陳思燕， 方麗英

(1.浙江理工大學(xué) 服裝學(xué)院，浙江 杭州，310018；2.浙江理工大學(xué) 國際教育學(xué)院，浙江 杭州 310018)

中國傳統(tǒng)服飾文化有著深厚的歷史底蘊，傳統(tǒng)服飾特征的差異反映不同民族與時代的差異。在倡導(dǎo)傳承傳統(tǒng)文化的背景下，越來越多設(shè)計師從傳統(tǒng)服飾元素中獲取創(chuàng)作靈感，許多學(xué)者也針對傳統(tǒng)服飾的結(jié)構(gòu)、面料、圖案和工藝等方面展開研究，并取得了階段性成果。然而在色彩方面，大多數(shù)研究只是圍繞中國傳統(tǒng)的“五行五色”觀念[1-2]，進行綜合整理與感性分析，或是對個案展開主觀性描述[3-4]；而設(shè)計師也只能從大量的畫作、色卡書中憑經(jīng)驗提取顏色并直接運用到產(chǎn)品設(shè)計中，較少運用計算機信息化處理，缺少技術(shù)支撐、耗時較長且容易受個人因素影響。色彩作為輔助服飾品設(shè)計的利器，具有直觀的文化傳承性，因此利用計算機技術(shù)對傳統(tǒng)服飾色彩進行深入研究顯得尤為重要。

為了使量化的數(shù)據(jù)信息能夠反映傳統(tǒng)服飾色彩，國內(nèi)外學(xué)者在研究中引入基于聚類算法的計算機圖像處理技術(shù)。K-means工作原理簡單，故在聚類算法中應(yīng)用廣泛，但該算法也存在容易陷入局部最優(yōu)、初始聚類中心和類簇數(shù)目k值難以確定的缺陷。為此，劉家豐等[5]通過直方圖的波峰確定K-means的初始聚類中心。在紡織品領(lǐng)域，張旻爽等[6]通過對比K-means在灰度和色相模式下鳥羽色彩的主色系提取結(jié)果，得出灰度模式更適用于紡織品圖像的色彩提取，但沒有解決類簇數(shù)目k值的確定問題；劉肖健等[7]利用K-means獲取苗繡色彩特征，但人工給予定值k，不適用于未知類別數(shù)量的聚類；邢樂等[8]僅針對云肩的繡片底色進行主色彩智能提取，忽略了裝飾色和輔助色；孟磊等[9]提出一種針對云肩的色彩特征分析方法，但對色彩提取結(jié)果的準確性缺乏驗證。相比“硬聚類”K-means，高斯混合模型(Gaussian mixture model，GMM)是一種基于概率聚類的“軟聚類”統(tǒng)計模型[10]，在樹木、圖畫等類型圖像上有較理想的分割效果。郭晶晶等[11]利用Lab顏色距離和GMM對樹木圖像進行分割；WATANABE H等[12]利用GMM研究不同的模式分類，并在圖像色彩提取實驗中獲得較精準的結(jié)果。

圖像分割是圖像特征提取的前提，GMM針對部分圖像有較好的分割效果，而K-means適用性強，為使設(shè)計師能更便捷地利用計算機圖像處理技術(shù)從傳統(tǒng)服飾圖像中汲取靈感，文中選取極具特色的服飾品——云肩作為研究對象，利用肘部法確定其類簇數(shù)目k值，同時運用K-means和GMM兩種聚類算法進行傳統(tǒng)服飾圖像色彩提取與準確性檢驗，以期為不同類別的傳統(tǒng)服飾圖像色彩特征分析提供一定的參考。

1 云肩概況

云肩屬于肩領(lǐng)部裝飾的女紅藝術(shù)品，文中選擇其作為傳統(tǒng)服飾色彩特征提取的研究對象有以下原因：①云肩自隋唐至民國時期多為婦女所用，具有較大的歷史傳承與創(chuàng)新價值[13]；②已有設(shè)計師將云肩的元素融入作品中，色彩是云肩造型的要素之一，對設(shè)計創(chuàng)作具有參考價值；③以往學(xué)者對云肩色彩的研究大多停留在理論描述層面[14-15]，較少借助計算機圖像處理技術(shù)；④云肩紋飾精美、色彩十分豐富，適合作為色彩提取的載體。

云肩的色彩可分為3大部分[16]：繡片底色、紋樣裝飾用色和工藝輔助用色，即組成云肩各繡片的面料顏色、刺繡工藝留下的圖案顏色以及貼縫、緄邊等工藝形成的顏色，具體如圖1所示。

圖1 云肩色彩分類示例

2 實驗過程

2.1 圖像收集及篩選

云肩圖像主要來源于崔榮榮等[17]、王曉予[18]的《中國最美云肩》系列著作，所選圖像平鋪形態(tài)完整，背景色與實物本身顏色差異較大，具體如圖2所示。

圖2 被測云肩圖像

將符合實驗要求的圖像利用中晶v700Plus掃描儀在相同的光線條件下進行掃描，并將電子圖像歸一化加載形成云肩實驗樣本集。為驗證電子圖像的色彩準確度，先邀請3位志愿者借助色卡辨別與著作中云肩圖像主色最接近的顏色，記錄該顏色的r，g，b值；再通過算法提取出相應(yīng)云肩圖像的主色r，g，b值；最后將上述色彩值轉(zhuǎn)化為l，a，b值，并采用CIELAB色差公式

(1)

計算每張云肩圖像主色的色卡對照值與算法獲取色彩值的色差ΔE，實驗數(shù)據(jù)見表1與表2。通過式(1)計算可以得出，大部分云肩圖像的色差值在5左右，且均不超過10。兩種顏色之間的△E<6.5，可認為普通人用肉眼無法分辨兩者間的色彩差異，由此驗證掃描獲得的電子圖片可以代替云肩實物圖片進行色彩提取研究。

表1 云肩主色色卡對照值與算法提取色彩值

表2 云肩主色色卡對照值與算法提取色彩值的色差ΔE

2.2 圖像預(yù)處理

云肩作為前人遺留下來的手工紡織服飾品，經(jīng)過時間推移容易磨損或留下污漬，故在實驗準備階段利用中值濾波對圖像進行預(yù)處理。中值濾波是一種能有效抑制噪聲的處理技術(shù)，通過把數(shù)字圖像中某一點的值用該點鄰域各點的中值代替，使周圍的像素值接近真實值，從而消除孤立的噪聲點[19]。經(jīng)中值濾波后的圖像能有效保留原有云肩真實的色彩信息，并且利用去噪技術(shù)剔除在人們使用云肩過程中所留下的痕跡。

2.3 色彩空間轉(zhuǎn)換

在opencv計算機視覺庫中，圖像格式默認為BGR模式，需進行一系列的色彩空間轉(zhuǎn)換。HSV色彩空間包括H(色相)、S(飽和度)、V(亮度)，是一種有助于總結(jié)色彩規(guī)律的直觀模型。文中色彩空間的轉(zhuǎn)換主要以RGB為媒介，將BGR轉(zhuǎn)換為HSV。其中，RGB轉(zhuǎn)HSV所用公式如下。

設(shè)xmax和xmin分別為r,g,b中的最大值和最小值，即HSV色彩空間中的(h,s,v)分別為

(2)

2.4 獲取類簇數(shù)目k值

傳統(tǒng)的K-means和GMM算法首先都需要確定類簇數(shù)目k值，通常是依靠經(jīng)驗輸入預(yù)估值，對比不同聚類數(shù)目下圖像的分割效果從而合理調(diào)整類簇數(shù)值，這僅適用于樣本量很少的實驗。為獲取實驗的最佳類簇數(shù)目，文中引入肘部法估計類簇數(shù)目，使用各個類簇內(nèi)的樣本點到所在類簇質(zhì)心的誤差平方和(sum of squared error，SSE)作為性能度量，數(shù)值越小說明各個類簇越收斂。在此過程中，先隨機指定一個可能的最大類簇數(shù)i。將類簇數(shù)從1開始遞增至i，計算出i個SSE。當設(shè)定的類簇數(shù)不斷逼近真實類簇數(shù)時，SSE將呈現(xiàn)快速下降趨勢。通過畫出k-SSE曲線，找出下降途中的拐點，即可較好地確定k值。

從云肩樣本集中選取3張典型的樣本圖,通過肘部法求取樣本圖k值，具體結(jié)果如圖3所示。由圖3可以看出，3張樣本圖中的k值分別在5，6和5時曲線出現(xiàn)較明顯的下落拐點，與實驗預(yù)期結(jié)果一致，驗證肘部法可較好地協(xié)助確定圖像聚類的最佳類簇數(shù)目k值。

圖3 肘部法求樣本圖k值

同時，通過肘部法獲取實驗被測圖像的最佳類簇數(shù)目(k=5)，具體如圖4所示。

圖4 肘部法求被測云肩圖像k值

3 云肩圖像色彩提取及結(jié)果分析

3.1 色彩提取方法

K-means是一種以距離模型為標準的聚類方法，它從數(shù)據(jù)集中隨機選取k個點作為初始聚類中心，計算數(shù)據(jù)集中每個點到初始聚類中心的歐式距離并作為相似度評判標準，再將樣本點分配給相似度最大的聚類中心所代表的類簇；根據(jù)數(shù)據(jù)集與聚類中心的相似度不斷更新聚類中心的位置，直至聚類中心不再變化。

高斯混合模型是一種用統(tǒng)計混合模型進行聚類的方法，假定待分割彩色圖像的像素Y是一個多高斯分布的混合體，則高斯混合密度模型的概率密度函數(shù)

(3)

針對高斯混合模型作參數(shù)估計，通常采用期望最大化(EM)算法，具體步驟如下：

1)初始化參數(shù)δ(0)；

2)不斷重復(fù)迭代以下兩步，直到迭代終止。

E步 觀察數(shù)據(jù)和當前解δ(t)(t=0,1,…)，計算數(shù)據(jù)集的期望值：

M步

δ(t+1)=arg maxT(δ|δ(t))。

3.2 云肩圖像色彩提取結(jié)果分析

利用K-means和GMM兩種算法分別對被測云肩圖像進行分割、色彩聚類與提取。K-means是根據(jù)像素數(shù)量進行聚類，GMM則是以像素在某個類簇概率進行聚類，兩種算法用于圖像的分割效果見表3，提取的圖像色彩信息見表4。表3中被測云肩圖像被細分成5種形態(tài)，以K-means算法的分割結(jié)果為例，易看出主體色1～3為繡片底色，即云肩的主色；主體色4為工藝輔助用色，主體色5為另一種工藝輔助用色及占比較大的裝飾用色。部分云肩會以飽和度和明度相差較大的色彩來搭配云肩的3個色彩部分，使整體形成鮮明的對比，因此雖然工藝輔助用色與裝飾用色總體占比較低，但對于研究云肩色彩構(gòu)成情況仍然十分重要。對比已有成果[12]，文中所用方法能較清晰地提取出云肩主色以外的輔色與裝飾色，故具有一定的優(yōu)勢。

表3 被測云肩圖像分割效果

表4 被測云肩圖像色彩特征

在此基礎(chǔ)上，為了進一步比較文中兩種方法在云肩圖像色彩提取中的便捷性及準確性，下面從執(zhí)行效率、分割效果、提取精準度3方面進行對比。

3.2.1執(zhí)行效率K-means和GMM均屬于迭代執(zhí)行的算法，前者先估計每個像素點所屬簇，再用估計值計算簇心位置；后者先計算期望值，再計算各個高斯分布的中心位置和協(xié)方差矩陣。在實驗中，K-means平均經(jīng)過18次迭代，耗時35.49 s;而GMM由于需要計算不同類別對應(yīng)的概率，平均需要25次迭代，耗時41.08 s才能得出結(jié)果，效率略低于K-means。單個樣本兩種方法的迭代次數(shù)差距較小,但當樣本量增大時，執(zhí)行時間則是一個不可忽視的影響因素。

3.2.2分割效果 對比表3中主體色1～3的實驗結(jié)果可以看出，GMM對云肩圖像的分割效果并不理想，它只能提取到區(qū)域集中的色塊，容易忽略面積較小的色塊細節(jié)；K-means不僅可以提取出集中的色塊區(qū)域，而且能夠識別具有同樣色彩特征的部分裝飾色。圖5為K-means對云肩圖像主體色3的提取效果。

由圖5可以看出，K-means可以較好地識別出隱藏在主體色1和2中且與主體色3具有相同色彩特征的裝飾色，識別準確性更高。由于GMM在前3種主體色中提取精準度比K-means低，一些未被識別的色塊體現(xiàn)在最后的分割中，使GMM的主體色4～5中含有不同的雜色，色塊占比也比K-means的高。

圖5 被測云肩圖像主體色3的 K-means提取效果

3.2.3提取精準度 為了測定兩種算法的聚類效果，引入評價指標——IoU[20]，IoU越大表明算法聚類結(jié)果與實際越接近。首先借助標注軟件LabelMe獲取K-means和GMM的分割結(jié)果以及被測云肩圖像相對應(yīng)的不同色彩特征區(qū)域，分別記為Ki,Gi和Oi(i=1,2…)，得出對應(yīng)區(qū)域內(nèi)的像素值數(shù)量。具體計算如下：

(4)

為保證實驗結(jié)果的可比性，僅對比占比較高的前3種顏色，由表4可看出，GMM分割結(jié)果的IoUσ為2.31%，低于K-means的IoUσ，說明GMM的提取效果穩(wěn)定性較好。但K-means和GMM的IoU均分別為93.5%和87.2%，相差超5%，說明K-means的聚類效果更好，精準度更高。

4 結(jié)語

為有效獲取傳統(tǒng)服飾圖像的色彩構(gòu)成情況，文中通過肘部法確定云肩圖像的類簇數(shù)目k值，解決聚類算法中聚類數(shù)目難以確認的缺陷；其次運用K-means和GMM分別得出云肩圖像的分割圖和色彩特征信息，并從執(zhí)行效率、分割效果和提取精準度3方面對比得出：GMM能計算出色彩特征歸類的概率，但執(zhí)行效率和提取精準度較低，只能識別出云肩的大致顏色種類，對色彩占比信息提取不夠準確，適用于對數(shù)據(jù)集主要色彩的粗略提取與概率估計。K-means IoU均可達93.5%，適用于聚類精準度要求較高，并且需要計算每種色彩的布局和面積占比、建立色彩網(wǎng)絡(luò)模型的實驗。同時，實驗結(jié)果也驗證了利用計算機技術(shù)從圖像中提取色彩與人為提取相比，具有效率更高、色彩及比例數(shù)據(jù)更準確等優(yōu)點，能夠幫助設(shè)計師減少對色彩的主觀臆測，快速準地從我國傳統(tǒng)服飾品中獲取色彩創(chuàng)作靈感。