服饰刺绣图案的自动提取与色块分割

王晓予， 向 军， 潘如如， 梁惠娥， 高卫东

(1. 江南大学 纺织服装学院， 江苏 无锡 214122； 2. 郑州大学 美术学院， 河南 郑州 450001)

服饰刺绣图案的自动提取与色块分割

王晓予1,2， 向 军1， 潘如如1， 梁惠娥1， 高卫东1

(1. 江南大学 纺织服装学院， 江苏 无锡 214122； 2. 郑州大学 美术学院， 河南 郑州 450001)

为避免人工视觉方法完成刺绣图案花纹提取过程中存在的耗时费力、主观性强等缺陷，结合传统服饰织物，采用图像分析方法实现刺绣图案的自动提取，并进行色值分析。首先采用数码相机实现刺绣织物类图案的采集；接着利用平滑滤波滤除图像中的噪声信号，并将图像从RGB颜色空间转换到Lab颜色空间；然后利用K-Means聚类分析方法对a，b分量进行聚类分析；最后根据聚类分析结果获得准确的图案及色彩信息。研究结果表明：图像处理方法可以实现刺绣图案的自动分割，这种自动化图案分割对一般刺绣图案的自动提取均能使用，这为服饰图案的审美研究提供了全新的样本整理途径。

传统服饰； 刺绣图案； 图像处理； 聚类分析； 色值分析

图案作为服饰的主要外在表现元素，是服饰上最为瞩目的视觉符号，不仅严密切合服装的形制与功能、起到装饰美化衣衫的作用，更直接反映出服饰所处地域、所属年代的社会、历史与文化信息。对服饰图案的研究是社会学、历史学、宗教学、考古学、艺术学、人类学、民俗学研究的重要辅助手段。

纺织品服装的核心功能在于人类的使用，而图案的基础功能是使人们获得装饰的美感，享受视觉的美感。从本质上讲，图案作为一种造型艺术，是运用一定的物质、材料和手段创造的可视静态空间形象的艺术[1]。服饰图案受材料局限而表现手法比较单一，特别是在没有缝纫机、绣花机的农耕时代，传统服饰图案的制作都要靠手工完成，印染、刺绣、黏贴、订缀是传统服饰图案的主要工艺手法，其中刺绣使用频率最高，是传统女红最重要的表现手段[2]。

刺绣图案的布局与构思处理，对刺绣作品的艺术表达与意境效果具有直接作用[3]。而图案审美研究的前提就是要获得有效的研究样本，即图案形象的辨析与色彩识别。图案的色彩设计对刻画主题起到很大作用，不仅能够使观察者对手工艺人所要表达的主题理解更深化，而且从主题本身形象来说也更加具体，令人印象深刻[4]。目前对于图案色彩的判断一般采用人工视觉分析方法完成，但这种方法需要在绘图纸上进行逐点描绘，且从色彩生理学角度来看，个体对色彩的识别敏感度存在差异，对色彩的感受也是不同的，由此带来的直接后果就是不同的研究人员对于同一幅图案中同一色值的认定很难完全一致。由于没有严格的科学分析与数据支撑，这种因人而异产生的认知差异很难消除，服饰图案以及色彩的色值分歧问题也无法得到根本解决。

为了克服人工视觉方法的缺陷，本文结合传统服饰织物，提出采用图像处理方法对刺绣图案进行色彩分析，实现传统服饰中刺绣图案的自动提取，为服饰图案的审美研究提供了新的样本整理途径。

1 图像采集

为完成刺绣图案的自动提取，首先用数码相机完成所选择刺绣织物图像的采集。本文实验中所使用的数码相机为佳能G10，这款相机拥有1 470万有效像素的高分辨率和DIGIC4的影像处理器，能最大程度保证被拍摄主体的颜色、质感和细节。

为避免不同色温的人造光源对图像造成的偏色影响研究准确性，对织物实样进行信息采集时均选择户外自然光线充分的背光处拍摄。图1示出该条件下采集并进行区域裁剪后得到的刺绣图像实例。

图1 刺绣图像实例Fig.1 Image of embroidered sample

2 刺绣图案自动提取

在完成刺绣图像的采集与裁剪后，利用图2所示的流程完成刺绣图案的自动提取。

图2 刺绣图案自动提取流程Fig.2 Automatic extraction procedure of embroidered pattern

2.1图像平滑

实验中首先利用图像平滑方法对刺绣图像进行预处理，以滤除图像中的噪声信号。本文采用的邻域平均法是一种局部空间域的图像平滑算法。这种方法的基本原理是: 用邻域类若干像素的平均值代替图像中的每个像素点。对于N×N大小的图像f(x,y)，经过平滑处理后得到图像g(x,y)。其中g(x,y)由下式[5]决定：

(1)

式中：x,y=0,1,2，…,N-1；S为点(x,y)的邻域中点的坐标集合，但其中不包括(x,y)点；M为集合内坐标点的总数。

上面公式说明，对含有噪声的原始图像f(x,y)的每个像素点去1个邻域S，计算S中所有像素灰度级的平均值，作为空间域平均处理后图像g(x,y)的像素值。平滑后图像g(x,y)中每个像素的灰度值均由包含在(x,y)预定邻域中的f(x,y)的几个像素的灰度值的平均值来决定。邻域平均法可用卷积运算方式来描述，把平均化处理看作是一个作用于M×N图像上的低通滤波器，该滤波器的脉冲响应为m×n阵列H(r,s)。图像g(x,y)可用如下离散卷积表示：

(2)

式中：k=(m-1)/2,l=(n-1)/2，根据所选邻域大小来决定模板的大小，邻域取得过大，会使灰度突变的边缘图像变得模糊起来；H(r,s)为加权函数。在设计滤波器时，给H(r,s)赋予不同的值就可得到不同的平滑效果和锐化效果。

通过比较发现，在本文实验条件下，滤波器选择的邻域大小为8像素×8像素时，可获得较好的噪声滤除效果。图3示出利用图像平滑后的刺绣织物图像，与图1中的图像相比，平滑后图像在后续图案分割中不需要的织物细节纹理结构基本被平滑掉，且图案的轮廓变得比较清晰。

图3 图像平滑后的刺绣织物图像Fig.3 Smoothed embroidered fabric image

2.2颜色空间转换

在计算机显示器中图像使用的为RGB颜色空间，但在图像处理中一般需要均匀的颜色空间来准确表达图像的颜色特征。CIEL*a*b*1976(以下简称Lab)是目前使用较多的一种均匀色彩空间，同时也是一种与设备无关的色彩空间。

考虑到刺绣图案更多的是由不同的绣线构成，实验中将刺绣图像由RGB颜色空间转换为Lab颜色空间。转换公式[6]分2步完成：

1)RGB转XYZ

设r,g,b为RGB颜色空间下的红、绿、蓝3个通道分量，取值范围均为[0,255],转换公式为

(3)

其中

(4)

(5)

2)XYZ转Lab

(6)

(7)

Xn,Yn,Zn一般默认为95.047、100.0、108.833。

图4 颜色空间转换后的图像Fig.4 Images after color space conversion.(a) Component a； (b) Component b

图4示出转换到Lab颜色空间以后的a分量通道和b分量通道对应的灰度图像。可看出，在a通道中绿色分量区分度更大，而在b分量中黄色和蓝色的区分度更大，利用a，b分量的联合作用可实现刺绣图案更准确的颜色分析和图案分割。

2.3K-Means聚类分割

K-means算法是很典型的基于距离的聚类算法，也是一种简单实用的无监督学习算法，采用距离作为相似性的评价指标，即认为2个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此将得到紧凑且独立的簇作为最终目标。主要用于已知类数k的数据聚类和分析，基本步骤[7-8]如下：

1)初始化：k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第1步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表1个簇。

2)将样本集中的样本按照最小距离原则分配到最邻聚类，并使目标函数值最小。可描述为

‖xi-pj‖2

(8)

3)使用每个聚类中的样本均值作为新的聚类中心，表示为

(9)

4)重复2)、3)直到聚类中心不在发生变化。

(10)

该算法在每次迭代中对数据集中剩余的每个对象，根据其与各簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，计算出新的聚类中心。当V值不再发生变化，说明算法已经收敛。

根据图1所示图案中颜色的种类，将聚类数目k的值设定为5。聚类结果如图5所示。

图5 K-Means聚类分析结果Fig.5 K-Means clustering results

3 结果与讨论

图6示出图1所示刺绣图像在RGB颜色空间中进行聚类后分割的结果。可看出，分割结果不太理想，刺绣织物中底色(红色)被分为2类，结合图1中原图可知这主要是由于2个区域颜色的亮度存在很大差异造成的。而Lab空间是均匀的颜色空间，在聚类时摒弃L分量，就是为了消除亮度对分割结果的影响。

图6 RGB空间聚类分析结果Fig.6 Result of cluster analysis in RGB color space

将图像按K-Means聚类结果分割成若干区域，如图7所示。可看出，刺绣图案上的色块被完全分割出来，分割区域的个数主要由构成图案的色块数量决定，在此幅图像中聚类区域数为5。将分割出来的各个区域提取出来，对图案的色彩构成研究有很大帮助。图7中2组图像示出图案中各个区域边缘的提取结果，边缘提取是采用的Canny边缘检测算子[9-10]，Canny分割的判别阈值采用默认自动选择阈值[11]。

图8(a)、(b)示出信息采集得到的另外2幅实物图像，第1幅为风帽飘带上的刺绣图案，第2幅为荷包上的刺绣图案。图8(c)、(d)示出聚类分割的结果，根据图中颜色种类图，图8(a)风帽飘带图案聚类区域数为k=7，而图8(b)荷包图案的聚类区域数k=6。样品2分割结果分区域结果及边缘提取结果如图8(b)所示。

图7 聚类分割和区域边缘提取结果Fig.7 Clustering segmentation and edge segmentation results. (a) Light-red region; (b) Magenta region; (c) Light-green region; (d) Yellow region; (e) Blue region; (f) Edge of light-red region; (g) Edge of magenta region; (h) Edge of light-green region; (i) Edge of yellow region; (j) Edge of blue region

图8 刺绣原图及分割结果Fig.8 Original embroidered images and segmentation results.(a) Original images of sample l; (b) Original tmages of sample 2; (c) Segmentation results of sample 1; (d) Segmentaiton results of sample 2

本文涉及的3幅刺绣图案上的色块被完全分割出来，分割区域的个数主要由构成图案的色块数量决定。通过技术手段将各色块分割提取出来，有助于对图案色彩构成的研究。不仅可由此计算出不同颜色在画面中所占比例及其不同美感的体验，还可通过改变色值将原有图案进行颜色置换，得到完全不同的配色效果。色彩研究者可通过对同一图案不同套色的对比分析得到色彩情绪与色彩心理的研究结果，而这些研究结果也将为图案设计师的理想配色提供重要依据。

从图8(a)、(c)针对1幅风帽飘带部分的刺绣图案做的色彩分割计算结果可清晰地看出，图案中的色彩使用、各色相分布以及相互间位置关系。制作者使用了色相环上跨度360度的红、黄、蓝全色相色彩，却没有给观者带来杂乱烦躁视觉刺激。原因也能从聚类结果分类显示图上看出，从图中可直观感受到图案制作者除了红、黄、蓝3色外，并没有使用更多的间色，而是有意将同一色相的色彩使用丰富化，特别是红色系与蓝色系，通过搭配不同明度与纯度的同类色，使整幅图案的颜色呈现出既统一又富于变化的审美效果。

图9 手工描边结果Fig.9 Results of handcraft contours. (a) Example of figure 1； (b) Example of sample 1； (c) Example of sample 2

图9示出3幅刺绣织物图像手工描边的结果。对比图5和图9可看出，手工对刺绣织物图像进行描边的结果结合了描边人员的主观意见，整个边缘比较平滑，但也丢失了很多刺绣织物原本的一些细节，而聚类分割结果不仅可对刺绣织物图像中不同颜色进行分类，且能够精确提取刺绣织物的细节。

为验证本文算法的准确性，图10示出另外2个样品的分割结果。实验证明本文提出的采用图像分析方法实现刺绣图案的自动提取与色块分割方法对刺绣服饰图案的适应性较强，这也为刺绣图案的审美研究提供了一个全新的样本整理途径[12]。

研究表明，除了绣线相混以及织物污损造成的色相识别障碍以外，影响区域分割结果的主要因素还有服饰织物本身的性状。在获取织物的原始图片时，织物表面的褶皱会严重影响分割结果，因为褶皱引起的边缘变形以及反射折射会使获取的图案、图像上的颜色以及边缘形状和实物有较大差异，此外，由于刺绣图案在制作时就不会按照印刷图案的精度实施，客观上允许一定的模糊性存在；因此，由于织物不平整造成的图案边界及些许色差并不会对图案的色彩以及审美研究造成实质性影响。通过工学手段得到的图案色彩信息显然较人眼识别更为标准。

4 结 语

服饰图案是最具地域文化代表性的形象记载，作为客观存在有其不变的物理属性；而研究者作为拥有主观意识的个体，对任何一个客观存在物的判断不可避免要受到主观因素的影响。实事求是地讲，在任何领域，研究者的主观性都很难控制；如果不能对客观存在的研究主体给予信息评价上的规范，所谓的研究结论就会更加不准确，所以基于准确数据的研究结论相对来说才更有价值。

看似一样的刺绣图案通常是出自不同的创造者，因此，无论图案造型、配色还是丝线材料都不可能完全一样，但由于源于相同的民俗文化与社会背景，源于相同的使用心理，同一主题图案的外在表征会高度相似。只有在尊重科学研究数据，尊重民俗的前提下，才能更好地理解传统服饰中每幅图案的美感，才能更深刻的感受其文化内涵。传统服饰图案折射出的含蓄委婉、简约笃实、乐观向上的价值取向和审美追求值得传承和弘扬。

FZXB

[1] 莱辛.拉奥孔[M].朱光潜，译.北京：人民文学出版社，1979: 81-83. LESSING. The Laocoon and His Sons[M]. ZHU Guangqian,Translating. Beijing: People′s Literature Publishing House,1979: 81-83.

[2] 崔荣荣，牛犁. 明代以来汉族民间服饰变革与社会变迁[M].武汉：武汉纺织大学出版社，2016：207. CUI Rongrong, NIU Li. Since the Ming Dynasty Han Folk Dress Changes and Social Changes[M]. Wuhan: Wuhan Textile University Press, 2016:207.

[3] 李卓一，魏艺佳，张毅.无锡精微绣艺术的衍生品设计与发展[J].服装学报，2016,1(5)：505-510. Li Zhuoyi, WEI Yijia, ZHANG Yi. Derivatives design and development trend of Wuxi subtle embroidery art[J]. Journal of Clothing Research, 2016, 1(5):505-510.

[4] 马云，李宁，杨梅姿.陕南枕顶绣技艺图案装饰艺术研究[J]. 纺织学报，2016,37(1): 64-69. MA Yun, LI Ning, YANG Meizi, Graphics performance skills research of pillows embroidery in South of Shaanxi[J]. Journal of Textile Research, 2016,37(1):64-69.

[5] 叶敏, 周文晖, 顾伟康. 基于FPGA的实时图像滤波及边缘检测方法[J]. 传感技术学报, 2007, 20(3):623-627. YE Min, ZHOU Wenhui, GU Weikang.Real-time image filtering and edge detection method based on FPGA[J]. Journal of Sensing Technology, 2007, 20(3): 623-627.

[6] 任洪娥, 白杰云. Lab颜色空间中基于动态聚类的颜色分级[J]. 计算机工程, 2013, 39(6):231-235. REN Honge, BAI Jieyun. Based on dynamic clustering color in Lab color space classification[J]. Computer Engineering, 2013, 39 (6): 231-235.

[7] 韩海梅, 姚砺, 万燕. 基于K-means和GVF Snake模型的纤维图像分割[J]. 东华大学学报(自然科学版), 2011, 37(1):66-71. HAN Haimei, YAO Li, WAN Yan. Based on the K-means and GVF Snake model of fiber image segmentation[J]. Journal of Donghua Univer-sity (Natural Science Edition), 2011, 37 (1): 66- 71.

[8] LUO L, SHAO S J, SHEN HL, et al. An unsupervised method for dominant color region segmentation in yarn-dyed fabrics[J]. Coloration Technology, 2013(129):389-397.

[9] 万永菁, 万光逵. 图像分割算法在花型自动识别中的应用[J]. 纺织学报, 2007, 28(5):63-65. WAN Yongjing,WAN Guangkui. Image segmentation algorithm in the application of automatic pattern recognition[J]. Journal of Textile Research, 2007, 28(5): 63-65.

[10] 管声启, 师红宇, 赵霆. 应用目标稀少特征的织物疵点图像分割[J]. 纺织学报, 2015, 36(11):45-50. GUAN Shengqi, SHI Hongyu, ZHAO Ting. Application target rare characteristics of fabric defect image segmentation[J]. Journal of Textile Research, 2015, 36(11): 45-50.

[11] 叶齐祥, 高文, 王伟强,等. 一种融合颜色和空间信息的彩色图像分割算法[J]. 软件学报,2004,15(4):522- 530. YE Qixiang, GAO Wen, WANG Weiqiang, et al. A color image segmentation algorithm using color and spatial information [J]. Journal of Software, 2004,15(4): 522-530.

[12] 卢新燕，童友军.大岞惠安女服饰刺绣纹样及其寓意[J]. 纺织学报，2015，36(8): 121-126. LU Xinyan, TONG Youjun. Embroidery patterns of Hui′an female clothing in Dazuo village and its inter-pretation[J]. Journal of Textile Research, 2015，36(8):121-126.

Automaticextractiononembroideredpatternsoftraditionalcostumes

WANG Xiaoyu1,2, XIANG Jun1, PAN Ruru1, LIANG Hui′e, GAO Weidong1

(1.CollegeofTextilesandClothing,JiangnanUniversity,Wuxi,Jiangsu214122,China;2.SchoolofFineArts,ZhengzhouUniversity,Zhengzhou,Henan450001,China)

Manual extraction of embroidered patterns with human vision is time consuming, lab-intensive and subjective. To overcome these difficulties, image analysis was adopted to complete the automatic recognition and aesthetic analysis of the embroidered patterns on the traditional consumes fabrics. Digital camera was used to realize the image acquisition of embroidered fabrics. Image smoothing was then applied to the fabric image to remove the noise information and the fabric image was converted to Lab color space from RGB color space. K-Means clustering method was adopted to realize the color clustering based onaandbcomponents in Lab color space. The accurate pattern and color information of the embroidered fabric were obtained based on the clustering results. The research results show that the image analysis can achieve the automatic extraction of embroidered patterns and the new segmentation method can be applied to quite a number of embroidered fabric patterns, which provides a brand new way for sample collection of aesthetic research.

traditional construme; embroidered pattern; image analysis; clustering analysis; color value analysis

TS 941.1

：A

2016-08-23

：2017-05-09

国家社科基金艺术学重点项目(15AG004)

王晓予(1969—)，女，教授，博士。主要研究方向为服饰文化。高卫东，通信作者，E-mail：gaowd3@163.com。

10.13475/j.fzxb.20160805007