張 超, 閆茹玉, 朱曉君

(貴州大學 美術(shù)學院,貴陽 550003)

侗錦是少數(shù)民族民間藝術(shù)中極具代表性的傳統(tǒng)手工織品,是貴州黔東南地區(qū)侗族歷史文化發(fā)展的重要代表,也是侗族人民生產(chǎn)勞作與藝術(shù)審美形態(tài)的產(chǎn)物[1-3]。長期以來,國家針對少數(shù)民族文化予以高度重視,2021年8月在《關(guān)于進一步加強非物質(zhì)文化遺產(chǎn)保護工作的意見》中指出“貫徹保護為主、搶救第一、合理利用、傳承發(fā)展”的工作方針,以及“要推動傳統(tǒng)工藝在現(xiàn)代生活中的廣泛使用”。而侗族織錦為貴州侗族地區(qū)最具代表性的民族服飾,其背后蘊含的文化底蘊及民族色彩不言而喻,其研究價值對于保護和發(fā)揚侗族文化具有深遠意義。

現(xiàn)階段,已有學者廣泛關(guān)注民族服飾色彩研究,周夢[4]認為苗、侗族的生活習性、歷史文化、宗教信仰等是其在服飾上的色彩選取、運用原則的重要來源;金蕾等[5]從民俗和宗教兩個角度解析黎族服飾色彩內(nèi)涵,不僅指出其民族文化的象征功能,也梳理了民族生活、文化及信仰的演變和傳承過程。此外,也有其他學者從經(jīng)濟、文化兩方面,對民族服飾色彩的構(gòu)成機制和色彩的內(nèi)涵價值進行解析[6-7]。在民族色彩量化的研究中,吳艷華等[8]將用戶對苗族服飾的色彩感性意象認知轉(zhuǎn)換為設(shè)計要素,提出基于色彩的K均值聚類算法和感性工學結(jié)合的KCQ-KE模型并驗證其可行性。徐平華等[9]利用K均值聚類法研究了民族服飾的色彩構(gòu)成,獲得了一種客觀、可靠的民族服飾色彩測量方法。在色彩感性意象研究方面,馮青等[10]以感性工學為理論基礎(chǔ),采用神經(jīng)網(wǎng)絡(luò)為關(guān)鍵技術(shù)來研究產(chǎn)品配色。陶晨等[11]結(jié)合色彩心理語義詞匯分析及色彩庫的建立,采用HSV色彩編碼方法進行配色。以上無論是基于色彩量化還是感性意象的研究,其配色方法都鮮有考慮用戶側(cè)需求,以及精細化的配色方案,建模過程也相對簡單;同時未能建立意象詞與色彩之間的模糊映射關(guān)系,并且在民族色彩及色彩意象的提取應(yīng)用中對侗族織錦色彩基于用戶心理訴求的研究較少,缺乏對特定色彩樣本量化、篩選分析。

基于此,本文以用戶需求意象為基礎(chǔ),結(jié)合現(xiàn)代圖像分析技術(shù),構(gòu)建更符合用戶視覺簡單心理感知的色彩數(shù)值量化多重K-means-ELM配色模型。首先,收集意象詞并進行提煉歸類,并得到四個維度的意象詞集合;其次,對代表性侗族織錦進行K-medoids聚類主色彩提取和HSV色彩空間轉(zhuǎn)化,并對樣本進行意象詞匹配;再次,對代表性樣本進行多重K-means聚類分群,得到四類相似色彩分布的聚類圖像集合,并對各集合進行代表性主色彩提取;最后,根據(jù)用戶需求意象構(gòu)建多重K-means-ELM配色模型用于主色彩預測并進行模型驗證。本文從用于對色彩需求意象出發(fā),構(gòu)建了色彩—意象的映射關(guān)系模型,實現(xiàn)了從意象到色彩配色的轉(zhuǎn)化;基于對圖像色彩以及意象的映射關(guān)系研究,巧妙地將意象詞與圖像色彩分類型以多重(次)K-means聚類的方式巧妙分離并進行單獨研究細化了配色方案,減小配色難度,提高配色準確度;可為設(shè)計師在進行少數(shù)民族相關(guān)產(chǎn)品設(shè)計時的色彩選擇及色彩占比提供幫助。

1 基于意象的K-means-ELM配色模型架構(gòu)

1.1 基于SD法的意象詞提煉及分類

意象詞通常用于描述人對于事物的心理感知,是主觀意象及客觀印象的直觀形容,也可通過意象詞對圖像色彩進行特殊定位。色彩搭配方案是否合理,很大程度取決于用戶心理訴求。為便于分析需要對意象詞進行提煉和分類,在此之前,需要對意象詞進行采集。首先通過網(wǎng)絡(luò)大量搜集資料,查閱用于描述織物的海量意象詞匯。線上搜集主要通過查閱書籍、文獻、購物網(wǎng)站等收集意象詞匯;而線下搜集則主要是面向貴州侗族地區(qū)的目標人群基于SD法對其進行線下問卷調(diào)研,包括當?shù)鼐用瘛⒍弊蹇楀\傳承人及手工藝人等,搜集具備當?shù)靥厣囊庀笤~匯。

在意象詞提煉及分類過程中,主要是進行線下問卷調(diào)研,結(jié)合貴州侗族當?shù)貙τ诙卞\的色彩感知,從線上線下獲得的原始意象詞中挑選當?shù)爻Ｒ娨庀笤~匯,并加入補充詞匯以縮小意象詞范圍,使得后續(xù)研究更加精確合理。而意象詞篩選條件主要是排除問卷中被勾選的小概率意象詞,即剔除只占到總體勾選意象詞5%的詞匯[12],將剩余意象詞作為研究意象詞集合。由于本文為基于用戶需求意象的配色方案,所以用戶的主觀感受能夠很大程度上影響結(jié)果,因而仍然采用問卷調(diào)查法對相近意象詞進行分群。將兩兩意象詞隨機組合讓用戶進行相近性評價,若認為相近則勾選,認為不相近則不做勾選,制作出n×n的兩兩組合問卷表,以問卷人數(shù)中勾選數(shù)超過70%認為兩兩意象詞相近[8],來評判詞匯相似性。最后,以此對意象詞進行分類,意象詞的提煉及分類過程如圖1所示。1) 收集:線上線下收集大量意象詞匯得到原始意象詞匯集;2) 提煉:線下問卷調(diào)研,剔除不常見意象詞,獲得初始意象詞集合;3) 分類:通過問卷表,將兩兩相似意象劃分為同一類。

圖1 意象詞提煉分類過程Fig.1 Image refining classification process

1.2 圖像色彩分析

意象詞提煉分類之后,對侗錦色彩占比及冷暖色調(diào)分析等主要是建立圖像樣本的色彩數(shù)據(jù)集,并根據(jù)圖像色彩及占比對其進行意象詞匹配。在進行色彩分析之前,首先對侗錦樣本圖像進行篩選,選出當?shù)鼐哂写硇缘膱D樣,將選擇出的圖樣進行主色彩提取及冷暖色調(diào)和飽和度明度等分析。為避免人為因素對圖像顏色分析造成的誤差,實驗在Matlab2018a環(huán)境下采用K-medoids聚類[12]提取樣本圖像的主色彩。K-medoids聚類能夠?qū)⒕垲悩颖緦嶋H值作為聚類中心,避免了均值聚類在提取色彩時,將返回的均值作為聚類中心帶來的色彩偏差,并通過聚類結(jié)果計算主色彩占比。由于本文主要是建立用戶需求意象與配色之間的映射關(guān)系,所以以此為依據(jù)建模,其中侗錦樣本集主要由相機NikonD750拍攝,共得到侗族地區(qū)63張?zhí)厣楀\圖片。在進行色彩分析時,首先選擇出侗族地區(qū)具有特色且較為常見的侗錦樣例。為此,篩選過程主要是經(jīng)過具有豐富履歷的10位侗族織錦傳承人進行挑選和評審來完成,從而選擇出24張具有代表性的侗錦樣本。

在樣本色彩分析過程中,首先提取篩選出侗族織錦圖像的RGB色彩矩陣,將各圖像RGB矩陣輸入K-medoids模型,得到各像素點對應(yīng)的類別及各聚類中心;計算各類別的像素點占比,得到各主色對應(yīng)的占比,繪制出各色彩的占比圖,完成第二步;第三步將主色彩RGB值通過色彩空間轉(zhuǎn)化成HSV值,并對圖像冷暖色調(diào)及飽和度、明度進行分析,H、S、V值分別表示色調(diào)、飽和度和明度,這三個值能夠更為直觀地刻畫圖像色彩,常用于圖像處理[14]。RGB色彩空間轉(zhuǎn)化公式[15]如下所示:

(1)

(2)

V=Cmax

(3)

式中:R′=R/255;G′=G/255;B′=B/255;Δ=Cmax-Cmin;Cmax=max(R′,G′,B′);Cmin=min(R′,G′,B′);這里R′、G′、B′分別是色彩的紅綠藍顏色分量歸一化后的數(shù)值,Cmax表示歸一化RGB值中的最大值,Cmin表示歸一化RGB值中的最小值,Δ表示Cmax與Cmin的差值。

第四步,通過線下問卷調(diào)研的形式,將初始意象詞集合用于圖像的意象匹配,將每個圖像用四個維度的意象詞來描述,分別是:1) 色彩感覺維度,能夠給人以聽覺、視覺、觸覺及嗅覺等方面感覺的色彩維度;2) 色彩情感維度,主要能夠反映人心情和感情等方面的色彩維度;3) 色彩慣用維度,經(jīng)常或習慣性用于描述對象的色彩維度;4) 色彩調(diào)和維度,主要用于描述不同色彩搭配時產(chǎn)生的和諧效果的色彩維度,每個維度用一個意象詞,建立意象詞與色彩及占比之間的映射關(guān)系。其主要分析過程包括:1) 對代表性樣本進行預處理,得到相同尺寸大小的原始圖像;2) 在Matlab中設(shè)置聚類中心個數(shù),使用K-medoids聚類方法將各圖像RGB值矩陣作為輸入,將返回的聚類中心作為主色彩,并繪制色彩比例圖;3) 將色彩RGB值轉(zhuǎn)化為HSV值進行主色調(diào)以及圖像飽和度及明度分析;4) 在色彩空間轉(zhuǎn)化的基礎(chǔ)上,通過問卷對樣本圖像進行四個維度意象詞匹配,用于描述特定圖像。

1.3 圖像聚類分群及ELM配色模型構(gòu)建

1.3.1 圖像聚類分群

將意象匹配之后樣本圖像的主色重新進行多重聚類,由于此時只是對相似圖像進行分群聚類,所以不再考慮提取色彩的準確性。為提高運算速度,此時采用K-means聚類算法,將各樣本圖像RGB值從大到小排序,依次對主色彩進行聚類;將相同聚類簇再次進行主色彩聚類,依次進行多重聚類;根據(jù)聚類次數(shù)得到主色彩分布相似或相同的樣本圖像,而這些樣本除了色彩構(gòu)成相似,其匹配的意象也相對是接近的,為表征同一類樣本圖像的主色彩,再次對同一類樣本各圖像主色進行K-medoids聚類,將聚類中心作為此樣本集圖形的統(tǒng)一主色彩。

1.3.2 ELM分群建模

極限學習機(ELM)[15]是一種簡單易用、學習速度快、泛化性能好的單隱層前饋神經(jīng)網(wǎng)絡(luò),其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。其中a、m、c分別表示神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)、隱藏層神經(jīng)元個數(shù)、輸出層神經(jīng)元個數(shù),而xi=[xi1,xi2,xi3,…,xia]T∈Ra表示網(wǎng)絡(luò)的輸入,wi=[wi1,wi2,wi3,…,wim]T∈Rm表示連接網(wǎng)絡(luò)輸入層節(jié)點與第i個隱藏層節(jié)點的輸入權(quán)值向量,bi=[b1,b2,b3,…,bm]T∈Rm表示網(wǎng)絡(luò)的閾值,βi=[βi1,βi2,βi3,…,βic]T∈Rc表示連接第i個隱藏層節(jié)點與網(wǎng)絡(luò)輸出層節(jié)點的輸出權(quán)值向量,ti=[ti1,ti2,ti3,…,tic]T∈Rc表示網(wǎng)絡(luò)輸出值。

圖2 極限學習機網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Extreme learning machine network structure

這種算法只需要設(shè)置網(wǎng)絡(luò)的隱層節(jié)點個數(shù),網(wǎng)絡(luò)輸入權(quán)值和閾值隨機給定,不需要參數(shù)優(yōu)化,省去大量參數(shù)尋優(yōu)時間,可以產(chǎn)生唯一的最優(yōu)解。極限學習機網(wǎng)絡(luò)模型可用數(shù)學表達式表示為:

(4)

在極限學習機分群建模部分,首先,建立模型的輸入與輸出的對應(yīng)關(guān)系,模型的輸入部分即為圖像四個維度的色彩匹配意象詞及圖像的飽和度、明度,將圖像的色彩值及其占比作為ELM模型的輸出,建立意象詞與配色之間的映射關(guān)系。其次,將多重聚類得到的圖像聚類集合中所包含的輸入輸出分群單獨去訓練ELM配色模型,得到不同圖像聚類集合的ELM訓練模型,由于集合中樣本間色彩值相近,可以近似認為各集合進行模型訓練時,輸出主色彩為固定值,而同一集合樣本間只存在顏色占比差異,相似色彩值具有相近的意象詞,這樣可以根據(jù)不同的意象詞及不同的色調(diào)飽和度明度等信息建立不同的配色模型。最后,當用戶提供意象詞信息時,選擇與用戶意象相匹配的意象所在集合訓練得到的模型去做配色,使配色方案靈活。整個從色彩分析到配色建模的流程如圖3所示,其可分為4個主要步驟:1) 樣本圖像的主色彩提取及色彩空間轉(zhuǎn)化;2) 樣本圖像的意象詞匹配;3) 多重K-means-ELM分群配色模型構(gòu)建;4) 根據(jù)用戶需求意象分群分模型配色。

圖3 配色流程示意Fig.3 Color matching flow chart

2 基于侗錦的配色模型的構(gòu)成分析與驗證

2.1 K-means-ELM配色模型構(gòu)建

本文以貴州肇興侗族地區(qū)的織錦為例,對所提出的方法進行驗證。在意象詞收集階段,查閱書籍、文獻、購物網(wǎng)站并對同族地區(qū)居民進行問卷調(diào)研,以此結(jié)合線上和線下收集一共整理出100個用于描述服飾的意象詞,經(jīng)過問卷篩選后僅剩余60個常用于描述侗族服飾的意象詞。在同近義意象詞歸類時,主要是由侗族地區(qū)18～60周歲的120位居民來完成,其中男女占比4︰6,18～24周歲的人占10%,25～30周歲的占20%,31～40周歲的占10%,41～60周歲的占60%,大部分是中老年人群,少部分是青壯年群體,其中絕大多數(shù)是農(nóng)村常住人口的農(nóng)民,少部分是當?shù)胤椬鞣蝗藛T及學生。經(jīng)過兩兩意象詞投票,得到各意象詞兩兩相近性投票結(jié)果,將投票數(shù)占比作為相近性依據(jù),把占比高于0.7的兩兩意象劃分為同一類,進行意象詞歸類,其中部分意象詞的兩兩組合票數(shù)占比熱圖如圖4所示。圖4中,顏色較深的區(qū)域表示兩兩意象詞意思較接近,可以將其劃分為同一類意象,例如別致的—華麗的及傳統(tǒng)的—復古的這兩對意象詞匯。

圖4 部分意象詞匯的兩兩相近性投票占比熱圖Fig.4 Heatmap of the proportion of votes for pairwisesimilarity of some imagery words

通過對以上120位居民的投票結(jié)果進行整理,將60個意象詞匯整理為6類,結(jié)果如表1所示。將意象詞再次分群用于描述侗錦給人的不同意象體驗,其分群過程主要是將不同類別的意象通過2.2小節(jié)步驟四的各維度意象特征解釋進行人為匹配,分為色彩感覺維度、色彩情感維度、色彩慣用維度、色彩調(diào)和維度四個集合。不同維度的意象給人以不同的感受,以此作為配色依據(jù),對意象詞進行不同維度的劃分,結(jié)果如表2所示。

表1 意象詞分類結(jié)果Tab.1 Image word classification results

在樣本主色彩提取過程中,從收集的63張采樣圖像中進行篩選,最終整理出24張具有代表性的樣本,如圖5所示。對代表性樣本做預處理后,進行色彩分析和色彩空間轉(zhuǎn)換,其主要步驟如下:

第一步,在Matlab環(huán)境下使用K-medoids聚類算法對各樣本RGB值進行主色彩提取,這里為盡可能避免人為主觀因素對結(jié)果的影響,盡量多的提取樣本主色彩。由于同一個侗錦織緞顏色并非復雜多樣,此時將聚類中心個數(shù)設(shè)置為10,提取出10個主色彩,并將提取得到的主色進行排序并計算色彩值占比,繪制出主色彩及其占比圖。圖6為樣本1所對應(yīng)的主色彩及其占比圖,其中藍色折線表示各色彩占比,以此類推可以得到24個樣本的色彩占比圖。由于聚類時使用歐氏距離作為聚類指標,其中樣本1各主色的聚類簇如圖7所示,而各個聚類簇的中各顏色值與聚類中心的歐氏距離誤差分布如圖8所示,大部分誤差集中分布在15。圖9為提取的誤差最為集中的顏色值與聚類中心進行比較,可見絕大部分聚類簇中的顏色值與聚類中心的顏色值較為接近。

圖5 代表性樣本圖像Fig.5 Representative sample image

圖6 樣本1的主色彩及其占比Fig.6 Main colors and their proportionsof sample 1

圖7 樣本圖像1的10種主色的聚類分布Fig.7 Cluster distribution of 10 dominantcolors of sample image 1

圖8 樣本圖像1的10種主色聚類簇各像素點與聚類中心之間的歐氏距離誤差分布Fig.8 Error distribution of Euclidean distance between each pixel pointand cluster center of 10 dominant color clusters in sample image 1

圖9 聚類中心與聚類簇像素點歐氏距離誤差最為集中的主色對比Fig.9 Main color comparison diagram with the most concentratedEuclidean distance error between cluster centers and cluster pixels

第二步,進行RGB值的色彩空間轉(zhuǎn)化,利用HSV色彩空間轉(zhuǎn)化公式,將各圖形K-medoids提取的10個主色彩轉(zhuǎn)化為HSV值。對樣本圖像進行色調(diào)飽和度及明度分析,得到如表3所示的各樣本色調(diào)占比等信息,這些信息結(jié)合意象詞匹配將作為配色模型輸入進行配色。

表3 部分樣本圖像的色彩空間轉(zhuǎn)化結(jié)果Tab.3 Color space conversion results of some sample images

第三步,對樣本進行意象詞匹配,為充分發(fā)掘圖像的意象信息,需要對每個圖像進行1.2小節(jié)所述的四個維度的色彩意象匹配。通過問卷將每個樣本進行四個維度的意象詞匹配,由于被問卷個體意象認知差異,不同個體所搭配的意象也不盡相同。通過整理,將每個樣本不同維度意象匹配結(jié)果進行篩選,選擇出匹配結(jié)果最多的意象作為該圖像各維度意象下的匹配意象,最終結(jié)果如表4所示,將這四個維度的意象結(jié)合圖像的色調(diào)飽和度及明度作為輸入進行色彩值預測。

表4 不同樣本圖像的意象詞匹配結(jié)果Tab.4 Image word matching results for different sample images

在K-medoids聚類提取的主色基礎(chǔ)上,對得到的主色彩進行多重K-means聚類,依次對各樣本的單個主色彩進行聚類,聚類過程如圖10所示。一重聚類,對主色1進行聚類,能夠明顯將樣本1、2、4、6、11、14對應(yīng)主色區(qū)分開來,作為第一類樣本,如圖10(a)所示;二重聚類,對剩余樣本的主色2進行聚類,能夠?qū)颖?3、15、16區(qū)分開,作為第四類樣本,如圖10(b)所示;三重聚類,對其余樣本主色3進行聚類,能夠?qū)颖?、5、7、8、10、12與18、19、20、21、23等區(qū)分開,如圖10(c)所示,分別作為第二類和第三類樣本,最終經(jīng)過三重聚類得到的具有相似色彩構(gòu)成的圖像可分為4類。通過多重聚類結(jié)果,將各類別中各圖像的10個主色彩進行K-medoids聚類將返回的聚類中心作為統(tǒng)一主色,各類別圖像及主色彩分布如圖11所示。由圖11可以看到,同一類的樣本其色彩組成類似,且其色調(diào)也一致,第一、四類樣本主要為暖色調(diào),第二、三類主要為冷色調(diào),而不同類間的樣本其色彩組成也相對有所差異,分析其匹配意象時同樣可以看到,同一類的樣本中其意象組成也相對接近,意象的少許差異主要反映在色彩占比上。

由于樣本的輸入輸出關(guān)系在上述建模中已經(jīng)得出,在此基礎(chǔ)上進行ELM模型的分群訓練。分別對四類樣本分群訓練模型,建立輸入與輸出映射關(guān)系,以此基于用戶需求意象時,能夠選擇相應(yīng)的模型進行配色。

圖10 多重聚類過程Fig.10 Multiple clustering process

圖11 多重聚類圖像分類結(jié)果Fig.11 Multiple clustering image classification results

2.2 配色模型驗證

通過表4所提供的匹配意象及表3的HSV屬性,將意象詞及HSV屬性作為輸入,分別分群對ELM配色模型進行訓練和驗證。其中第三類樣本圖像的ELM模型驗證集平均絕對誤差(Mean absolute error,MAE)、均方根誤差(Root mean square error,RMSE)、平均絕對百分比誤差(Mean absolute percentage error,MAPE)及決定系數(shù)(R2)隨ELM網(wǎng)絡(luò)隱藏層神經(jīng)元個數(shù)變化趨勢如圖12所示,當隱元數(shù)為5時,模型的驗證集誤差達到最小值。圖13顯示了四類樣本圖像在ELM模型中的驗證集預測結(jié)果評價指標。第一類樣本驗證集平均絕對百分比誤差(MAPE)、RMSE、MAE均較其他三種類型的樣本大,第二、三、四類樣本圖像的驗證集誤差小,同時R2也更接近于1(R2越接近于1表示實際值與預測值越接近)[16],其配色準確率相對更高。其中各評價指標的計算公式如下所示:

(5)

(6)

(7)

(8)

為驗證配色模型的優(yōu)劣,本文以問卷調(diào)查的形式,邀請10位資深服裝設(shè)計師及平面設(shè)計師進行采訪,詢問在現(xiàn)代設(shè)計中所接觸的及當下流行色系中所表現(xiàn)的色彩意象詞。經(jīng)梳理整合,篩選出基于色彩感覺維度、色彩情感維度、色彩慣用維度及色彩調(diào)和維度等四個維度的意象詞,最終對其中三位用戶分別配對出三類樣本圖像相似意象,如表5所示。通過意象詞特征選擇該樣本訓練的ELM配色模型,將用戶所提供的意象詞及HSV屬性進行配色,得到如表6所示的配色結(jié)果。用戶1#意象詞“精巧的、活力的、古典的、醒目的”所預測結(jié)果主色4占比高為17.09%,即暗紅色系;用戶3#意象詞“神秘的、嚴肅的、保守的、和諧的”預測配色占比最高為18.60%,即藍黑色系;用戶4#意象詞“個性的、漂亮的、古典的、細膩的”預測配色方案占比最高為16.16%,其色彩值近似于飽和度較低的紫紅色系。

圖12 各評價指標隨隱元變化趨勢Fig.12 Trend of each evaluation index with the hidden layer neurons

圖13 四種類型的樣本圖像在ELM模型中的驗證集預測誤差Fig.13 Validation set prediction error of four types ofsample images in the ELM mode

表5 顧客需求意象統(tǒng)計Tab.5 Customer demand image statistics

表6 基于用戶需求意象的配色結(jié)果Tab.6 Color matching results based on user demand imagery %

基于表6的配色結(jié)果,可以得到第二類、第三類、第四類主色彩的各主色占比,由此可設(shè)計出各類別不同色彩及占比的配色圖案,但是僅知道色彩占比,并不是能懂得設(shè)計出包含精美圖案的侗族織錦。所以在配色基礎(chǔ)上,根據(jù)侗族織錦圖案與色彩設(shè)計要素組合,再融入現(xiàn)代插畫設(shè)計,進行了多方面的思考,如圖14所示。首先,分析設(shè)計主題特征并界定主題內(nèi)涵,即:星——萬物之精、光亮耀眼、多而繁盛;河——河流統(tǒng)稱、廣闊深遠;星河、銀河宇宙、奧妙無窮等諸如此類用戶風格定位的意象融入到侗族織錦的紋理設(shè)計中,將配色填充于紋理得到最終的設(shè)計成品。在插畫設(shè)計方案Ⅰ中整體畫面呈暖色調(diào)與用戶預測色系所對應(yīng),為確保畫面整體美觀性,針對部分區(qū)域進行色彩占比微調(diào),并根據(jù)侗族特色圖案要素組合獲得插畫圖案(圖14(a));設(shè)計方案Ⅱ配色以藍黑色為主色系,畫面整體色調(diào)屬性呈飽和度與明度較低的冷色調(diào)由此得到插畫圖案(圖14(b));設(shè)計方案Ⅲ插畫配色方案相對應(yīng)為高明度、低飽和度的紫紅色色調(diào),給人以古樸、典雅的視覺感受,由此得到插畫圖案(圖14(c))。

圖14 “星河”設(shè)計方案Fig.14 "Galaxy" design measure

3 結(jié) 論

本文通過對黔東南侗族織錦樣本圖像進行用戶需求意象配色模型構(gòu)建,分析色彩之間的比例搭配,從而建立意象詞與色彩之間的映射關(guān)系,以此構(gòu)建了基于用戶需求意向的多重K-means-ELM侗錦配色模型,并進行配色驗證。基于受訪者所提供的意象進行搭配并結(jié)合現(xiàn)代插畫設(shè)計的技法獲得配色作品,由此得出以下結(jié)論:

1) 基于多重K-means對樣本圖像聚類分群的方法,將相似意象與色彩樣本聚為一類,細化了意象—色彩之間的映射關(guān)系,降低了配色難度,提高了配色準確度。

2) 本文所提出的多重K-means-ELM配色模型經(jīng)過驗證能較好地擬合意象詞與色彩之間的對應(yīng)關(guān)系,其驗證集配色結(jié)果的RMSE、MAE及MAPE均較小,其中RMSE、MAE均小于5%,除了第一類配色結(jié)果MAPE為27%,其余三種配色結(jié)果MAPE均小于3%,同時四種配色結(jié)果的決定系數(shù)R2均達到0.9以上,配色結(jié)果準確可行。

3) 將用戶意象到色彩轉(zhuǎn)化的過程與插畫巧妙地結(jié)合,作品在色彩運用上從用戶心理感受出發(fā),深挖意象詞背后的色彩,既減少了現(xiàn)代插畫設(shè)計中色彩設(shè)計的民俗性,也巧妙運用色彩賦予人們民族地域文化特有的心里感受,達到了從意象到色彩的完美過渡。設(shè)計師通過對用戶意象感知模型的認知后,只要設(shè)計構(gòu)思符合其意象的配色原理,便可順利創(chuàng)作出較為理想的產(chǎn)品配色信息,具有很好的創(chuàng)作指導意義。

盡管本文考慮到用戶需求側(cè)意象需求,計及多重K-means聚類劃分相似色彩構(gòu)成的侗族織錦樣本集,明確了意象詞與色彩構(gòu)成之間的模糊映射關(guān)系。建立了行之有效的多重K-means-ELM侗錦配色模型,達到了較為理性的配色結(jié)果。但是基于精細化建模配色的方法,只是將相似色彩構(gòu)成的圖像聚類劃分進行單獨建模配色,其同一個聚類簇中色彩組成并不能保證完全相同,色彩占比也存在一定差異性,不能保證很高的配色精度。在今后的研究中將進一步考慮深入挖掘意象詞與服飾色彩構(gòu)成之間的隱含信息,從而提升配色精度。

《絲綢》官網(wǎng)下載

中國知網(wǎng)下載