在现代纺织织造行业,印染品成品的质量直接关系到其销量大小,只有提高印染品的质量才能提高其在整个纺织行业的竞争力。在传统的纺织品印染行业中,色差分类和光照校正的检测大多都是通过经验丰富的专业技术人员的肉眼来完成。但是由于这种人工方法所需要的成本非常高,且人员的视觉疲劳以及主观意识会导致检测效率非常低下。利用计算机视觉技术代替人眼进行印染品色差的智能评价已经成为相关高校及科研机构的研究热点。在印染品色差检测系统中,需要解决色差样品图像的采集、色差评价模型的建立和样品图像的光照校正等关键技术性问题。本文的研究内容主要是围绕着基于计算机视觉的印染品色差检测和光照估计这两个方面,致力于构建具有良好稳定性的色差分类模型和光照校正模型,并用于解决印染品在印染和织造过程中的色差和光照不稳定问题。论文的主要工作内容和研究成果概括如下:(1)对印染品的色差分类、光照估计的基本概念和研究现状进行了简要的介绍,分析和比较了各种色差分类和光照估计算法的特点及优缺点。针对纺织品的色差分类,着重研究了具有良好分类性能的支持向量机算法,并且对支持向量机的理论基础和存在的问题进行了分析和探讨,为本文后续的工作提供坚实的理论基础。(2)针对不同的光照变化下印染品图像的色差判别误差比较大的问题,本文提出了一种基于旋转森林框架的集成PSO-SLSSVR印染品光照校正模型。由于标准LSSVR的解缺少稀疏性,以及鲁棒性差,我们通过提取样本数据在特征空间映射集的极大无关组来获得稀疏解得到SLSSVR。然后以旋转森林算法(RF)为集成框架,再以参数优化后的SLSSVR代替原旋转森林中的回归树算法作为基学习器,其中,采用PSO技术优化SLSSVR的正则化参数γ和核参数~2,提高了基学习器的预测精度。最后,通过加权平均法将各个训练好的PSO-SLSSVR子模型进行融合,构成了鲁棒性较强的改进最小二乘支持向量机RF-PSO-SLSSVR印染品光照估计模型。所提出的预测模型用真实的染色织物图像进行评估,并与几种相关方法进行比较,分别使用色度误差,角度误差和Wilcoxon符号秩检验的测量标准。实验结果表明,相比于传统的基于SVR和ELM的印染品颜色校正算法,该模型取得了较高的预测精度,具有较强的鲁棒性和良好的泛化能力。(3)针对传统的光照校正算法精度不高,训练速度慢的缺点,本文提出了一种基于旋转森林(Rotation Forest)框架的集成DE-OSELM印染品光照校正模型。首先,Grey-Edge框架提取的低维高效的图像特征作为OSELM的输入向量来提高OSELM的训练和学习速度。为了克服在线顺序极限学习机(OSELM)的输入权值和隐层偏置随机获取导致模型预测精度不高,鲁棒性差的缺点,利用差分进化(Differential evolution,DE)算法良好的全局搜索能力和鲁棒性强的优点,采用DE优化OSELM的输入权值和隐层偏置,得到DE-OSELM模型,以此来提高OSELM的预测精度。为了进一步提高印染品光照校正模型的泛化能力和鲁棒性,以旋转森林算法(RF)为集成框架,再以DE-OSELM代替原旋转森林中的回归树算法作为基学习器,生成多个差异度大的DE-OSELM子网络;最后,通过简单平均法将各个训练好的子模型进行融合,最终构成了鲁棒性较强的RF-DE-OSELM印染品光照估计模型。实验结果表明,相比于传统的基于SVR和ELM的印染品光照校正算法,该模型不仅具有较快的训练速度,且取得了较高的光照估计准确度。(4)为了建立印染品色差分类模型,本文提出了一种基于差分进化模型的灰狼算法优化支持向量机方法。首先,SVM模型的性能主要受惩罚参数C和RBF核宽γ两个参数影响,利用灰狼优化算法良好的全局搜索能力迭代优化求取支持向量机的最佳参数组合;同时,由于灰狼算法的初始种群对算法求解速度和质量有较大的影响,采用差分进化算法为灰狼算法生成更合适的初始群体,使得灰狼种群有的更好的求解能力。最后,通过对惩罚因子和核宽度参数的优化,构建了强泛化能力的支持向量机分类模型。实验结果表明,相比于灰狼优化算法优化原始支持向量机的色差分类方法,本文提出方法取得较高的分类精度,并且具有较好的稳定性和泛化能力。