基于色彩意象的服飾自動配色技術

本研究利用模糊邏輯分析坊間配色設計典中，各種色彩意象的色彩特性。并據此設計一套自動配色軟件，能夠簡單辨識照片中，服飾的類型與區塊，將顏色分割后根據所使用者選取的色彩意象與限制條件，自動為照片中的衣服涂上建議的配色組合。軟件系統分影像分割、配色組合篩選、著色、配色評價子系統四個部分。首先利用人臉辨識推算服飾范圍，再用高斯型態之貝氏分類器作服飾分類，根據不同的分類型態設定區域成長的種子點，為了有效分割復雜的服飾邊界，設計了根據機率判定門坎值的區域成長演算法。經由模糊邏輯分析所選用的主色透過Moon與Spencer的色彩和諧模式選用配色。影像上色需經過階調調整與邊緣處理才不至于突兀。本系統亦提供了配色評價子系統，可萃取出照片中重要色彩，并根據模糊邏輯分析，對各種色彩意象進行評分。

前言

愛美是人的天性，但不是每個人都像造型師一樣擁有敏銳的眼光，知道服裝要如何搭配才能夠賞心悅目。多數人出門赴會之前，都曾經有耗費大量時間在試穿衣物與配件的經驗。如果開發一個能夠模擬服飾配色效果的軟件，并根據使用者喜好的色彩意象提供配色建議，可有效縮短試穿衣物所耗費的寶貴時間。也可以為添購新衣物提供具體的參考資訊。目前網絡上已經有能夠仿真衣物穿著效果的軟件(數字科技，民98)，也有游戲軟件提供[紙娃娃系統](Grayity corp，and LeeMyounglin，民98)，允許玩家更換衣物色彩以及配件，甚至發型。但這些軟件都沒有結合真人影像，因此無法確定所選用的服飾是否適合自己。另一方面，這些軟件也沒有提供具體配色建議，因此有必要開發能夠根據使用者指定的色彩意象，針對全身／半身照片，對人物服飾進行自動配色的軟件。

系統架構

本研究所開發的服飾配色系統，允許使用者指定偏好的色彩意象與限制條件，系統可自動辨識影像中的服裝區域，根據色彩意象配色分析，將顏色改變成多種符合指定意象與條件的配色組合，呈現多幅試裝模擬影像供使用者作為出門打扮或購買新衣物的參考。軟件系統分影像分割、配色組合篩選、著色、配色評價子系統四個部分。圖一顯示了前三個系統的關系以及內部各自的主要處理項目。

首先利用人臉辨識推算服飾范圍，然后在該范圍之內辨識服飾類型，根據不同的分類型態設定區域成長的種子點。為了有效分割復雜的服飾邊界，設計了根據機率判定門檻值的區域成長演算法。經由模糊邏輯分析所選用的主色透過Moon與Spencer的色彩和諧模式(1944)選用第二色。影像上色需經過階調調整與邊緣處理才不至于突兀。本系統亦提供了配色評價子系統(圖一下半部)，可萃取出照片中重要色彩，并根據模糊邏輯分析，對各種色彩意象進行評分。選用的色彩意象有：熱情、浪漫、主動、簡單、冷靜、幽寂、優雅、古典、高級、時髦、現代、高尚、明亮、干凈、骯臟、華麗、厚重、男性化、女性化、可愛、隨意、活力、輕快、新鮮、自然、樸素。以下是每個處理程序的介紹：

服飾影像分割

調整影像指定區塊的顏色并不困難，只要事先建立各區塊的遮罩，即可讓各區域調至不同的顏色。但照片中服飾的區塊是未知的，必需設計自動分割服飾色塊的演算法，才能對各區塊分別置換不同的顏色。由于服飾的配置方式、人的姿勢、光影的方向、服飾紋理圖案的復雜度、服飾與背景色塊之間的色差大小等，都會影響的服飾區塊分割的正確度，因此服飾影像分割是非常艱巨的挑戰。服飾影像分割的第一步驟是人臉辨識。首先將影像轉換至YCbCr空間，利用Viola與Jones的人臉辨識技術(Viola and Jones，2001)在Y灰階圖像中，定位人臉出現在圖中的區域。這種演算法將圖像作矩形濾波后，對影像資料庫中的人臉特征參數作匹配比對。該數據庫共享了5，000幅人臉以及9，400幅非人臉影像作為推導人臉特征參數訓練組。人像中有不同的人種、不同的姿勢、以及不同的照明方向(圖二)。人臉辨識的速度非?？臁？筛鶕詈螳@得的正方形人臉區域的外框，推算身體的位置。

第二步騾是服飾類型辨識。彩色影像先轉換至低解析度，避免受雜訊及影像細節的干擾。根據人臉辨識所定位的人臉正方形區塊，在其下方與兩旁設立十四個種子點(見圖三的右圖與中圖)。人臉區域兩旁的種子點是用來測量背景顏色的，如果下方肩膀兩端附近的種子點測量到與背景相似的顏色，代表種子點的位置已經超過身體的范圍，因此排除這個種子點。由于服飾各區塊的色彩有無限種可能性，因此服飾類型的辨識原則不是基于色彩本身，而是基于對稱種子點所測量獲得的相對色差大小。例如圖三左：西裝(兩側)的色差明顯小于西裝與襯衫(中心)的色差。衣服與褲子也可以用上下區域之間的色差獲得。本研究根據對稱區域與上下區域的色差，自行定義了五種服飾類型，利用影像處理對服飾區塊隨機換色，據此獲得色差特征值的平均向量。在獲得影像十四個種子點的色差評估之后，使用高斯型態之貝氏分類器(Gonzalez and Woods，2007)，對這五種服飾影像作分類。分類的結果影響接下來區域成長計算種孑點的設定以及區域合并的判斷。

第三步驟是服飾區域辨識。從服飾分類后所設定的種子點，作門檻值隨區域改變的區域成長(region growing)演算。其步驟如下：

1 排除與背景色近似的種子點。

2 根據種子點的位置，決定門檻值(threshold)的大小。接近衣服邊界之處，門檻值縮小。

3 計算所有畫素與種子點間的加權YCbCr色差。

4 將色差小于門檻值的畫素標上1，其余標上0。

5 根據1的標記，選取與種子點有八連通關系的整個區域。

使用一般的區域成長技術(Koschan and Abidi，2008)當服飾色彩與背景接近時，很容易產生圖四中央。區域成長過度的問題。使用本研究所提出的方法，可將區域成長的范圍限制在可能出現衣服的區塊之內。

膚色也是要特別小心的影像區塊，服飾色彩如果跟膚色接近，服飾的區域成長容易侵犯至膚色區域，因此影像分割系統中設定了排除膚色的機制服飾區塊分割相當不容易。當區塊花紋復雜、區塊間色差小、背景不單純、服飾色彩與背景近似時，容易導致區塊分割失敗。

配色組合篩選

坊間配色設計典種類繁多，韓國的Image Research Institute Ine，所出版的TheColor for Designer中(YoungJin)，民98)。以Munsell色彩體系的10色相、11色調以及10灰階為基礎，針對多種色彩意象，從上述120色中選出了符合這些意象的顏色，其中又根據使用頻率的高低，建議了最常用色。表一整理了24色彩意象換算至CIE LAB空間的粗略色彩特征。例如：男性化的顏色是低彩度／低明度／藍灰色相，而女性化的顏色是高明度／中彩度／紅黃紫色相等。直接查表隨機挑選選用頻率高的顏色，雖然簡單快速，但是有版權問題。如果用回歸方式描述色彩意象的選色分布特性，準確度非常低。因為這些具有相同意象的顏色未必在色空間上具有連續性。多項式回歸只能描述連續性的強度變化。類神經網絡(周鵬程，民91)也同樣存在無法描述不連續資訊的問題。用邏輯條件構成的模糊邏輯技術，可以解決這個問題(zadeh，1989)。面對不連續的資訊，只要觀察資訊特性，量身訂作一條模糊if-then法則，加入連續資訊的邏輯法則之中，就可以排除特定資訊對連續性資訊的影響。

本研究將Munsell明度(value)／彩度(chroma)／色相(Hue)／色彩意象分別用3／3／10／3個高斯型態的部分函數(membershipfunctions)描述。明度與彩度分別以高／中／低描述，輸出端的色彩意象也是用高／中／低描述，色相則以Munsell的(R，YR，Y，GY，G，BG，B，PH，P，RP)10個色相作描述。根據對上述120色統計表的觀察，針對24種色彩意象量身設計了數量不等的模糊if—then法則。

例如，[明殼的]色彩意象，可用以下三條法則獲得近似的結果：

1 If(高明度)and(低彩度)then(明亮度高)

2 If(低明度)or(高彩度)then(明亮度低)

3 If(中明度)or(高彩度)then(明亮度低)

例如，[華麗的]色彩意象，可用以下六條法則獲得近似的結果：

1 If(R色相)and(明度[不]高)and(高彩度)then(華麗度高)

2 If(PB色相)and(高彩度)then(華麗度高)

3 If(P色相)and(高彩度)then(華麗度高)

4 If(低明度)and(低彩度)then(華麗度高)

5 If(低明度)and(高彩度)then(華麗度高)

6 If(高明度)or(低彩度)then(華麗度低)

模糊邏輯的優點是彈性大?？稍黾幽：齣f-then條件，提高色彩意象評估的準確度。不過要注意，必需設下足夠的[反面條件]才能夠獲得比較正確得意象評估結果。此外每個條件的加權大小，也會影響到色彩意象評估的準確度。選色機率高的條件需給予較高的加權值。

模糊邏輯的優點是彈性大。可增加模糊if—then條件，提高色彩意象評估的準確度。不過要注意，必需設下足夠的[反面條件]才能夠獲得比較正確得意象評估結果。此外每個條件的加權大小，也會影響到色彩意象評估的準確度。選色機率高的條件需給予較高的加權值。sRGB色空間內的顏色以16階等間隔分割色樣本，根據模糊邏輯的計算，可換算出所有色樣本的24種色彩意象排名。原則上，當軟件使用者選用指定色彩意象時，可隨機選取該色彩意象上排名較高的幾個顏色。但它們可能是很類似的顏色。根據Moon與Spencer的配色法則(1944)，兩色之間色相／明度／彩度差距不大的顏色為曖昧的不良配色，因此可用程序排除這樣的配色組合。服飾常用的配色原則是等色相配色或等色調配色(詹惠晶，楊麗佩，民98)。將這些條件加上去，可選用的顏色組合會減少很多，但呈現的配色效果反而較理想。

著色

如果直接讓指定的配色ROB值，覆蓋在指定的服飾區域，會導致紋理與陰影喪失，看起來像卡通人物一樣沒有真實感。因此需要推算服飾區域內的影像相對亮度百分率，將RGB值乘上這個百分率，獲得具有紋理與陰影的換色影像。本研究發現，如果用飾區域內的影像亮度最大值作為100％的相對亮度，換色的結果通常會太暗，因為亮度最高的區域通常是衣服表面的反光或雜訊，占的面積很小，以此作為換色基礎不具代表性。理論上用亮度平均值或中位數作為轉換的基礎是比較合理的，但亮部容易過殼，換色影像的階調看起來不自然。本研究發現用亮度的95％分位數作為換色基礎得到的效果較好。

另一個值得注意的是換色前后的亮度差距。如果由很暗的顏色置換成很亮的顏色，除了會產生明顯的雜訊之外，換色之后的亮度與彩度會顯著不足。只要讓相對亮度影像的gamma值調小，即可改善這個問題。見圖五，原圖中黑色的衣服，如果調至深藍色，問題不大，調至明亮的黃色，則整體偏暗且含有明顯雜訊。將相對亮度影像的gamma值調小至0.2可改善此一現象。如果是由亮色調至暗色，或調整前后亮度差距不大，則不會產生這個問題。

此外，服飾區塊的邊界也必需審慎處理。如果服飾換色前后色差很大，服飾邊緣的輪廓會很明顯。不自然。因此將標是衣服區域的二值化遮罩作膨脹(dilation)運算后，轉浮點模糊化，作為原影像與新影像之間的加權值。換色前后色差越大，邊界模糊范圍越大。如此可降低換色前后服飾輪廓過度明顯的問題。

配色評價子系統

本研究所提出之服飾自動配色系統的第四部分是配色評價子系統。其架構如圖六左圖。首先是影像分類，利用第三節所介紹的人臉辨識方法，確認輸入的圖像是否為人像。如果是人像，需分割背景，配色評分時忽略背景色。主色分析部分，使用改良的K-means算法，找出影像中的五個主色。最后再利用第四節所介紹的模糊邏輯判斷各種色彩意象的強度。最后將五個主色的意象強度按面積加權算出最后的24種色彩意象強度評估值，以長條圖顯示出來。這個子系統也可以用來檢定網頁設計配色意象、室內設計配色意象、繪圖色彩意象等，具實用價值。配色評分系統 影像分類主色分析色彩意象查詢 輸出意象評分表。

結論

本研究利用模糊邏輯分析坊間配色設計典中，各種色彩意象的色彩特性。并據此設計一套自動配色軟件，能夠簡單辨識照片中，服飾的類型與區塊，將顏色分割后根據所使用者選取的色彩意象與限制條件，自動為照片中的衣服涂上建議的配色組合。本系統亦提供了配色評價子系統。可萃取出照片中重要色彩，并根據模糊邏輯分析，對各種色彩意象進行評分。本系統在Matlab軟件上實作，已獲得不錯的效果。不過仍有許多待改進之處。服飾區塊分割相當不容易。當區塊花紋復雜、區塊間色差小、背景不單純、服飾色彩與背景近似時，容易導致區塊分割失敗。未來將持續改進服飾分割算法，以及配色組合篩選技術。希望能設計出實用的多功能服飾配色系統。