基于高光谱图像的颜色分级/测色方法、系统、设备及介质，其方法为：用高光谱相机采集比色标本的高光谱图像，创建标准比色标本库；用高光谱相机采集待测样本的高光谱图像；基于原始标准比色标本库，实现对丰度向量的粗估计；基于上一步的结果，裁剪标准比色标本库，并实现对丰度向量的精细估计；基于上一步的结果，实现对待测样本的颜色判别；其系统、设备及介质通过对相关功能模块的存储利用，实现基于高光谱图像的颜色分级/测色的方法；本发明在不增加复杂度的同时，克服测试场景中光线复杂、标准比色标本库较大、以及样本的测试位置对测试结果的影响；提高基于高光谱图像的颜色分级/测色方法的准确性及装置的性能。
1.一种基于高光谱图像的颜色分级/测色方法，其特征在于：具体包括以下步骤：步骤1、用高光谱相机采集比色标本的高光谱图像，创建标准比色标本库；
步骤3、基于标准比色标本库，实现对丰度向量的粗估计；具体方法为：当步骤1所述标准比色标本库标本数量多于自定义阈值时，引入对丰度向量α的稀疏约束λ||αn||1；此外，为尽可能消除待测样本的测试位置对测试结果的影响，引入对丰度向量α的局部空间正则项 提出的代价函数为：其中，下标n表示第n个像素，αn表示第n像素的丰度向量，rn,表示第n个像素的观测向量rn的第 个元素， 表示第n个像素的邻域，并假设 已知，即已经得到其估计值，ωm为 的加权因子， 描述的是第n个和第m个像素的丰度向量之间的差异性；
对上面得到的高光谱图像进行逐像素处理：将第n个像素的邻域定义为{n‑1,n‑W+1,n‑W,n‑W‑1}，其中，W为图像宽度；当 大于一个自定义阈值时，说明当前像素为和周围像素差异较大的异常点，则剔除当前像素；当第n个像素的邻域{n‑1,n‑W+1,n‑W,n‑W‑1}不存在时，即当处理第1个像素时，代价函数(1)中无需引入局部空间正则项，其求解方法与式(1)的求解方法类似；
引入一个辅助变量ζ，求解代价函数(1)，并将式(1)重写为如下形式：其中，函数 的功能为：当其自变量属于非负象限时，函数 的取值为零；当其自变量属于其它象限时，函数 的取值为正无穷；辅助变量ζ的引入允许将 范数正则项与带约束的优化问题解耦，如式(2)所示；用split‑Bregman迭代算法求解式(2)，可得如下公式，即和
用迭代方法分别优化求解αn，ψnlin和ζ，步骤如下：
通过引入拉格朗日乘子 上述问题的增广拉格朗日方程可写为：当原始变量满足如下条件时，式(6) 可取得最优解：其中， 将式(7)带入至式(6)，可得到关于拉格朗日乘子β的方程，将(k+1) (k+1)
此方程对β求导并置零，可得β 的更新值；将β 的更新值带入至式(7)中的第一个方程，即可得到更新后的丰度向量
3.2)优化求解ζ：抛掉无关变量，优化问题式(3)退化为：通过软阈值算子求解式(8)可得：
(·) 表示通过将负值元素置零的方式将自变量映射至非负象限；
对步骤3.1)至3.2)，重复迭代至收敛为止；当误差小于预先设定的阈值η时，认为迭代过程已经收敛；
步骤4、基于步骤3的结果，裁剪标准比色标本库，并实现对丰度向量的精细估计；
步骤5、基于步骤4的结果，实现对待测样本的颜色判别。
2.根据权利要求1所述的一种基于高光谱图像的颜色分级/测色方法，其特征在于：步骤3所述加权因子ωm的计算方法为：
1)通过 计算 其表示第n个和第m个像素的(归一化的)谱距离；
3.根据权利要求1所述的一种基于高光谱图像的颜色分级/测色方法，其特征在于：所述步骤4具体为：通过步骤3优化求解αn，ψnlin和ζ，得到标准比色标本库中的标本数量多于自定义阈值时的丰度向量的初步估计值 在此基础上，通过将向量 中为零的元素所对应的标本抛弃，从而得到一个较小的标准比色标本库，并通过求解式(11)代价函数得到丰度向量更精确的估计值：其中， 为一个由0和1组成的向量，当 的元素为0时， 所对应的元素为0；当 的元素不等于0时， 所对应的元素为1，符号 ⊙表示哈达玛积(Hadamard product)，向量 与向量 的哈达玛积起到了裁剪原始标准比色标本库的作用；式(11)可采用与求解式(1)同样的方法求解，从而得到丰度向量更加精确的估计值
4.根据权利要求1所述的一种基于高光谱图像的颜色分级/测色方法，其特征在于：所述步骤5具体为：基于丰度向量的精确估计值 通过找出其最大元素所对应的位置，以及与其它标准样本的接近程度进行综合判断，即可得出与其颜色最为接近的标准比色标本，从而实现颜色分级/测色。
5.一种基于权利要求1所述方法的高光谱图像的颜色分级/测色的系统，包括：高光谱图像采集模块，用于对标准比色标本及待测样本进行高光谱图像采集；
标准比色标本库裁剪及丰度向量精估计模块根据丰度向量粗估计模块的结果裁剪标准比色标本库，并得到丰度向量的精确估计值；
颜色判别模块用于根据丰度向量的精确估计值判断样本颜色。
6.一种基于权利要求1所述方法的高光谱图像的颜色分级/测色的设备，包括：存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4所述的基于高光谱图像的颜色分级/测色的方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对基于高光谱图像的颜色分级/测色进行计算分析。
基于高光谱图像的颜色分级/测色方法、系统、设备及介质
技术领域
[0001] 本发明涉及图像处理分析技术领域，具体涉及一种基于高光谱图像的颜色分级/测色方法、系统、设备及介质。
背景技术
[0002] 颜色分级及测色在很多领域中有着广泛的应用，如宝石颜色分级、印刷品测色、皮革制品/纺织品染色效果分析等领域。
[0003] 颜色分级及测色的传统方式为，首先收集建立一套标准比色标本，然后将待测样本与标准比色标本进行比较。如在钻石颜色分级领域，通常先准备一套标准比色石，然后通过将待测样本与标准比色石进行比较，得出待测样本的颜色等级。传统方式通常有两个缺点。第一，在很多领域如宝石颜色分级领域，标准比色标本的成本通常较高，且不同实验室的标准比色标本可能会有所偏差；第二，传统方式需要用肉眼测试，影响测试结果的因素较多，如周围环境、光线明暗、实验人员的水平等。
[0004] 现有的基于高光谱图像的颜色分级/测色方法通常存在以下三个缺点。第一，现有的基于高光谱图像的颜色分级/测色方法通常采用线性模型，但当测试场景较为复杂，如光线存在多次反射时，测试结果通常存在较大的误差；第二，当标准比色标本库较大时，基于高光谱图像的颜色分级/测色方法通常会有较大的误差；第三，测试结果通常和待测样本的测试位置有关，如对和田玉进行颜色分级时，当成像位置取在皮壳附近时，测试结果的误差通常较大。
[0005] 专利申请CN103090973B公开了一种基于光谱的Ia型钻石颜色快速分级方法，包括：将均衡的复合光照射到被测钻石上；使用积分球收集经被测钻石反射的复合光；对积分球收集的光进行分光后，使用CCD探测器进行检测，进而获得被测钻石的反射光谱；对被测钻石的反射光谱进行归一化后，从归一化的反射光谱上选取氮吸收带，然后计算氮吸收带的面积；将氮吸收带的面积与标准阈值文件进行比对，对被测钻石进行颜色分级，该发明通过对采集的被测钻石的反射光谱选取氮吸收带并计算氮吸收带的面积，然后将氮吸收带的面积与标准阈值文件进行比对，从而实现钻石的颜色分级，但是，1)其只能适用于条件较好的实验室环境，对光源和积分球都有一定的要求；2)其在检测过程中不能自动剔除异常测试点，即测试结果与待测样本的被测试位置有关。
发明内容
[0006] 为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于高光谱图像的颜色分级/测色方法、系统、设备及介质，通过在信号模型中引入非线性项，来克服测试场景复杂导致测试结果误差较大的问题；通过增加对丰度向量的稀疏约束来克服当标准比色标本库较大时，对基于高光谱图像的颜色分级/测色方法带来误差较大的问题；通过引入局部空间正则项，在不增加复杂度的同时，克服待测样本的测试位置对测试结果的影响；提高基于高光谱图像的颜色分级/测色方法的准确性及装置的性能。
[0007] 为了达到上述目的，本发明采用的技术方案为：
[0008] 一种基于高光谱图像的颜色分级/测色方法，具体包括以下步骤：
[0009] 步骤1、用高光谱相机采集比色标本的高光谱图像，创建标准比色标本库；
[0010] 步骤2、用高光谱相机采集待测样本的高光谱图像；
[0011] 步骤3、基于标准比色标本库，实现对丰度向量的粗估计；具体方法为：
[0012] 当步骤1所述标准比色标本库标本数量多于自定义阈值时，引入对丰度向量α的稀疏约束λ||αn||1；此外，为尽可能消除待测样本的测试位置对测试结果的影响，引入对丰度向量α的局部空间正则项 提出的代价函数为：
[0013]
[0014] 其中，下标n表示第n个像素，αn表示第n像素的丰度向量，rn,l表示第n个像素的观测向量rn的第l个元素， 表示第n个像素的邻域，并假设 已知，即已经得到其估计值， 的加权因子， 描述的是第n个和第m个像素的丰度向量之间的差异性；
[0015] 式(1)中的 项中，ψnlin表示信号模型中的非线性项， 表示再生核希尔伯特空间， 表示泛函在再生核希尔伯特空间 中的l2范数；
[0016] 式(1)中的 和 项中，el表示实际值和估计值的误差，L表示每个像素的光谱带数量，即高光谱图像的每个像素由L个连续的光谱带组成，μ、λ、γ均为折中参数，控制着误差项 丰度向量稀疏约束项||αn||1和空间正则项及非线性项 之间的折中，参数μ、λ、γ均为大于0小于1的值，可
人为设定；
[0017] 式(1)中的 表示根据式(1)中的代价函数求出的丰度向量αn的最优解， 表示根据式(1)中的代价函数求出的非线性项ψnlin的最优解；
[0018] 式(1)中的 项中，s.t.表示“subject to”，即“s.t.”后面为约束条件，rn,l表示第n个像素的观测向量rn的第l个元素， 表示在第l个频带上R个标本的光谱特征，上标 表示向量或矩阵的转置操作；
[0019] 对上面得到的高光谱图像进行逐像素处理：将第n个像素的邻域定义为{n‑1,n‑W+1,n‑W,n‑W‑1}，其中，W为图像宽度；当 大于一个自定义阈值时，说明当前像素为和周围像素差异较大的异常点，则剔除当前像素；当第n个像素的邻域{n‑1,n‑W+1,n‑W,n‑W‑1}不存在时，即当处理第1个像素时，代价函数(1)中无需引入局部空间正则项，其求解方法与式(1)的求解方法类似；
[0020] 引入一个辅助变量ζ，求解代价函数(1)，并将式(1)重写为如下形式：
[0021]
[0022] 其中，函数 的功能为：当其自变量属于非负象限时，函数 的取值为零；当其自变量属于其它象限时，函数 的取值为正无穷；辅助变量ζ的引入允许将l1范数正则项与带约束的优化问题解耦，如式(2)所示；用split‑Bregman迭代算法求解式(2)，可得如下公式，即
[0023]
[0024] 和ξ(k+1)＝ξ(k)+(α(nk+1)‑ζ(k+1)) (4)
[0025] 式(3)中，ρ为折中参数，控制着 项与其他项的折中，参数ρ为大于0小于1的值 ，可 人为设定 ，ξ是为求解式 (3) 而引入的 另一个辅助变量 ，(k)其中ξ 表示第k次迭代后ξ的值；
[0026] 用迭代方法分别优化求解αn，ψnlin和ζ，步骤如下：
[0027] 3.1)优化求解αn，ψnlin：
[0028] 抛掉无关变量，优化问题式(3)退化为：
[0029]
[0030] 通过引入拉格朗日乘子 上述问题的增广拉格朗日方程可写为：
[0031]
[0032] 当原始变量满足如下条件时，式(6) 可取得最优解：
[0033]
[0034] 其中， 将式(7)带入至式(6)，可得到关于拉格朗日乘子β的方(k+1) (k+1)
程，将此方程对β求导并置零，可得β 的更新值；将β 的更新值带入至式(7)中的第一个方程，即可得到更新后的丰度向量 式(7)中， 项中的 表
示 其中 表示高斯核，σ表示高斯核带宽；
[0035] 3.2)优化求解ζ：抛掉无关变量，优化问题式(3)退化为：
[0036]
[0037] 通过软阈值算子求解式(8)可得：
[0038]
[0039] 其中，软阈值算子表示为 其公式为
[0040]
[0041] (·)+表示通过将负值元素置零的方式将自变量映射至非负象限；
[0042] 对步骤3.1)至3.2)，重复迭代至收敛为止；当误差小于预先设定的阈值η时，认为迭代过程已经收敛；
[0043] 步骤4、基于步骤3的结果，裁剪标准比色标本库，并实现对丰度向量的精细估计；
[0044] 步骤5、基于步骤4的结果，实现对待测样本的颜色判别。
[0045] 步骤3所述加权因子ωm的计算步骤为：
[0046] 1)通过 计算 其表示第n个和第m个像素的(归一化的)谱距离；
[0047] 2)通过 计算ωm。
[0048] 所述步骤4具体为：
[0049] 通过步骤3优化求解αn，ψnlin和ζ，得到标准比色标本库中的标本数量多于自定义阈值时的丰度向量的初步估计值 在此基础上，通过将向量 中为零的元素所对应的标本抛弃，从而得到一个较小的标准比色标本库，并通过求解式(11)代价函数得到丰度向量更精确的估计值：
[0050]
[0051] 其中， 为一个由0和1组成的向量，当 的元素为0时， 所对应的元素为0；当 的元素不等于0时， 所对应的元素为1，符号⊙表示哈达玛积(Hadamard product)，向量 与向量 的哈达玛积起到了裁剪原始标准比色标本库的作用；式(11)可采用与求解式(1)同样的方法求解，从而得到丰度向量更加精确的估计值
[0052] 所述步骤5具体为：
[0053] 基于步骤4中得到的丰度向量精确估计值 通过找出其最大元素所对应的位置，以及与其它标准样本的接近程度进行综合判断，即可得出与其颜色最为接近的标准比色标本，从而实现颜色分级/测色。
[0054] 一种基于高光谱图像的颜色分级/测色的系统，包括：
[0055] 高光谱图像采集模块，用于对标准比色标本及待测样本进行高光谱图像采集；
[0056] 标准比色标本库创建模块用于创建标准比色标本库；
[0057] 丰度向量粗估计模块用于初步粗估计丰度向量；
[0058] 标准比色标本库裁剪及丰度向量精估计模块根据丰度向量粗估计模块的结果裁剪标准比色标本库，并得到丰度向量的精确估计值；
[0059] 颜色判别模块用于根据丰度向量的精确估计值判断样本颜色。
[0060] 一种基于高光谱图像的颜色分级/测色的设备，包括：
[0061] 存储器，用于存储计算机程序；
[0062] 处理器，用于执行所述计算机程序时实现如步骤1至步骤5所述的基于高光谱图像的颜色分级/测色的方法。
[0063] 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对基于高光谱图像的颜色分级/测色进行计算分析。
[0064] 相对于现有技术，本发明的有益效果在于：
[0065] 1)本发明通过在信号模型中引入非线性项，可克服复杂测试场景导致测试结果误差较大的问题。
[0066] 2)本发明通过增加对丰度向量的稀疏约束，来克服当标准比色标本库较大时，对基于高光谱图像的颜色分级/测色方法带来误差较大的问题。当对宝石、印刷品、纺织品、皮革制品进行测色/颜色分级时，通常是对某个纯色部位做出检测。在标准比色标本库中，通过基于高光谱图像的颜色分级/测色方法找出与其颜色最接近的标本即可。也就是说，尽管标准比色标本库可能较大，但测试样本只与其中一个标本的颜色最为接近。所以丰度向量在理论上应是稀疏的。因此，通过增加对丰度向量的稀疏约束可显著改善基于高光谱图像的颜色分级/测色方法的误差。
[0067] 3)本发明通过引入局部空间正则项，在不增加复杂度的同时，克服了待测样本的测试位置对测试结果的影响，提高了基于高光谱图像的颜色分级/测色方法的准确性。当对宝石、印刷品、纺织品、皮革制品进行测色/颜色分级时，通常是对某个纯色部位做出检测。但传统的基于高光谱图像的颜色分级/测色方法通常只能逐像素分析，不能剔除异常点，如和田玉的皮壳、纸张或纺织品的破损点等。而本发明通过引入局部空间正则项，则可剔除这些异常点，提高基于高光谱图像的颜色分级/测色方法的性能。
附图说明
[0068] 图1为本发明的方法流程图。
[0069] 图2为本发明的系统结构图。
具体实施方式
[0070] 下面结合附图对本发明进行进一步详细说明。
[0071] 假设高光谱图像的每个像素由L个连续的光谱带组成，即所观测得到的像素同时，假设标准比色标本库中的标本数量为R，其光谱库为其中，
[0072] 用 表示在第l个频带上R个标本的光谱特征，用表示丰度向量；另外，假设光谱库M已通过对R个标本进行高光谱成像事先构建，即M已知；
[0073] 则通用的非线性模型表示为
[0074] r＝ψ(M,α)+n
[0075] 其中，函数ψ描述了待测样本和光源的相互作用方式，α表示丰度向量，n表示建模误差；但用参数简洁充分地表述上式较为困难，所以本发明中通过引入半参数化的模型，将上式通用非线性信号模型简化为下式。
[0076]
[0077] 上式中的信号模型由线性部分和非线性部分(ψnlin)组成，ψnlin描述了待测样本和光线相互作用中的非线性过程部分； 为再生核希尔伯特空间 的实函数，再生核表示为κ，即
[0078]
[0079] 再生核κ选用高斯核，即
[0080]
[0081] 如图1所示，一种基于高光谱图像的颜色分级/测色方法，具体包括以下步骤：
[0082] 步骤1、用高光谱相机采集比色标本的高光谱图像，创建标准比色标本库；
[0083] 步骤2、用高光谱相机采集待测样本的高光谱图像；
[0084] 步骤3、基于标准比色标本库，实现对丰度向量的粗估计：
[0085] 当步骤1所述标准比色标本库标本数量多于自定义阈值时，引入对丰度向量α的稀疏约束λ||αn||1；此外，为尽可能消除待测样本的测试位置对测试结果的影响，引入对丰度向量α的局部空间正则项 提出的代价函数为：
[0086]
[0087] 其中，下标n表示第n个像素，αn表示第n像素的丰度向量，rn,l表示第n个像素的观测向量rn的第l个元素， 表示第n个像素的邻域，并假设 已知(即已经得到其估计值)，ωm为 的加权因子， 描述的是第n个和第m个像素的丰度向量之间的差异性；
[0088] 加权因子ωm的计算步骤为：
[0089] 通过 计算 其表示第n个和第m个像素的(归一化的)谱距离；
[0090] 通过 计算ωm；
[0091] 对上面得到的高光谱图像进行逐像素处理：将第n个像素的邻域定义为{n‑1,n‑W+1,n‑W,n‑W‑1}，其中，W为图像宽度；当 大于一个自定义阈值时，说明当前像素为和周围像素差异较大的异常点，则剔除当前像素；当第n个像素的邻域{n‑1,n‑W+1,n‑W,n‑W‑1}不存在时，即当处理第1个像素时，代价函数(1)中无需引入局部空间正则项，其求解方法与式(1)的求解方法类似。
[0092] 引入一个辅助变量ζ，求解代价函数(1)，并将式(1)重写为如下形式：
[0093]
[0094] 其中，函数 的功能为：当其自变量属于非负象限时，函数 的取值为零；当其自变量属于其它象限时，函数 的取值为正无穷；辅助变量ζ的引入允许将l1范数正则项与带约束的优化问题解耦，如式(2)所示；用split‑Bregman迭代算法求解式(2)，可得如下公式，即
[0095]
[0096] 和
[0097] 用迭代方法分别优化求解αn，ψnlin和ζ，步骤如下：
[0098] 3.1)优化求解αn，ψnlin：
[0099] 抛掉无关变量，优化问题式(3)退化为：
[0100]
[0101] 通过引入拉格朗日乘子 上述问题的增广拉格朗日方程可写为：
[0102]
[0103] 当原始变量满足如下条件时，式(6) 可取得最优解：
[0104]
[0105] 其中， 将式(7)带入至式(6)，可得到关于拉格朗日乘子β的方(k+1) (k+1)
程，将此方程对β求导并置零，可得β 的更新值；将β 的更新值带入至式(7)中的第一个方程，即可得到更新后的丰度向量
[0106] 3.2)优化求解ζ：抛掉无关变量，优化问题式(3)退化
[0107] 为：
[0108]
[0109] 通过软阈值算子求解式(8)可得：
[0110]
[0111] 其中，软阈值算子表示为 其公式为
[0112]
[0113] (·)+表示通过将负值元素置零的方式将自变量映射至非负象限；
[0114] 对上述第3.1)步和第3.2)步，重复迭代至收敛为止；当误差小于预先设定的阈值η时，认为迭代过程已经收敛。
[0115] 步骤4、基于步骤3的结果，裁剪标准比色标本库，并实现对丰度向量的精细估计：
[0116] 通过步骤3优化求解αn，ψnlin和ζ，得到标准比色标本库中的标本数量多于自定义阈值时的丰度向量的初步估计值 在此基础上，通过将向量 中为零的元素所对应的标本抛弃，从而得到一个较小的标准比色标本库，并通过求解式(11)代价函数得到丰度向量更精确的估计值：
[0117]
[0118] s.t.αn≥0
[0119] (11)
[0120] 其中 为一个由0和1组成的向量，当 的元素为0时， 所对应的元素为0；当 的元素不等于0时， 所对应的元素为1，符号⊙表示哈达玛积(Hadamard product)，向量 与向量 的哈达玛积起到了裁剪原始标准比色标本库的作用；式(11)可采用与求解式(1)同样的方法求解，从而得到丰度向量更加精确的估计值
[0121] 步骤5、基于步骤4的结果，实现对待测样本的颜色判别：
[0122] 基于丰度向量的精确估计值 通过找出其最大元素所对应的位置，以及与其它标准样本的接近程度进行综合判断，即可得出与其颜色最为接近的标准比色标本，从而实现颜色分级/测色。
[0123] 参见图2，一种基于高光谱图像的颜色分级/测色的系统，包括：
[0124] 高光谱图像采集模块，用于对标准比色标本及待测样本进行高光谱图像采集；
[0125] 标准比色标本库创建模块用于创建标准比色标本库；
[0126] 丰度向量粗估计模块用于初步粗估计丰度向量；
[0127] 标准比色标本库裁剪及丰度向量精估计模块根据丰度向量粗估计模块的结果裁剪标准比色标本库，并得到丰度向量的精确估计值；
[0128] 颜色判别模块用于根据丰度向量的精确估计值判断样本颜色。
[0129] 一种基于高光谱图像的颜色分级/测色的设备，包括：
[0130] 存储器，用于存储计算机程序；
[0131] 处理器，用于执行所述计算机程序时实现如步骤1至步骤5所述的基于高光谱图像的颜色分级/测色的方法。
[0132] 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对基于高光谱图像的颜色分级/测色进行计算分析。
[0133] 本发明通过在信号模型中引入非线性项，可克服复杂测试场景导致测试结果误差较大的问题；通过增加对丰度向量的稀疏约束，来克服当标准比色标本库较大时，对基于高光谱图像的颜色分级/测色方法带来误差较大的问题；通过增加对丰度向量的稀疏约束可显著改善基于高光谱图像的颜色分级/测色方法的误差；通过引入局部空间正则项，在不增加复杂度的同时，克服了待测样本的测试位置对测试结果的影响，提高了基于高光谱图像的颜色分级/测色方法的准确性。
