基于京劇臉譜意象色彩的服飾紋樣自動配色

賈 靜，曹竟文，徐平華,2,3，林瑞冰，孫曉婉

(1.浙江理工大學(xué) 服裝學(xué)院，浙江 杭州 310018；2.浙江省服裝工程技術(shù)研究中心，浙江 杭州 310018；3.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)

色彩是感知服飾美感、影響消費決策的重要設(shè)計元素之一。傳統(tǒng)的配色方式高度依賴設(shè)計人員的主觀認知和審美意識，對意象色彩的理解易產(chǎn)生偏差，導(dǎo)致主題錯配。相較于染色、印花等環(huán)節(jié)的測色、對色，服飾配色更加注重產(chǎn)品賦色的適配性、協(xié)調(diào)性與多樣性。

意象場景是設(shè)計師創(chuàng)意靈感的重要來源，其配色形式和用色規(guī)律可借助于計算機再現(xiàn)并應(yīng)用于當(dāng)代設(shè)計。在色彩提取和模型構(gòu)建方面，Steward[1]最早于1981年建立了設(shè)計結(jié)構(gòu)矩陣模型，用于構(gòu)建設(shè)計要素之間的關(guān)聯(lián)關(guān)系。文獻[2-4]在設(shè)計結(jié)構(gòu)矩陣模型上進行改進，提出了色彩網(wǎng)絡(luò)模型，構(gòu)建了主色、輔色選區(qū)策略，開發(fā)用于輔助設(shè)計配色的CorelDraw插件。其后，相關(guān)研究[5]在此基礎(chǔ)上進行了適當(dāng)拓展應(yīng)用。在配色方面，采用的方法如直方圖匹配法[6]、基于概率分割的局部顏色遷移算法[7]、基于色調(diào)差異的最近鄰法[8]、顏色情感語義色彩遷移法[9]、基于密集連接生成對抗網(wǎng)絡(luò)法[10]、神經(jīng)動力學(xué)模型[11]等。上述算法實現(xiàn)場景顏色的整體意象遷移，欠缺對目標(biāo)內(nèi)部特征的識別和自由調(diào)節(jié)，不利于推薦以及輔助設(shè)計師交互配色。文獻[12]采用交互式遺傳算法輔助軟件實現(xiàn)了在人機互動作用下逐步優(yōu)化的配色方案。

由場景意象色彩至紋樣賦色遷移中，仍需在色彩解析和自動配色環(huán)節(jié)進行改進，以獲取更為準(zhǔn)確的意象色和邏輯清晰的配色方案，以滿足設(shè)計師快速采用的設(shè)計需求。為此，本文以京劇臉譜為場景范例，利用自適應(yīng)色彩聚類獲取場景提取色，結(jié)合目標(biāo)形態(tài)結(jié)構(gòu)特征，實現(xiàn)服飾紋樣的自動配色。

1 臉譜樣本搜集與預(yù)處理

1.1 樣本搜集

臉譜是京劇中較具特色的視覺形象，其色彩表達富有張力，通過臉譜形象和色彩的搭配，形成了鮮明的特征[13]。實驗選取京劇臉譜圖像中生、凈、丑作為源圖樣本，從中解析各角色臉譜的用色規(guī)律。

實驗搜集了生角、凈角、丑角各50張有效京劇臉譜樣本圖像，部分樣本圖像如圖1所示。樣本圖像采集自趙永岐[14]編撰的《中國京劇臉譜》電子書籍中的素材圖像，對臉譜有效區(qū)域截取后形成的圖像，尺寸均大于800像素×800像素，分辨率高于 72 dpi。本文側(cè)重于方法的構(gòu)建和闡述，重點研究意象色彩的解析，樣本在保證尺寸和分辨率的基礎(chǔ)上，對場景的一致性不作嚴苛規(guī)定。

圖1 部分臉譜素材圖像

1.2 圖像預(yù)處理

實驗中搜集的樣本存在一定噪聲，需對臉譜主體進行分割和降噪處理。由于本文樣本背景相對簡潔，因此采用常規(guī)閾值分割即可實現(xiàn)臉譜主體的分割。在對原圖灰度化處理的基礎(chǔ)上，采用基于最大類間方差法(Otsu)[15]的自適應(yīng)閾值分割，形成目標(biāo)與背景分離的黑白圖像。進一步判定目標(biāo)區(qū)域是否存在孔洞。若存在孔洞，則采用下式對空洞區(qū)域進行填充。

Xk=(Xk-1⊕B)∩AC

(1)

式中：Xk為當(dāng)前狀態(tài)；Xk-1為前一次填充狀態(tài)；B為對稱結(jié)構(gòu)元；⊕為形態(tài)學(xué)膨脹操作；A為經(jīng)過Otsu算法處理后的黑白圖；AC為其補集。通過迭代操作獲得臉譜位置區(qū)域，將原圖對應(yīng)區(qū)域分割出來。需要說明的是，當(dāng)選取的意象場景不考慮具體目標(biāo)，希望獲得場景圖像全局色彩作為輸入信息時，圖像分割操作可省略。

預(yù)處理過程如圖2所示。對噪聲明顯的圖像采用高斯濾波可減弱噪聲干擾。以圖1(c)丑角臉譜為例，由于樣本存在一些噪聲，須對其進行分割處理，并適當(dāng)進行了降噪處理。類似地，逐一對其余樣本圖像進行批量預(yù)處理操作。

圖2 樣本預(yù)處理效果

2 顏色提取與網(wǎng)絡(luò)關(guān)系模型構(gòu)建

為獲取場景圖像的色彩分布形態(tài)和用色規(guī)律，以下對各角色臉譜圖像意象色進行提取，并構(gòu)建其專屬的色彩網(wǎng)絡(luò)關(guān)系模型。

2.1 單樣本臉譜顏色聚類

為規(guī)避固定聚類中心造成色彩過于均衡化的缺陷，此處采用改進的二分K-均值自適應(yīng)聚類算法，算法思路如下。

1)設(shè)置初始聚類中心。以圖像I三通道數(shù)據(jù)集樣本的平均值為初始聚類中心，其聚類中心為

(2)

2)計算距離、設(shè)定閾值。計算各像素點至聚類中心的歐氏距離，閾值設(shè)定為

T(t)=max{SSE(t)i,j}×η

(3)

式中：T(t)為第t次判定時的距離閾值，其值在迭代中動態(tài)變化，首次判定時t=1；SSE(t)i,j為第t次判定時像素點(i,j)與聚類中心的歐式距離;η為二分系數(shù)。

3)更新聚類中心、篩選簇群。當(dāng)計算距離大于閾值時，歸為簇群；當(dāng)計算距離小于閾值時，重新設(shè)置聚類中心。聚類中心設(shè)置為小于閾值數(shù)據(jù)的各通道均值。

4)剩余簇群迭代與篩選。迭代示意圖如圖3所示，在滿足迭代次數(shù)及簇內(nèi)數(shù)量下，迭代至聚類中心點不再變化，確定為該簇數(shù)組。剩余數(shù)據(jù)重新進入1)～3)，迭代循環(huán)直至劃分出剩余簇群。

圖3 二分K-均值聚類示意圖

同樣的，對其余角色臉譜依次進行單樣本色彩自適應(yīng)聚類，獲得各角色臉譜系列樣本聚類色。

2.2 各角色臉譜意象色提取

對樣本圖像批量自適應(yīng)聚類后，分別構(gòu)建角色臉譜的色彩融合圖，如圖4所示。在色彩融合圖的基礎(chǔ)上進行二次聚類獲得該角色臉譜的意象色。依據(jù)設(shè)計需要，二次聚類中心數(shù)K值可由設(shè)計師自行確定，以獲得較為寬泛的顏色區(qū)間，滿足紋樣的賦色需求，因此，該階段選用常規(guī)的K-均值聚類算法[16]實現(xiàn)自定義簇數(shù)的顏色聚類。

圖4 丑角意象色提取示意圖

以丑角臉譜為例，對其進行二次聚類時，K值設(shè)定為10時，其提取色結(jié)果如圖4所示。圖4輸出了丑角臉譜主色在L*a*b*空間的分布情況，以及提取色編號(Ci(1≤i≤K))、色值、占比等信息。類似地，對其余角色臉譜分別進行二次聚類提取意象色。

2.3 色彩網(wǎng)絡(luò)關(guān)系模型構(gòu)建

本文色彩關(guān)系網(wǎng)絡(luò)模型在文獻[2,17]的基礎(chǔ)進行優(yōu)化，并對相關(guān)特征參數(shù)進行計算。以丑角為例，色彩可視化網(wǎng)絡(luò)關(guān)系模型如圖5所示。

圖5 丑角系列樣本主色網(wǎng)絡(luò)關(guān)系模型

以丑角臉譜樣本為例，模型改進之處包括：1)按照提取色占比高低，逆時針方向排列提取出的色彩。圓餅面積越大，代表該色彩占比越高；2)統(tǒng)計提取色兩兩配對在該角色系列圖中出現(xiàn)的頻次，并作歸一化處理；3)對高頻出現(xiàn)的二元配對色連線。設(shè)定閾值δ，當(dāng)高于該閾值時，二者之間連線，線條的粗細程度代表共現(xiàn)頻率的高低；4)計算二元配對色空間歐氏距離，并歸一化處理。數(shù)值越大，表明二者空間距離越遠。

3 服飾紋樣自動配色

3.1 紋樣形態(tài)特征判定

實驗選取的紋樣初始狀態(tài)為線稿圖，若來樣為有色圖案，可采用邊緣檢測[18]等算法獲取圖案輪廓作為線稿圖使用。

規(guī)則紋樣內(nèi)部結(jié)構(gòu)較為簡單，多為循環(huán)單元復(fù)合而成。如通過旋轉(zhuǎn)、對稱、剪切、翻轉(zhuǎn)等操作，對基礎(chǔ)線型進行變換，構(gòu)成紋樣單元，如圖6所示。右上角四分之一區(qū)域線型為基礎(chǔ)線條，經(jīng)過變換后形成紋樣單元，該單元再次做連續(xù)變換形成印花圖稿。

圖6 紋樣1結(jié)構(gòu)形態(tài)示例

一般地，紋樣內(nèi)部相似形狀作同色填充處理。以S1～S4花瓣位置為例，在填色時，通過對其形狀參數(shù)進行判斷，若形態(tài)結(jié)構(gòu)相似，則歸為同區(qū)域，即由原來的4個區(qū)域標(biāo)記為同一待配區(qū)域。

待配顏色數(shù)Np的確定依賴紋樣的結(jié)構(gòu)形態(tài)。首先對紋樣連通區(qū)域數(shù)量進行統(tǒng)計，假定初始連通區(qū)域數(shù)量為Nc，對各區(qū)域形態(tài)特征進行計算。判定依據(jù)為區(qū)域面積、最小外接矩形的對角線長度、圓形度等特征參數(shù)；約定閾值，比較上述特征參數(shù)后，對相似區(qū)域進行歸類，最終形成Np個待配顏色數(shù)。

3.2 自動配色機制

自動配色是基于程序給定的配色方案進行的色彩分配操作。通過計算若干配色要素，獲得程序給出的最優(yōu)配色方案。

顏色聚類中心數(shù)K可由程序內(nèi)置或用戶自設(shè)。理想情形下，K值與待配顏色數(shù)Np一致，此時K=Np=n，稱之為平衡配色。每個待配區(qū)域只采用1種提取色進行賦色，且各待配區(qū)域顏色均不相同，配色模型如下：

(4)

滿足：

(5)

其中：F為配色目標(biāo)函數(shù),需滿足式(5)中4項約束條件；Upq為配色效能矩陣，其元素構(gòu)成是由原圖提取色占比Yp、目標(biāo)紋樣待配區(qū)域面積占比Tq、共現(xiàn)比率VP3個因素制約；α、β分為控制系數(shù)，分別表示提取色占比、共現(xiàn)比率優(yōu)先程度；xpq為該位置的指派值，僅當(dāng)xpq=1時表示第p個提取色填充到第q個目標(biāo)區(qū)域。在xpq枚舉(0或1)過程中，獲得最大匹配矩陣。

由于提取色數(shù)量K為可控變量，當(dāng)K≠Np時，需要對上述模型進行修正。模型(4)中的n取值修正為

n=max{K,Np}

(6)

當(dāng)K>Np時，提取色數(shù)大于待配需求顏色數(shù)，則添加K-Np個虛擬待配目標(biāo)；反之，提取色數(shù)小于待配需求顏色數(shù)，此時增加Np-K個虛擬提取色數(shù)，從而將不平衡配色轉(zhuǎn)換為平衡配色，最終抽取各待配區(qū)域的顏色項。

3.3 交互配色方案

交互配色是指由設(shè)計師借助配色網(wǎng)絡(luò)關(guān)系模型及其參數(shù)，對配色方案進行選擇或調(diào)整。

一方面，設(shè)計師可依賴上述主動配色機制，自行調(diào)整相關(guān)控制參數(shù)。如調(diào)節(jié)顏色聚類數(shù)K，從而改變可用的顏色數(shù)量；或調(diào)節(jié)配色控制系數(shù)α、β，以調(diào)節(jié)提取色占比、共現(xiàn)概率的優(yōu)先級。

另一方面，設(shè)計師可從設(shè)定的K個提取色中選取需求顏色，對目標(biāo)紋樣進行自由賦色。此時，系統(tǒng)作為提供場景色彩量化的輔助決策工具使用。

4 結(jié)果與討論

利用MatLab中App Designer模塊，設(shè)計并實現(xiàn)上述算法，開發(fā)形成可執(zhí)行應(yīng)用程序。軟件功能模塊包括圖像預(yù)處理、色彩解析、紋樣自動配色等模塊，并集成形成一鍵執(zhí)行操作。以下對影響配色效果的相關(guān)因素進行分析和討論。

4.1 控制參數(shù)對配色效果的影響

軟件可控參數(shù)包括二次聚類時，提取色數(shù)K、配色控制系數(shù)α、β。以丑角臉譜為例，對紋樣1配色時,調(diào)節(jié)不同參數(shù)，可獲得不同的自動配色效果。

經(jīng)計算，紋樣1待配顏色數(shù)Np=10。方案1～3展示了控制系數(shù)α=1、β=0，K值分別設(shè)定為5、10、15時的配色效果。當(dāng)K=Np時，充分利用了場景的提取色，并按照提取色占比進行了色彩映射；當(dāng)KNp時，聚類色進一步細分，填充的顏色取自前Np個提取色。聚類中心數(shù)與待配顏色數(shù)之間的差值，導(dǎo)致方案1～3呈現(xiàn)了不同的配色效果，但由于依賴于提取色占比，在色調(diào)上較為一致。相應(yīng)方案效果如圖7所示。可看出，聚類色K值的選取對紋樣配色效果存在一定的影響。

圖7 不同控制參數(shù)配色效果

方案4～6是在K=Np=10的情形下，α、β參數(shù)值分別設(shè)置為：(α=0.7、β=0.3)、(α=0.3、β=0.7)、(α=0、β=1)。方案2與方案4在選色順序上差異較小，C5轉(zhuǎn)到第8位；方案5較方案4，C5前移1位；方案6中高頻共現(xiàn)的C6、C7、C8、C10前移至4～7位。由此可見，占比和共現(xiàn)比率優(yōu)先程度改變了選色順序，形成具有差異的配色效果。

4.2 樣本對紋樣配色效果的影響

實驗對搜集的3個角色臉譜色彩進行提取。為便于觀測配色差異，參數(shù)統(tǒng)一設(shè)置為：K=Np=10，α=1、β=0。圖8各角色圖上方為紋樣1配色效果，下方為該角色樣本按序排列的聚類色。

圖8 基于不同角色臉譜意象色的自動配色

由于源圖不同，提取色發(fā)生了較大變化，導(dǎo)致圖8不同角色臉譜配色風(fēng)格發(fā)生了明顯變化。為了解各角色臉譜提取色在色調(diào)、飽和度、明度上的離散程度，將各角色樣本提取色由RGB轉(zhuǎn)至HSV色彩空間。顏色值歸一化處理后，計算各角色樣本10個提取色各通道間的均方差，結(jié)果如圖9所示。

圖9 不同角色提取色色調(diào)、飽和度、明度均方差

由圖9可看出：3個角色臉譜提取色色調(diào)離散程度相對較高；飽和度離散程度相對較高的為丑角臉譜，生角和凈角較為接近；明度離散程度較高的為丑角，其次為生角、凈角。

表1示出各角色臉譜樣本提取色的十六進制代碼及其占比輸出值。提取色占比上存在一定的差異，但各角色前3個提取色累計占比均超過45%，前5個提取色累計占比均超過65%。

表1 各角色提取色編號及其占比

4.3 紋樣形態(tài)對配色效果的影響

不同紋樣，其形態(tài)結(jié)構(gòu)存在一定的差異。為觀測紋樣形態(tài)對配色效果的影響，選取對稱型紋樣和非對稱型紋樣進行配色實驗。除對稱型紋樣1外，對其他4種不同對稱型紋樣進行了測試，效果如圖10所示。另選取3種非對稱紋樣進行了自動配色測試，效果如圖11所示。對于結(jié)構(gòu)簡單的非對稱紋樣(見圖11(a)、(b))，賦色秩序性較好；對于非規(guī)則紋樣，如圖11(c)，由于本文對配色目標(biāo)紋樣進行自動分區(qū)，因算法依據(jù)內(nèi)容相似性原則自動賦色，未對內(nèi)容進行識別和分析，容易產(chǎn)生如花、葉的填色失實，此點有待進一步深入研究。

圖10 對稱型紋樣自動配色效果

圖11 非對稱型紋樣自動配色效果

由圖8(c)、圖10、圖11配色效果可看出，紋樣總體上呈現(xiàn)較為一致的配色風(fēng)格，但由于形態(tài)結(jié)構(gòu)的差異，配色位置和賦色比例均存在差異，從而形成不同的視覺效果。由此可見，在源圖一致的情形下，紋樣的形態(tài)結(jié)果同樣會影響最終的配色效果。本文實驗中所開發(fā)的軟件可由設(shè)計師自由設(shè)置參數(shù)，或自由選色、配色，以實現(xiàn)更為豐富多樣的配色表現(xiàn)。

5 結(jié)束語

本文重點研究了場景源圖的色彩自適應(yīng)聚類、意象色提取、自動配色機制及其影響因素。以京劇臉譜樣本為例，利用所設(shè)計的算法實現(xiàn)了場景色彩解析和目標(biāo)紋樣的自動配色。結(jié)果表明，該算法可依據(jù)不同場景提取色，實現(xiàn)對目標(biāo)紋樣的色彩快速遷移，并通過設(shè)置參數(shù)獲得不同的配色效果。

本文所選的京劇臉譜樣本圖像可替換為其他場景圖像，目標(biāo)紋樣也可替換為其他類型的圖案，從而為設(shè)計師提供更為廣泛的意象場景取色、配色使用場景，提升色彩選配的效率。