李俞霏 梁惠娥

摘要： 為解決人工提取明代織物紋樣色彩存在難度大、準(zhǔn)確性差、直接采樣難的問(wèn)題，文章以明代賜服斗牛袍為例，探討一種新的紋樣提取手段。首先，利用高分辨率數(shù)碼相機(jī)采集斗牛袍織物紋樣;然后將RGB顏色空間的數(shù)字圖像轉(zhuǎn)換至CIELab顏色空間，用中值濾波法對(duì)彩色圖像進(jìn)行平滑處理;再用K-means聚類(lèi)算法對(duì)圖像中的色彩進(jìn)行聚類(lèi)，以實(shí)現(xiàn)不同色彩紋樣的分割;最后利用Calinski-Harabasz指標(biāo)對(duì)聚類(lèi)有效性進(jìn)行判斷，獲取最佳聚類(lèi)數(shù)。實(shí)驗(yàn)結(jié)果表明，此方法可以實(shí)現(xiàn)紋樣色彩的聚類(lèi)分割與智能提取，為研究珍貴古代織物紋樣提供有效途徑。

關(guān)鍵詞： 明代;織物紋樣;斗牛袍;K-means聚類(lèi)算法;聚類(lèi)有效性? ??中圖分類(lèi)號(hào)： TS941.19??文獻(xiàn)標(biāo)志碼： A??文章編號(hào)： 1001-7003（2018）11-0053-06??引用頁(yè)碼： 111109

Intelligent extraction of patterns from Ming dynasty fabrics： the case study of the bullfight robe

LI Yufei ?1，2 ，LIANG Huie 1

（1.College of Textiles and Clothing， Jiangnan University， Wuxi 214122， China;? 2.College of Art，Qilu University of Technology， ?Jinan 250353， China）

Abstract： Extracting patterns and colors from Ming dynasty fabrics manually has been faced with such problems as large difficulty， poor accuracy and difficulties in direct sampling. The bullfight robe in the Ming dynasty was chosen as an example to discuss a new method of extracting fabric patterns， in hope of solving the aforementioned problems. Firstly， digital images of fabric patterns in the bullfight robe were acquired through high-resolution digital cameras. Secondly， the images in RGB color space were converted to CIELab color space， and the color images were smoothened by median filter. Thirdly， K-means clustering algorithm was used for color clustering so as to segment the patterns with different colors. Finally， Calinski-Harabasz index was applied to judge the effectiveness of clustering and obtain the best cluster number. Experiment results indicated that this new method could complete clustering segmentation and intelligent extraction of fabric patterns and colors. The paper provides an effective and efficient way for studying precious ancient fabric patterns.

Key words： Ming dynasty; fabric pattern; bullfight robe; K-means clustering algorithm; clustering effectiveness

明代織物紋樣是中國(guó)傳統(tǒng)服飾文化的重要組成部分 ?[1] 。而明代斗牛袍作為明代織物的典型代表，從內(nèi)容到形式，蘊(yùn)含著豐富的社會(huì)內(nèi)涵，直接或間接地表現(xiàn)出時(shí)代獨(dú)有地文化、信仰和精神內(nèi)涵。袍服中的紋樣基本承襲宋元，并在其基礎(chǔ)上加以豐富。斗牛紋樣多與花卉紋、自然天象紋等相組合，紋樣與留白之間繁簡(jiǎn)相適，疏密相宜，產(chǎn)生極佳的視覺(jué)效果 ?[2] 。當(dāng)前對(duì)于中國(guó)古代織物斗牛紋樣的辨識(shí)較多選擇人眼視覺(jué)判斷，但是由于個(gè)體受到環(huán)境、心理、生理等因素的影響，對(duì)色彩的識(shí)別存在一定差異且缺乏嚴(yán)謹(jǐn)?shù)目茖W(xué)分析和數(shù)據(jù)支撐，因此準(zhǔn)確性欠缺，而袍服紋樣研究的前提是獲取有效的紋樣色彩繼而進(jìn)行辨析和識(shí)別。本文通過(guò)拍攝實(shí)物來(lái)獲取明代賜服斗牛袍數(shù)碼圖片并進(jìn)行平滑處理，借助K-means聚類(lèi)算法，利用Calinski-Harabasz指標(biāo)實(shí)現(xiàn)織物紋樣的智能提取。

1 研究路線

目前，針對(duì)織物紋樣圖像分割的研究主要有：文獻(xiàn)[3]借助均值漂移聚類(lèi)法，提出對(duì)服飾圖像顏色檢測(cè)的思路和方法。文獻(xiàn)[4]對(duì)織物圖像進(jìn)行二值化處理，靈活使用數(shù)學(xué)形態(tài)學(xué)中的膨脹、腐蝕、閉運(yùn)算、開(kāi)運(yùn)算等基本方法，選取合適的結(jié)構(gòu)元素，結(jié)合Matlab語(yǔ)言編程，實(shí)現(xiàn)了機(jī)器對(duì)織物提花區(qū)域的分割。文獻(xiàn)[5]通過(guò)圖像的顏色特征進(jìn)行各種色彩的區(qū)域劃分，在此基礎(chǔ)上，將紋理特征與干擾區(qū)域相融合從而實(shí)現(xiàn)更加準(zhǔn)確的圖像分割。文獻(xiàn)[6]通過(guò)控制平滑程度參數(shù)和空間尺度參數(shù)，平滑掉織物圖像中的紋理結(jié)構(gòu)。再用Canny邊緣檢測(cè)算子檢測(cè)圖案邊緣，認(rèn)為在RGB顏色空間對(duì)圖像平滑和邊緣提取的效果要優(yōu)于其他顏色空間，并比較了其他邊緣檢測(cè)算子分割印花織物圖案的效果。以上文獻(xiàn)為本文研究提供了思路，但是以上方法有的只是針對(duì)灰度圖像的分割，而針對(duì)彩色圖案的分割方法多采用人工判斷分割結(jié)果質(zhì)量，主觀性較強(qiáng)，受個(gè)體影響較大?；诖?，本文提出如下研究步驟：

第一步，采用數(shù)碼相機(jī)完成明代賜服斗牛袍實(shí)物及紋樣的獲取;第二步，將圖像由RGB顏色空間轉(zhuǎn)換至CIELab顏色空間;第三步，利用中值濾波法對(duì)織物紋樣圖像進(jìn)行預(yù)處理，以濾除圖像中的噪聲信號(hào);第四步，采用K-means算法對(duì)圖像顏色像素進(jìn)行聚類(lèi)分析;第五步，選取基于數(shù)據(jù)集樣本幾何結(jié)構(gòu)的Calinski-Harabasz（CH）指標(biāo) ?[7] ，根據(jù)數(shù)據(jù)集本身和聚類(lèi)結(jié)果的統(tǒng)計(jì)特征對(duì)聚類(lèi)結(jié)果進(jìn)行聚類(lèi)有效性判斷;最終，根據(jù)聚類(lèi)結(jié)果的優(yōu)劣選取最佳聚類(lèi)數(shù)。

2 實(shí)驗(yàn)及參數(shù)優(yōu)化

2.1 彩色圖像采集

收藏于山東省博物館的明代斗牛袍屬于賜服（圖1），是集禮制紋樣于大成的服飾，其紋樣題材具有典型明代袍服紋樣的特征 ?[8] 。本文選用佳能5DSR數(shù)碼相機(jī)（日本佳能），使用EF50mmF/12USM鏡頭，在白色背景LED光源、垂直地面為 2m 條件下拍攝，獲取實(shí)物的初始圖像。在文檔反射式模式，最高光學(xué)分辨率5792×5792px條件下，對(duì)彩色圖像進(jìn)行顏色特征提取。

2.2 袍服顏色空間轉(zhuǎn)換

對(duì)于圖像處理，RGB顏色空間是最為重要和常見(jiàn)的顏色模型，建立在笛卡爾坐標(biāo)系中，以紅、綠、藍(lán)三色為坐標(biāo)，疊加產(chǎn)生豐富而廣泛的顏色。但是，RGB顏色空間是非均勻顏色空間，空間中不同位置兩點(diǎn)的距離代表人眼對(duì)此兩個(gè)顏色知覺(jué)的差異大小，受兩點(diǎn)所處位置影響。CIELab顏色空間致力于感知色彩均勻性，能以相同距離表示相同知覺(jué)色差的顏色空間，便于通過(guò)坐標(biāo)系中兩點(diǎn)的幾何距離判斷顏色的相近程度，進(jìn)而對(duì)彩色圖像進(jìn)行分割，是最接近人類(lèi)視覺(jué)的設(shè)計(jì)。在本文中將袍服圖像進(jìn)行了RGB顏色空間向CIELab顏色空間的轉(zhuǎn)換，紋樣區(qū)域和底色區(qū)域的亮度差異對(duì)分割造成的影響已得到消除，CIELab顏色空間更加準(zhǔn)確地進(jìn)行紋樣色彩的分割，具體轉(zhuǎn)換公式如文獻(xiàn)[9]。

2.3 斗牛袍的圖像平滑

由于明代斗牛袍屬于傳世文物，歷經(jīng)年代久遠(yuǎn)，因此考慮其穿著、風(fēng)化、霉變等因素，導(dǎo)致袍服有一定程度的污損和褪色。同時(shí)本文所選用袍服圖像由于受到光源、拍攝水平等因素影響而獲得，數(shù)字采樣和傳輸在經(jīng)過(guò)傳感器和傳輸通道時(shí)經(jīng)常受到噪聲的干擾，有必要對(duì)受噪圖像進(jìn)行濾波，即對(duì)所獲圖像進(jìn)行進(jìn)一步平滑處理。中值濾波是一種非線性濾波技術(shù)，在處理圖像時(shí)，能夠很好地保護(hù)圖像的邊緣而得到了廣泛的應(yīng)用 ?[10] 。中值濾波是順序統(tǒng)計(jì)濾波，即用該像素的相鄰像素的中值來(lái)替代該像素的值：

f ^（x，y）= median （s，t）∈S ?xy {g（s，t）}（1）

式中： f ^（x，y）為中值濾波輸出;S ?xy 表示中心在（x，y），尺寸為m×n的矩形子圖像窗口的坐標(biāo)組;g（s，t）為該坐標(biāo)組除去中心位置其他像素點(diǎn)的灰度值。

本文中被測(cè)織物圖像窗口大小設(shè)置分別采用 3× 3像素、6×6像素、9×9像素……18×18像素，中值濾波在不同濾波窗口展開(kāi)。通過(guò)對(duì)圖2中的彩鳳紋樣進(jìn)行中值濾波處理，隨著濾波窗口尺寸的增大，紋樣色彩的均勻程度增大，但紋樣的清晰度下降，邊緣逐漸模糊。如圖3所示為三個(gè)濾波后的圖片顯示，純色區(qū)域顏色均勻度隨著濾波窗口尺寸增加而改善，但清晰度降低。為了平衡去噪效果和紋樣邊緣清晰度，本文在后續(xù)實(shí)驗(yàn)中選用9×9像素濾波窗口對(duì)圖像進(jìn)行平滑處理。

2.4 K-means聚類(lèi)分割

K-means算法是一種適用于均勻空間、以歐式距離為基準(zhǔn)的聚類(lèi)算法。該算法認(rèn)為，距離相近的對(duì)象組成了類(lèi)，其目標(biāo)是得到類(lèi)內(nèi)緊湊、類(lèi)間分散的分類(lèi) ?[11] 。本文采用K-means聚類(lèi)算法將袍服紋樣CIELab顏色空間中的色彩進(jìn)行聚類(lèi)，進(jìn)而實(shí)現(xiàn)紋樣分割。由于L *表示亮度分量，對(duì)色相無(wú)影響，本文只將a *和b *值作為兩個(gè)坐標(biāo)，在這個(gè)二維坐標(biāo)系中，利用K-means算法對(duì)色彩進(jìn)行聚類(lèi)。具體步驟如下：

步驟1：從數(shù)據(jù)集中隨機(jī)選取K個(gè)樣本作為初始聚類(lèi)中心C={c 1，c 2，…，c k}。

步驟2：對(duì)于每個(gè)樣本x i，計(jì)算該樣本到K個(gè)聚類(lèi)中心的距離，然后將該樣本分配至最小距離聚類(lèi)中心所在的類(lèi);

步驟3：針對(duì)每個(gè)類(lèi)別重新計(jì)算它的聚類(lèi)中心;

c i=1m∑ ?x∈c i x（2）

式中：m是c i所在的簇的元素個(gè)數(shù)。

步驟4：重復(fù)第2步和第3步直到聚類(lèi)中心的位置不再變化。最小化公式：

SSE=∑ K ?i=1 ∑ ?x∈c i dist（c i，x） 2（3）

式中：K表示K個(gè)聚類(lèi)中心，c i表示第幾個(gè)中心，x為c i簇的元素，dist表示的是歐幾里得距離。

2.5 最佳聚類(lèi)數(shù)判定

明代斗牛袍由于時(shí)代久遠(yuǎn)，人工分辨色彩也比較困難、低效，且結(jié)果容易受到人的主觀影響。K-means聚類(lèi)算法的不足是需要人為設(shè)置聚類(lèi)數(shù)。為了更加準(zhǔn)確、科學(xué)地找到一種客觀評(píng)價(jià)聚類(lèi)數(shù)有效性的方法。本文選取數(shù)據(jù)集樣本幾何結(jié)構(gòu)的Calinski-Harabasz（CH）指標(biāo)，根據(jù)聚類(lèi)結(jié)果的統(tǒng)計(jì)特征及數(shù)據(jù)集來(lái)評(píng)估聚類(lèi)結(jié)果，同時(shí)以聚類(lèi)結(jié)果的優(yōu)劣為依據(jù)選擇織物紋樣色彩的最佳聚類(lèi)數(shù)。

CH指標(biāo)通過(guò)類(lèi)內(nèi)離差矩陣描述聚類(lèi)緊密度，類(lèi)間離差矩陣評(píng)價(jià)聚類(lèi)分離度，定義為：

CH（k）=trB（k）/（k-1）trW（k）/（n-k）（4）

式中：n表示聚類(lèi)的數(shù)目，k表示當(dāng)前的類(lèi)，trB（k）表示類(lèi)間離差矩陣的跡，trW（k）表示類(lèi)內(nèi)離差矩陣 的跡。

類(lèi)自身越緊密CH值越大，類(lèi)與類(lèi)之間越分散，即更優(yōu)的聚類(lèi)結(jié)果。圖4為圖3不同尺寸濾波窗口處理結(jié)果中紋樣的不同聚類(lèi)數(shù)（2～6）的聚類(lèi)結(jié)果分布圖，其中聚類(lèi)數(shù)為5時(shí)，CH值最大為1.1570，此時(shí)各類(lèi)自身緊密，類(lèi)與類(lèi)之間分散，聚類(lèi)結(jié)果最優(yōu)。袍服的底色為紅色，屬于正色，用色較為單一且占服裝的最大面積。紋樣部分被分割成4個(gè)部分，顏色依次為橙色、藍(lán)色、綠色、黃色為主，正間色均有涉獵。其中斗牛紋占次面積，其他紋飾占小面積;以大面積色彩為主控色，以次面積色彩作強(qiáng)調(diào)色，以小面積色彩進(jìn)行點(diǎn)綴。

利用K-means聚類(lèi)算法，設(shè)置最佳聚類(lèi)數(shù)為5時(shí)得出聚類(lèi)結(jié)果如圖5所示。從圖5（b～f）中可以看出紋樣的色彩被完全分割開(kāi)來(lái)，紋樣色彩的數(shù)目決定分割區(qū)域的個(gè)數(shù)，由此可知目前的紋樣色彩聚類(lèi)數(shù)是5。提取已經(jīng)分割出來(lái)的區(qū)域，以便獲取紋樣中不同區(qū)域的所占面和色彩，這將有利于對(duì)紋樣的色彩構(gòu)成作進(jìn)一步的研究。由聚類(lèi)結(jié)果可以清晰地呈現(xiàn)出紋樣中彩鳳、四季花卉和云氣的輪廓，祥云中的綠色為低飽和度色彩，紋樣與底色之間的對(duì)比關(guān)系強(qiáng)烈，色澤奪目，體現(xiàn)出華麗的藝術(shù)特點(diǎn)。這也是明代織物紋樣常見(jiàn)的組合，寓意富貴吉祥。

2.6 局部織物紋樣處理結(jié)果

圖6和圖7是利用上述方法處理的另外兩部分明代織物紋樣局部分割結(jié)果。如圖6所示信息采集得到的是袖子背面斗牛刺繡圖案的分割結(jié)果，圖7所示信息采集得到的是袍服正面斗牛刺繡圖案分割結(jié)果。

從圖7（b）紅色區(qū)域可知，斗牛紋用金色表現(xiàn)，須發(fā)用藍(lán)色與黃色。其形態(tài)通過(guò)（c）黃色區(qū)域、（d）白色區(qū)域、（f）藍(lán)色區(qū)域可知，部分紋樣用單色表現(xiàn)。不同明度和飽和度的色彩反復(fù)使用，另有中性色點(diǎn)綴其中。用色雖多，但是繁而不亂，和諧統(tǒng)一，使得織物的紋樣生動(dòng)優(yōu)美，整體色彩明快，色調(diào)統(tǒng)一，視覺(jué)效果飽滿、大氣、醒目。（e）綠色區(qū)域中可以直觀地看到，波浪紋卷曲如花枝，呼應(yīng)著流水中的落花，打破了波紋層層重疊的單一效果。由局部紋樣處理圖像可知，明代的波浪紋已由元代的單一描繪洶涌姿態(tài)演變成為鱗狀弧線條紋的水波與翻卷高揚(yáng)的浪花并置的形式，浪花在層疊的弧狀波紋中起起伏伏，節(jié)律中有變化。

3 結(jié) 語(yǔ)

以斗牛紋為代表的明代袍服紋樣，集尊卑等級(jí)、政治思維及倫理道德價(jià)值觀于一身，是明代皇權(quán)下特殊的文化標(biāo)本之一。本文通過(guò)對(duì)明代斗牛袍的分析，可以看出斗牛紋與自然天象中的云紋、水紋、花卉紋等相搭配，構(gòu)圖嚴(yán)謹(jǐn)、形式多樣，充分體現(xiàn)出明代重視禮制、寓意祥瑞的端莊敦厚的時(shí)代特色和藝術(shù)風(fēng)格。紋樣雖美，但造型、配色及絲線材料千差萬(wàn)別，只有基于準(zhǔn)確數(shù)據(jù)的研究，其結(jié)論才能夠更加直觀地還原紋樣之美，才能夠尊重歷史，從而更加科學(xué)嚴(yán)謹(jǐn)?shù)剡M(jìn)行傳承。本文提出的紋樣智能提取方法可以更加科學(xué)有效地實(shí)現(xiàn)紋樣色彩的聚類(lèi)分割與智能提取。

參考文獻(xiàn)：

[1]吳山. 中國(guó)紋樣全集[M]. 濟(jì)南： 山東美術(shù)出版社， 2016： 17.

WU Shan. The Complete Works of Chinese Patterns [M]. Jinan： Shandong Fine Arts Publishing House， 2016： 17.

[2]張曉霞. 中國(guó)古代染織紋樣史[M]. 北京： 北京大學(xué)出版社， 2016： 332.

ZHANG Xiaoxia. History of Dyeing Patterns in Ancient China [M]. Beijing： Peking University Press， 2016： 332.

[3]邢樂(lè)， 張杰， 梁惠娥， 等. 傳統(tǒng)服飾云肩實(shí)物圖像主色的智能檢測(cè)[J]. 紡織學(xué)報(bào)， 2017， 38（11）： 110-115.

XING Le， ZHANG Jie， LIANG Huie， et al. Intelligent inspection of dominant colors for Chinese traditional folk Yunjian[J]. Journal of Textile Research， 2017， 38（11）： 110-115.

[4]劉桂芬， 劉鐵根. 機(jī)織物提花圖案的一種分割方法[J]. 天津工業(yè)大學(xué)學(xué)報(bào)， 2008， 27（4）： 25-27.

LIU Guifen， LIU Tiegen. A segmentation method for texture regions of Jacquard [J]. Journal of Tianjin Polytechnic University， 2008，27（4）： 25-27.

[5]向軍， 張杰， 潘如如， 等. 采用紋理平滑的印花織物圖案輪廓提取[J]. 紡織學(xué)報(bào)， 2017， 38（11）： 162-167.

XIANG Jun， ZHANG Jie， PAN Ruru， et al. Graphic contour extraction for printed fabric based on texture smoothing [J]. Journal of Textile Research， 2017， 38（11）： 162-167.

[6]周慧， 張華熊， 胡潔，等.基于平滑濾波和分水嶺算法的重組織織物圖像分割[J]. 紡織學(xué)報(bào)， 2015， 36（8）： 39-42.

ZHOU Hui， ZHANG Huaxiong， HU Jie， et al. Backed weave image segmentation based on smoothing filter and watershed algorithm [J]. Journal of Textile Research， 2015， 36（8）： 39-42.

[7]張雄， 趙禮峰. 基于泛化能力的K-均值最佳聚類(lèi)數(shù)確定方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2017， 27（9）： 31-34.

ZHANG Xiong， ZHAO Lifeng. A method for determination of optimal value in K-means clustering with generalization [J]. Computer Technology and Development， 2017， 27（9）： 31-34.

[8]韓敏敏. 瑞獸祥禽畫(huà)衣冠黼黻?duì)N爛文章鮮[J]. 收藏家， 2012（10）： 31-36.

HAN Minmin. Clothes with auspicious animals and magnificent decorative design [J]. Collectors， 2012（10）： 31-36.

[9]任洪娥， 白杰云. Lab顏色空間中基于動(dòng)態(tài)聚類(lèi)的顏色分級(jí)[J]. 計(jì)算機(jī)工程， 2013， 39（6）： 231-235.

REN Honge， BAI Jieyun. Color grading based on dynamic clustering in Lab color space[J]. Computer Engineering， 2013， 39（6）： 231-235.

[10]張旭明， 徐濱士， 董世運(yùn). 用于圖像處理的自適應(yīng)中值濾波[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2005， 17（2）： 295-299.

ZHANG Xuming， XU Binshi， DONG Shiyun. Adaptive median filtering for image processing [J]. Journal of Computer Aided Design and Computer Graphics， 2005， 17（2）： 295-299.

[11]韓海梅， 姚礪， 萬(wàn)燕. 基于K-means和GVF Snake模型的纖維圖像分割[J]. 東華大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2011， 37（1）： 66-71.

HAN Haimei， YAO Li， WAN Yan. Fiber image segmentation based on K-means and GVF Snake model[J]. Journal of Donghua University （Natural Science ）， 2011， 37（1）： 66-71.