论文部分内容阅读
有色纤维混色是指通过两种或两种以上不同颜色的纤维充分混合得到色域范围内的其他新颜色。有色纤维混色因基色纤维聚集成束而不能形成均匀、一致的混色介质,产生局部不均匀的多种混色效果。这种独特的混色效果,使得混色纤维的纺纱、织造产品,色纺纱和色纺织物,在市场上深受欢迎,但同时也为生产配色带来了巨大的困扰。原因在于,有色纤维混色系统的混色机制尚未被揭示,相应地还未建立起准确描述参混基色与混色关系的数学模型,缺乏科学的颜色预测方法,造成色纺产品实际生产中颜色配色不准。针对这一问题,本研究旨在寻求有色纤维混色系统的混色机制,建立准确描述参混基色与混色关系的颜色预测数学模型,包括由参混基色到混色映射的正向模型和由混色到参混基色映射的反向模型,实现有色纤维混色系统颜色和配方的科学预测。论文的主要研究内容包括以下几个方面:1)建立了基于Kubelka-Munk理论的有色纤维混色正向颜色预测方法。通过分析光线在纤维混色介质内的传播行为,发现了基色纤维界面的光散射作用,揭示了基色纤维光学常数非独立的相互作用机制。在此基础上,构建了基于基色纤维相互作用机制的修正单常数Kubelka-Munk理论颜色预测正向模型,具体是:建模纤维混色介质内光学独立的等效基色,建立等效基色的色料混合公式,引入针对基色纤维不完全随机混合的混合公式校正因子。测试结果表明,该模型显著提高了单常数Kubelka-Munk理论模型的正向颜色预测精度,验证了基色纤维相互作用的混色机制。2)建立了基于Stearn-Noechel模型的有色纤维混色正向颜色预测方法。针对基于纤维混色机制的建模及实施过程较为复杂,构造有色纤维混色系统的线性混色空间,即寻找光谱反射率传递函数,实现在传递函数映射空间中混色是基色的简单线性加和。为此,基于基色纤维与原棉纤维以不同比例混合制备的阶梯样本,系统测试了Stearn-Noechel传递函数构造线性混色空间的能力。在此基础上,以构造理想线性混色空间为目标,通过定义混色空间线性偏差函数、建立基于线性偏差函数最小化的传递函数修正模型、设计修正模型的最优化求解算法,改进了Stearn-Noechel传递函数,建立了便于实施的改进Stearn-Noechel传递函数颜色预测正向模型。测试结果表明,该模型实现了高精度的正向颜色预测。3)建立了基于稀疏分解的有色纤维混色基色识别方法,通过分解混色介质的局部混色数据实现基色识别。基于改进Stearn-Noechel传递函数线性混色空间,结合基色纤维数据库建立有色纤维混色的稀疏表示方法,将基色识别问题转化为混色的稀疏分解问题;分析局部混色数据特征,以局部混色数据共享同一个基色子集为先验知识,建立了L2,1混合范数正则化的协同稀疏解混模型;通过模拟混色数据的解混实验,研究了稀疏解混模型正则化参数的优化选择方法,确定了模型的最优参数。此外,针对解混基色集合中包含较多“伪基色”的问题,提出了一种基于阈值分割的基色优化筛选算法。测试结果表明,该方法实现了混色到基色反向映射过程中较为准确的基色组合识别。4)建立了基于最优化模型的有色纤维混色反向配比预测方法。基于改进Stearn-Noechel传递函数颜色预测正向模型的反演,对反向配比预测最优化模型的建立及其求解算法进行了系统的研究。分别以三刺激值匹配、光谱反射率匹配、线性空间匹配为目标建立了反向配比预测的最优化模型;系统地比较了内点法、有效集法、序列二次规划法求解最优化模型的精度和效率,确定了反向配比预测的最佳模型及求解方法。此外,针对正向模型颜色预测误差导致的反向配比预测偏差问题,提出了基于误差补偿的初始配比修正算法。测试结果表明,该方法实现了混色到基色反向映射过程中基色配比准确、快速的预测。本研究建立了有色纤维混色系统的颜色预测方法,可为色纺产品的生产配色提供一定的方法支撑。