在紡織工業中，顏色是評價紡織品質量的一個重要特征。目前，基于標準色卡、機器視覺、分光光度計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。使用標準色卡進行顏色比對時，易受測試人員的主觀因素影響，測量效率較低;機器視覺系統中的數碼相機無法獲取顏色的全部光譜信息，測量精度較低;分光光度計只能獲取測量有限孔徑內的平均顏色，無法直接對單根紗線、多色織物等紡織品進行直接測量。

針對傳統顏色測量方法的局限性，提出了一種基于高光譜成像系統獲取紡織品的高光譜圖像，再對紡織品顏色進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的光譜信息和空間信息，高光譜相機具有更高的測色精度，可以實現單根紗線和多色紡織品的顏色測量。

研究內容如下

高光譜成像的光譜一致性校正∶由于高光譜成像系統與分光光度計在幾何結構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象。針對這一問題，提出了一種改進的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。實驗結果表明，本文提出的算法在改善高光譜成像系統測量光譜一致性問題上優于傳統的校正算法。

紗線分割與顏色提取∶針對分光光度計無法直接測量單根紗線顏色的局限性，利用高光譜相機能夠獲取精細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。實驗結果表明，該算法能夠準確地分離出紗線，并在保留紗線邊緣信息上優于其他算法。

色織物顏色分割與提取∶針對色織物高光譜圖像進行直接分割時存在運算量大的問題，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，然后利用改進的分水嶺算法對灰度圖像進行分割，最后使用改進的K-均值聚類算法合并過分割區域，從而實現色織物顏色分割。實驗結果表明，該算法能夠準確地分割出多色織物中不同顏色的區域。

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雜的圖案，無法通過人眼直接確定顏色數。針對這一問題，提出了一種基于自組織神經網絡(Self-OrganizingMaps Neural Network，SOM)和密度峰值聚類(Density Peaks Clustering，DPC)算法相結合的印花織物顏色分割算法。該算法先利用 SOM 神經網絡對數據集進行初始聚類，將具有相似顏色特征的數據劃分到同一神經元下，然后利用DPC算法對SOM神經網絡輸出層的神經元進行更深層次的聚類，最后使用聚類有效性評價指標確定最佳分割顏色數，從而實現印花織物顏色的自動分割。實驗結果表明，本文提出的算法在顏色區域分割效果和執行時間上都要優于其他分割算法。