王 芬,黃 力
(廣西科技大學(xué) 藝術(shù)與文化傳播學(xué)院, 廣西 柳州 545001)
傳統(tǒng)服飾不僅使人類(lèi)文化體系更加豐富和完整,而且對(duì)現(xiàn)代文化藝術(shù)產(chǎn)業(yè)具有重要的指導(dǎo)意義[1]。中國(guó)傳統(tǒng)服裝風(fēng)格對(duì)現(xiàn)代時(shí)尚的發(fā)展有著積極的影響,許多中國(guó)文化元素啟發(fā)著時(shí)尚潮流的設(shè)計(jì)。服裝圖像一般由3種顏色組成:底色(主色)、輔助色和裝飾色。服裝圖像的底色是服裝形象的主色調(diào),從主色調(diào)可以辨別出傳統(tǒng)服裝來(lái)自何時(shí)何地。內(nèi)部結(jié)構(gòu)線中的輔助色起著連接主色的作用,這些顏色的種類(lèi)非常之多,有多達(dá)幾十種顏色。3種顏色組成了一套色彩鮮艷的服裝。其中,主色調(diào)是服裝形象中最重要的部分。
在色調(diào)的識(shí)別研究中,曾德文等[2]分析了大量圖片的顏色信息,在此基礎(chǔ)上建立了顏色直方圖模型,提取了圖像主色的4個(gè)特征信息,并建立BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)圖片主色的濃度進(jìn)行了識(shí)別。聞武等[3]根據(jù)圖像色彩提出一種基于色彩特征的無(wú)參考彩色圖像質(zhì)量評(píng)價(jià)模型,在對(duì)彩色圖像質(zhì)量進(jìn)行評(píng)價(jià)中,考慮了色調(diào)、色飽和度和色彩熵等色度特征的影響。羅微等[4]針對(duì)木材圖像,將色調(diào)量化為若干個(gè)非等間隔區(qū)間,并在此基礎(chǔ)上采用主色調(diào)的方法,對(duì)顏色分量進(jìn)行合成,從而進(jìn)行相似性檢索。黃化入等[5]針對(duì)復(fù)雜多樣的圖像背景,提出了一種改進(jìn)的可能性C均值聚類(lèi)方法,通過(guò)該方法能夠?qū)崿F(xiàn)子圖像的分割。裴晨等[6]針對(duì)常見(jiàn)分區(qū)域圖像修復(fù)算法中,提出一種基于改進(jìn)K均值聚類(lèi)的圖像修復(fù)方法,該方法對(duì)于分離效果較差的圖像具有較好的修復(fù)效果。李勇等[7]提出一種基于遺傳算法的K均值聚類(lèi)分割法,通過(guò)將彩色圖像轉(zhuǎn)換到Lab顏色空間,同時(shí)結(jié)合步進(jìn)和遺傳算法的方式,搜索最佳聚類(lèi)中心個(gè)數(shù)和聚類(lèi)中心,進(jìn)而達(dá)到圖像分割的效果。張蓮等[8]針對(duì)容易受干擾的紅外圖像,結(jié)合最大最小距離法與改進(jìn)模糊C均值聚類(lèi)算法,提出了一種新的圖像分割方法,該方法在抗噪能力方面具有較強(qiáng)的優(yōu)勢(shì)。傅藝揚(yáng)等[9]使用密度峰聚類(lèi)算法實(shí)現(xiàn)了提花織物紋樣的自動(dòng)分割與提取,提高了提取的準(zhǔn)確性。Zheng等[10]利用結(jié)構(gòu)特征和區(qū)域信息對(duì)顏色區(qū)域進(jìn)行分割,為了提高圖像質(zhì)量,采用結(jié)構(gòu)-紋理分解的方法從服飾圖像中提取主要結(jié)構(gòu),該方法還可以從不同的織物結(jié)構(gòu)(如機(jī)織、針織和刺繡結(jié)構(gòu))中提取織物顏色區(qū)域。Wang等[11]在圖像處理中,采用中值濾波和雙邊濾波對(duì)織物紋理進(jìn)行平滑處理,該方法對(duì)機(jī)繡圖像的分色精度較高。
這些方法雖然能夠從織物中提取或分離出顏色,但由于輔助色、裝飾色對(duì)顏色聚類(lèi)或區(qū)域分割結(jié)果產(chǎn)生負(fù)面影響,無(wú)法準(zhǔn)確地識(shí)別服裝圖像中的主色。本文研究在前人研究的基礎(chǔ)上,針對(duì)中國(guó)傳統(tǒng)服裝圖像,提出了一種主色調(diào)識(shí)別方法,采用中值濾波去除服裝圖像中的噪聲,根據(jù)背景顏色將目標(biāo)服裝與背景分離,利用均值漂移聚類(lèi)算法對(duì)服裝顏色進(jìn)行分類(lèi),并從分類(lèi)結(jié)果中提取傳統(tǒng)服飾圖像的主色調(diào)。根據(jù)實(shí)驗(yàn)結(jié)果表明均值漂移聚類(lèi)算法的帶寬設(shè)置為0.05時(shí),能夠能很好地提取服裝圖像的主色調(diào),提取的服裝圖像主色與實(shí)際顏色基本一致,且計(jì)算成本低。
研究的框架如圖1所示。其步驟為:①利用單反相機(jī)獲取服裝圖像。②對(duì)3個(gè)顏色通道中的子圖像進(jìn)行中值濾波進(jìn)行去噪處理。③將3個(gè)顏色通道中的子圖像進(jìn)行組合,重構(gòu)濾波后的圖像[12],并將其從RGB顏色空間轉(zhuǎn)換到CIE Lab顏色空間。④在背景顏色基礎(chǔ)上,利用Ostu方法[13]對(duì)濾波后的圖像進(jìn)行分割。⑤利用均值漂移聚類(lèi)算法對(duì)顏色圖像進(jìn)行分類(lèi)。⑥根據(jù)人工輸入的聚類(lèi)數(shù)提取服裝圖像的主色調(diào)。
圖1 研究框架Fig.1 Research Framework
1.2.1 中值濾波法
圖2 3×3濾波模板實(shí)例Fig.2 An example of filter template of 3×3
(1)
1.2.2 顏色空間變換
CIE Lab 顏色空間是國(guó)際通用的與設(shè)備無(wú)關(guān)的均勻顏色空間,L*表示顏色亮度,a*表示從綠色到紅色的顏色,b*表示從藍(lán)色到黃色的顏色。與RGB模型相比,CIE Lab顏色空間的顏色系統(tǒng)更接近人類(lèi)視覺(jué),更追求感知的一致性,CIE 色彩模式對(duì)不同色彩能夠以數(shù)學(xué)方式來(lái)表示顏色,其色彩模式不依賴(lài)特定的設(shè)備,不同設(shè)備創(chuàng)建的圖像中,其顏色模型產(chǎn)生的顏色均能保持一致性。事實(shí)上,傳統(tǒng)的RGB度量坐標(biāo)是非線性的,在分割模型中,L*、a*、b*更便于通過(guò)高斯函數(shù)表示紋理的變化。實(shí)驗(yàn)過(guò)程中通過(guò)采用Lab顏色模型,對(duì)服裝圖像進(jìn)行主色分離。將服裝圖像的RGB轉(zhuǎn)換到Lab顏色空間中的轉(zhuǎn)換方程如下所示。
①RGB到XYZ顏色空間:
(2)
式中r、g、b分別表示RGB顏色空間中3個(gè)通道的灰度值。
②XYZ到Lab顏色空間:
(3)
(4)
式中:Xn、Yn、Zn是供參考的RGB激勵(lì)值。轉(zhuǎn)換后,L*、a*、b*的值將分別在0~100、-128~128、-128~128的范圍內(nèi)變化。
1.2.3 均值漂移聚類(lèi)法
均值漂移聚類(lèi)算法是一種基于增加梯度密度的非參數(shù)迭代方法,它是一種爬坡算法,涉及到將核迭代地轉(zhuǎn)移到更高密度的區(qū)域直到收斂。每一個(gè)位移都由一個(gè)平均位移向量來(lái)定義,它總是指向密度最大增加的方向。在每一次迭代中,核被轉(zhuǎn)移到質(zhì)心或其中點(diǎn)的平均值。計(jì)算平均值的方法取決于核的選擇。均值漂移聚類(lèi)算法的突出優(yōu)點(diǎn)是計(jì)算量小,算法簡(jiǎn)單,易于實(shí)現(xiàn)。它能顯著減少基本圖像實(shí)體的數(shù)目,并且由于良好的不連續(xù)性,能夠保留圖像的顯著特征。假設(shè)在C處有一個(gè)圓形窗口,以半徑h為中心。給定一組N個(gè)數(shù)據(jù)點(diǎn)xi,i=1,2,…,N,且xi∈Ω,x的概率密度可以從點(diǎn)密度估計(jì)得到:
(5)
K(x-xi)通常由均勻函數(shù)或高斯函數(shù)給出,高斯函數(shù)如下:
(6)
則密度函數(shù)的梯度變?yōu)椋?/p>
(7)
其中g(shù)(‖x-xi)/h‖2)=-k/(‖x-xi)/h‖2),假設(shè)所有x∈[0,∞),存在內(nèi)核配置文件k的導(dǎo)數(shù),h是調(diào)整xi和x之間差異分辨率的帶寬。加權(quán)平均數(shù)和核中心之間的差值稱(chēng)為“均值偏移”,均值漂移算法中,均值漂移向量m(x)迭代地移動(dòng)特征空間中的每個(gè)數(shù)據(jù)點(diǎn)x,直到平均值收斂到設(shè)定的范圍。平均移位向量m(x)可以定義為:
(8)
基于式(8)的分析,可以得到均值漂移聚類(lèi)算法。首先,圖像被分割為p維向量的二維(2D)晶格,其中p>3表示多光譜圖像,p=3表示彩色圖像,p=1表示灰度圖像,這里需要通過(guò)控制核的大小來(lái)選擇決定分辨率的帶寬參數(shù)h。
采用佳能EOS500 d數(shù)碼單反相機(jī)拍攝中國(guó)傳統(tǒng)服飾圖像,選擇線光源(LL068)作為照明源,為成像提供高強(qiáng)度、無(wú)閃光的照明環(huán)境,獲得均勻顏色為[L*,a*,b*]=[20,-0.8,-2.4]的背景作為背景。本文研究選用斗篷作為實(shí)驗(yàn)對(duì)象,斗篷具有中國(guó)傳統(tǒng)服飾色彩和圖案的基本特征。如圖3所示為1 991像素×2 010像素的服裝圖像1,由于中國(guó)傳統(tǒng)服裝的實(shí)際尺寸較大,采用了雙線性插值的方法對(duì)服裝圖像進(jìn)行壓縮,對(duì)主色不會(huì)產(chǎn)生影響,且能夠減少計(jì)算時(shí)間。原始圖像和壓縮圖像之間的比例為4∶1。
圖3 服裝1的原始圖像Fig.3 Original image of clothing 1
為了消除長(zhǎng)期磨損引起的色斑,對(duì)R、G、B 3個(gè)顏色通道的子圖像進(jìn)行中值濾波,以提高圖像質(zhì)量。使用5像素×5像素模板對(duì)子圖像的濾波過(guò)程和結(jié)果如圖4所示,頂部為原始圖像,底部濾波圖像。從圖4可以看出,服裝表面的污漬得到了有效的消除,顏色信息也得到了完整的保留。
圖4 服裝1的原始圖像和過(guò)濾圖像Fig.4 Original and filtered clothing 1 images
通過(guò)式(2)~(4)將RGB顏色空間中的濾波圖像傳輸?shù)紺IE Lab顏色空間。去除均勻背景,提取目標(biāo)服裝進(jìn)行顏色檢測(cè)。服裝圖像分割通過(guò)以下步驟進(jìn)行:
①服裝圖像中背景色和像素顏色之間的距離映射d由實(shí)驗(yàn)室顏色空間中的歐幾里德公式計(jì)算:
(9)
式中:p表示圖像的第i行和第j列中的像素,其CIE Lab值為(li,ai,bi);q表示背景色,其CIE Lab值為(lc,ac,bc),處理后的圖像如圖5(a)所示。在圖5(a)中,藍(lán)色到黃色的變化表示d越來(lái)越大。這意味著背景的L*、a*、b*值與輸入值更接近,而背景的L*、a*、b*值與目標(biāo)服裝有很大的差異。因此,可以將距離值作為分割信息。
②采用Ostu方法[12],根據(jù)距離圖自動(dòng)確定分割閾值。分割結(jié)果如圖5(b)所示,白色像素表示目標(biāo),而黑色像素表示背景。
圖5 服裝1處理后的圖像Fig.5 Processed image of costume 1. (a) Euclidean transformed image; (b) Binary image
基于CIE Lab顏色空間的顏色特征,采用均值漂移聚類(lèi)方法對(duì)目標(biāo)服裝中的像素進(jìn)行分類(lèi)。從服裝圖像中自動(dòng)分離出底色、輔助色、裝飾色等多種顏色。因此,可以從這些聚類(lèi)顏色中提取主色。帶寬h是均值漂移聚類(lèi)方法的一個(gè)重要參數(shù),它對(duì)聚類(lèi)性能和計(jì)算時(shí)間有很大的影響。帶寬h設(shè)置為0.05時(shí),服裝圖像的RGB空間中的聚類(lèi)結(jié)果如圖6所示。
圖6 服裝1圖像聚類(lèi)結(jié)果Fig.6 Clothing 1 image clustering results
通過(guò)對(duì)每個(gè)顏色簇的像素?cái)?shù)進(jìn)行排序來(lái)提取主色。提取主色時(shí),需要輸入主色的數(shù)量N,選擇最大像素?cái)?shù)的群集的色心作為主色。從圖3中提取的主要顏色如圖7所示。在圖3中,可以看出服裝有3種主要顏色,因此選擇第1到第3大像素?cái)?shù)作為主色,如圖7(b)~(d)所示,與原始服裝圖像相比,該方法具有較好的提取效果。
圖7 提取3種主色Fig.7 Three dominant colors extracted.(a) Clothing 1 image clustering; (b) Main color 1; (c) Main color 2; (d) Main color 3
3.1.1 中值濾波模板大小的影響
為了獲得最佳的圖像濾波效果,選擇3×3、5×5、7×7 3種不同模板尺寸的中值濾波器,進(jìn)行去噪處理。不同模板尺寸和相同帶寬的過(guò)濾結(jié)果、分割結(jié)果和聚類(lèi)結(jié)果如圖8所示。
圖8 不同模板大小下的濾波、分割和聚類(lèi)結(jié)果Fig.8 Filtering, segmentation, clustering results of median filters with different template sizes
可見(jiàn)不同模板尺寸的結(jié)果是不同的。盡管分割結(jié)果中的孤立點(diǎn)隨著模板大小的增加而減少,但聚類(lèi)結(jié)果中的聚類(lèi)數(shù)目也減少了。為了減少分割結(jié)果中的孤立點(diǎn),保持聚類(lèi)結(jié)果中顏色的個(gè)數(shù)不變,選擇K=5的模板大小對(duì)服裝圖像進(jìn)行濾波。
3.1.2 均值漂移聚類(lèi)方法中帶寬h的影響
帶寬h是均值漂移聚類(lèi)方法的一個(gè)重要參數(shù),它對(duì)聚類(lèi)性能和計(jì)算時(shí)間有很大的影響。為了獲得最佳的聚類(lèi)結(jié)果,從圖3中的服裝測(cè)試了不同的帶寬,以提取3種主色。用于評(píng)估自動(dòng)和手動(dòng)檢測(cè)的主色之間的色差。不同帶寬下聚類(lèi)結(jié)果的CMC(2∶1)值(ΔE)和計(jì)算時(shí)間如表1所示。
表1 ΔE和不同帶寬下的計(jì)算時(shí)間Tab.1 ΔE and computing time with different bandwidths
提取的目標(biāo)服裝由93 200個(gè)像素組成,輸入均值漂移聚類(lèi)算法。在表1中,計(jì)算時(shí)間隨著h的線性增加而逐漸減少,當(dāng)h>0.07時(shí),聚類(lèi)數(shù)小于3。另外,當(dāng)h=0.01時(shí),計(jì)算時(shí)間過(guò)大。因此,h的值應(yīng)在0.02~0.08之間。
此外,由表1可知,隨著h的線性增加,3種主要顏色的ΔE先增大后減小,ΔE與顏色相似性呈反比關(guān)系,ΔE越小,2種顏色之間的顏色相似性越高。為了進(jìn)一步確保最佳值,計(jì)算3個(gè)ΔE的總和,其中h=0.04、0.05和0.07,3種帶寬的計(jì)算結(jié)果分別為1.86、1.60、2.28。當(dāng)h=0.05時(shí),ΔE之和為最低限度,因此選取0.05作為服裝圖像聚類(lèi)的最佳值。
為了進(jìn)一步驗(yàn)證所提出方法的適用性,根據(jù)上述的分析結(jié)論,本文實(shí)驗(yàn)對(duì)另外4幅服裝圖像進(jìn)行了處理,其中濾波模板大小K取5,帶寬h為0.05。通過(guò)手動(dòng)獲取的原始圖像及其主色如圖9所示,這4幅服裝圖像的顏色聚類(lèi)和主色提取結(jié)果如圖10所示。主色自動(dòng)提取和手動(dòng)提取結(jié)果的比較如表2所示。
圖9 手動(dòng)獲取的原始圖像及其主色Fig.9 Costume images and its dominant colors acquired manually.(a) Clothing 2; (b) Clothing 3; (c) Clothing 4; (d) Clothing 5
從圖10和表2中,可以看出自動(dòng)和手動(dòng)獲取的主色之間存在很小的色差。ΔE的值在0.02~1.35之間,人眼很難分辨主要色差。因此,本文提出的基于均值漂移聚類(lèi)算法的服裝圖像分色方法具有良好的效果。
圖10 4幅圖像的主色提取結(jié)果Fig.10 Dominant color extraction results of four images. (a) Clothing 2; (b) Clothing 3; (c) Clothing 4; (d) Clothing 5
表2 自動(dòng)和手動(dòng)獲取主要顏色提取結(jié)果比較Tab.2 The comparison between dominant color extraction results automatically and manually
此外,該方法在不同情況下采用另外3種不同的中國(guó)傳統(tǒng)服飾進(jìn)行測(cè)試,以驗(yàn)證所提方法的魯棒性,顏色聚類(lèi)和主色提取結(jié)果如圖11所示。實(shí)驗(yàn)中,根據(jù)3.1中的分析步驟,采用人工預(yù)識(shí)別背景顏色,將濾波模板大小K設(shè)置為5,帶寬h的取值如上節(jié)所述方法,此處獲取的h也為0.05。圖11(a)~(c)服裝圖像的主色提取數(shù)分別為5、4和4。此外,圖11顯示了不同主色的百分比。藍(lán)色、暗紅色和紫紅色分別構(gòu)成圖11(a)(b)(c)中的主色。結(jié)果表明,該方法在不同情況下具有很強(qiáng)的魯棒性。
圖11 服裝圖像的主色提取結(jié)果Fig.11 Dominant color extraction results. (a) Original clothing image; (b) Color clustering results; (c) Extract main color
針對(duì)中國(guó)傳統(tǒng)服裝主色調(diào)的智能提取提出了一種有效的顏色聚類(lèi)方法,將數(shù)碼單反拍攝的服裝圖像分解為R、G、B 3個(gè)顏色通道,對(duì)3個(gè)顏色通道中的子圖像分別進(jìn)行中值濾波。在實(shí)驗(yàn)室顏色空間中,根據(jù)背景顏色對(duì)濾波后的圖像進(jìn)行分割,將目標(biāo)輪廓與背景分離。利用均值漂移聚類(lèi)算法對(duì)服裝圖像中的所有像素點(diǎn)進(jìn)行聚類(lèi),并從聚類(lèi)結(jié)果中提取主色成分。實(shí)驗(yàn)結(jié)果表明,當(dāng)選擇K=5的模板進(jìn)行濾波,帶寬設(shè)置h=0.05時(shí),從服裝圖像中提取的主色與實(shí)際顏色基本一致,且計(jì)算量小,表明該方法能有效提取服裝圖像主色成分。