样品落入两层中的哪一层，都能找到与之相匹配的色卡，而且经过支持向量机的匹配，该两个色卡是相同的，消除了可能的边界效应。颜色层数和每层的色卡容量取决于灰级的阈值范围。由于色卡容量直接影响到计算机性能对支持向量机的计算能力，本实施例中经过多次实验，按照70～120个色卡/层的容量划分灰度的集合，根据目前潘通公司发布的标准，具有2100个潘通色卡，把2100个色卡分成29层，如表1所示。当然，随着技术的革新，有可能发布更多个潘通色卡，本发明的颜色分层数以及每个颜色分层中潘通色卡的数量可以相应调整，不受目前潘通色卡数量的限制，扩容后，每层的色卡容量约升至90～140个。

步骤S21中，包括：将受测样品图像划分成M个子区域，对每个子区域内所有像素的R、G、B、H值分别排序，取中位数作为该子区域的R、G、B、H值，然后，再将所有子区域的R、G、B、H值求取平均值，以平均值作为该样品图像的R、G、B、H值。

本实施例同时需要解决的颜色配准属于复杂的非线性分类问题，样本数据也较小，非传统的解析理论和统计回归方法能解决。支持向量机模型的思想是针对线性可分情况进行分析，对于线性不可分的情况，本实施例中所述支持向量机将各颜色分层的色度值向量作为输入数据，使用映射把输入数据映射到高维空间，在高维空间进行线性回归，对输入数据进行线性可分，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而从根本上解决非线性问题。

支持向量机本身是一个二类分类器，对于多类问题，就需要构造组合的支持向量机多类分类器。本实施例采用的“一对一”支持向量机是结合多个两类分类器构造的一个多类分类器，其算法原理是每次选取其中的两类样本，对所有可能的两类组合构造支持向量机，总共需要构造n(n-1)/2个支持向量机。在确定样本所属类别时，采用的是“投票法”，样本每经过一个二分类支持向量机都会获得一个可能的类别号，即获得一票，当样本经过所有二分类支持向量机后，对获得票数进行统计，得票数最高的类别即为该样本最可能属于的类别。当某几类获得相同票数时，再将样本输入与这几类相关的二分类支持向量机，如此循环，直至最终出现票数胜出的类别。

支持向量机参数的选择主要包括核函数和模型公式的选择。核函数确定后，可以调节的参数就包括惩罚系数c和核函数的g参数函数，它们对模型的复杂程度、结构和性能起着重要作用。RBF径向基核函数有使同类样本相互靠近，不同种类样本相互分离的特点，因此本实施例中核函数选择为RBF径向基核函数。分别用对应29个颜色分层的训练集进行交叉对比训练，得到29个支持向量机的最佳参数c和g。

用表2的最佳参数对29个训练集进行训练获取29个SVM模型。先把29个训练集分别带入对应的SVM模型中回判识别正确率，然后另选296个未知色的样本作为测试集利用本系统测试，使用潘通公司的数字化彩通色彩检测仪ColorCue2给出准确的评定结果，以该结果为基准，可知其识别正确率。实验结果如表3所示。

表2

从表3可知，训练集识别率较高，平均达到96％以上，说明本方法仿真识别的可行性和有效性。只有SVM-1的识别率不足90％，这是因为该层色卡灰度≥234，属于最浅的颜色，相邻色卡间的色度值比较接近，颜色特征值的敏感度不足，从而影响到该层的识别效果。对测试集样本的实验，29个SVM模型的识别率平均值达98％以上，多数SVM模型达到100％。识别性能超过训练集，说明系统对未来样本的泛化能力强。只有SVM-29为83.3％，经查验PantoneTCX色卡中本身就缺乏与测试样品相匹配的色卡，并非系统性能的问题。表明了本文发明的系统还可以为色卡制造商提供补缺色卡的数据。

表3

本实施例的纺织品颜色识别方法初次把支持向量机算法应用到颜色的匹配识别与仿真，取得了较好的效果。在图像输入设备一定的情况下，均可以通过本发明进行复制推广，实现对任何棉布色卡的织物颜色自动配准系统，为客观、快速地测色和数字仿真颜色提供了参考工具。

实施例二，基于实施例一中的纺织品颜色识别方法，本实施例提出了一种纺织品颜色识别系统，包括标样数据库和色卡识别模块，参见图1、图2所示，所述标样数据库的建立包括：

S11、将潘通棉布色卡扫描成真彩图像；

S12、计算出潘通棉布色卡图像的色度值，所述色度值包括图像的颜色分量R、G、B，以及色调值H；

S13、将潘通棉布色卡图像按照明度的灰级范围划分为N个颜色分层，并将N个颜色分层的层号、各颜色分层的灰级范围，各颜色分层内潘通色卡图像的色度值及其色卡号对应存储于标样数据库中，所述N为正整数；

S14、建立支持向量机，以位于同一颜色分层的全部潘通棉布色卡图像的色度值为一组，分别将各颜色分层的潘通棉布色卡图像的色度值所组成的向量作为所述支持向量机的输入，训练所述支持向量机在该颜色分层的分类器最佳参数：惩罚系数c和核函数g；

所述色卡识别模块的识别步骤包括：

S21、将受测样品扫描成真彩图像，并计算出受测样品图像的色度值，；

S22、根据所述受测样品图像的色度值计算出该受测样品图像的明度；

S23、根据该受测样品图像明度的灰级判断出该受测样品所属颜色分层；

S24、从标样数据库中提取出所属颜色分层内所有潘通棉布色卡图像的色度值向量，并把受测样品的色度值添加到该色度值向量中，由支持向量机完成输入色度值与输出纺织品颜色对应的标准色卡号映射关系，给出受测样品对应的标准色卡号。

本实施例的纺织品颜色识别系统，通过扫描潘通棉布色卡以及受测样品，由计算机计算出潘通棉布色卡图像以及受测样品的色度值，训练支持向量机，根据受测样品的色度值从潘通棉布色卡图像的色度值中识别出相匹配的潘通色卡，相应确定潘通色卡号，操作简单，误差小，无需人工比对色卡，提高了工作效率，消除了人为观测的偏差。基于支持向量机智能算法，经过训练该模型适用于摄取图像的各种设备，与各种图像摄入设备均可匹配，预报过程具有普适性。将潘通棉布色卡图像按照明度的灰级范围进行分层，受测样品识别匹配过程中首先进行层识别，支持向量机分类器只需针对该层的卡识别，计算量可大幅下降，适用普通的PC机。还包括颜色仿真模块，所述标样数据库中还存储有潘通棉布色卡的标准色度值数组，所述颜色仿真模块的仿真步骤包括：

根据受测样品对应的标准色卡号从潘通棉布色卡标样数据库中提取出该标准色卡号所对应的标准色度值，根据所述标准色度值把受测样品图像的颜色板仿真成最接近的标准色卡的色彩。

通过把实物图片的颜色仿真成为普遍公认的最接近的标准色卡的色彩，有利于电子商务业、服装定制业中对纺织品色彩的远程交流和管理。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (8)

1.一种纺织品颜色识别方法，其特征在于，包括：

建立标样数据库步骤，包括：

（11）、将潘通棉布色卡扫描成真彩图像；

（12）、计算出潘通棉布色卡图像的色度值，所述色度值包括图像的颜色分量R、G、B，以及色调值H；

（13）、将潘通棉布色卡图像按照明度的灰级范围划分为N个颜色分层，并将N个颜色分层的层号、各颜色分层的灰级范围，各颜色分层内潘通棉布色卡图像的色度值及其色卡号对应存储于标样数据库中，所述N为正整数；

（14）、建立支持向量机，以位于同一颜色分层的全部潘通棉布色卡图像的色度值为一组，分别将各颜色分层的潘通棉布色卡图像的色度值所组成的向量作为所述支持向量机的输入，训练所述支持向量机在该颜色分层的分类器最佳参数：惩罚系数c和核函数g；

纺织品颜色对应色卡号识别步骤，包括：

（21）、将受测样品扫描成真彩图像，并计算出受测样品图像的色度值；

（22）、根据所述受测样品图像的色度值计算出该受测样品图像的明度；

（23）、根据该受测样品图像明度的灰级判断出该受测样品所属颜色分层；

（24）、从标样数据库中提取出所属颜色分层内所有潘通棉布色卡图像的色度值向量，并把受测样品的色度值添加到该色度值向量中，由支持向量机完成输入色度值与输出纺织品颜色对应的标准色卡号映射关系，给出受测样品对应的标准色卡号。

2.根据权利要求1所述的纺织品颜色识别方法，其特征在于，所述标样数据库中还存储有潘通色卡的标准色度值数组，所述的纺织品颜色识别方法还包括颜色仿真步骤：

根据受测样品对应的标准色卡号从潘通色卡的标准色度值数组中提取出该标准色卡号所对应的标准色度值，根据所述标准色度值把受测样品图像的颜色板仿真成最接近的标准色卡的色彩。

3.根据权利要求2所述的纺织品颜色识别方法，其特征在于，步骤（12）中，分别将各潘通棉布色卡图像划分成M个子区域，对每个子区域内所有像素的R、G、B、H值分别排序，取中位数作为该子区域的R、G、B、H值，其中，所述M为正整数。

4.根据权利要求3所述的纺织品颜色识别方法，其特征在于，步骤（13）中，还包括将存储于标样数据库中的颜色分层进行扩容的步骤：

将各颜色分层的灰级范围扩大K个灰级，同时将落入所扩大范围的潘通棉布色卡图像的色度值及其色卡号对应存储于该颜色分层中，所述K为正整数。

5.根据权利要求4所述的纺织品颜色识别方法，其特征在于，所述支持向量机将各颜色分层的色度值向量作为输入数据，使用映射把输入数据映射到高维空间，在高维空间进行线性回归，对输入数据进行线性可分。

6.根据权利要求3-5任一项所述的纺织品颜色识别方法，其特征在于，步骤（21）中，将受测样品图像划分成M个子区域，对每个子区域内所有像素的R、G、B、H值分别排序，取中位数作为该子区域的R、G、B、H值，然后，再将所有子区域的R、G、B、H值求取平均值，以平均值作为该样品图像的R、G、B、H值。

7.一种纺织品颜色对应色卡号识别系统，其特征在于，包括标样数据库和色卡识别模块，所述标样数据库的建立包括：

（11）、将潘通棉布色卡扫描成真彩图像；

（12）、计算出潘通棉布色卡图像的色度值，所述色度值包括图像的颜色分量R、G、B，以及色调值H；

（13）、将潘通棉布色卡图像按照明度的灰级范围划分为N个颜色分层，并将N个颜色分层的层号、各颜色分层的灰级范围，各颜色分层内潘通色卡图像的色度值及其色卡号对应存储于标样数据库中，所述N为正整数；

（14）、建立支持向量机，以位于同一颜色分层的全部潘通棉布色卡图像的色度值为一组，分别将各颜色分层的潘通棉布色卡图像的色度值所组成的向量作为所述支持向量机的输入，训练所述支持向量机在该颜色分层的分类器最佳参数：惩罚系数c和核函数g；

所述色卡识别模块的识别步骤包括：

（21）、将受测样品扫描成真彩图像，并计算出受测样品图像的色度值；

（22）、根据所述受测样品图像的色度值计算出该受测样品图像的明度；

（23）、根据该受测样品图像明度的灰级判断出该受测样品所属颜色分层；

（24）、从标样数据库中提取出所属颜色分层内所有潘通棉布色卡图像的色度值向量，并把受测样品的色度值添加到该色度值向量中，由支持向量机完成输入色度值与输出纺织品颜色对应的标准色卡号映射关系，给出受测样品对应的标准色卡号。

8.根据权利要求7所述的纺织品颜色对应色卡号识别系统，其特征在于，还包括颜色仿真模块，所述标样数据库中还存储有潘通色卡的标准色度值数组，所述颜色仿真模块的仿真步骤包括：

根据受测样品对应的标准色卡号从标样数据库中提取出该标准色卡号所对应的标准色度值，根据所述标准色度值把受测样品图像的颜色板仿真成最接近的标准色卡的色彩。