王 芬，黃 力

(廣西科技大學 藝術(shù)與文化傳播學院， 廣西 柳州 545001)

傳統(tǒng)服飾不僅使人類文化體系更加豐富和完整，而且對現(xiàn)代文化藝術(shù)產(chǎn)業(yè)具有重要的指導意義[1]。中國傳統(tǒng)服裝風格對現(xiàn)代時尚的發(fā)展有著積極的影響，許多中國文化元素啟發(fā)著時尚潮流的設計。服裝圖像一般由3種顏色組成：底色(主色)、輔助色和裝飾色。服裝圖像的底色是服裝形象的主色調(diào)，從主色調(diào)可以辨別出傳統(tǒng)服裝來自何時何地。內(nèi)部結(jié)構(gòu)線中的輔助色起著連接主色的作用，這些顏色的種類非常之多，有多達幾十種顏色。3種顏色組成了一套色彩鮮艷的服裝。其中，主色調(diào)是服裝形象中最重要的部分。

在色調(diào)的識別研究中，曾德文等[2]分析了大量圖片的顏色信息,在此基礎(chǔ)上建立了顏色直方圖模型，提取了圖像主色的4個特征信息,并建立BP神經(jīng)網(wǎng)絡模型,對圖片主色的濃度進行了識別。聞武等[3]根據(jù)圖像色彩提出一種基于色彩特征的無參考彩色圖像質(zhì)量評價模型,在對彩色圖像質(zhì)量進行評價中,考慮了色調(diào)、色飽和度和色彩熵等色度特征的影響。羅微等[4]針對木材圖像，將色調(diào)量化為若干個非等間隔區(qū)間,并在此基礎(chǔ)上采用主色調(diào)的方法,對顏色分量進行合成，從而進行相似性檢索。黃化入等[5]針對復雜多樣的圖像背景，提出了一種改進的可能性C均值聚類方法，通過該方法能夠?qū)崿F(xiàn)子圖像的分割。裴晨等[6]針對常見分區(qū)域圖像修復算法中,提出一種基于改進K均值聚類的圖像修復方法，該方法對于分離效果較差的圖像具有較好的修復效果。李勇等[7]提出一種基于遺傳算法的K均值聚類分割法，通過將彩色圖像轉(zhuǎn)換到Lab顏色空間,同時結(jié)合步進和遺傳算法的方式，搜索最佳聚類中心個數(shù)和聚類中心，進而達到圖像分割的效果。張蓮等[8]針對容易受干擾的紅外圖像，結(jié)合最大最小距離法與改進模糊C均值聚類算法，提出了一種新的圖像分割方法，該方法在抗噪能力方面具有較強的優(yōu)勢。傅藝揚等[9]使用密度峰聚類算法實現(xiàn)了提花織物紋樣的自動分割與提取，提高了提取的準確性。Zheng等[10]利用結(jié)構(gòu)特征和區(qū)域信息對顏色區(qū)域進行分割，為了提高圖像質(zhì)量，采用結(jié)構(gòu)-紋理分解的方法從服飾圖像中提取主要結(jié)構(gòu),該方法還可以從不同的織物結(jié)構(gòu)(如機織、針織和刺繡結(jié)構(gòu))中提取織物顏色區(qū)域。Wang等[11]在圖像處理中，采用中值濾波和雙邊濾波對織物紋理進行平滑處理,該方法對機繡圖像的分色精度較高。

這些方法雖然能夠從織物中提取或分離出顏色，但由于輔助色、裝飾色對顏色聚類或區(qū)域分割結(jié)果產(chǎn)生負面影響，無法準確地識別服裝圖像中的主色。本文研究在前人研究的基礎(chǔ)上，針對中國傳統(tǒng)服裝圖像，提出了一種主色調(diào)識別方法，采用中值濾波去除服裝圖像中的噪聲，根據(jù)背景顏色將目標服裝與背景分離，利用均值漂移聚類算法對服裝顏色進行分類，并從分類結(jié)果中提取傳統(tǒng)服飾圖像的主色調(diào)。根據(jù)實驗結(jié)果表明均值漂移聚類算法的帶寬設置為0.05時，能夠能很好地提取服裝圖像的主色調(diào)，提取的服裝圖像主色與實際顏色基本一致，且計算成本低。

1 研究方法

1.1 研究框架

研究的框架如圖1所示。其步驟為：①利用單反相機獲取服裝圖像。②對3個顏色通道中的子圖像進行中值濾波進行去噪處理。③將3個顏色通道中的子圖像進行組合，重構(gòu)濾波后的圖像[12]，并將其從RGB顏色空間轉(zhuǎn)換到CIE Lab顏色空間。④在背景顏色基礎(chǔ)上，利用Ostu方法[13]對濾波后的圖像進行分割。⑤利用均值漂移聚類算法對顏色圖像進行分類。⑥根據(jù)人工輸入的聚類數(shù)提取服裝圖像的主色調(diào)。

圖1 研究框架Fig.1 Research Framework

1.2 研究方法

1.2.1 中值濾波法

圖2 3×3濾波模板實例Fig.2 An example of filter template of 3×3

(1)

1.2.2 顏色空間變換

CIE Lab 顏色空間是國際通用的與設備無關(guān)的均勻顏色空間，L*表示顏色亮度，a*表示從綠色到紅色的顏色，b*表示從藍色到黃色的顏色。與RGB模型相比，CIE Lab顏色空間的顏色系統(tǒng)更接近人類視覺，更追求感知的一致性，CIE 色彩模式對不同色彩能夠以數(shù)學方式來表示顏色，其色彩模式不依賴特定的設備，不同設備創(chuàng)建的圖像中，其顏色模型產(chǎn)生的顏色均能保持一致性。事實上，傳統(tǒng)的RGB度量坐標是非線性的，在分割模型中，L*、a*、b*更便于通過高斯函數(shù)表示紋理的變化。實驗過程中通過采用Lab顏色模型，對服裝圖像進行主色分離。將服裝圖像的RGB轉(zhuǎn)換到Lab顏色空間中的轉(zhuǎn)換方程如下所示。

①RGB到XYZ顏色空間：

(2)

式中r、g、b分別表示RGB顏色空間中3個通道的灰度值。

②XYZ到Lab顏色空間：

(3)

(4)

式中：Xn、Yn、Zn是供參考的RGB激勵值。轉(zhuǎn)換后，L*、a*、b*的值將分別在0～100、-128～128、-128～128的范圍內(nèi)變化。

1.2.3 均值漂移聚類法

均值漂移聚類算法是一種基于增加梯度密度的非參數(shù)迭代方法，它是一種爬坡算法，涉及到將核迭代地轉(zhuǎn)移到更高密度的區(qū)域直到收斂。每一個位移都由一個平均位移向量來定義，它總是指向密度最大增加的方向。在每一次迭代中，核被轉(zhuǎn)移到質(zhì)心或其中點的平均值。計算平均值的方法取決于核的選擇。均值漂移聚類算法的突出優(yōu)點是計算量小，算法簡單，易于實現(xiàn)。它能顯著減少基本圖像實體的數(shù)目，并且由于良好的不連續(xù)性，能夠保留圖像的顯著特征。假設在C處有一個圓形窗口，以半徑h為中心。給定一組N個數(shù)據(jù)點xi，i=1，2，…，N，且xi∈Ω，x的概率密度可以從點密度估計得到：

(5)

K(x-xi)通常由均勻函數(shù)或高斯函數(shù)給出，高斯函數(shù)如下：

(6)

則密度函數(shù)的梯度變?yōu)椋?/p>

(7)

其中g(shù)(‖x-xi)/h‖2)=-k/(‖x-xi)/h‖2)，假設所有x∈[0，∞)，存在內(nèi)核配置文件k的導數(shù)，h是調(diào)整xi和x之間差異分辨率的帶寬。加權(quán)平均數(shù)和核中心之間的差值稱為“均值偏移”，均值漂移算法中，均值漂移向量m(x)迭代地移動特征空間中的每個數(shù)據(jù)點x，直到平均值收斂到設定的范圍。平均移位向量m(x)可以定義為：

(8)

基于式(8)的分析，可以得到均值漂移聚類算法。首先，圖像被分割為p維向量的二維(2D)晶格，其中p>3表示多光譜圖像，p=3表示彩色圖像，p=1表示灰度圖像，這里需要通過控制核的大小來選擇決定分辨率的帶寬參數(shù)h。

2 實驗過程

2.1 服裝圖像采集

采用佳能EOS500 d數(shù)碼單反相機拍攝中國傳統(tǒng)服飾圖像，選擇線光源(LL068)作為照明源，為成像提供高強度、無閃光的照明環(huán)境，獲得均勻顏色為[L*，a*，b*]=[20，-0.8，-2.4]的背景作為背景。本文研究選用斗篷作為實驗對象，斗篷具有中國傳統(tǒng)服飾色彩和圖案的基本特征。如圖3所示為1 991像素×2 010像素的服裝圖像1，由于中國傳統(tǒng)服裝的實際尺寸較大，采用了雙線性插值的方法對服裝圖像進行壓縮，對主色不會產(chǎn)生影響，且能夠減少計算時間。原始圖像和壓縮圖像之間的比例為4∶1。

圖3 服裝1的原始圖像Fig.3 Original image of clothing 1

2.2 服裝圖像濾波

為了消除長期磨損引起的色斑，對R、G、B 3個顏色通道的子圖像進行中值濾波，以提高圖像質(zhì)量。使用5像素×5像素模板對子圖像的濾波過程和結(jié)果如圖4所示，頂部為原始圖像，底部濾波圖像。從圖4可以看出，服裝表面的污漬得到了有效的消除，顏色信息也得到了完整的保留。

圖4 服裝1的原始圖像和過濾圖像Fig.4 Original and filtered clothing 1 images

2.3 服裝圖像分割

通過式(2)～(4)將RGB顏色空間中的濾波圖像傳輸?shù)紺IE Lab顏色空間。去除均勻背景，提取目標服裝進行顏色檢測。服裝圖像分割通過以下步驟進行：

①服裝圖像中背景色和像素顏色之間的距離映射d由實驗室顏色空間中的歐幾里德公式計算：

(9)

式中：p表示圖像的第i行和第j列中的像素，其CIE Lab值為(li，ai，bi)；q表示背景色，其CIE Lab值為(lc，ac，bc)，處理后的圖像如圖5(a)所示。在圖5(a)中，藍色到黃色的變化表示d越來越大。這意味著背景的L*、a*、b*值與輸入值更接近，而背景的L*、a*、b*值與目標服裝有很大的差異。因此，可以將距離值作為分割信息。

②采用Ostu方法[12]，根據(jù)距離圖自動確定分割閾值。分割結(jié)果如圖5(b)所示，白色像素表示目標，而黑色像素表示背景。

圖5 服裝1處理后的圖像Fig.5 Processed image of costume 1. (a) Euclidean transformed image; (b) Binary image

2.4 均值漂移聚類

基于CIE Lab顏色空間的顏色特征，采用均值漂移聚類方法對目標服裝中的像素進行分類。從服裝圖像中自動分離出底色、輔助色、裝飾色等多種顏色。因此，可以從這些聚類顏色中提取主色。帶寬h是均值漂移聚類方法的一個重要參數(shù)，它對聚類性能和計算時間有很大的影響。帶寬h設置為0.05時，服裝圖像的RGB空間中的聚類結(jié)果如圖6所示。

圖6 服裝1圖像聚類結(jié)果Fig.6 Clothing 1 image clustering results

2.5 主色提取

通過對每個顏色簇的像素數(shù)進行排序來提取主色。提取主色時，需要輸入主色的數(shù)量N，選擇最大像素數(shù)的群集的色心作為主色。從圖3中提取的主要顏色如圖7所示。在圖3中，可以看出服裝有3種主要顏色，因此選擇第1到第3大像素數(shù)作為主色，如圖7(b)～(d)所示，與原始服裝圖像相比，該方法具有較好的提取效果。

圖7 提取3種主色Fig.7 Three dominant colors extracted.(a) Clothing 1 image clustering; (b) Main color 1; (c) Main color 2; (d) Main color 3

3 結(jié)果與討論

3.1 參數(shù)選擇

3.1.1 中值濾波模板大小的影響

為了獲得最佳的圖像濾波效果，選擇3×3、5×5、7×7 3種不同模板尺寸的中值濾波器，進行去噪處理。不同模板尺寸和相同帶寬的過濾結(jié)果、分割結(jié)果和聚類結(jié)果如圖8所示。

圖8 不同模板大小下的濾波、分割和聚類結(jié)果Fig.8 Filtering, segmentation, clustering results of median filters with different template sizes

可見不同模板尺寸的結(jié)果是不同的。盡管分割結(jié)果中的孤立點隨著模板大小的增加而減少，但聚類結(jié)果中的聚類數(shù)目也減少了。為了減少分割結(jié)果中的孤立點，保持聚類結(jié)果中顏色的個數(shù)不變，選擇K=5的模板大小對服裝圖像進行濾波。

3.1.2 均值漂移聚類方法中帶寬h的影響

帶寬h是均值漂移聚類方法的一個重要參數(shù)，它對聚類性能和計算時間有很大的影響。為了獲得最佳的聚類結(jié)果，從圖3中的服裝測試了不同的帶寬，以提取3種主色。用于評估自動和手動檢測的主色之間的色差。不同帶寬下聚類結(jié)果的CMC(2∶1)值(ΔE)和計算時間如表1所示。

表1 ΔE和不同帶寬下的計算時間Tab.1 ΔE and computing time with different bandwidths

提取的目標服裝由93 200個像素組成，輸入均值漂移聚類算法。在表1中，計算時間隨著h的線性增加而逐漸減少，當h>0.07時，聚類數(shù)小于3。另外，當h=0.01時，計算時間過大。因此，h的值應在0.02～0.08之間。

此外，由表1可知，隨著h的線性增加，3種主要顏色的ΔE先增大后減小，ΔE與顏色相似性呈反比關(guān)系，ΔE越小，2種顏色之間的顏色相似性越高。為了進一步確保最佳值，計算3個ΔE的總和，其中h=0.04、0.05和0.07，3種帶寬的計算結(jié)果分別為1.86、1.60、2.28。當h=0.05時，ΔE之和為最低限度，因此選取0.05作為服裝圖像聚類的最佳值。

3.2 實驗結(jié)果應用

為了進一步驗證所提出方法的適用性，根據(jù)上述的分析結(jié)論，本文實驗對另外4幅服裝圖像進行了處理，其中濾波模板大小K取5，帶寬h為0.05。通過手動獲取的原始圖像及其主色如圖9所示，這4幅服裝圖像的顏色聚類和主色提取結(jié)果如圖10所示。主色自動提取和手動提取結(jié)果的比較如表2所示。

圖9 手動獲取的原始圖像及其主色Fig.9 Costume images and its dominant colors acquired manually.(a) Clothing 2; (b) Clothing 3; (c) Clothing 4; (d) Clothing 5

從圖10和表2中，可以看出自動和手動獲取的主色之間存在很小的色差。ΔE的值在0.02～1.35之間，人眼很難分辨主要色差。因此，本文提出的基于均值漂移聚類算法的服裝圖像分色方法具有良好的效果。

圖10 4幅圖像的主色提取結(jié)果Fig.10 Dominant color extraction results of four images. (a) Clothing 2; (b) Clothing 3; (c) Clothing 4; (d) Clothing 5

表2 自動和手動獲取主要顏色提取結(jié)果比較Tab.2 The comparison between dominant color extraction results automatically and manually

此外，該方法在不同情況下采用另外3種不同的中國傳統(tǒng)服飾進行測試，以驗證所提方法的魯棒性，顏色聚類和主色提取結(jié)果如圖11所示。實驗中，根據(jù)3.1中的分析步驟，采用人工預識別背景顏色，將濾波模板大小K設置為5，帶寬h的取值如上節(jié)所述方法，此處獲取的h也為0.05。圖11(a)～(c)服裝圖像的主色提取數(shù)分別為5、4和4。此外，圖11顯示了不同主色的百分比。藍色、暗紅色和紫紅色分別構(gòu)成圖11(a)(b)(c)中的主色。結(jié)果表明，該方法在不同情況下具有很強的魯棒性。

圖11 服裝圖像的主色提取結(jié)果Fig.11 Dominant color extraction results. (a) Original clothing image; (b) Color clustering results; (c) Extract main color

4 結(jié) 論

針對中國傳統(tǒng)服裝主色調(diào)的智能提取提出了一種有效的顏色聚類方法，將數(shù)碼單反拍攝的服裝圖像分解為R、G、B 3個顏色通道，對3個顏色通道中的子圖像分別進行中值濾波。在實驗室顏色空間中，根據(jù)背景顏色對濾波后的圖像進行分割，將目標輪廓與背景分離。利用均值漂移聚類算法對服裝圖像中的所有像素點進行聚類，并從聚類結(jié)果中提取主色成分。實驗結(jié)果表明，當選擇K=5的模板進行濾波，帶寬設置h=0.05時，從服裝圖像中提取的主色與實際顏色基本一致，且計算量小，表明該方法能有效提取服裝圖像主色成分。