基于圖像的織物圖案和顏色主題提取研究進(jìn)展

趙崧靈, 徐凱憶, 張 健, 顧冰菲,b,c

(浙江理工大學(xué) a.服裝學(xué)院; b.浙江省服裝工程技術(shù)研究中心; c.絲綢文化傳承與產(chǎn)品設(shè)計(jì)數(shù)字化技術(shù)文化和旅游部重點(diǎn)實(shí)驗(yàn)室,杭州 310018)

近年來,部分快消時(shí)尚品牌已通過數(shù)字化手段讓消費(fèi)者進(jìn)行面料、款式及顏色線上自主設(shè)計(jì),實(shí)現(xiàn)服裝的個(gè)性化定制。2018年,范思(Vans)上線Customs自由定制鞋平臺,消費(fèi)者既可以在線選擇材質(zhì)、顏色、圖案進(jìn)行生產(chǎn),也可以上傳自己的照片進(jìn)行自由定制,設(shè)計(jì)過程中在網(wǎng)頁同步進(jìn)行3D虛擬仿真展示[1]。2019年,李維斯(Levi’s)推出Future finish牛仔褲線上定制平臺,數(shù)據(jù)庫中提供一定的顏色、圖案供消費(fèi)者選擇,同時(shí)可添加水洗、磨蝕等不同的工藝效果,打造專屬于用戶的個(gè)性化褲裝設(shè)計(jì)[2]。數(shù)字化個(gè)性定制平臺的出現(xiàn)與更新,極大推動(dòng)了定制服務(wù)的發(fā)展。面料是服裝設(shè)計(jì)的重要載體[3],同時(shí)織物圖案及色彩搭配作為重要的視覺特征,成為面料數(shù)字化設(shè)計(jì)中不可或缺的設(shè)計(jì)元素。織物圖案多為裝飾性紋樣且實(shí)現(xiàn)手法多樣,通過不同的排列組合可形成風(fēng)格迥異的織物。而色彩作為最直觀的視覺特征通常會影響最終效果,掌握色彩搭配規(guī)律使設(shè)計(jì)達(dá)到調(diào)和是設(shè)計(jì)師不斷學(xué)習(xí)研究的一大課題[4]。

由于傳統(tǒng)的人工設(shè)計(jì)存在步驟繁瑣、制作周期長、生產(chǎn)效率低等問題,從已有的織物圖像中汲取適當(dāng)元素并將其創(chuàng)新應(yīng)用不失為一種有效的設(shè)計(jì)途徑,借助計(jì)算機(jī)技術(shù)手段可有效提高提取速度及精確度。通過對織物圖案及色彩的自動(dòng)提取,既可以對傳統(tǒng)織物建立數(shù)據(jù)庫,實(shí)現(xiàn)文化傳承及保護(hù)再造,并與現(xiàn)代文化深入融合使其煥發(fā)新的生機(jī);也可快速捕獲當(dāng)下的流行趨勢或?qū)οM(fèi)者進(jìn)行信息采集,了解客戶喜愛偏好、提升設(shè)計(jì)生產(chǎn)的效率、提高用戶滿意度。目前已有一些成熟的圖案及色彩提取的應(yīng)用軟件,如利用Photoshop等圖形圖像處理軟件可以實(shí)現(xiàn)圖案框選、色彩吸取等處理,但大多需要人工交互且對于精細(xì)圖案的操作門檻較高。Remove.bg[5]在線摳圖網(wǎng)站或Colorcube色彩分析軟件均可實(shí)現(xiàn)對圖片中圖案或色彩的自動(dòng)提取,對于人物、商品圖等主體突出的圖像效果較好,但對織物圖像的處理會受織物紋樣精細(xì)、邊緣模糊、與背景顏色相似等問題的影響,提取效果不佳。Fabric3D是專門針對織物圖案設(shè)計(jì)的軟件,提供圖案提取換色功能,同樣是對于色彩數(shù)量較少、圖案清晰的平面設(shè)計(jì)圖案具有更好的效果。然而現(xiàn)有圖案及色彩提取軟件對織物圖案處理仍存在一些不足,如自動(dòng)分割不精細(xì)、人工操作步驟繁雜、無法與后續(xù)應(yīng)用自動(dòng)關(guān)聯(lián)等,使得整個(gè)設(shè)計(jì)的過程缺乏連貫性。因此,相關(guān)學(xué)者仍在不斷探究、優(yōu)化計(jì)算機(jī)技術(shù)提取織物圖案及顏色主題的方法,提高圖案分割及顏色提取的準(zhǔn)確性,使其可應(yīng)用于實(shí)際生產(chǎn)中。

本文從“織物再設(shè)計(jì)”的角度簡單梳理“織物-織物”設(shè)計(jì)流程,重點(diǎn)對織物圖案形狀及顏色主題的提取方法進(jìn)行總結(jié)。通過實(shí)例比較不同算法的特點(diǎn),再對部分融合算法應(yīng)用實(shí)例進(jìn)行簡要分析,最后對織物再設(shè)計(jì)的應(yīng)用發(fā)展進(jìn)行展望。

1 織物再設(shè)計(jì)實(shí)現(xiàn)流程

“織物-織物”再設(shè)計(jì)流程是從已有織物中獲取靈感和設(shè)計(jì)元素,在此基礎(chǔ)上進(jìn)行二次設(shè)計(jì)獲得全新設(shè)計(jì)圖案的過程。設(shè)計(jì)者根據(jù)需要對原有的設(shè)計(jì)進(jìn)行再加工,改變原有圖案的形狀大小、顏色、排列組合等設(shè)計(jì)要素。主要流程總體可以分為圖像預(yù)處理、織物圖案提取、顏色主題提取、設(shè)計(jì)重用4個(gè)步驟,如圖1所示。

圖1 “織物-織物”再設(shè)計(jì)一般流程Fig.1 General process of "fabric-fabric" redesign

在織物圖像預(yù)處理階段,主要包括圖像平滑及顏色空間轉(zhuǎn)換。由于經(jīng)緯線交織會使織物圖像產(chǎn)生一定的紋理噪聲,通常采用保邊平滑處理消除紗線結(jié)構(gòu)的干擾[6]。織物圖像常用的平滑處理的方式有中值濾波[7-8]、均值漂移濾波[9-10]、引導(dǎo)濾波[11]、雙邊濾波[12]、各向異性擴(kuò)散模型[13]、結(jié)構(gòu)提取算法[14-15]等,這些方法都能較好地保持圖案原有的邊緣。待處理對象若為彩色圖像時(shí),進(jìn)行分割處理與顏色主題提取都會涉及色彩空間,一般在預(yù)處理時(shí)根據(jù)需要進(jìn)行色彩空間轉(zhuǎn)換。表1簡要概括了三種在織物圖像處理中常用色彩空間的優(yōu)缺點(diǎn)及主要應(yīng)用場景。

表1 三個(gè)常用色彩空間主要特點(diǎn)及應(yīng)用場景Tab.1 Main features and application scenarios of three commonly used color spaces

第二階段是織物圖案形狀及顏色主題提取,為設(shè)計(jì)重用階段提供二次設(shè)計(jì)的素材。圖案形狀提取是指對圖案輪廓或圖案區(qū)域整體提取,利用織物圖像的底層視覺特征采用不同方法得到再設(shè)計(jì)對象,通常是去除原圖像背景或其他不需要的元素,將獲得的圖案進(jìn)行存儲并建立數(shù)據(jù)庫,便于二次設(shè)計(jì)。顏色主題提取的主要目的是建立已有設(shè)計(jì)中所蘊(yùn)含的色彩規(guī)律,而后將其應(yīng)用于需要改變的對象當(dāng)中。一幅圖像的色彩數(shù)量通常會超過人眼所能判斷的極限,對顏色主題的提取可以理解為是一個(gè)顏色量化的過程。顏色量化算法常用于減少圖像的儲存空間,將顏色數(shù)量減少到一定范圍內(nèi)再進(jìn)行下一步分析應(yīng)用[4]。在整個(gè)設(shè)計(jì)流程中,織物圖案及顏色主題提取是非常重要的兩個(gè)環(huán)節(jié),同時(shí)也是本文整理的重點(diǎn)。

設(shè)計(jì)重用是流程的最后一個(gè)階段,可對前序工作中提取到的圖案或色彩進(jìn)行客觀數(shù)據(jù)分析,找尋其中的設(shè)計(jì)規(guī)律[16]。針對提取的圖案,可通過對織物的分割獲得紋樣元素庫,分析圖案的排列骨架,再進(jìn)行平移、縮放、旋轉(zhuǎn)等操作,生成新的設(shè)計(jì)圖案[17]。針對提取的色彩,可采用色彩遷移[18-21]等手段,生成帶有其典型特色且配色和諧的全新織物設(shè)計(jì)。也可引入交互式遺傳算法[22]、模糊模式識別[4]等評分推薦機(jī)制,幫助用戶選擇自己喜歡的色彩搭配及圖案設(shè)計(jì)效果,最終獲得滿意的結(jié)果。通過數(shù)字化手段對提取得到的素材進(jìn)行再應(yīng)用,能夠在滿足織物設(shè)計(jì)規(guī)則下改變紋樣布局結(jié)構(gòu)或風(fēng)格,結(jié)合當(dāng)下流行趨勢為用戶提供靈感來源與設(shè)計(jì)素材,實(shí)現(xiàn)快速設(shè)計(jì)。也可以利用虛擬仿真同步設(shè)計(jì)方案,在生產(chǎn)中采用數(shù)字印花、編織、印染等不同工藝將圖案應(yīng)用于服裝或其他紡織品中。

2 織物圖案提取

2.1 圖案提取方法概述

近年在織物圖案形狀的分割提取研究中,主要方法有邊緣檢測分割、閾值分割、聚類分割、區(qū)域分割及其他特定理論的分割方法[23],通常會根據(jù)織物對象與應(yīng)用目的不同采取最佳的提取算法或?qū)σ延兴惴Ｐ瓦M(jìn)行改進(jìn)。

2.1.1 邊緣檢測分割

織物圖案色彩豐富、復(fù)雜細(xì)膩并且包含許多細(xì)節(jié),Canny算子在常見的邊緣檢測算子中最不容易受到噪聲的干擾,能夠檢測到真正的弱邊緣,從而獲得良好的邊緣提取效果,在織物圖像中的應(yīng)用最為廣泛。文獻(xiàn)[14,24]根據(jù)印染織物圖案的特點(diǎn),在對圖像進(jìn)行平滑消除紋理及背景干擾紋樣后,采用Canny算子對平滑后的織物圖案進(jìn)行提取,能獲得完整的圖案紋樣輪廓邊緣,對細(xì)節(jié)的保留也優(yōu)于其他邊緣檢測算法,可為后續(xù)圖案再設(shè)計(jì)提供素材。對邊緣的提取也可采用輪廓跟蹤的方法,賈小軍等[25]對藍(lán)印花布進(jìn)行圖案輪廓提取,根據(jù)二值圖像的八連通域進(jìn)行初步處理,之后對其進(jìn)行擬合優(yōu)化,獲得印花布的圖案基元并組建圖片庫。雖然邊緣檢測能夠獲得良好的圖案輪廓,但同時(shí)也會造成色彩等其他信息的丟失。

2.1.2 閾值分割

閾值分割可將待處理圖像按照某一準(zhǔn)則或級別將像素分為不同類別,從而實(shí)現(xiàn)不同圖案的分割[20]。邢樂等[26]根據(jù)色彩歐氏距離通過大津閾值分割對云肩造型進(jìn)行提取,將云肩主體圖像與背景分離,通過設(shè)定灰度級閾值選擇需要的主體。對于具有強(qiáng)紋理性的編織織物,利用其紋理特征設(shè)定閾值可獲得良好的分割效果。張丹等[27]對帶地網(wǎng)經(jīng)編賈卡織物通過Laws紋理能量測量后選定合適的閾值進(jìn)行迭代,分割出背景與主體從而得到需要的花紋圖案,而后通過邊緣平滑算法優(yōu)化分割邊緣,最終得到圖案意匠圖用于產(chǎn)品設(shè)計(jì)。閾值分割適合于目標(biāo)與背景灰度差別大的織物圖像,計(jì)算簡單耗時(shí)短,但對噪聲較為敏感。

2.1.3 聚類分割

聚類分割在織物圖像提取中的應(yīng)用最為廣泛,主要算法有K-means聚類、模糊聚類、均值漂移聚類,此外也有密度峰聚類算法[11]、自組織映射聚類算法[28-29]等,根據(jù)聚類數(shù)目對圖像中的像素點(diǎn)進(jìn)行分類,從而獲得所需的分割區(qū)域。K-means聚類是最為經(jīng)典的聚類方法,李俞霏等[7]對明代斗牛袍實(shí)物圖像進(jìn)行聚類分割,通過樣本幾何結(jié)構(gòu)的緊密度指標(biāo)選擇織物紋樣的最佳聚類數(shù)目,實(shí)現(xiàn)不同紋樣的提取,根據(jù)結(jié)果對明代袍服的紋樣特征進(jìn)行分析。模糊聚類增加了模糊隸屬度的概念,可對像素點(diǎn)進(jìn)行更為細(xì)致的劃分,Kuo等[30]采用Gustafson-Kessel模糊聚類確定目標(biāo)函數(shù)及距離公式對像素點(diǎn)色值進(jìn)行分類,建立了一個(gè)自動(dòng)識別系統(tǒng)對刺繡圖像進(jìn)行分割,在聚類有效性上輪廓指數(shù)、分離指數(shù)、鄧恩指數(shù)都要優(yōu)于其他聚類算法。均值漂移聚類算法則采用概率密度梯度估計(jì)方法,找尋數(shù)據(jù)點(diǎn)最為密集的聚類中心,Kumah等[31]采用Mean-shift聚類方法對簡單的彩色印花織物圖案進(jìn)行分割,通過聚類參數(shù)調(diào)整將像素分組,快速準(zhǔn)確地分割出具有相同顏色紋理的圖像,聚類復(fù)雜度較低。聚類分割算法簡單、應(yīng)用廣泛,但也存在初始聚類數(shù)目不易確定、易受噪聲干擾、運(yùn)行時(shí)間長、易陷入局部最優(yōu)等問題,且單獨(dú)的聚類算法僅適用于分割同種色彩的圖案。

2.1.4 區(qū)域分割

圖像區(qū)域分割算法主要包括分裂合并、區(qū)域生長等,根據(jù)圖像特性將待分類的像素點(diǎn)劃分到不同組別當(dāng)中進(jìn)行圖案的分割提取。Luo等[9]通過交互的方式標(biāo)記圖像背景區(qū)域得到過分割的圖像,同時(shí)改進(jìn)傳統(tǒng)的區(qū)域生長方法建立區(qū)域作用域,根據(jù)不同區(qū)塊的特性采用最小包圍盒對過分割圖像進(jìn)行合并,保證幾何圖像的連續(xù)性。周慧等[32]以CIEDE2000色差為分割標(biāo)準(zhǔn)采用分水嶺算法對重組織織物彩色圖像進(jìn)行過分割,再將顏色相近的區(qū)域進(jìn)行合并,最終得到彩色織物索引圖像。Jamil等[33]基于邊緣圖像實(shí)現(xiàn)種子點(diǎn)像素的自動(dòng)選取,而后采用區(qū)域生長獲得二值分割圖像。對于部分圖案元素能夠取得良好的效果,但對于某些細(xì)長的特殊圖案分割精確度有待提高,并且基于區(qū)域的分割多采用迭代的方式,在時(shí)間和空間上的開銷都較大。

2.1.5 其他特定分割理論

除以上四類織物圖案提取分割的方法外,小波變換[34]、圖論[9,12]、數(shù)學(xué)形態(tài)學(xué)[15,32]、模糊集理論[35]等也是比較常用的分割方法。隨著研究的不斷深入,遺傳算法[36]、神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)優(yōu)化方法逐漸加入到織物圖案分割提取算法當(dāng)中。卷積神經(jīng)網(wǎng)絡(luò)(CNN)的深度學(xué)習(xí)模型由輸入層、隱含層及輸出層構(gòu)成,通過卷積計(jì)算實(shí)現(xiàn)對象特征提取,能夠有效減少機(jī)器學(xué)習(xí)中數(shù)據(jù)量爆炸的問題,被廣泛應(yīng)用于圖像處理當(dāng)中。在紡織服裝領(lǐng)域,目前已經(jīng)提出了很多改進(jìn)和集成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),通過對經(jīng)典模型改進(jìn)來提升圖像處理的效果,如表2所示。卷積神經(jīng)網(wǎng)絡(luò)常被用于織物疵點(diǎn)檢測[37]、織物服裝圖像分類檢索[38-41]中,也可用于圖像分割、目標(biāo)檢測、圖像分類等方面,但存在數(shù)據(jù)量龐大、處理時(shí)間長、特征手工標(biāo)記繁瑣等問題,處理結(jié)果也常受待訓(xùn)練圖像質(zhì)量的影響。多樣的分割方式讓研究者在對織物進(jìn)行分割提取時(shí)有更多的選擇,可以根據(jù)目的或研究對象的不同選擇對應(yīng)的方法或?qū)σ延械乃惴ㄟM(jìn)行改進(jìn)提升。

表2 用于織物分割分類中部分卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及改進(jìn)方法Tab.2 Structure and improvement of convolution neural network for fabric segmentation and classification

2.2 方法綜合分析應(yīng)用

為更直觀地比較織物圖案形狀提取中常用算法效果的差異,本文通過織物實(shí)例對4種基本圖案分割方式的提取效果進(jìn)行分析。以平滑處理后的織物圖像(圖2(a))為研究對象,圖2(b)中Canny算子獲得了完整的圖案輪廓,但除形狀外的其他信息完全丟失;圖2(c)采用模糊聚類獲得更加清晰的圖案,但作用效果是全局的,無法對特定對象進(jìn)行提取;圖2(d)采用大津閾值法獲得完整的圖案,有效保留了圖案的顏色及形狀信息;圖2(e)的區(qū)域分割合并僅能對部分圖案的外部輪廓進(jìn)行勾勒,邊緣并不完全貼合于原圖像,僅能獲得大致輪廓位置。以上4種方法對于與背景差異明顯且面積較大的白花具有良好的效果,能夠得到完整的圖案;對于占比較小且僅為線條勾勒的紅花效果并不理想,存在不同程度的信息缺失。在實(shí)際應(yīng)用中可根據(jù)需要的效果選擇不同算法,但單一的基礎(chǔ)算法面對不同的對象均有一定的局限性,不易實(shí)現(xiàn)通用的圖案分割提取。

圖2 不同圖案形狀提取算法效果對比Fig.2 Comparison of different pattern shape extraction algorithms

3 織物顏色主題提取

3.1 顏色主題提取算法

織物顏色主題提取常采用顏色量化的方式。在已有的研究中,可將色彩量化區(qū)分為基于頻度和空間兩種方式。基本方法有聚類、中位切分、八叉樹、頻度序列、統(tǒng)一顏色量化算法等,其中前三種算法常被用于織物圖像的顏色主題提取中[45]。

3.1.1 聚類提取算法

顏色聚類是一種比較廣泛的使用方法,選擇一定的聚類數(shù)目便可獲得圖案的顏色主題。Xu等[18]對色織物紗線色彩采用改進(jìn)的快速K-means聚類進(jìn)行提取分析,使用像素點(diǎn)間最遠(yuǎn)距離確定聚類中心。部分研究[16,46]采用了多次K-means聚類提取圖像單幅、多幅顏色特征進(jìn)行分析,從客觀上概括分析實(shí)驗(yàn)對象的主要色彩特征及產(chǎn)生的色彩關(guān)聯(lián),并聯(lián)系發(fā)掘其背后蘊(yùn)含的文化寓意,對同類型或同風(fēng)格的織物色彩再設(shè)計(jì)提供了參考價(jià)值。Ouyang等[29]將自適應(yīng)算法應(yīng)用于織物顏色主題的分析提取中,根據(jù)CIEDE2000色差標(biāo)準(zhǔn)劃定色彩區(qū)域?qū)崿F(xiàn)自動(dòng)聚類,獲得顏色組及相應(yīng)的顏色分布圖像,與其他聚類方法相比耗時(shí)更短、峰值信噪比高、圖像重建質(zhì)量好。聚類中心的選擇會直接影響到最終的提取效果,這是聚類方法的難點(diǎn)。

3.1.2 中位切分算法(Median-Cut,MC)

中位切分算法將顏色空間看作一個(gè)長方體,根據(jù)顏色通道的差值,從色彩立方體最長邊緣的中值進(jìn)行切割,直到達(dá)到預(yù)定的顏色數(shù)量后進(jìn)行提取分析。中位切分算法運(yùn)算速度快且效果較好,陳登凱等[47]采用中位切分算法對民間布老虎顏色進(jìn)行提取分析,得到最主要的24種顏色。同時(shí)得到色彩出現(xiàn)頻率和顏色之間共現(xiàn)關(guān)系,確定主色及適配色并將其應(yīng)用于新的設(shè)計(jì)中。不過一件設(shè)計(jì)作品所用到的顏色通常限定在個(gè)位數(shù)之內(nèi),提取24種顏色雖能更好地保留源圖像的色彩但同時(shí)也增加了配色時(shí)選擇的難度。

3.1.3 八叉樹算法(Octree)

八叉樹是一種用于描述三維空間的樹狀數(shù)據(jù)結(jié)構(gòu),常用于將真彩圖像顏色減少到256色以下,算法效率高且只需占用很少的內(nèi)存。蔡云驤等[48]采用八叉樹和鏈表統(tǒng)計(jì)法對圖片顏色進(jìn)行量化,選擇主色、亮差別色與暗差別色用于制作三色迷彩服。Hu等[17]對土家織錦圖像采用八叉樹進(jìn)行色彩量化,優(yōu)化主色提取及色調(diào)分布,提出基于主色圖的土家織錦設(shè)計(jì)方法。李忠明等[49]改進(jìn)八叉樹顏色量化算法,引入歸并屬性使得在顏色量化過程中始終嚴(yán)格按照頻度優(yōu)先,將其應(yīng)用于織襪圖案設(shè)計(jì)中,得到的圖像更接近于原始圖像色彩,取得良好的效果。

3.2 提取算法綜合比較

為更加直觀比較K-means聚類、中位切分、八叉樹三類提取算法對顏色主題的提取效果,本文選用色彩豐富的香云紗面料圖像(像素大小為700 dpi×700 dpi),對同類色(色環(huán)差距0～30°)、鄰近色(色環(huán)差距30°～60°)、互補(bǔ)色(色環(huán)差距60°～120°)、對比色(色環(huán)差距120°～180°)4種不同的色彩對比方式進(jìn)行分析(表3)。三類提取算法提取平均速度均明顯高于手工提取,提取的色卡顏色差距不大且較為準(zhǔn)確,但顏色整體飽和度偏低。在對比色圖片中三類算法都無法提取出黃色,可能受原圖中黃色像素占比較低的影響。區(qū)別是:K-means聚類提取顏色整體顏色明度較低,顏色較暗;中位切分法耗時(shí)明顯優(yōu)于其他兩種算法,顏色提取效果較好但是會有比較跳脫的顏色出現(xiàn);八叉樹提取效果良好,但顏色數(shù)目不易固定。三種方法各有優(yōu)劣,可適用于不同的對象。

表3 常用顏色主題提取算法效果比較Tab.3 Comparison of common color-theme extraction algorithms

4 算法融合應(yīng)用

織物圖案及顏色主題提取方法大多是利用織物圖像的形狀、顏色及紋理底層視覺特征獲得目標(biāo)對象,其中形狀及顏色特征應(yīng)用最為廣泛。在常用的織物圖案提取算法中,邊緣檢測、區(qū)域分割及特定理論中的圖論、形態(tài)學(xué)等算法大多是對織物圖案的形狀特征進(jìn)行分析;而聚類算法則大多是借助顏色特征進(jìn)行分割,同時(shí)聚類算法也是顏色主題提取的主要方法之一。此外,織物的紋理特征通常是需要被平滑掉的信息,但對于賈卡、提花等強(qiáng)紋理織物則可利用紋理強(qiáng)度的區(qū)別進(jìn)行圖案分割。

在實(shí)際應(yīng)用中利用單一特性或采用單一算法會存在局限性。通過前文實(shí)例可以發(fā)現(xiàn),圖案形狀的提取在面對復(fù)雜的分割條件時(shí),單一算法存在分割不明顯、部分信息丟失等問題;而顏色主題的提取受圖片質(zhì)量、雜色噪聲的影響,色彩提取的時(shí)間和準(zhǔn)確性都會有所不同[50]。為獲得更好的提取效果,研究者們會根據(jù)不同織物的特點(diǎn),利用其突出的形狀、顏色或紋理特征將多種算法組合優(yōu)化,為此本文列舉了部分多特征、多算法融合處理不同織物圖像的研究(表4)。融合算法彌補(bǔ)了單一算法的缺陷,可有效提高圖案分割的效率及精確度。

算法的融合應(yīng)用也使得織物圖案及顏色主題提取的兩個(gè)環(huán)節(jié)相輔相成,可以相互借鑒應(yīng)用,為此本文對織物圖案及顏色主題提取特點(diǎn)與主要方法進(jìn)行了歸納總結(jié)(圖3)。在提取的方法上,采用聚類算法及其他模糊集、神經(jīng)網(wǎng)絡(luò)等特定理論,在圖案形狀分割的同時(shí)也可提取得到顏色主題。在圖像處理步驟上,圖案形狀提取中借助顏色聚類可獲得更清晰的圖案邊緣;顏色主題的提取結(jié)合圖案的形態(tài)處理,有效剔除多余的信息使得到的顏色主題更符合預(yù)期。不過目前織物圖案形狀及顏色主題提取的處理方法較為集中,中位切分、八叉樹顏色量化等方法的融合應(yīng)用在織物圖像處理中的應(yīng)用不甚廣泛。在日后的研究中可以借鑒其他領(lǐng)域研究方法,為織物圖像處理提供廣泛的思路,嘗試更多算法融合的方式,從而獲得更為優(yōu)質(zhì)的提取結(jié)果。

表4 基于織物底層視覺特征部分算法融合的應(yīng)用Tab.4 Application of fusion algorithm based on fabric low-level visual features

圖3 織物圖案與顏色主題提取算法及組合應(yīng)用Fig.3 Fabric pattern and color-theme extraction algorithm and its combined application

5 結(jié) 語

本文從織物圖案再設(shè)計(jì)的角度出發(fā),對從織物圖像輸入到最終設(shè)計(jì)成果展示的整個(gè)設(shè)計(jì)流程進(jìn)行梳理,重點(diǎn)對織物圖案形狀及顏色主題的提取方法進(jìn)行歸納總結(jié),主要結(jié)論如下:

1) 提取算法主要依賴于織物圖像底層視覺中形狀及顏色特征,但對于具有較強(qiáng)紋理的織物也可利用其紋理特征進(jìn)行圖案的分割。

2) 在圖案的分割提取中,邊緣檢測算法可獲得圖案的二值輪廓,而其他分割方法可以獲得完整的圖案區(qū)域;顏色主題的提取算法中,三類算法提取的效果都可獲得有效的顏色主題,但三類算法提取的顏色略微有所差別,且都會忽略占比小的顏色。

3) 圖案形狀與顏色主題的提取雖然是兩個(gè)應(yīng)用方向,但也具有共通之處,二者相輔相成,可以在提取方法及圖像處理步驟中相互借鑒應(yīng)用。但單一算法具有局限性,算法間的相互融合可以利用各自的優(yōu)勢,大大提高特征提取的有效性。

織物圖像的分割再設(shè)計(jì)具有很強(qiáng)的應(yīng)用性,為將其與實(shí)際生產(chǎn)相結(jié)合,分割提取結(jié)果的精確度是關(guān)鍵影響因素之一。在未來對設(shè)計(jì)流程的應(yīng)用完善中,首先要提高設(shè)計(jì)元素提取的效率及準(zhǔn)確性,如精細(xì)圖案邊緣、減小色差、微小細(xì)節(jié)保留的方法都需要進(jìn)一步優(yōu)化。同時(shí),確定圖案的排列方式、自動(dòng)檢測分割重復(fù)圖案的單位元素、圖案矢量化等深入研究能夠使設(shè)計(jì)更加多樣且能夠提高設(shè)計(jì)的質(zhì)量,在提取設(shè)計(jì)元素的同時(shí)建立圖案數(shù)據(jù)庫來提高效率及利用率。

《絲綢》官網(wǎng)下載

中國知網(wǎng)下載