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 服裝學院，浙江 杭州 310018；2.浙江省服裝工程技術研究中心，浙江 杭州 310018；3.絲綢文化傳承與產品設計數字化技術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計元素之一。傳統的配色方式高度依賴設計人員的主觀認知和審美意識，對意象色彩的理解易產生偏差，導致主題錯配。相較于染色、印花等環節的測色、對色，服飾配色更加注重產品賦色的適配性、協調性與多樣性。

意象場景是設計師創意靈感的重要來源，其配色形式和用色規律可借助于計算機再現并應用于當代設計。在色彩提取和模型構建方面，Steward[1]最早于1981年建立了設計結構矩陣模型，用于構建設計要素之間的關聯關系。文獻[2-4]在設計結構矩陣模型上進行改進，提出了色彩網絡模型，構建了主色、輔色選區策略，開發用于輔助設計配色的CorelDraw插件。其后，相關研究[5]在此基礎上進行了適當拓展應用。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絡法[10]、神經動力學模型[11]等。上述算法實現場景顏色的整體意象遷移，欠缺對目標內部特征的識別和自由調節，不利于推薦以及輔助設計師交互配色。文獻[12]采用交互式遺傳算法輔助軟件實現了在人機互動作用下逐步優化的配色方案。

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節進行改進，以獲取更為準確的意象色和邏輯清晰的配色方案，以滿足設計師快速采用的設計需求。為此，本文以京劇臉譜為場景范例，利用自適應色彩聚類獲取場景提取色，結合目標形態結構特征，實現服飾紋樣的自動配色。

1 臉譜樣本搜集與預處理

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。本文側重于方法的構建和闡述，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上，對場景的一致性不作嚴苛規定。

圖1 部分臉譜素材圖像

1.2 圖像預處理

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，因此采用常規閾值分割即可實現臉譜主體的分割。在對原圖灰度化處理的基礎上，采用基于最大類間方差法(Otsu)[15]的自適應閾值分割，形成目標與背景分離的黑白圖像。進一步判定目標區域是否存在孔洞。若存在孔洞，則采用下式對空洞區域進行填充。

Xk=(Xk-1⊕B)∩AC

(1)

式中：Xk為當前狀態；Xk-1為前一次填充狀態；B為對稱結構元；⊕為形態學膨脹操作；A為經過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域，將原圖對應區域分割出來。需要說明的是，當選取的意象場景不考慮具體目標，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，并適當進行了降噪處理。類似地，逐一對其余樣本圖像進行批量預處理操作。

圖2 樣本預處理效果

2 顏色提取與網絡關系模型構建

為獲取場景圖像的色彩分布形態和用色規律，以下對各角色臉譜圖像意象色進行提取，并構建其專屬的色彩網絡關系模型。

2.1 單樣本臉譜顏色聚類

為規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-均值自適應聚類算法，算法思路如下。

1)設置初始聚類中心。以圖像I三通道數據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、設定閾值。計算各像素點至聚類中心的歐氏距離，閾值設定為

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。

3)更新聚類中心、篩選簇群。當計算距離大于閾值時，歸為簇群；當計算距離小于閾值時，重新設置聚類中心。聚類中心設置為小于閾值數據的各通道均值。

4)剩余簇群迭代與篩選。迭代示意圖如圖3所示，在滿足迭代次數及簇內數量下，迭代至聚類中心點不再變化，確定為該簇數組。剩余數據重新進入1)～3)，迭代循環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聚類后，分別構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上進行二次聚類獲得該角色臉譜的意象色。依據設計需要，二次聚類中心數K值可由設計師自行確定，以獲得較為寬泛的顏色區間，滿足紋樣的賦色需求，因此，該階段選用常規的K-均值聚類算法[16]實現自定義簇數的顏色聚類。

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值設定為10時，其提取色結果如圖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 色彩網絡關系模型構建

本文色彩關系網絡模型在文獻[2,17]的基礎進行優化，并對相關特征參數進行計算。以丑角為例，色彩可視化網絡關系模型如圖5所示。

圖5 丑角系列樣本主色網絡關系模型

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)統計提取色兩兩配對在該角色系列圖中出現的頻次，并作歸一化處理；3)對高頻出現的二元配對色連線。設定閾值δ，當高于該閾值時，二者之間連線，線條的粗細程度代表共現頻率的高低；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 紋樣形態特征判定

實驗選取的紋樣初始狀態為線稿圖，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。

規則紋樣內部結構較為簡單，多為循環單元復合而成。如通過旋轉、對稱、剪切、翻轉等操作，對基礎線型進行變換，構成紋樣單元，如圖6所示。右上角四分之一區域線型為基礎線條，經過變換后形成紋樣單元，該單元再次做連續變換形成印花圖稿。

圖6 紋樣1結構形態示例

一般地，紋樣內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，通過對其形狀參數進行判斷，若形態結構相似，則歸為同區域，即由原來的4個區域標記為同一待配區域。

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

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配色方案。

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

(4)

滿足：

(5)

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

由于提取色數量K為可控變量，當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K>Np時，提取色數大于待配需求顏色數，則添加K-Np個虛擬待配目標；反之，提取色數小于待配需求顏色數，此時增加Np-K個虛擬提取色數，從而將不平衡配色轉換為平衡配色，最終抽取各待配區域的顏色項。

3.3 交互配色方案

交互配色是指由設計師借助配色網絡關系模型及其參數，對配色方案進行選擇或調整。

一方面，設計師可依賴上述主動配色機制，自行調整相關控制參數。如調節顏色聚類數K，從而改變可用的顏色數量；或調節配色控制系數α、β，以調節提取色占比、共現概率的優先級。

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

4 結果與討論

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

4.1 控制參數對配色效果的影響

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

經計算，紋樣1待配顏色數Np=10。方案1～3展示了控制系數α=1、β=0，K值分別設定為5、10、15時的配色效果。當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。聚類中心數與待配顏色數之間的差值，導致方案1～3呈現了不同的配色效果，但由于依賴于提取色占比，在色調上較為一致。相應方案效果如圖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 不同控制參數配色效果

方案4～6是在K=Np=10的情形下，α、β參數值分別設置為：(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轉到第8位；方案5較方案4，C5前移1位；方案6中高頻共現的C6、C7、C8、C10前移至4～7位。由此可見，占比和共現比率優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，參數統一設置為：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，提取色發生了較大變化，導致圖8不同角色臉譜配色風格發生了明顯變化。為了解各角色臉譜提取色在色調、飽和度、明度上的離散程度，將各角色樣本提取色由RGB轉至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，結果如圖9所示。

圖9 不同角色提取色色調、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 紋樣形態對配色效果的影響

不同紋樣，其形態結構存在一定的差異。為觀測紋樣形態對配色效果的影響，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。對于結構簡單的非對稱紋樣(見圖11(a)、(b))，賦色秩序性較好；對于非規則紋樣，如圖11(c)，由于本文對配色目標紋樣進行自動分區，因算法依據內容相似性原則自動賦色，未對內容進行識別和分析，容易產生如花、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，紋樣總體上呈現較為一致的配色風格，但由于形態結構的差異，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，紋樣的形態結果同樣會影響最終的配色效果。本文實驗中所開發的軟件可由設計師自由設置參數，或自由選色、配色，以實現更為豐富多樣的配色表現。

5 結束語

本文重點研究了場景源圖的色彩自適應聚類、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，利用所設計的算法實現了場景色彩解析和目標紋樣的自動配色。結果表明，該算法可依據不同場景提取色，實現對目標紋樣的色彩快速遷移，并通過設置參數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，目標紋樣也可替換為其他類型的圖案，從而為設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。