基于蜂鳥羽毛的色彩提取及應用

張旻爽 祝成炎 李啟正 張紅霞 林平 丁圓圓

摘要： 鳥類羽毛色彩進化了上萬年，形成了一套天然美感的搭配法則，能夠為設計師提供設計靈感。為探尋其中的配色規(guī)律并加以利用，文章基于蜂鳥羽毛的色彩進行了一系列的仿生色彩提取研究。首先針對K-MEANS聚類算法，對比分析了色相模式與灰度模式兩種不同的初始聚類中心的設置方法，并在此基礎上提出了一種經過優(yōu)化的初始聚類中心的設置方法；然后使用優(yōu)化過后的K-MEANS聚類算法，對10種蜂鳥共200張羽毛色彩照片進行羽毛色彩的主色系提取。通過三次聚類計算，探討分析蜂鳥羽毛色彩的配色規(guī)律，制得相應的占比配色色卡，為設計師在以蜂鳥羽毛色彩為靈感來源的配色方案上提供了一定的理論依據(jù)。

關鍵詞： 聚類算法；初始聚類中心；色彩提??；色彩網(wǎng)絡；色彩設計；蜂鳥羽毛

中圖分類號： TS941.11；J522.2

文獻標志碼： A

文章編號： 1001-7003（2017）12-0059-08

Abstract： The colors of birds feathers have evolved for thousands of years， and a set of collocation tules witrh natural beauty has formed， which can provide designers with design inspiration. In order to explore the color matching law and use it， a series of bionic color extraction and researches have been made based on colors of hummingbirds feathers. Firstly， the K-MEANS clustering algorithm was used to analyze the setting method of two different initial clustering centers （hue mode and gray mode）. On this basis， an optimized setting method of initial clustering center was proposed. Then， this optimized K-MEANS clustering algorithm was used to extract the main color lines of feather colors from a total of 200 feather color photos of 10 species of hummingbirds. Through the clustering calculation for three times， the matching rules of colors of hummingbirds feathers were analyzed and corresponding proportion color cards were gained. This paper provides certain theoretical basis for the designers to apply the color of hummingbirds feathers as the source of color scheme inspiration.

Key words： clustering analysis； initial clustering center； the color extraction； color network； color design； feathers of hummingbird

大自然經過億萬年的進化，形成一套自然美的法則，在這其中，鳥類的羽毛色彩絢麗斑斕，更符合大自然的美麗法則[1]。然而許多學者對鳥類羽毛色彩的研究更多的是在生物學的角度上，分析其成色的原因或者通過模仿羽毛構成的一些特別功能來進行仿生功能設計[2-4]。對其他生物色彩設計雖然也有研究，但只是將觀察所得的色彩組合結合生物外觀來應用[5-6]，在所參閱的文獻當中客觀系統(tǒng)地分析鳥羽色彩的搭配規(guī)律還屬空白。本文以蜂鳥羽毛色彩為例，通過K-MEANS聚類算法[7-8]實現(xiàn)鳥羽色彩的主色系提取，分析鳥羽色彩搭配規(guī)律，制作相應的色彩網(wǎng)絡圖，為色彩設計搭配提供理論依據(jù)。

1 色彩提取方法

對一幅圖片最直觀的感受是其主色系色彩的分布，主色系代表了該圖片中最主要的色彩分布，因此提取一幅圖片中色彩的主色系，可以通過對主色系的視覺效果使之與圖片有相同的感官效果。本文通過對鳥羽色彩的主色系的提取作為基礎來探討鳥羽色彩的搭配規(guī)律。對于色彩提取方式，從1991年顏色直方圖的出現(xiàn)開始就不斷有學者對此進行研究改進及優(yōu)化[9-13]，其中朱淼良等[14]提出的基于聚類分析的主色提取方法，同時權衡了顏色分辨率和顏色特征維數(shù)。陳天云[15]在他的研究中通過準確定位色塊中心，通過量化聚類的分析方法，合理地將圖片中的顏色歸并為與圖樣顏色盡可能相似的顏色，在閾值適當?shù)那闆r下實現(xiàn)圖像中主要特征顏色的選取。Wan等[16]利用八叉樹將圖形的像素按照顏色值的顏色空間來進行聚類，導出主色、平均色等系列的特征色作為圖像內容的索引。利用聚類算法對色彩進行提取已被較多學者應用，具有較好的可操作性。由于鳥類羽毛色彩色系不多，但色彩過渡豐富，針對鳥羽色彩的主色系提取方式，本文采用了K-MEANS聚類算法來實現(xiàn)。

1.1 K-MEANS算法

K-MEANS算法在聚類算法大類里屬于劃分法[17-18]。劃分法是將n個數(shù)據(jù)對象按照一定的要求劃分成m組，每一組代表一種聚類。因此K-MEANS算法的基本步驟如下：

1）從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心。

2）將除去作為初始聚類中心的對象剩下的數(shù)據(jù)對象根據(jù)與初始聚類中心的相似度，分別分配給與其最相似的聚類，得到新的聚類。相似度即為數(shù)據(jù)對象到初始聚類中心的距離，

其中x、y、z均為數(shù)據(jù)對象的坐標位置。

3）計算每個新聚類的聚類中心（該聚類中所有對象的均值，即為該聚類中所有數(shù)據(jù)的RGB值的均值），不斷重復這一過程直到標準測度函數(shù)開始收斂為止。其中一般都采用均方差作為標準測度函數(shù)，

其中μ為該聚類內所有數(shù)據(jù)對象的算術平均值；N為該聚類中數(shù)據(jù)對象的個數(shù)；x為該聚類中的某一個數(shù)據(jù)對象，設置的達到收斂效果時是前后兩次迭代計算所得數(shù)值相差小于1。

1.2 初始聚類中心選擇

根據(jù)K-MEANS聚類算法的原理可以得知，使用K-MEANS算法來得到預期結果的關鍵在于初始聚類中心的選取。通過對文獻[19-20]的閱讀，在對于圖片色彩使用K-MEANS算法進行聚類時，通常有兩種初始聚類中心的選擇方式，一種以灰度值進行選取，一種以色相進行選取。以灰度值進行選取是指在選取初始聚類中心時，所選擇的初始聚類中心點的位置在RGB色彩空間的對角線上，按照所需中心的個數(shù)，即K值來從灰度值0到255之間平均分布；以色相進行選取是指在HSB色彩空間中，將飽和度S和亮度B調整為100，然后沿著色相H0到360之間按所需K值的多少平均分布。由此可以得到兩種聚類模式——灰度模式（即RGB色彩空間模式）和色相模式（即HSB色彩空間模式）。電腦顯示器默認的都是在RGB色彩空間進行成像，因此一幅圖片中可能不會涵蓋所有的色相，但會涵蓋幾乎所有的灰度值。由于紡織品設計中所涉及的色彩較少，因此如采用色相模式進行主色系色彩提取，則會出現(xiàn)有些聚類為零的可能性，因此更偏重使用灰度模式進行主色系提?。欢鴮τ谡掌?，色彩豐富，灰度相差較大，但色相較全，則可使用色相模式進行主色系提取。如圖1和圖2所示是采用這兩種聚類模式進行的色彩提取。

不同聚類模式的選擇，所提取出的色彩有少許的差別，并且色彩所占的比例也不盡相同。首先是因為這兩種不同的聚類模式對于初始聚類中心的選擇方式不同，導致所得的初始聚類中心不同；其次是因為色彩模式是在HSB色彩空間下完成的，在色彩提取結束后，所提取出的色彩需要將HSB值轉化為RGB值，由于計算原因會有些許誤差。但是這兩種方式有一個共同的弊端，即當聚類數(shù)確定后，均不能根據(jù)圖片像素組成的不同而改變初始聚類中心。若能夠根據(jù)所需聚類的圖片來改變初始聚類中心，則能得到更好的效果，所提取的色彩及所占比例能夠接近于原圖片。

對初始聚類中心的選擇方式進行選取，在使用K-MEANS聚類時是非常有必要的。為了通過聚類提取出的色彩能夠更好地還原原圖片，根據(jù)K-MEANS聚類的各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開這一特點，在選擇初始聚類中心時也同樣遵循這樣一特點。首先在所有數(shù)據(jù)中隨機選取一個點作為第一個初始聚類中心，然后計算剩下的數(shù)據(jù)與第一個初始聚類中心的距離，最大距離的即為第二個初始聚類中心，距離第一個、第二個聚類中心均是最大距離即為第三個初始聚類中心，以此類推得到所需數(shù)量的初始聚類中心[21-22]。這種模式下的聚類提取能夠根據(jù)不同圖片像素的分布制定不同的初始聚類中心，所提取出的色彩比較于在灰度模式、色相模式下提取的色彩能夠更接近于原圖片的色彩，如圖3所示。

針對蜂鳥羽毛色彩使用K-MEANS聚類法進行色彩提取，不同種類的蜂鳥羽毛色彩不論是在色相還是在色彩占比上都不盡相同，因此能夠根據(jù)不同的圖片像素分布來選擇不同的初始聚類中心，能夠更好地提取出能夠代表該種蜂鳥羽毛色彩特點的色彩。由于拍攝的蜂鳥高清照片中背景色彩易與鳥羽色彩有所重復，容易導致色彩占比分析出現(xiàn)失誤，因此結合K-MEANS聚類的特點，將蜂鳥照片的背景色彩替換成與鳥羽色彩中色相及灰度相似度盡可能小的色彩。

2 鳥羽色彩分析

由于蜂鳥有較多的種類同時也不易拍攝，為了能減少拍攝光線帶來的蜂鳥羽毛色彩上的誤差，選取10種不同的蜂鳥，每種蜂鳥選取10幅不同姿態(tài)的高清照片。

2.1 占比色卡建立

由于蜂鳥羽毛色彩絢麗多彩、色彩之間過度頻繁，選擇提取主色的數(shù)目為20色。并且由于需要將照片背景替換成不同的顏色，因此選擇的初始聚類中心為21個，每一幅蜂鳥照片在聚類之后可以得到21個不同占比的色彩，除去背景色的聚類，剩下的20色重新計算占比（圖4、圖5）。經過數(shù)輪迭代聚類計算，在進行到58輪左右可以得到理想的聚類效果，因此此后每次都進行58輪次的聚類計算。以長尾蜂鳥為例，首先對單幅長尾蜂鳥的照片進行一次K-MEANS聚類。

將長尾蜂鳥剩下的9張照片依次進行聚類，一共得到10張20色占比圖，共200個色彩。將這200個色彩按照比例填充在一張空白圖片中，得到的新的圖片庫，如圖6所示。

將圖6的圖片進行二次聚類，經過計算迭代聚類輪次為8輪，初始聚類中心選擇為20個，得到新的聚類結果，將此聚類后得到的色彩按照占比做成色卡。10種蜂鳥最終得到的10組占比配色卡，一組占比配色卡即為一種配色方案，如圖7所示。

通過對這10種蜂鳥羽毛色彩的提取分析及主色配色圖的制作，將蜂鳥羽毛色彩搭配特點做以下規(guī)律總結：

1）色相鄰近色配色：鄰近色在色相環(huán)上位置相鄰，雖然色相上有所區(qū)別，但是鄰近色之間可以通過色彩的明度、飽和度的改變相互過渡，在視覺效果上非常接近。在蜂鳥羽毛上以藍青綠、紅橘黃這兩個鄰近色的搭配尤為常見，如圖8所示。

2）色相對比色配色：對比色在色相環(huán)上位置相對較遠，不但在色相上差別較大，在視覺效果上也完全不同。對比色搭配可以相互對比襯托，更加奪人眼球。在蜂鳥羽毛上紅色綠色的對比搭配出現(xiàn)次數(shù)較多，如圖9所示。

3）色相面積對比配色：對于蜂鳥羽毛的整體觀察可以看出，蜂鳥的羽毛色彩基本上由3～4個大色系組成，每個大色系中色彩明暗深淺過渡均勻，色系與色系之間色彩過渡流暢自然。若是鄰近色搭配，則各個色系所占面積比例差別不大；若是對比色配色，則冷色系色相所占面積比暖色系大，如圖10所示。

4）明度對比配色：不論蜂鳥身上羽毛色彩多么明亮絢麗，翅膀上羽毛的顏色一定是偏近黑褐色的明度不高的色彩，并且占有一定的比例，壓住其他亮麗跳躍的顏色，使色彩搭配看起來更為和諧，如圖11所示。

2.2 色彩聯(lián)系網(wǎng)絡建立

相比較于中規(guī)中矩的直接從蜂鳥羽毛色彩所提取的配色方案，設計師更喜歡能夠自己隨意搭配出千變萬化的含有蜂鳥羽毛色彩特征的配色方案。

通過每一種蜂鳥做成的色卡，蜂鳥羽毛色彩基本上由3～4個大色系組成，10種蜂鳥羽毛色彩的大色系差不多可分為藍、綠、灰、黑、棕、白、紅、黃、紫這九種色系，這些大色系之間的搭配次數(shù)所占比例如表1所示。

從表1可以看出，藍色系與綠色系之間搭配的次數(shù)是最多的，綠色系、灰色系和棕色系是搭配范圍最廣的。

將這10種蜂鳥的一共200個色彩再次進行聚類，迭代聚類輪次設定為8輪，初始聚類中心選擇為20個，得到20個色彩及所占比例。這20色是從200張蜂鳥照片共2000個色彩塊經過三次聚類所得到，即可以認為它能夠代表這10種蜂鳥的羽毛色彩庫里的所有顏色。為了能夠更加直觀明了地看出這20個主色的相互配比關系，并結合表1將其做成色彩聯(lián)系網(wǎng)絡圖。色彩聯(lián)系網(wǎng)絡圖的繪制方式[23]如下：1）將經過三次聚類提取到的20個蜂鳥羽毛主色排成一個圓圈，每個色彩自成一圓圈，圓圈的直徑大小代表色彩占比的大小；2）將二次聚類得到的200個顏色一一對應于三次聚類得到的20個顏色，并將彼此搭配過的兩兩色彩之間畫上一條直線，不重復劃線。

通過繪制20色色彩聯(lián)系網(wǎng)絡圖，發(fā)現(xiàn)色塊上每一條線代表它與別的色塊有所關聯(lián)；色塊上的線條數(shù)量越多代表此色塊出現(xiàn)在鳥羽上的頻率越高；不一定占比越高的色塊在鳥羽上出現(xiàn)的頻率越高，如圖12所示，6號色塊上有9條線條，但在比6號色塊小的15號色塊上卻有11條線條，由此可知出現(xiàn)在鳥羽上頻率高的色彩若為點綴色彩，則其所占色彩面積比例是很小的。

2.3 色彩設計

通過色彩聯(lián)系網(wǎng)絡圖的繪制及蜂鳥羽毛色彩搭配的規(guī)律，設計師可直接挑選所需色彩加以加工完成配色色卡。

2.3.1 自制色卡

從圖12中選取互相有關聯(lián)的4號色、8號色、12號色、16號色四個顏色（樣式一），以及2號色、9號色、14號色、18號色四個顏色（樣式二），分別將這四種色彩按照色彩占比的大小選擇不同數(shù)目的明暗深淺不同的過渡色，制成相應的20色卡，如圖13所示。

2.3.2 紋樣賦色

由于鳥類羽毛排列有次序感和幾何感，為了能更好出地體現(xiàn)出色彩排列在鳥羽上的質感，在設計紋樣構圖時，主要以幾何類組合紋樣為主。

從蜂鳥羽毛自身顏色組成的10組色卡中任選兩種，加上自制的兩組色卡，分別對同一紋樣進行賦色，得到效果圖如圖14、圖15所示。

自制色卡是在色彩聯(lián)系網(wǎng)絡圖中隨機選取的四個色彩，經過加工得到的20色配色方案，因此沒有對應的蜂鳥圖片。兩種自制色卡的樣式均遵循了蜂鳥羽毛的配色規(guī)律，樣式一為鄰近色搭配，樣式二為對比色搭配；同時樣式一與樣式二的色彩面積占比也遵循了鄰近色占比相近，對比色冷色系占比多的規(guī)律；樣式一、二中，由于顏色種類較多，若只單將明度值較高的顏色搭配在一起，則會顯得顏色十分跳躍樣式，因此在制作色卡時，加上了一定比例的明度值不高的顏色用以調和。自制色卡在視覺效果上與蜂鳥羽毛本身搭配的色彩一樣，使人第一眼就被絢麗多彩的紋樣吸引，經過對蜂鳥羽毛色彩的主色提取及整合分析重制后，得到的配色方案所賦予紋樣的奪目耀眼感，與蜂鳥自身色彩整合后所得的配色方案制作的紋樣一樣出彩。

3 結 語

本文通過采用K-MEANS聚類算法對10類蜂鳥羽毛色彩進行主色提取，探討分析了蜂鳥羽毛色彩的配色規(guī)律，并制作了相應的色彩聯(lián)系網(wǎng)絡圖，為設計師在以蜂鳥羽毛色彩為靈感來源的配色方案上提供了一定的理論依據(jù)及一定的方便可操作性。由于蜂鳥種類多達300種，雖然各種類蜂鳥的羽毛色彩差異不大，但10類蜂鳥并不能完全概括蜂鳥的羽毛色彩規(guī)律，應再更多地收集其他蜂鳥種類的高清照片，用以填充蜂鳥羽毛色彩數(shù)據(jù)庫，得到更為準確的數(shù)據(jù)理論。同時也可對其他來自大自然提供的靈感來源進行類似的探討分析，如蝴蝶、花朵等色彩鮮艷的物體，總結其色彩搭配規(guī)律，為設計師進行色彩設計提供更多的數(shù)據(jù)理論支持。

參考文獻：

[1]方陵生.鳥類的華彩霓裳[J].大自然探索，2013（3）：34-37.

FANG Lingsheng. Birds of the colorful seduction[J]. Discovery of Nature，2013（3）：34-37.

[2]杰西卡.霓裳羽衣的奧秘[J].世界博覽，2007（6）：28-30.

JESSICA. The mystery of the quilt[J]. World Vision，2007（6）：28-30.

[3]高廣琦，左永春，白春玲，等.鳥類羽毛色素的合成機理與調控機制[J].動物學雜志，2016，51（2）：323-335.

GAO Guangqi， ZUO Yongchun，BAI Chunling， et al. The synthesis and regulatory mechanisms of avian plumage pigmentation[J]. Chinese Journal of Zoology，2016，51（2）：323-335.

[4]周長海，田麗梅，任露泉，等.信鴿羽毛非光滑表面形態(tài)學及仿生技術的研究[J].農業(yè)機械學報，2006，37（11）：180-183.

ZHOU Changhai， TIAN Limei， REN Luquan， et al.Study on non-smooth surface morphology and bionic technology of pigeon feathers[J]. Transactions of the Chinese Society for Agricultural Machinery，2006，37（11）：180-183.

[5]梁黎.兒童食品包裝中的色彩仿生設計分析[J].現(xiàn)代商貿工業(yè)，2012，24（7）：93-93.

LIANG Li. Analysis of color bionic design in childrens food packaging[J]. Modern Business Trade Industry，2012，24（7）：93-93.

[6]王曉昕.仿生色彩設計初探[J].藝術與設計（理論版），2007（7）：35-37.

WANG Xiaoxin. The initial exploration of the bionic color design[J]. Art and Design （Theoretical），2007（7）：35-37.

[7]王靜.基于顏色特征的圖像分類算法研究[D].大連：大連海事大學，2012：40-41.

WANG Jing. Research on Image Classification Algorithm Based on Color Feature[D]. Dalian： Dalian Maritime University，2012：40-41.

[8]李艷紅.基于模糊聚類分析的圖像分割算法研究[D].武漢：武漢理工大學，2007.

LI Yanhong. Research for Image Segmentation Based on Fuzzy Clustering Analysis[D]. Wuhan： Wuhan University of Technology，2007.

[9]SWAIN M J， Ballard D H. Color indexing[J]. International Journal of Computer Vision，1991，7：11-32.

[10]STRICKER A M A， ORENGO M. Similarity of color images[J]. Proceedings of SPIE：the International Society for Optical Engineering，1995，2420：381-392.

[11]PASS G， ZABIH R， MILLER J. Comparing images using color coherence vectors[C]// ACM International Conference on Multimedia. ACM，1997：65-73.

[12]HUANG J， KUMAR S R， MITRA M， et al. Image indexing using color correlograms[C]//Conference on Computer Vision and Pattern Recognition， IEEE Computer Society，1997：762.

[13]MANJUNATH B S， OHM J R， VASUDEVAN V V， et al. Color and texture descriptors[J]. IEEE Transactions on Circuits & Systems for Video Technology，2002，11（6）：703-715.

[14]徐旭，朱淼良，梁倩卉.基于聚類算法的圖像顏色特征提取方法[C]//中國人工智能聯(lián)合學術會議，1998.

XU Xu， ZHU Miaoliang， LIANG Qianhui. Image color feature extraction method based on clustering algorithm[C]//Chinese Joint Conference on Artificial Intelligence，1998.

[15]陳天云，余江，趙東風，等.一種圖像特征色提取方法及軟件實現(xiàn)[J].云南大學學報（自然科學版），2007，29（S1）：80-84.

CHEN Tianyun， YU Jiang， ZHAO Dongfeng， et al. A method of characteristic color extraction and system design[J]. Journal of Yunan University （Natural Sciences Edition），2007，29（S1）：80-84.

[16]XU Faqiang， WAN X X. Color image segmentation algorithm based on dominant color graph[J]. Application Research of Computers，2008，25（1）：313-315.

[17]李朝健，肖建華.常用聚類算法比較分析[J].電腦知識與技術：學術交流，2007，1（2）：471-472.

LI Zhaojian， XIAO Jianhua. Analysis of general clustering algorithm[J]. Computer Knowledge and Technology （Academic Exchange），2007，1（2）：471-472.

[18]趙學武，劉向嬌，尹孟洋.數(shù)據(jù)挖掘常用聚類算法研究[J].電腦知識與技術，2014，10（16）：3710-3712.

ZHAO Xuewu， LIU Xiangjiao， YIN Mengyang. Data mining clustering algorithm[J]. Computer Knowledge and Technology，2014，10（16）：3710-3712.

[19]劉肖健，曹愉靜，趙露唏.傳統(tǒng)紋樣的色彩網(wǎng)絡模型及配色設計輔助技術[J].計算機集成制造系統(tǒng)，2016，22（4）：899-907.

LIU Xiaojian， CAO Yujing， ZHAO Luxi. Color networks of traditional cultural patterns and color design aiding technology[J]. Computer Integrated Manufacturing Systems，2016，22（4）：899-907.

[20]ZHANG Yong， WU Wenjian. Camouflage color selection based on improved K-means clustering[J]. Computer Engineering & Applications，2006，45（6）：210-212.

[21]ARTHUR D， VASSILVITSKII S. K-means++： the advantages of careful seeding[C]//Eighteenth Acm-Siam Symposium on Discrete Algorithms， Society for Industrial and Applied Mathematics，2007：1027-1035.

[22]JIN R， KOU C， LIU R， et al. A color image segmentation method based on improved k-means clustering algorithm[J]. Lecture Notes in Electrical Engineering，2013，217：499-505.

[23]楊躍川，王萌萌，赫思意，等.基于自制色卡的網(wǎng)絡色彩管理[J].杭州電子科技大學學報（自然科學版），2015，35（3）：106-110.

YANG Yuechuan， WANG Mengmeng， HE Siyi， et al. Digital internet color management form digital cameras to display based on self-made color chart[J]. Journal of Hangzhou Dianzi University（Natural Sciences），2015，35（3）：106-110.