融合視覺(jué)感知機(jī)制的品牌女裝設(shè)色解析

林瑞冰, 賈靜, 徐平華*,2,3, 曹竟文, 孫曉婉

(1.浙江理工大學(xué) 服裝學(xué)院,浙江 杭州 310018;2. 浙江理工大學(xué) 浙江省哲學(xué)社會(huì)科學(xué)重點(diǎn)培育研究基地?cái)?shù)智風(fēng)格與創(chuàng)意設(shè)計(jì)研究中心,浙江 杭州 310018;3. 浙江理工大學(xué) 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,浙江 杭州 310018)

色彩是服飾品牌傳達(dá)設(shè)計(jì)理念、體現(xiàn)產(chǎn)品風(fēng)格的重要視覺(jué)要素之一。服飾設(shè)色機(jī)制以可視化、具象化的形式呈現(xiàn)色彩配比,對(duì)品牌色彩管理、產(chǎn)品設(shè)計(jì)用色較為關(guān)鍵。服飾設(shè)色解析的重要前提是提取場(chǎng)景的色彩。設(shè)計(jì)人員基于經(jīng)驗(yàn)認(rèn)知,借助相關(guān)繪圖軟件[1-3],對(duì)服飾主色進(jìn)行提取。該方式的優(yōu)勢(shì)體現(xiàn)在人眼視覺(jué)的判定,但在批量提取、聚類(lèi)以及重復(fù)操作時(shí)其穩(wěn)定性存在不足。

相關(guān)研究利用改進(jìn)的K-mean聚類(lèi)算法[4-5],如用戶引導(dǎo)模型[6]、t-SNE優(yōu)化模型[7]、CC_K-Means算法[8]等實(shí)現(xiàn)服飾色彩的提取。當(dāng)前,K-means及其改進(jìn)算法廣泛用于服飾色彩提取,其本質(zhì)是通過(guò)均值迭代思想對(duì)像素集合進(jìn)行歸類(lèi),與人眼感知尚存差異。人類(lèi)視覺(jué)具有較強(qiáng)的自主選擇性,能夠快捷、優(yōu)先處理感興趣的區(qū)域[9],這一理論為機(jī)器視覺(jué)選擇提供了有效策略。1998年ITTI L等[10]構(gòu)建基于圖像特征的顯著性算法,此后陸續(xù)有類(lèi)似算法(如GBVS模型[11]、FT模型[12]、HC模型[13]等)依據(jù)自底向上[14]、自頂向下[15]兩大類(lèi)結(jié)構(gòu)模擬人眼視覺(jué)聚焦機(jī)制。SHARIATMADAR Z S等[16]將圖像不同方向的緊密度和最高值作為先驗(yàn),結(jié)合自頂向下和自底向上顯著性模型,提取含有人工目標(biāo)的圖像相關(guān)區(qū)域。YAN Y J[17]等提出GLGOV算法,通過(guò)超像素分割圖像色彩,由格式塔定律指導(dǎo)顯著性檢測(cè),更偏向人眼視覺(jué)。

文中從視覺(jué)感知機(jī)制出發(fā),融合K-means顏色聚類(lèi)算法與視覺(jué)感知機(jī)制,提取近似主觀感知的服飾設(shè)色解析方法,為服飾品牌色彩形象管理提供參考。

1 總體思路

服飾設(shè)色解析總體思路如圖1所示,其中包括4個(gè)步驟。

圖1 實(shí)驗(yàn)流程Fig.1 Experimental process

1)視覺(jué)顯著性算法對(duì)比與優(yōu)選。基于服裝樣本劃分顯著區(qū)域,對(duì)比4類(lèi)典型顯著性算法原理及其檢測(cè)效果,優(yōu)選結(jié)構(gòu)清晰、服裝主體凸顯的顯著性算法。

2)服裝顯著性檢測(cè)。將顯著性亮度圖歸一化,獲得每個(gè)像素的亮度值,生成顯著性融合圖。

3)色彩提取算法優(yōu)化。融合視覺(jué)顯著性算法,優(yōu)化形成一種更為符合視覺(jué)注意機(jī)制的色彩提取算法。顯著圖亮度值作為權(quán)數(shù),求取原圖各聚類(lèi)區(qū)域色彩顏色加權(quán)平均值和賦權(quán)后的色彩占比,得到偏向主觀視覺(jué)感知的色彩提取結(jié)果。

4)品牌女裝色彩解析實(shí)證分析。選取3個(gè)品牌近3年服裝秀場(chǎng)女裝圖片,對(duì)比色彩提取算法優(yōu)化前后的效果。采用優(yōu)化算法輸出品牌女裝用色占比條形圖,對(duì)品牌女裝配色規(guī)則進(jìn)行解析。

2 視覺(jué)顯著性算法原理

顯著性檢測(cè)大致分為監(jiān)督方法和非監(jiān)督方法兩類(lèi)。從實(shí)現(xiàn)效率出發(fā),文中選擇非監(jiān)督算法,對(duì)近5年來(lái)提出的4類(lèi)代表性顯著性算法進(jìn)行分析和對(duì)比。

2.1 基于偽深度的RGB-D顯著性算法

基于偽深度的RGB-D顯著性算法[18]利用偽深度作為先驗(yàn),通過(guò)提取的偽深度對(duì)輸入圖像進(jìn)行超像素分割,計(jì)算聚合顏色、深度和紋理對(duì)比度,得到初始前景對(duì)比度圖,再將背景先驗(yàn)和前景對(duì)比度融合在一起,輸出最終顯著圖。偽深度的提取公式為

(1)

式中:I(x,y)表示基于介質(zhì)傳輸模型的圖像I中位置(x,y)處的RGB矢量值;lc和ls分別為圖像中央和周?chē)糠值牧炼?λ為光照系數(shù)。

2.2 基于變形平滑度約束的顯著性算法

基于變形平滑度約束的顯著性算法[19]通過(guò)對(duì)節(jié)點(diǎn)及其鄰域進(jìn)行局部正則化,使用DS約束代替標(biāo)準(zhǔn)平滑度約束,提出一種稱(chēng)為DSMR的標(biāo)簽傳播模型,通過(guò)變形平滑約束顯示出與背景對(duì)比度弱的目標(biāo)區(qū)域,并抑制標(biāo)簽傳播結(jié)果中的背景噪聲。

2.3 基于顏色命名空間的顯著性算法

基于顏色命名空間的顯著性算法[20]著眼于圖像像素的語(yǔ)言顏色標(biāo)簽(即顏色名稱(chēng)),利用PLSA-bg顏色命名模型,將BMS顯著性模型擴(kuò)展到顏色命名空間并獲得布爾映射,計(jì)算公式為

Bi=thresh[φ(I),θ] 。

(2)

式中:Bi為布爾映射;φ(I)為I的特征映射;θ為一個(gè)固定閾值。

利用BMS模型獲得系列視覺(jué)注意圖,將一個(gè)環(huán)繞性線索與兩個(gè)全局顏色線索耦合到一個(gè)統(tǒng)一的框架中,對(duì)注意圖進(jìn)行線性組合,獲得最終的顯著性圖。

2.4 GLGOV顯著性算法

格式塔定律可以描述為視覺(jué)注意機(jī)制從一組視覺(jué)元素中生成完整對(duì)象的能力,例如邊緣和區(qū)域。它認(rèn)為顯著區(qū)域是由幾個(gè)區(qū)域緊密組成的,而背景區(qū)域的分布則更加分散。GLGOV顯著性算法[17]通過(guò)超像素分割,以格式塔定律引導(dǎo)抑制背景超像素的顯著性值來(lái)增強(qiáng)顯著性超像素的對(duì)比度。使用CBHP模型計(jì)算顯著點(diǎn),利用相似度和接近度格式塔定律進(jìn)行平滑處理:

(3)

GLGOV顯著性算法根據(jù)式(3)平滑每個(gè)超像素的空間緊度項(xiàng),提高顯著圖質(zhì)量。

2.5 算法效果對(duì)比與分析

視覺(jué)顯著性算法效果比較如圖2所示。其中,圖2(a)中不同區(qū)域的顯著程度劃分較模糊,服裝整體相較于背景偏亮;圖2(b)沒(méi)有表現(xiàn)出下半身的顯著區(qū)域;圖2(c)將部分褶皺和服裝輪廓判定為高顯著性部分;圖2(d)較清晰地把服飾分成了顯著程度不同的區(qū)域,具體如圖3所示。為此,后續(xù)改進(jìn)色彩聚類(lèi)算法時(shí)采用GLGOV顯著性算法進(jìn)行優(yōu)化。

圖2 視覺(jué)顯著性算法效果比對(duì)Fig.2 Effect comparison of visual saliency algorithms

圖3 不同顯著程度的區(qū)域分割Fig.3 Region segmentation with different saliency

3 色彩聚類(lèi)算法優(yōu)化

3.1 K-means聚類(lèi)算法基本原理

K-means聚類(lèi)常用于對(duì)HSV或其他顏色空間進(jìn)行統(tǒng)計(jì)分析。設(shè)置初始聚類(lèi)數(shù)固定值為K,隨機(jī)生成K個(gè)對(duì)應(yīng)的初始聚類(lèi)中心,根據(jù)歐式距離分配其余數(shù)據(jù)到距離最近的中心,即

(4)

式中:xi為第i個(gè)樣本;μk為第k個(gè)簇對(duì)應(yīng)的中心點(diǎn);t為迭代步數(shù);ci為xi所屬的簇。

根據(jù)分區(qū)計(jì)算均值,生成新的聚類(lèi)中心。重復(fù)上述步驟,并計(jì)算損失函數(shù),計(jì)算方式為

(5)

式中:J為樣本點(diǎn)到對(duì)應(yīng)中心點(diǎn)距離的平方和;m為樣本總數(shù);K為簇總數(shù)。

根據(jù)式(5)逐步迭代優(yōu)化,直至收斂后取得,對(duì)應(yīng)最小損失函數(shù)的聚類(lèi)結(jié)果。

3.2 融合視覺(jué)顯著性的色彩提取

采用3種不同融合形式,比對(duì)分析不同的融合效果。

3.2.1基于視覺(jué)顯著性融合圖的優(yōu)化 為了獲取主觀視覺(jué)感知的色彩提取結(jié)果,將圖像的顯著性信息引入K-means聚類(lèi)模型。利用GLGOV方法提取圖像的顯著性信息,生成圖像的視覺(jué)顯著性區(qū)域亮度圖,高亮度區(qū)域的服裝顏色即為被人眼視覺(jué)關(guān)注更多的顏色。將亮度圖進(jìn)行歸一化處理,歸一化至[0,1],計(jì)算方式為

y=(x-xmin)/(xmax-xmin) 。

(6)

式中:x,y分別為歸一化轉(zhuǎn)換前、后的灰度值;xmax,xmin分別為樣本的最大值和最小值。

將亮度圖的像素灰度值與原圖像的對(duì)應(yīng)像素HSV值相乘,即

(7)

式中:對(duì)于第i個(gè)像素,hi,si,vi分別為生成的新HSV值;Hi,Si,Vi分別為原圖像的HSV值;yi為對(duì)應(yīng)的歸一化后顯著圖的灰度值。

相乘后的融合圖非顯著性區(qū)域顏色亮度變暗,顯著性區(qū)域顏色保持不變。采用融合圖進(jìn)行K-means聚類(lèi),將黑色聚類(lèi)視為背景進(jìn)行剔除,保留其他聚類(lèi)顏色,即顯著性區(qū)域的顏色。

3.2.2基于區(qū)域色彩加權(quán)優(yōu)化 在利用K-means算法分割圖像的基礎(chǔ)上,使用亮度圖對(duì)原圖每一塊聚類(lèi)區(qū)域進(jìn)行加權(quán)平均,提高顯著性區(qū)域的色彩權(quán)重,降低非顯著性區(qū)域的色彩權(quán)重。

各聚類(lèi)區(qū)域內(nèi)的顯著圖與融合圖的所有像素灰度值與HSV值分別相加求和,將同一區(qū)域求和后的HSV值除以灰度值,得到優(yōu)化后的各聚類(lèi)區(qū)域HSV均值,使色彩聚類(lèi)結(jié)果更偏向顯著區(qū)域色彩。具體計(jì)算公式為

(8)

提取聚類(lèi)區(qū)域優(yōu)化后的顏色,作為常規(guī)K-means算法獲得的新聚類(lèi)色彩。

3.2.3基于顏色占比加權(quán)優(yōu)化 基于顏色加權(quán)法的計(jì)算結(jié)果,對(duì)每個(gè)聚類(lèi)區(qū)域的比例進(jìn)行賦權(quán)處理,重新獲取每個(gè)聚類(lèi)區(qū)域的顏色占比并生成聚類(lèi)色卡圖。色彩占比加權(quán)處理具體公式為

(9)

式中:pk為第k個(gè)聚類(lèi)區(qū)域加權(quán)后的區(qū)域占比;m為圖像總像素?cái)?shù)。

將pk進(jìn)行歸一化處理,得到新的色彩占比,即

(10)

式中:Pk為歸一化后的區(qū)域色彩占比;Kf為服裝部分的總聚類(lèi)數(shù)。

提取3.2.2中優(yōu)化后的聚類(lèi)顏色,并使用賦權(quán)后的色彩占比對(duì)提取的色彩進(jìn)行權(quán)重排序,重新生成色彩聚類(lèi)圖和色彩占比。

4 品牌女裝色彩解析實(shí)證分析

4.1 實(shí)驗(yàn)樣本搜集

選取3個(gè)國(guó)際知名女裝品牌Chanel、Fendi和Uma Wang作為實(shí)證。圖像數(shù)據(jù)采集于品牌官方社交媒體賬號(hào)發(fā)布圖像和品牌官方網(wǎng)站圖像,每個(gè)品牌女裝選取2020—2022年度春夏系列女裝與秋冬系列女裝圖像各50張,共計(jì)300幅實(shí)驗(yàn)樣本。

按照品牌和時(shí)尚季分類(lèi),統(tǒng)一將樣本高度設(shè)置為1 300像素,寬度按比例變換。選用HSV顏色模式,使用 Adobe Photoshop剔除樣本背景,并分離樣本中的人體和服裝,生成無(wú)肢體干擾下的服裝內(nèi)容圖像。根據(jù)服裝樣本的特性,采用中值濾波對(duì)樣本進(jìn)行去噪,以較好地保持圖像細(xì)節(jié)[21-22]。

4.2 不同優(yōu)化方式下的色彩聚類(lèi)效果

視覺(jué)顯著性亮度圖的灰度值和原圖HSV值相乘后的效果如圖4所示。

圖4 視覺(jué)顯著性與原圖融合效果Fig.4 Fusion rendering of visual salience and original image

為了便于對(duì)比效果,設(shè)定初始聚類(lèi)數(shù)K1=4。常規(guī)K-means聚類(lèi)算法和3種不同優(yōu)化方式下品牌女裝圖片的色彩聚類(lèi)效果對(duì)比如圖5所示,其中色號(hào)用16進(jìn)制顏色值表示。

圖5(b)中,視覺(jué)顯著性融合圖生成的聚類(lèi)顏色相較于原圖色調(diào)偏暗,聚類(lèi)結(jié)果失真,偏離了原圖的真實(shí)色彩。圖5(c)中基于顏色加權(quán)優(yōu)化得到的色彩提取結(jié)果變化不明顯,還需要進(jìn)一步改進(jìn)。圖5(c)為在此基礎(chǔ)上獲得的基于占比加權(quán)優(yōu)化的色彩提取結(jié)果,處于顯著區(qū)域的橙棕色(B06F43)、深棕色(#46413C)和淺棕色(#BFAC9F)比例提高;處于非顯著區(qū)域的淺灰色(#CECF04)比例下降。該方案對(duì)于K-means聚類(lèi)的HSV值和色彩占比都進(jìn)行了改進(jìn),與常規(guī)K-means聚類(lèi)結(jié)果相比,更偏向主觀色彩感受,聚類(lèi)效果較好。因此文中采用該方案進(jìn)行后續(xù)品牌女裝配色分析研究。

圖5 色彩占比加權(quán)優(yōu)化的聚類(lèi)效果Fig.5 Color proportion weighted optimization clustering effect

利用二次聚類(lèi)的機(jī)制,選擇聚類(lèi)數(shù),提取圖像的主題色并計(jì)算簇的每個(gè)序列號(hào)像素?cái)?shù)占總像素?cái)?shù)的比例,即顏色的比例,生成色彩占比條形圖。

4.3 單一品牌女裝用色分析

以Chanel品牌為例,使用文中提出的色彩提取方法對(duì)該品牌2020—2022年度的階段用色和不同時(shí)尚季的色彩構(gòu)成進(jìn)行對(duì)比與分析。

4.3.13年綜合用色情況 圖6為Chanel品牌2020—2022年度內(nèi)的綜合用色情況。黑色是Chanel品牌的經(jīng)典色彩之一,象征著濃烈和純粹,在近3年,該品牌仍然大量使用黑色來(lái)展示服裝情感,黑色占比為24.31%。在整體用色上,該品牌的低飽和色彩較多,占比排名第1,2,3,5的顏色都為低飽和偏中性色調(diào)的顏色。排名第4,6,8的顏色都為藍(lán)紫色調(diào),說(shuō)明在近3年中該品牌常用藍(lán)、紫色豐富服裝色彩,使服裝顏色不會(huì)過(guò)于沉悶。

圖6 Chanel 2020—2022年度用色情況Fig.6 Color proportion bar chart of Chanel in 2020—2022

4.3.2不同季節(jié)用色情況 Chanel品牌春夏季和秋冬季的用色量情況如圖7所示。由7圖可知,在整體占比上,春夏季黑色占比與其他顏色差異較大,為35.87%,而其他顏色占比都低于14%;秋冬季色彩用量差異較小。在主要顏色上,不同時(shí)尚季都使用了黑色,展現(xiàn)了該品牌的經(jīng)典色彩。在整體配色上,春夏季的配色比秋冬季更活潑,其中排名第2,4,5,8的顏色都為淺色,并且排名第3,4,6的顏色都為冷色調(diào),給人更清涼的感覺(jué)。秋冬季棕紅色調(diào)較多,整體更加穩(wěn)重。

圖7 Chanel不同季節(jié)色彩使用情況Fig.7 Chanel's color proportion bar chart of different fashion seasons

4.4 品牌女裝用色差異分析

4.4.1春夏季 3 個(gè)品牌女裝在2020—2022年度春夏季用色情況如圖8所示。由圖8可知,3個(gè)品牌女裝3年間對(duì)色彩應(yīng)用及規(guī)律不盡相同,其中3個(gè)品牌前3種顏色占比合計(jì)分別為62.51%,58.73%和65.06%,均大于50%。Fendi色彩用量較均衡,占比差值小于21%。在色彩方面,Chanel在近3年的春夏季配色較多地使用大面積的黑色塑造優(yōu)雅感。其中,Fendi顏色使用量排第2,3,4,5,8的都是明亮的淺色系,使整體配色不過(guò)于沉悶;相比于Chanel,Fendi色彩飽和度更高,配色更明亮活潑;Umawang除了排名第6的顏色,都為低飽和的灰棕色調(diào),符合Umawang品牌帶給人的穩(wěn)重收斂的感覺(jué)。

圖8 品牌女裝2020—2022年度春夏季用色情況Fig.8 Spring and summer color analysis of the female brand clothing in 2020—2022

4.4.2秋冬季 3個(gè)品牌女裝在2020—2022年秋冬季用色情況如圖9所示。

由圖9可知,在主體顏色上,3個(gè)品牌前3種顏色占比合計(jì)分別為51.77%,53.76%和54.88%,都大于50%。其中Chanel和Fendi都使用了3個(gè)中性色,Umawang則使用了棕色調(diào)。在整體配色上,3個(gè)品牌使用灰、棕色等低飽和度的色彩較多。Chanel和Umawang的整體色彩偏深沉,Fendi配色偏淺。在特色色彩的使用方面,Chanel顏色占比排名第5,8的為飽和度較高的紅色;Fendi顏色排名第7,8的為淺色撞色, 配色更加大膽;Umawang沒(méi)有使用跳脫的顏色,多為棕色調(diào),說(shuō)明該品牌秋冬季色調(diào)較統(tǒng)一,依然沿襲品牌低調(diào)、復(fù)古典雅的風(fēng)格。

5 結(jié)語(yǔ)

品牌的顯著性色彩是凸顯品牌風(fēng)格、提高品牌形象和品牌價(jià)值的重要因素之一。利用視覺(jué)顯著性算法生成亮度圖對(duì)常規(guī)K-means聚類(lèi)算法進(jìn)行顏色和色彩占比的加權(quán)優(yōu)化,可使計(jì)算機(jī)模擬人類(lèi)視覺(jué)系統(tǒng)。實(shí)證部分選取主觀感受接近的3個(gè)品牌服飾,從量化角度解析了各自設(shè)色差異,彌補(bǔ)了主觀視覺(jué)感知的模糊性,較好地捕捉品牌服裝的重要色彩特征,便于服裝品牌的色彩管理和特色色彩譜系的維護(hù)。

文中以可視化的形式較為清晰地量化出品牌的配色及色彩用量等參數(shù),展現(xiàn)品牌用色形式和規(guī)律,為品牌服裝色彩設(shè)計(jì)提供了客觀依據(jù),也為類(lèi)似品牌的色彩管理提供參考。