明代織物紋樣的智能提取

李俞霏 梁惠娥

摘要： 為解決人工提取明代織物紋樣色彩存在難度大、準確性差、直接采樣難的問題，文章以明代賜服斗牛袍為例，探討一種新的紋樣提取手段。首先，利用高分辨率數碼相機采集斗牛袍織物紋樣;然后將RGB顏色空間的數字圖像轉換至CIELab顏色空間，用中值濾波法對彩色圖像進行平滑處理;再用K-means聚類算法對圖像中的色彩進行聚類，以實現不同色彩紋樣的分割;最后利用Calinski-Harabasz指標對聚類有效性進行判斷，獲取最佳聚類數。實驗結果表明，此方法可以實現紋樣色彩的聚類分割與智能提取，為研究珍貴古代織物紋樣提供有效途徑。

關鍵詞： 明代;織物紋樣;斗牛袍;K-means聚類算法;聚類有效性? ??中圖分類號： TS941.19??文獻標志碼： A??文章編號： 1001-7003（2018）11-0053-06??引用頁碼： 111109

Intelligent extraction of patterns from Ming dynasty fabrics： the case study of the bullfight robe

LI Yufei ?1，2 ，LIANG Huie 1

（1.College of Textiles and Clothing， Jiangnan University， Wuxi 214122， China;? 2.College of Art，Qilu University of Technology， ?Jinan 250353， China）

Abstract： Extracting patterns and colors from Ming dynasty fabrics manually has been faced with such problems as large difficulty， poor accuracy and difficulties in direct sampling. The bullfight robe in the Ming dynasty was chosen as an example to discuss a new method of extracting fabric patterns， in hope of solving the aforementioned problems. Firstly， digital images of fabric patterns in the bullfight robe were acquired through high-resolution digital cameras. Secondly， the images in RGB color space were converted to CIELab color space， and the color images were smoothened by median filter. Thirdly， K-means clustering algorithm was used for color clustering so as to segment the patterns with different colors. Finally， Calinski-Harabasz index was applied to judge the effectiveness of clustering and obtain the best cluster number. Experiment results indicated that this new method could complete clustering segmentation and intelligent extraction of fabric patterns and colors. The paper provides an effective and efficient way for studying precious ancient fabric patterns.

Key words： Ming dynasty; fabric pattern; bullfight robe; K-means clustering algorithm; clustering effectiveness

明代織物紋樣是中國傳統服飾文化的重要組成部分 ?[1] 。而明代斗牛袍作為明代織物的典型代表，從內容到形式，蘊含著豐富的社會內涵，直接或間接地表現出時代獨有地文化、信仰和精神內涵。袍服中的紋樣基本承襲宋元，并在其基礎上加以豐富。斗牛紋樣多與花卉紋、自然天象紋等相組合，紋樣與留白之間繁簡相適，疏密相宜，產生極佳的視覺效果 ?[2] 。當前對于中國古代織物斗牛紋樣的辨識較多選擇人眼視覺判斷，但是由于個體受到環境、心理、生理等因素的影響，對色彩的識別存在一定差異且缺乏嚴謹的科學分析和數據支撐，因此準確性欠缺，而袍服紋樣研究的前提是獲取有效的紋樣色彩繼而進行辨析和識別。本文通過拍攝實物來獲取明代賜服斗牛袍數碼圖片并進行平滑處理，借助K-means聚類算法，利用Calinski-Harabasz指標實現織物紋樣的智能提取。

1 研究路線

目前，針對織物紋樣圖像分割的研究主要有：文獻[3]借助均值漂移聚類法，提出對服飾圖像顏色檢測的思路和方法。文獻[4]對織物圖像進行二值化處理，靈活使用數學形態學中的膨脹、腐蝕、閉運算、開運算等基本方法，選取合適的結構元素，結合Matlab語言編程，實現了機器對織物提花區域的分割。文獻[5]通過圖像的顏色特征進行各種色彩的區域劃分，在此基礎上，將紋理特征與干擾區域相融合從而實現更加準確的圖像分割。文獻[6]通過控制平滑程度參數和空間尺度參數，平滑掉織物圖像中的紋理結構。再用Canny邊緣檢測算子檢測圖案邊緣，認為在RGB顏色空間對圖像平滑和邊緣提取的效果要優于其他顏色空間，并比較了其他邊緣檢測算子分割印花織物圖案的效果。以上文獻為本文研究提供了思路，但是以上方法有的只是針對灰度圖像的分割，而針對彩色圖案的分割方法多采用人工判斷分割結果質量，主觀性較強，受個體影響較大。基于此，本文提出如下研究步驟：

第一步，采用數碼相機完成明代賜服斗牛袍實物及紋樣的獲取;第二步，將圖像由RGB顏色空間轉換至CIELab顏色空間;第三步，利用中值濾波法對織物紋樣圖像進行預處理，以濾除圖像中的噪聲信號;第四步，采用K-means算法對圖像顏色像素進行聚類分析;第五步，選取基于數據集樣本幾何結構的Calinski-Harabasz（CH）指標 ?[7] ，根據數據集本身和聚類結果的統計特征對聚類結果進行聚類有效性判斷;最終，根據聚類結果的優劣選取最佳聚類數。

2 實驗及參數優化

2.1 彩色圖像采集

收藏于山東省博物館的明代斗牛袍屬于賜服（圖1），是集禮制紋樣于大成的服飾，其紋樣題材具有典型明代袍服紋樣的特征 ?[8] 。本文選用佳能5DSR數碼相機（日本佳能），使用EF50mmF/12USM鏡頭，在白色背景LED光源、垂直地面為 2m 條件下拍攝，獲取實物的初始圖像。在文檔反射式模式，最高光學分辨率5792×5792px條件下，對彩色圖像進行顏色特征提取。

2.2 袍服顏色空間轉換

對于圖像處理，RGB顏色空間是最為重要和常見的顏色模型，建立在笛卡爾坐標系中，以紅、綠、藍三色為坐標，疊加產生豐富而廣泛的顏色。但是，RGB顏色空間是非均勻顏色空間，空間中不同位置兩點的距離代表人眼對此兩個顏色知覺的差異大小，受兩點所處位置影響。CIELab顏色空間致力于感知色彩均勻性，能以相同距離表示相同知覺色差的顏色空間，便于通過坐標系中兩點的幾何距離判斷顏色的相近程度，進而對彩色圖像進行分割，是最接近人類視覺的設計。在本文中將袍服圖像進行了RGB顏色空間向CIELab顏色空間的轉換，紋樣區域和底色區域的亮度差異對分割造成的影響已得到消除，CIELab顏色空間更加準確地進行紋樣色彩的分割，具體轉換公式如文獻[9]。

2.3 斗牛袍的圖像平滑

由于明代斗牛袍屬于傳世文物，歷經年代久遠，因此考慮其穿著、風化、霉變等因素，導致袍服有一定程度的污損和褪色。同時本文所選用袍服圖像由于受到光源、拍攝水平等因素影響而獲得，數字采樣和傳輸在經過傳感器和傳輸通道時經常受到噪聲的干擾，有必要對受噪圖像進行濾波，即對所獲圖像進行進一步平滑處理。中值濾波是一種非線性濾波技術，在處理圖像時，能夠很好地保護圖像的邊緣而得到了廣泛的應用 ?[10] 。中值濾波是順序統計濾波，即用該像素的相鄰像素的中值來替代該像素的值：

f ^（x，y）= median （s，t）∈S ?xy {g（s，t）}（1）

式中： f ^（x，y）為中值濾波輸出;S ?xy 表示中心在（x，y），尺寸為m×n的矩形子圖像窗口的坐標組;g（s，t）為該坐標組除去中心位置其他像素點的灰度值。

本文中被測織物圖像窗口大小設置分別采用 3× 3像素、6×6像素、9×9像素……18×18像素，中值濾波在不同濾波窗口展開。通過對圖2中的彩鳳紋樣進行中值濾波處理，隨著濾波窗口尺寸的增大，紋樣色彩的均勻程度增大，但紋樣的清晰度下降，邊緣逐漸模糊。如圖3所示為三個濾波后的圖片顯示，純色區域顏色均勻度隨著濾波窗口尺寸增加而改善，但清晰度降低。為了平衡去噪效果和紋樣邊緣清晰度，本文在后續實驗中選用9×9像素濾波窗口對圖像進行平滑處理。

2.4 K-means聚類分割

K-means算法是一種適用于均勻空間、以歐式距離為基準的聚類算法。該算法認為，距離相近的對象組成了類，其目標是得到類內緊湊、類間分散的分類 ?[11] 。本文采用K-means聚類算法將袍服紋樣CIELab顏色空間中的色彩進行聚類，進而實現紋樣分割。由于L *表示亮度分量，對色相無影響，本文只將a *和b *值作為兩個坐標，在這個二維坐標系中，利用K-means算法對色彩進行聚類。具體步驟如下：

步驟1：從數據集中隨機選取K個樣本作為初始聚類中心C={c 1，c 2，…，c k}。

步驟2：對于每個樣本x i，計算該樣本到K個聚類中心的距離，然后將該樣本分配至最小距離聚類中心所在的類;

步驟3：針對每個類別重新計算它的聚類中心;

c i=1m∑ ?x∈c i x（2）

式中：m是c i所在的簇的元素個數。

步驟4：重復第2步和第3步直到聚類中心的位置不再變化。最小化公式：

SSE=∑ K ?i=1 ∑ ?x∈c i dist（c i，x） 2（3）

式中：K表示K個聚類中心，c i表示第幾個中心，x為c i簇的元素，dist表示的是歐幾里得距離。

2.5 最佳聚類數判定

明代斗牛袍由于時代久遠，人工分辨色彩也比較困難、低效，且結果容易受到人的主觀影響。K-means聚類算法的不足是需要人為設置聚類數。為了更加準確、科學地找到一種客觀評價聚類數有效性的方法。本文選取數據集樣本幾何結構的Calinski-Harabasz（CH）指標，根據聚類結果的統計特征及數據集來評估聚類結果，同時以聚類結果的優劣為依據選擇織物紋樣色彩的最佳聚類數。

CH指標通過類內離差矩陣描述聚類緊密度，類間離差矩陣評價聚類分離度，定義為：

CH（k）=trB（k）/（k-1）trW（k）/（n-k）（4）

式中：n表示聚類的數目，k表示當前的類，trB（k）表示類間離差矩陣的跡，trW（k）表示類內離差矩陣 的跡。

類自身越緊密CH值越大，類與類之間越分散，即更優的聚類結果。圖4為圖3不同尺寸濾波窗口處理結果中紋樣的不同聚類數（2～6）的聚類結果分布圖，其中聚類數為5時，CH值最大為1.1570，此時各類自身緊密，類與類之間分散，聚類結果最優。袍服的底色為紅色，屬于正色，用色較為單一且占服裝的最大面積。紋樣部分被分割成4個部分，顏色依次為橙色、藍色、綠色、黃色為主，正間色均有涉獵。其中斗牛紋占次面積，其他紋飾占小面積;以大面積色彩為主控色，以次面積色彩作強調色，以小面積色彩進行點綴。

利用K-means聚類算法，設置最佳聚類數為5時得出聚類結果如圖5所示。從圖5（b～f）中可以看出紋樣的色彩被完全分割開來，紋樣色彩的數目決定分割區域的個數，由此可知目前的紋樣色彩聚類數是5。提取已經分割出來的區域，以便獲取紋樣中不同區域的所占面和色彩，這將有利于對紋樣的色彩構成作進一步的研究。由聚類結果可以清晰地呈現出紋樣中彩鳳、四季花卉和云氣的輪廓，祥云中的綠色為低飽和度色彩，紋樣與底色之間的對比關系強烈，色澤奪目，體現出華麗的藝術特點。這也是明代織物紋樣常見的組合，寓意富貴吉祥。

2.6 局部織物紋樣處理結果

圖6和圖7是利用上述方法處理的另外兩部分明代織物紋樣局部分割結果。如圖6所示信息采集得到的是袖子背面斗牛刺繡圖案的分割結果，圖7所示信息采集得到的是袍服正面斗牛刺繡圖案分割結果。

從圖7（b）紅色區域可知，斗牛紋用金色表現，須發用藍色與黃色。其形態通過（c）黃色區域、（d）白色區域、（f）藍色區域可知，部分紋樣用單色表現。不同明度和飽和度的色彩反復使用，另有中性色點綴其中。用色雖多，但是繁而不亂，和諧統一，使得織物的紋樣生動優美，整體色彩明快，色調統一，視覺效果飽滿、大氣、醒目。（e）綠色區域中可以直觀地看到，波浪紋卷曲如花枝，呼應著流水中的落花，打破了波紋層層重疊的單一效果。由局部紋樣處理圖像可知，明代的波浪紋已由元代的單一描繪洶涌姿態演變成為鱗狀弧線條紋的水波與翻卷高揚的浪花并置的形式，浪花在層疊的弧狀波紋中起起伏伏，節律中有變化。

3 結 語

以斗牛紋為代表的明代袍服紋樣，集尊卑等級、政治思維及倫理道德價值觀于一身，是明代皇權下特殊的文化標本之一。本文通過對明代斗牛袍的分析，可以看出斗牛紋與自然天象中的云紋、水紋、花卉紋等相搭配，構圖嚴謹、形式多樣，充分體現出明代重視禮制、寓意祥瑞的端莊敦厚的時代特色和藝術風格。紋樣雖美，但造型、配色及絲線材料千差萬別，只有基于準確數據的研究，其結論才能夠更加直觀地還原紋樣之美，才能夠尊重歷史，從而更加科學嚴謹地進行傳承。本文提出的紋樣智能提取方法可以更加科學有效地實現紋樣色彩的聚類分割與智能提取。

參考文獻：

[1]吳山. 中國紋樣全集[M]. 濟南： 山東美術出版社， 2016： 17.

WU Shan. The Complete Works of Chinese Patterns [M]. Jinan： Shandong Fine Arts Publishing House， 2016： 17.

[2]張曉霞. 中國古代染織紋樣史[M]. 北京： 北京大學出版社， 2016： 332.

ZHANG Xiaoxia. History of Dyeing Patterns in Ancient China [M]. Beijing： Peking University Press， 2016： 332.

[3]邢樂， 張杰， 梁惠娥， 等. 傳統服飾云肩實物圖像主色的智能檢測[J]. 紡織學報， 2017， 38（11）： 110-115.

XING Le， ZHANG Jie， LIANG Huie， et al. Intelligent inspection of dominant colors for Chinese traditional folk Yunjian[J]. Journal of Textile Research， 2017， 38（11）： 110-115.

[4]劉桂芬， 劉鐵根. 機織物提花圖案的一種分割方法[J]. 天津工業大學學報， 2008， 27（4）： 25-27.

LIU Guifen， LIU Tiegen. A segmentation method for texture regions of Jacquard [J]. Journal of Tianjin Polytechnic University， 2008，27（4）： 25-27.

[5]向軍， 張杰， 潘如如， 等. 采用紋理平滑的印花織物圖案輪廓提取[J]. 紡織學報， 2017， 38（11）： 162-167.

XIANG Jun， ZHANG Jie， PAN Ruru， et al. Graphic contour extraction for printed fabric based on texture smoothing [J]. Journal of Textile Research， 2017， 38（11）： 162-167.

[6]周慧， 張華熊， 胡潔，等.基于平滑濾波和分水嶺算法的重組織織物圖像分割[J]. 紡織學報， 2015， 36（8）： 39-42.

ZHOU Hui， ZHANG Huaxiong， HU Jie， et al. Backed weave image segmentation based on smoothing filter and watershed algorithm [J]. Journal of Textile Research， 2015， 36（8）： 39-42.

[7]張雄， 趙禮峰. 基于泛化能力的K-均值最佳聚類數確定方法[J]. 計算機技術與發展， 2017， 27（9）： 31-34.

ZHANG Xiong， ZHAO Lifeng. A method for determination of optimal value in K-means clustering with generalization [J]. Computer Technology and Development， 2017， 27（9）： 31-34.

[8]韓敏敏. 瑞獸祥禽畫衣冠黼黻燦爛文章鮮[J]. 收藏家， 2012（10）： 31-36.

HAN Minmin. Clothes with auspicious animals and magnificent decorative design [J]. Collectors， 2012（10）： 31-36.

[9]任洪娥， 白杰云. Lab顏色空間中基于動態聚類的顏色分級[J]. 計算機工程， 2013， 39（6）： 231-235.

REN Honge， BAI Jieyun. Color grading based on dynamic clustering in Lab color space[J]. Computer Engineering， 2013， 39（6）： 231-235.

[10]張旭明， 徐濱士， 董世運. 用于圖像處理的自適應中值濾波[J]. 計算機輔助設計與圖形學學報， 2005， 17（2）： 295-299.

ZHANG Xuming， XU Binshi， DONG Shiyun. Adaptive median filtering for image processing [J]. Journal of Computer Aided Design and Computer Graphics， 2005， 17（2）： 295-299.

[11]韓海梅， 姚礪， 萬燕. 基于K-means和GVF Snake模型的纖維圖像分割[J]. 東華大學學報（自然科學版）， 2011， 37（1）： 66-71.

HAN Haimei， YAO Li， WAN Yan. Fiber image segmentation based on K-means and GVF Snake model[J]. Journal of Donghua University （Natural Science ）， 2011， 37（1）： 66-71.