苗族服飾色彩體系構建研究

趙海英，銀宇堃

（北京郵電大學計算機學院，北京 100876）

0 引言

色彩是民族服飾的重要呈現內容，也是創作設計的靈魂、文化產品不可或缺的審美對象。民族服飾色彩的形成往往與地理環境、生活習慣以及所浸染的民族文化、宗教信仰等有關，蘊涵豐富的文化內涵與歷史發展脈絡。近年來，由民族服飾色彩衍生的設計產品在世界舞臺大放異彩。我國傳統服飾色彩文化根植于古代，存在于近、現代［1］，苗族服飾展示的不僅是人們的生活瑣事，更是凝聚了民族生存與發展的歷史，蘊涵民族的觀念意識、信念感情，其色彩有別于其他傳統服飾，極具典型性，因此，苗族服飾色彩具有很高的研究價值。本文以傳統色彩地理學方法為理論依據，結合主題色提取與改進的關聯規則挖掘方法，提出苗族服飾色彩體系構建流程，如圖1 所示。通過此體系進一步挖掘苗族服飾色彩的演化規律，更好地傳承苗族服飾色彩文化。

圖1 苗族服飾色彩體系構建流程Fig.1 Construction process of Miao’s costume color system

1 相關工作

首先，通過主題色提取及關聯規則挖掘技術完成色彩數據獲取與色彩規則挖掘。藝術家通常在作品中運用不同的顏色，通過特殊的視覺效果傳達情感。主題色一般為圖像中的主要顏色。JAHANIANA等［2］利用視覺顯著性，提取圖像前景及背景區域中的各種顏色。同時，通過在調色板中定義不同數量的顏色，并用給定圖像中每個顏色的視覺顯著性表示每個顏色的比例，提取圖像的主題色。LIU 等［3］在主題色提取任務中引入色彩情感理論，給出了情感主題色提取框架，通過每個像素的情感值而非顏色值進行主題色提取，并將主題色之間的情感差異作為評價指標，對其進行優化，通過數據驅動確定最終的主題色。LI 等［4］提出了一種基于離散余弦變換（discrete cosine transform，DCT）域的主題色提取算法，該算法基于靜態圖像壓縮（joint photographic experts group，JPEG）標準和DCT 系數等統計參數，可快速從圖像中提取主題色特征。KIRANYAZ 等［5］提出了基于動態聚類的主題色提取方法，該方法在給定顏色空間、距離度量和適當目標函數的前提下，利用粒子群優化算法（particle swarm optimization，PSO），尋找圖像中的最優主題色數量。趙葉峰等［6］提出一種利用色彩和諧模板輔助提取油畫主題色的方法，通過色相直方圖與色彩和諧模板匹配，對圖像進行區域劃分，然后根據提取的主純度、主色相及主明度創建候選主題色，最終根據HSL（hue saturation，lightress）歐式距離選出主題色。朱臻陽等［7］針對已有主題色提取方法中存在誤檢和漏檢現象以及主題色數量等問題，提出了一種基于直方圖峰值篩選與剔除的圖像主題色提取方法。

從大規模數據中挖掘對象之間的隱含關系，稱為關聯分析（associate analysis）或者關聯規則學習（associate rule learning）。關聯規則挖掘的概念最早由AGRAWAL 于1993 年提出［8］，用于研究市場中各物品之間的購買關系。Apriori 算法是較經典的一種關聯規則挖掘算法。隨著硬件設備的改善及研究工作的不斷深入，關聯規則挖掘算法不斷被改進，已應用于眾多領域。LI 等［9］提出一種基于MapReduce 的并行Apriori 算法，該算法通過多臺計算機解決了可分布大數據的處理問題。BRANKO 等［10］提出了一種基于關聯規則學習的子群發現算法（APRIORISD），通過建立分類規則學習器，并采用新穎的后處理機制、規則質量度量指標和基于概率的實例分類方法實現數據挖掘。朱丙麗等［11］通過對圖像色塊的RGB（red，green，blue）值進行抽取和處理，并建立常用顏色數據表和顏色值數據庫，從而將非結構化數據的挖掘轉化為結構化數據挖掘。丁田妹等［12］將粗糙集理論運用于產品色彩意象方案設計，并以此挖掘消費者對產品色彩意象認知的規則。

井曉鵬［13］通過文獻資料分析和現狀調查，研究了以建筑群體色彩為主的“狹義城市色彩”，同時對西安市老城區的城市色彩體系進行了歸納。丁昶［14］通過實地考察和對藏區歷史發展的研究，總結了藏族建筑色彩體系化的構成及表達規律，提出“藏族建筑色彩體系”的概念，進而構建了藏族建筑色彩體系框架。田雋［15］根據實景、實物資料、網絡資源和文獻等，從色彩學角度研究了藏族人民運用色彩的特點及規律；之后，運用系統性方法，分析、歸納并構建了具有藏族特色的色彩體系。劉毅娟［16］采用定量分析方法對蘇州古典園林的色彩環境進行了系統分析，提出了一套完整的色彩保護體系。劉姣姣［17］利用色度學、紡織科學、地理學和民俗學等理論，借助色度測量技術，通過文獻與圖像、實物與文字的相互印證，研究了近代漢族民間服飾色彩體系的傳統色名、設色規律、呈色工藝、地域差異及蘊涵的民俗文化。

2 苗族服飾圖像采集與色彩獲取

2.1 苗族服飾圖像采集

民族服飾資源數字化已成為當今文化保護、文化傳承、數據共享的關注熱點。民族服飾實物采集難度高，現存數字資源較少，對民族服飾體系化的研究亦較少。本文通過網絡爬取及數字化采集方式獲取苗族服飾源圖像。其中，網絡爬取方式具體操作為選擇北京服裝學院民族服飾博物館網站，采用通用式爬取方法，通過域名解析得到IP 地址，下載該網頁內容。數字化采集方式按文獻［18］中的標準進行實物采集，采集精度不低于1 200 萬像素，精度300 dpi，若服飾中帶有銀飾或反光材質，則將室內布置為柔光或使用偏振鏡去除反光。用這2 種方式共獲得苗族服飾原圖像1 235 幅，按衣、裙、褲、配飾分為4 類，各類數量如表1 所示。以此構建苗族服飾數據集，為苗族服飾色彩元素提取提供數據基礎。

表1 服飾圖像采集數量Table 1 Quantity table of costume image acquisition

2.2 苗族服飾圖像預處理

在苗族服飾采集過程中，雖已盡可能排除環境因素的影響，但由于大部分布料及織物表面具有復雜的組織結構和紗線紋理，部分圖像顏色不一致，影響顏色的提取結果［19］。為此，需對苗族服飾圖像進行預處理。第1 步，通過雙邊濾波去除夾雜在平滑圖像中的噪聲。第2 步，用尺度自適應的紋理濾波方法［20］去除服飾圖像中的紋理細節。該方法主要基于方向統計量，可區分圖像中的紋理和結構，識別待平滑像素鄰域的范圍，推斷最佳平滑尺度，在保持原圖像顯著性結構的同時，自適應地保留圖像的細節信息。第3 步，鑒于本文獲取的苗族服飾圖像大多有純色背景，且部分苗族服飾帶有掛飾或羽毛等裝飾，簡單的閾值分割無法將其與背景分離，需采用最大似然估計（expectation-maximization，EM）方法對服飾圖像的前景與背景進行分離。經雙邊濾波及紋理去除后的服飾圖像如圖2 所示，前景與背景分離后的服飾圖像如圖3 所示。

圖2 經雙邊濾波與紋理去除后的服飾圖像Fig.2 Smoothing and texture removal of costume image

圖3 前景與背景分離后的服飾圖像Fig.3 Foreground and background separation of costume image

2.3 苗族服飾圖像主題色的提取

用K-Means 聚類方法提取苗族服飾圖像的主題色，構建圖像色卡（palette）。首先，選取任意K個色彩樣本，并將其作為初始聚類的中心，每個樣本代表一個聚類簇，然后，將集中的樣本按最小距離原則分配到最鄰近聚類，使目標函數值最小：

其中，xi為 像素點，pj為第j個初 始聚類中心，K為聚類數。然后，將每個聚類中的樣本均值作為新的聚類中心，重復上述步驟，直至聚類中心不再發生變化。

由于苗族服飾常以5 色為主，文獻［21］通過實驗得到，在圖像主題色提取任務中，當色彩數量K∈[3，7]時，即可提取圖像的主要色彩特征，一般默認K=5。因此，本文在提取圖像主題色時，選擇5 種顏色作為一幅服飾圖像的色卡。通過對比中位切分（modified cut quantization，MMCQ）法、八叉樹（octree quantization，OQ）法和K-Means 法知（見表2），K-Means 法提取的主題色效果較好，較符合人們的直觀感受，更接近于手工提取的色彩。

表2 主題色提取方法對比Table 2 Comparison of dominant color extraction methods

采用上述方法，基于苗族服飾圖像數據集可獲得單幅圖像的色卡和色值信息，進而生成苗族服飾色彩庫。

3 基于改進的Apriori 色彩規則挖掘

基于苗族服飾色彩庫，用改進的Apriori 算法進行色彩規則挖掘。

3.1 基于色差的色彩候選集獲取

色彩規則和色彩屬性具有不確定性。無論是用數字化方法還是用測色儀進行顏色提取，都會出現色差，而色差在一定范圍內是可以接受的，見表3。因此，在色彩數據挖掘中，色彩規則不一定存在強關聯A→B，也可能存在A→B∪A'→B，其中，A和A'為可接受色差范圍內的2 種顏色。以Lab(86，2，78)為例，計算得到2 種顏色的色差，見表4。

在色彩關聯規則挖掘中，假設C={c1，c2，…，cm}是包含m種顏色的色彩集合，其中，cj，j=1，2，…，m表示各種顏色。設T為事務，是色彩 集C的非空子集，T?C，C≠?，D={T1，T2，…，Tn}為事務集，其中，Ti表示各事務，且Ti?C。在事務集中，每個事務T中包含多種色彩，在獲取K-頻繁項集前首先要獲得K-候選項，由于色卡中 含5 種顏色，因 此K=1，2，…，5，將傳統CIEDE2000 色差引入Apriori 算法進行計算。首先，將 RGB 顏色數據轉換至 Lab 空間，計算

表3 色差控制范圍Table 3 Chromatic aberration control range

表4 色差值計算示例Table 4 Example of chromatic aberration calculation

其中，G表示CIELAB 色彩空間軸的調整因子。然后，計算明度差色度差、色相差：

最后，計算2 種顏色的色差ΔE：

其中，K為權重系數，S為色差參數，下標H，C，L分別指明度、色差和色相。對于紡織品服飾，通常取KH=KC=1，KL=2，SL=1。

首先，將所有色彩數據按照色差建立連邊，然后，按照ΔE≤4 進行初步去邊操作，并用文獻［22］中方法進行模塊化聚類，得到苗族服飾常用色彩標簽（一個色彩標簽表示一個類，一個類中包含多個色彩數據），最后，根據支持度進行剪枝運算，獲得候選項集。

3.2 色彩頻繁項集的構建

在色彩候選項集中計算各色彩集出現的頻次和支持度，若某色彩集的支持度大于最小支持度，則該色彩集為頻繁項集。Apriori 算法的核心思想是，一個頻繁項集的所有子集均是頻繁項集，一個非頻繁項集的所有超集（如果集合A中的每個元素都在集合B中，且集合B可能包含集合A中沒有的元素，則集合B就是集合A的一個超集）也是非頻繁項集，由此可獲得多個頻繁項集。通過遍歷事務集可獲取頻繁項集，但復雜度高且耗時長。為此，使用前綴樹［23］方法構造色彩集計數器并對其包含的事務進行計數，在高效存儲數據的同時可降低內存消耗。前綴樹結構如圖4 所示，其中Count(·)表示計數器，根結點與某個結點的連線表示該結點中色彩集的公共部分。通過自上而下逐層創建樹獲取色彩候選集，通過自下而上逐層創建樹獲取色彩頻繁項集。在第1 次遍歷事務集中，篩選出1-頻繁項集，即只包含一項色彩數據的頻繁項集，然后以1-頻繁項集為基礎，構建2-頻繁項集，3-頻繁項集……，直到找到所有頻繁項集。

圖4 色彩集A、B、C、D、E 構成的前綴樹Fig.4 Prefix tree composed of color items A，B，C，D，E

3.3 色彩關聯規則挖掘

在獲得所有色彩頻繁項集后，需要尋找每個頻繁項集對應的關聯規則，Apriori算法在獲得最終規則時以支持度（support）和置信度（confidence）為衡量標準，即若存在A→B，當Support(A→B)＞minSupport且當Confidence(A→B) ＞minConfidence時，稱A→B為強關聯規則，cA和cB的色彩關聯規則即為二者共現，因此cA→cB與cB→cA在色彩關聯規則挖掘中意義相同。本文僅考慮支持度（不考慮置信度）的影響，支持度定義為

本文得到的色彩規則可視作色彩共現情況：假設存在2 種顏色cA，cB，若cA→cB，則色彩cA和cB共現，稱為二元規則。以此類推，可得到三元規則、四元規則等。因本文色卡中的色彩數量有限，最多可得到五元規則。

4 苗族服飾色彩體系構建

根據配色結構理論［16］及文獻［24］的服飾色彩構成原理，可分辨每個色卡中的主色、輔色與裝飾色，即面積占比最大的為主色，次之的為輔色，其余為裝飾色。

4.1 苗族服飾色彩編譜分析

首先，對不同類型的苗族服飾色彩進行統計，研究其主色、輔色及裝飾色，在提取服飾色彩時，獲得每種色彩的占比，得到每條色卡的主色、輔色及裝飾色。以下分別討論衣、裙、褲、配飾的配色結構。首先，分別對主色、輔色及裝飾色根據色差進行聚類，然后，分析色彩分量直方圖，由直方圖的峰值數決定聚類的代表色色彩數k，從而按照不同類型的主色、輔色、裝飾色進行聚類，并參照文獻和領域專家意見進行篩選，得到苗族服飾中常用的主色、輔色、裝飾色，見表5。

自然色彩體系（natural color system，NCS）由瑞典納維亞色彩研究所色彩專家Anders Hard 博士等創立，通過NCS 編譜方式對顏色進行描述，其中W為白度，S 為黑度，C 為彩度，以S2030-Y90R 為例，其在NCS 中的編譜如圖5 所示。

表5 苗族服飾常用配色結構Table 5 Common color collocation of Miao’s costume

圖5 NCS 編譜原理Fig.5 NCS numbering principle

通過對獲得的主色、輔色、裝飾色在NCS 色譜中的標注可知，衣的色彩主要為藍色調[R80B，R40B]、紅色調 [R，Y90R]、黃色調[Y10R，Y30R]、純黑色和純白色，共5 種基色調；在黑度上，高黑度和低黑度較多，中黑度較少，總體屬于高黑度顏色；在彩度上，低彩度區域和高彩度區域的顏色較多，見圖6。裙的色彩主要為藍色調[R90B，R80B]、紅色調[R，Y90R] 和綠色 調[G30Y，G50Y]，驗證了苗族擅染制，色彩多為染料藍色；在黑度上，主要集中在高黑度和低黑度區域，中黑度區域較少，總體屬于高黑度顏色，見圖7。褲的主色較為單一，主要為高黑度中的青黑色或靛藍色輔以灰白色，褲腳中常用圖騰作為裝飾圖案，色彩度較高，見圖8。配飾的色彩主要為藍色調[R60B，R80B]、紅色調[Y90R，Y70R] 和黃色 調[Y20R，Y30R]，相較于衣、裙、褲，配飾的色彩更加豐富，種類也更多；在黑度上，主要集中在高黑度區域，低黑度和中黑度區域分布較平均；在彩度上，多在高彩度區域，可見配飾的色彩較為多樣，見圖9。

綜上，苗族服飾的色彩主要集中在高黑度區域，多以青黑色或靛藍色為主色調，輔色與主色反差較大，配飾色彩較為多樣，且色彩彩度強烈。分析苗族服飾色彩的色相分布可知，其色彩以互補色和過渡色為主。

4.2 苗族服飾色彩規則挖掘

首先，利用色彩聚類方法，以色差為閾值，得到苗族服飾色彩的數據聚類結果，如圖10 所示（圖中顏色并非真實色彩，僅用于區分顏色類別），通過色彩聚類可得到174 個苗族服飾常用色。

其次，根據每類色彩中彩度最大的節點，即與該色彩連邊最多的點，確定174 個苗族服飾常用色標簽T={t1，t2，…，t174}，其中，ti={c1，c2，…，cj}，j為ti類中的色彩個數，色彩標簽如圖11 所示。

圖6 苗族衣常用配色NCS 色譜Fig.6 NCS color spectrum of common color collocation of Miao’s clothes

圖7 苗族裙常用配色NCS 色譜Fig.7 NCS color spectrum of common color collocation of Miao’s skirts

圖8 苗族褲常用配色NCS 色譜Fig.8 NCS color spectrum of common color collocation of Miao’s pants

圖9 苗族配飾常用配色NCS 色譜Fig.9 NCS color spectrum of common color collocation of Miao’s accessories

圖10 模塊化聚類結果Fig.10 Modular clustering result

圖11 174 個色彩標簽Fig.11 174 color tags

在色彩關聯規則挖掘中，將屬于苗族服飾常用色標簽t1下的色彩視作一類，可獲得苗族服飾常用色標簽規則，之后，根據每個色彩標簽獲得完整的苗族服飾色彩規則，即如果存在t1→t5，則有ci→cj，ci∈t1，cj∈t5。

將本文算法中的最小支持度（minSupport）設為0.2，獲得苗族服飾色彩規則，最終得到二元規則5 049 條，三元規則356 條，四元 規則60 條。表6 為部分挖掘結果。

表6 苗族服飾色彩規則部分結果Table 6 Miao’s costume color rules

5 結語

民族服飾的色彩是民族服飾重要的裝飾元素之一，給人以強烈的視覺印象，不僅是一種獨具特色的符號表達方式，也是民族文化特征與審美情趣的核心表達載體，對民族文化的傳承具有重要作用。民族服飾色彩體系的構建過程，既是對民族服飾用色習慣的挖掘和分析、對民族服飾色彩演化規律的整理與具象化，也是向大眾普及民族服飾色彩的過程。本文提出的苗族服飾色彩體系構建方法，以體系化的方式研究苗族服飾色彩中的配色規律。不同于傳統色彩地理學方法，本文在色彩編譜分析的同時，通過量化的方法挖掘苗族服飾的色彩規則，使構建的色彩體系更加科學和完備，亦為色彩體系的研究提供了新的思路。