林瑞冰, 賈靜, 徐平華*,2,3, 曹竟文, 孫曉婉

(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) 浙江省哲學(xué)社會科學(xué)重點培育研究基地數(shù)智風(fēng)格與創(chuàng)意設(shè)計研究中心,浙江 杭州 310018;3. 浙江理工大學(xué) 絲綢文化傳承與產(chǎn)品設(shè)計數(shù)字化技術(shù)文化和旅游部重點實驗室,浙江 杭州 310018)

色彩是服飾品牌傳達設(shè)計理念、體現(xiàn)產(chǎn)品風(fēng)格的重要視覺要素之一。服飾設(shè)色機制以可視化、具象化的形式呈現(xiàn)色彩配比,對品牌色彩管理、產(chǎn)品設(shè)計用色較為關(guān)鍵。服飾設(shè)色解析的重要前提是提取場景的色彩。設(shè)計人員基于經(jīng)驗認知,借助相關(guān)繪圖軟件[1-3],對服飾主色進行提取。該方式的優(yōu)勢體現(xiàn)在人眼視覺的判定,但在批量提取、聚類以及重復(fù)操作時其穩(wěn)定性存在不足。

相關(guān)研究利用改進的K-mean聚類算法[4-5],如用戶引導(dǎo)模型[6]、t-SNE優(yōu)化模型[7]、CC_K-Means算法[8]等實現(xiàn)服飾色彩的提取。當(dāng)前,K-means及其改進算法廣泛用于服飾色彩提取,其本質(zhì)是通過均值迭代思想對像素集合進行歸類,與人眼感知尚存差異。人類視覺具有較強的自主選擇性,能夠快捷、優(yōu)先處理感興趣的區(qū)域[9],這一理論為機器視覺選擇提供了有效策略。1998年ITTI L等[10]構(gòu)建基于圖像特征的顯著性算法,此后陸續(xù)有類似算法(如GBVS模型[11]、FT模型[12]、HC模型[13]等)依據(jù)自底向上[14]、自頂向下[15]兩大類結(jié)構(gòu)模擬人眼視覺聚焦機制。SHARIATMADAR Z S等[16]將圖像不同方向的緊密度和最高值作為先驗,結(jié)合自頂向下和自底向上顯著性模型,提取含有人工目標的圖像相關(guān)區(qū)域。YAN Y J[17]等提出GLGOV算法,通過超像素分割圖像色彩,由格式塔定律指導(dǎo)顯著性檢測,更偏向人眼視覺。

文中從視覺感知機制出發(fā),融合K-means顏色聚類算法與視覺感知機制,提取近似主觀感知的服飾設(shè)色解析方法,為服飾品牌色彩形象管理提供參考。

1 總體思路

服飾設(shè)色解析總體思路如圖1所示,其中包括4個步驟。

圖1 實驗流程Fig.1 Experimental process

1)視覺顯著性算法對比與優(yōu)選?；诜b樣本劃分顯著區(qū)域,對比4類典型顯著性算法原理及其檢測效果,優(yōu)選結(jié)構(gòu)清晰、服裝主體凸顯的顯著性算法。

2)服裝顯著性檢測。將顯著性亮度圖歸一化,獲得每個像素的亮度值,生成顯著性融合圖。

3)色彩提取算法優(yōu)化。融合視覺顯著性算法,優(yōu)化形成一種更為符合視覺注意機制的色彩提取算法。顯著圖亮度值作為權(quán)數(shù),求取原圖各聚類區(qū)域色彩顏色加權(quán)平均值和賦權(quán)后的色彩占比,得到偏向主觀視覺感知的色彩提取結(jié)果。

4)品牌女裝色彩解析實證分析。選取3個品牌近3年服裝秀場女裝圖片,對比色彩提取算法優(yōu)化前后的效果。采用優(yōu)化算法輸出品牌女裝用色占比條形圖,對品牌女裝配色規(guī)則進行解析。

2 視覺顯著性算法原理

顯著性檢測大致分為監(jiān)督方法和非監(jiān)督方法兩類。從實現(xiàn)效率出發(fā),文中選擇非監(jiān)督算法,對近5年來提出的4類代表性顯著性算法進行分析和對比。

2.1 基于偽深度的RGB-D顯著性算法

基于偽深度的RGB-D顯著性算法[18]利用偽深度作為先驗,通過提取的偽深度對輸入圖像進行超像素分割,計算聚合顏色、深度和紋理對比度,得到初始前景對比度圖,再將背景先驗和前景對比度融合在一起,輸出最終顯著圖。偽深度的提取公式為

(1)

式中:I(x,y)表示基于介質(zhì)傳輸模型的圖像I中位置(x,y)處的RGB矢量值;lc和ls分別為圖像中央和周圍部分的亮度;λ為光照系數(shù)。

2.2 基于變形平滑度約束的顯著性算法

基于變形平滑度約束的顯著性算法[19]通過對節(jié)點及其鄰域進行局部正則化,使用DS約束代替標準平滑度約束,提出一種稱為DSMR的標簽傳播模型,通過變形平滑約束顯示出與背景對比度弱的目標區(qū)域,并抑制標簽傳播結(jié)果中的背景噪聲。

2.3 基于顏色命名空間的顯著性算法

基于顏色命名空間的顯著性算法[20]著眼于圖像像素的語言顏色標簽(即顏色名稱),利用PLSA-bg顏色命名模型,將BMS顯著性模型擴展到顏色命名空間并獲得布爾映射,計算公式為

Bi=thresh[φ(I),θ] 。

(2)

式中:Bi為布爾映射;φ(I)為I的特征映射;θ為一個固定閾值。

利用BMS模型獲得系列視覺注意圖,將一個環(huán)繞性線索與兩個全局顏色線索耦合到一個統(tǒng)一的框架中,對注意圖進行線性組合,獲得最終的顯著性圖。

2.4 GLGOV顯著性算法

格式塔定律可以描述為視覺注意機制從一組視覺元素中生成完整對象的能力,例如邊緣和區(qū)域。它認為顯著區(qū)域是由幾個區(qū)域緊密組成的,而背景區(qū)域的分布則更加分散。GLGOV顯著性算法[17]通過超像素分割,以格式塔定律引導(dǎo)抑制背景超像素的顯著性值來增強顯著性超像素的對比度。使用CBHP模型計算顯著點,利用相似度和接近度格式塔定律進行平滑處理:

(3)

GLGOV顯著性算法根據(jù)式(3)平滑每個超像素的空間緊度項,提高顯著圖質(zhì)量。

2.5 算法效果對比與分析

視覺顯著性算法效果比較如圖2所示。其中,圖2(a)中不同區(qū)域的顯著程度劃分較模糊,服裝整體相較于背景偏亮;圖2(b)沒有表現(xiàn)出下半身的顯著區(qū)域;圖2(c)將部分褶皺和服裝輪廓判定為高顯著性部分;圖2(d)較清晰地把服飾分成了顯著程度不同的區(qū)域,具體如圖3所示。為此,后續(xù)改進色彩聚類算法時采用GLGOV顯著性算法進行優(yōu)化。

圖2 視覺顯著性算法效果比對Fig.2 Effect comparison of visual saliency algorithms

圖3 不同顯著程度的區(qū)域分割Fig.3 Region segmentation with different saliency

3 色彩聚類算法優(yōu)化

3.1 K-means聚類算法基本原理

K-means聚類常用于對HSV或其他顏色空間進行統(tǒng)計分析。設(shè)置初始聚類數(shù)固定值為K,隨機生成K個對應(yīng)的初始聚類中心,根據(jù)歐式距離分配其余數(shù)據(jù)到距離最近的中心,即

(4)

式中:xi為第i個樣本;μk為第k個簇對應(yīng)的中心點;t為迭代步數(shù);ci為xi所屬的簇。

根據(jù)分區(qū)計算均值,生成新的聚類中心。重復(fù)上述步驟,并計算損失函數(shù),計算方式為

(5)

式中:J為樣本點到對應(yīng)中心點距離的平方和;m為樣本總數(shù);K為簇總數(shù)。

根據(jù)式(5)逐步迭代優(yōu)化,直至收斂后取得,對應(yīng)最小損失函數(shù)的聚類結(jié)果。

3.2 融合視覺顯著性的色彩提取

采用3種不同融合形式,比對分析不同的融合效果。

3.2.1基于視覺顯著性融合圖的優(yōu)化 為了獲取主觀視覺感知的色彩提取結(jié)果,將圖像的顯著性信息引入K-means聚類模型。利用GLGOV方法提取圖像的顯著性信息,生成圖像的視覺顯著性區(qū)域亮度圖,高亮度區(qū)域的服裝顏色即為被人眼視覺關(guān)注更多的顏色。將亮度圖進行歸一化處理,歸一化至[0,1],計算方式為

y=(x-xmin)/(xmax-xmin) 。

(6)

式中:x,y分別為歸一化轉(zhuǎn)換前、后的灰度值;xmax,xmin分別為樣本的最大值和最小值。

將亮度圖的像素灰度值與原圖像的對應(yīng)像素HSV值相乘,即

(7)

式中:對于第i個像素,hi,si,vi分別為生成的新HSV值;Hi,Si,Vi分別為原圖像的HSV值;yi為對應(yīng)的歸一化后顯著圖的灰度值。

相乘后的融合圖非顯著性區(qū)域顏色亮度變暗,顯著性區(qū)域顏色保持不變。采用融合圖進行K-means聚類,將黑色聚類視為背景進行剔除,保留其他聚類顏色,即顯著性區(qū)域的顏色。

3.2.2基于區(qū)域色彩加權(quán)優(yōu)化 在利用K-means算法分割圖像的基礎(chǔ)上,使用亮度圖對原圖每一塊聚類區(qū)域進行加權(quán)平均,提高顯著性區(qū)域的色彩權(quán)重,降低非顯著性區(qū)域的色彩權(quán)重。

各聚類區(qū)域內(nèi)的顯著圖與融合圖的所有像素灰度值與HSV值分別相加求和,將同一區(qū)域求和后的HSV值除以灰度值,得到優(yōu)化后的各聚類區(qū)域HSV均值,使色彩聚類結(jié)果更偏向顯著區(qū)域色彩。具體計算公式為

(8)

提取聚類區(qū)域優(yōu)化后的顏色,作為常規(guī)K-means算法獲得的新聚類色彩。

3.2.3基于顏色占比加權(quán)優(yōu)化 基于顏色加權(quán)法的計算結(jié)果,對每個聚類區(qū)域的比例進行賦權(quán)處理,重新獲取每個聚類區(qū)域的顏色占比并生成聚類色卡圖。色彩占比加權(quán)處理具體公式為

(9)

式中:pk為第k個聚類區(qū)域加權(quán)后的區(qū)域占比;m為圖像總像素數(shù)。

將pk進行歸一化處理,得到新的色彩占比,即

(10)

式中:Pk為歸一化后的區(qū)域色彩占比;Kf為服裝部分的總聚類數(shù)。

提取3.2.2中優(yōu)化后的聚類顏色,并使用賦權(quán)后的色彩占比對提取的色彩進行權(quán)重排序,重新生成色彩聚類圖和色彩占比。

4 品牌女裝色彩解析實證分析

4.1 實驗樣本搜集

選取3個國際知名女裝品牌Chanel、Fendi和Uma Wang作為實證。圖像數(shù)據(jù)采集于品牌官方社交媒體賬號發(fā)布圖像和品牌官方網(wǎng)站圖像,每個品牌女裝選取2020—2022年度春夏系列女裝與秋冬系列女裝圖像各50張,共計300幅實驗樣本。

按照品牌和時尚季分類,統(tǒng)一將樣本高度設(shè)置為1 300像素,寬度按比例變換。選用HSV顏色模式,使用 Adobe Photoshop剔除樣本背景,并分離樣本中的人體和服裝,生成無肢體干擾下的服裝內(nèi)容圖像。根據(jù)服裝樣本的特性,采用中值濾波對樣本進行去噪,以較好地保持圖像細節(jié)[21-22]。

4.2 不同優(yōu)化方式下的色彩聚類效果

視覺顯著性亮度圖的灰度值和原圖HSV值相乘后的效果如圖4所示。

圖4 視覺顯著性與原圖融合效果Fig.4 Fusion rendering of visual salience and original image

為了便于對比效果,設(shè)定初始聚類數(shù)K1=4。常規(guī)K-means聚類算法和3種不同優(yōu)化方式下品牌女裝圖片的色彩聚類效果對比如圖5所示,其中色號用16進制顏色值表示。

圖5(b)中,視覺顯著性融合圖生成的聚類顏色相較于原圖色調(diào)偏暗,聚類結(jié)果失真,偏離了原圖的真實色彩。圖5(c)中基于顏色加權(quán)優(yōu)化得到的色彩提取結(jié)果變化不明顯,還需要進一步改進。圖5(c)為在此基礎(chǔ)上獲得的基于占比加權(quán)優(yōu)化的色彩提取結(jié)果,處于顯著區(qū)域的橙棕色(B06F43)、深棕色(#46413C)和淺棕色(#BFAC9F)比例提高;處于非顯著區(qū)域的淺灰色(#CECF04)比例下降。該方案對于K-means聚類的HSV值和色彩占比都進行了改進,與常規(guī)K-means聚類結(jié)果相比,更偏向主觀色彩感受,聚類效果較好。因此文中采用該方案進行后續(xù)品牌女裝配色分析研究。

圖5 色彩占比加權(quán)優(yōu)化的聚類效果Fig.5 Color proportion weighted optimization clustering effect

利用二次聚類的機制,選擇聚類數(shù),提取圖像的主題色并計算簇的每個序列號像素數(shù)占總像素數(shù)的比例,即顏色的比例,生成色彩占比條形圖。

4.3 單一品牌女裝用色分析

以Chanel品牌為例,使用文中提出的色彩提取方法對該品牌2020—2022年度的階段用色和不同時尚季的色彩構(gòu)成進行對比與分析。

4.3.13年綜合用色情況 圖6為Chanel品牌2020—2022年度內(nèi)的綜合用色情況。黑色是Chanel品牌的經(jīng)典色彩之一,象征著濃烈和純粹,在近3年,該品牌仍然大量使用黑色來展示服裝情感,黑色占比為24.31%。在整體用色上,該品牌的低飽和色彩較多,占比排名第1,2,3,5的顏色都為低飽和偏中性色調(diào)的顏色。排名第4,6,8的顏色都為藍紫色調(diào),說明在近3年中該品牌常用藍、紫色豐富服裝色彩,使服裝顏色不會過于沉悶。

圖6 Chanel 2020—2022年度用色情況Fig.6 Color proportion bar chart of Chanel in 2020—2022

4.3.2不同季節(jié)用色情況 Chanel品牌春夏季和秋冬季的用色量情況如圖7所示。由7圖可知,在整體占比上,春夏季黑色占比與其他顏色差異較大,為35.87%,而其他顏色占比都低于14%;秋冬季色彩用量差異較小。在主要顏色上,不同時尚季都使用了黑色,展現(xiàn)了該品牌的經(jīng)典色彩。在整體配色上,春夏季的配色比秋冬季更活潑,其中排名第2,4,5,8的顏色都為淺色,并且排名第3,4,6的顏色都為冷色調(diào),給人更清涼的感覺。秋冬季棕紅色調(diào)較多,整體更加穩(wěn)重。

圖7 Chanel不同季節(jié)色彩使用情況Fig.7 Chanel's color proportion bar chart of different fashion seasons

4.4 品牌女裝用色差異分析

4.4.1春夏季 3 個品牌女裝在2020—2022年度春夏季用色情況如圖8所示。由圖8可知,3個品牌女裝3年間對色彩應(yīng)用及規(guī)律不盡相同,其中3個品牌前3種顏色占比合計分別為62.51%,58.73%和65.06%,均大于50%。Fendi色彩用量較均衡,占比差值小于21%。在色彩方面,Chanel在近3年的春夏季配色較多地使用大面積的黑色塑造優(yōu)雅感。其中,Fendi顏色使用量排第2,3,4,5,8的都是明亮的淺色系,使整體配色不過于沉悶;相比于Chanel,Fendi色彩飽和度更高,配色更明亮活潑;Umawang除了排名第6的顏色,都為低飽和的灰棕色調(diào),符合Umawang品牌帶給人的穩(wěn)重收斂的感覺。

圖8 品牌女裝2020—2022年度春夏季用色情況Fig.8 Spring and summer color analysis of the female brand clothing in 2020—2022

4.4.2秋冬季 3個品牌女裝在2020—2022年秋冬季用色情況如圖9所示。

由圖9可知,在主體顏色上,3個品牌前3種顏色占比合計分別為51.77%,53.76%和54.88%,都大于50%。其中Chanel和Fendi都使用了3個中性色,Umawang則使用了棕色調(diào)。在整體配色上,3個品牌使用灰、棕色等低飽和度的色彩較多。Chanel和Umawang的整體色彩偏深沉,Fendi配色偏淺。在特色色彩的使用方面,Chanel顏色占比排名第5,8的為飽和度較高的紅色;Fendi顏色排名第7,8的為淺色撞色, 配色更加大膽;Umawang沒有使用跳脫的顏色,多為棕色調(diào),說明該品牌秋冬季色調(diào)較統(tǒng)一,依然沿襲品牌低調(diào)、復(fù)古典雅的風(fēng)格。

5 結(jié)語

品牌的顯著性色彩是凸顯品牌風(fēng)格、提高品牌形象和品牌價值的重要因素之一。利用視覺顯著性算法生成亮度圖對常規(guī)K-means聚類算法進行顏色和色彩占比的加權(quán)優(yōu)化,可使計算機模擬人類視覺系統(tǒng)。實證部分選取主觀感受接近的3個品牌服飾,從量化角度解析了各自設(shè)色差異,彌補了主觀視覺感知的模糊性,較好地捕捉品牌服裝的重要色彩特征,便于服裝品牌的色彩管理和特色色彩譜系的維護。

文中以可視化的形式較為清晰地量化出品牌的配色及色彩用量等參數(shù),展現(xiàn)品牌用色形式和規(guī)律,為品牌服裝色彩設(shè)計提供了客觀依據(jù),也為類似品牌的色彩管理提供參考。