基于蜂鸟羽毛的色彩提取及应用

张旻爽 祝成炎 李启正 张红霞 林平 丁圆圆

摘要： 鸟类羽毛色彩进化了上万年，形成了一套天然美感的搭配法则，能够为设计师提供设计灵感。为探寻其中的配色规律并加以利用，文章基于蜂鸟羽毛的色彩进行了一系列的仿生色彩提取研究。首先针对K-MEANS聚类算法，对比分析了色相模式与灰度模式两种不同的初始聚类中心的设置方法，并在此基础上提出了一种经过优化的初始聚类中心的设置方法；然后使用优化过后的K-MEANS聚类算法，对10种蜂鸟共200张羽毛色彩照片进行羽毛色彩的主色系提取。通过三次聚类计算，探讨分析蜂鸟羽毛色彩的配色规律，制得相应的占比配色色卡，为设计师在以蜂鸟羽毛色彩为灵感来源的配色方案上提供了一定的理论依据。

关键词： 聚类算法；初始聚类中心；色彩提取；色彩网络；色彩设计；蜂鸟羽毛

中图分类号： TS941.11；J522.2

文献标志码： A

文章编号： 1001-7003（2017）12-0059-08

Abstract： The colors of birds feathers have evolved for thousands of years， and a set of collocation tules witrh natural beauty has formed， which can provide designers with design inspiration. In order to explore the color matching law and use it， a series of bionic color extraction and researches have been made based on colors of hummingbirds feathers. Firstly， the K-MEANS clustering algorithm was used to analyze the setting method of two different initial clustering centers （hue mode and gray mode）. On this basis， an optimized setting method of initial clustering center was proposed. Then， this optimized K-MEANS clustering algorithm was used to extract the main color lines of feather colors from a total of 200 feather color photos of 10 species of hummingbirds. Through the clustering calculation for three times， the matching rules of colors of hummingbirds feathers were analyzed and corresponding proportion color cards were gained. This paper provides certain theoretical basis for the designers to apply the color of hummingbirds feathers as the source of color scheme inspiration.

Key words： clustering analysis； initial clustering center； the color extraction； color network； color design； feathers of hummingbird

大自然經过亿万年的进化，形成一套自然美的法则，在这其中，鸟类的羽毛色彩绚丽斑斓，更符合大自然的美丽法则[1]。然而许多学者对鸟类羽毛色彩的研究更多的是在生物学的角度上，分析其成色的原因或者通过模仿羽毛构成的一些特别功能来进行仿生功能设计[2-4]。对其他生物色彩设计虽然也有研究，但只是将观察所得的色彩组合结合生物外观来应用[5-6]，在所参阅的文献当中客观系统地分析鸟羽色彩的搭配规律还属空白。本文以蜂鸟羽毛色彩为例，通过K-MEANS聚类算法[7-8]实现鸟羽色彩的主色系提取，分析鸟羽色彩搭配规律，制作相应的色彩网络图，为色彩设计搭配提供理论依据。

1 色彩提取方法

对一幅图片最直观的感受是其主色系色彩的分布，主色系代表了该图片中最主要的色彩分布，因此提取一幅图片中色彩的主色系，可以通过对主色系的视觉效果使之与图片有相同的感官效果。本文通过对鸟羽色彩的主色系的提取作为基础来探讨鸟羽色彩的搭配规律。对于色彩提取方式，从1991年颜色直方图的出现开始就不断有学者对此进行研究改进及优化[9-13]，其中朱淼良等[14]提出的基于聚类分析的主色提取方法，同时权衡了颜色分辨率和颜色特征维数。陈天云[15]在他的研究中通过准确定位色块中心，通过量化聚类的分析方法，合理地将图片中的颜色归并为与图样颜色尽可能相似的颜色，在阈值适当的情况下实现图像中主要特征颜色的选取。Wan等[16]利用八叉树将图形的像素按照颜色值的颜色空间来进行聚类，导出主色、平均色等系列的特征色作为图像内容的索引。利用聚类算法对色彩进行提取已被较多学者应用，具有较好的可操作性。由于鸟类羽毛色彩色系不多，但色彩过渡丰富，针对鸟羽色彩的主色系提取方式，本文采用了K-MEANS聚类算法来实现。

1.1 K-MEANS算法

K-MEANS算法在聚类算法大类里属于划分法[17-18]。划分法是将n个数据对象按照一定的要求划分成m组，每一组代表一种聚类。因此K-MEANS算法的基本步骤如下：

1）从n个数据对象任意选择k个对象作为初始聚类中心。

2）将除去作为初始聚类中心的对象剩下的数据对象根据与初始聚类中心的相似度，分别分配给与其最相似的聚类，得到新的聚类。相似度即为数据对象到初始聚类中心的距离，

其中x、y、z均为数据对象的坐标位置。

3）计算每个新聚类的聚类中心（该聚类中所有对象的均值，即为该聚类中所有数据的RGB值的均值），不断重复这一过程直到标准测度函数开始收敛为止。其中一般都采用均方差作为标准测度函数，

其中μ为该聚类内所有数据对象的算术平均值；N为该聚类中数据对象的个数；x为该聚类中的某一个数据对象，设置的达到收敛效果时是前后两次迭代计算所得数值相差小于1。

1.2 初始聚类中心选择

根据K-MEANS聚类算法的原理可以得知，使用K-MEANS算法来得到预期结果的关键在于初始聚类中心的选取。通过对文献[19-20]的阅读，在对于图片色彩使用K-MEANS算法进行聚类时，通常有两种初始聚类中心的选择方式，一种以灰度值进行选取，一种以色相进行选取。以灰度值进行选取是指在选取初始聚类中心时，所选择的初始聚类中心点的位置在RGB色彩空间的对角线上，按照所需中心的个数，即K值来从灰度值0到255之间平均分布；以色相进行选取是指在HSB色彩空间中，将饱和度S和亮度B调整为100，然后沿着色相H0到360之间按所需K值的多少平均分布。由此可以得到两种聚类模式——灰度模式（即RGB色彩空间模式）和色相模式（即HSB色彩空间模式）。电脑显示器默认的都是在RGB色彩空间进行成像，因此一幅图片中可能不会涵盖所有的色相，但会涵盖几乎所有的灰度值。由于纺织品设计中所涉及的色彩较少，因此如采用色相模式进行主色系色彩提取，则会出现有些聚类为零的可能性，因此更偏重使用灰度模式进行主色系提取；而对于照片，色彩丰富，灰度相差较大，但色相较全，则可使用色相模式进行主色系提取。如图1和图2所示是采用这两种聚类模式进行的色彩提取。

不同聚类模式的选择，所提取出的色彩有少许的差别，并且色彩所占的比例也不尽相同。首先是因为这两种不同的聚类模式对于初始聚类中心的选择方式不同，导致所得的初始聚类中心不同；其次是因为色彩模式是在HSB色彩空间下完成的，在色彩提取结束后，所提取出的色彩需要将HSB值转化为RGB值，由于计算原因会有些许误差。但是这两种方式有一个共同的弊端，即当聚类数确定后，均不能根据图片像素组成的不同而改变初始聚类中心。若能够根据所需聚类的图片来改变初始聚类中心，则能得到更好的效果，所提取的色彩及所占比例能够接近于原图片。

对初始聚类中心的选择方式进行选取，在使用K-MEANS聚类时是非常有必要的。为了通过聚类提取出的色彩能够更好地还原原图片，根据K-MEANS聚类的各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开这一特点，在选择初始聚类中心时也同样遵循这样一特点。首先在所有数据中随机选取一个点作为第一个初始聚类中心，然后计算剩下的数据与第一个初始聚类中心的距离，最大距离的即为第二个初始聚类中心，距离第一个、第二个聚类中心均是最大距离即为第三个初始聚类中心，以此类推得到所需数量的初始聚类中心[21-22]。这种模式下的聚类提取能够根据不同图片像素的分布制定不同的初始聚类中心，所提取出的色彩比较于在灰度模式、色相模式下提取的色彩能夠更接近于原图片的色彩，如图3所示。

针对蜂鸟羽毛色彩使用K-MEANS聚类法进行色彩提取，不同种类的蜂鸟羽毛色彩不论是在色相还是在色彩占比上都不尽相同，因此能够根据不同的图片像素分布来选择不同的初始聚类中心，能够更好地提取出能够代表该种蜂鸟羽毛色彩特点的色彩。由于拍摄的蜂鸟高清照片中背景色彩易与鸟羽色彩有所重复，容易导致色彩占比分析出现失误，因此结合K-MEANS聚类的特点，将蜂鸟照片的背景色彩替换成与鸟羽色彩中色相及灰度相似度尽可能小的色彩。

2 鸟羽色彩分析

由于蜂鸟有较多的种类同时也不易拍摄，为了能减少拍摄光线带来的蜂鸟羽毛色彩上的误差，选取10种不同的蜂鸟，每种蜂鸟选取10幅不同姿态的高清照片。

2.1 占比色卡建立

由于蜂鸟羽毛色彩绚丽多彩、色彩之间过度频繁，选择提取主色的数目为20色。并且由于需要将照片背景替换成不同的颜色，因此选择的初始聚类中心为21个，每一幅蜂鸟照片在聚类之后可以得到21个不同占比的色彩，除去背景色的聚类，剩下的20色重新计算占比（图4、图5）。经过数轮迭代聚类计算，在进行到58轮左右可以得到理想的聚类效果，因此此后每次都进行58轮次的聚类计算。以长尾蜂鸟为例，首先对单幅长尾蜂鸟的照片进行一次K-MEANS聚类。

将长尾蜂鸟剩下的9张照片依次进行聚类，一共得到10张20色占比图，共200个色彩。将这200个色彩按照比例填充在一张空白图片中，得到的新的图片库，如图6所示。

将图6的图片进行二次聚类，经过计算迭代聚类轮次为8轮，初始聚类中心选择为20个，得到新的聚类结果，将此聚类后得到的色彩按照占比做成色卡。10种蜂鸟最终得到的10组占比配色卡，一组占比配色卡即为一种配色方案，如图7所示。

通过对这10种蜂鸟羽毛色彩的提取分析及主色配色图的制作，将蜂鸟羽毛色彩搭配特点做以下规律总结：

1）色相邻近色配色：邻近色在色相环上位置相邻，虽然色相上有所区别，但是邻近色之间可以通过色彩的明度、饱和度的改变相互过渡，在视觉效果上非常接近。在蜂鸟羽毛上以蓝青绿、红橘黄这两个邻近色的搭配尤为常见，如图8所示。

2）色相对比色配色：对比色在色相环上位置相对较远，不但在色相上差别较大，在视觉效果上也完全不同。对比色搭配可以相互对比衬托，更加夺人眼球。在蜂鸟羽毛上红色绿色的对比搭配出现次数较多，如图9所示。

3）色相面积对比配色：对于蜂鸟羽毛的整体观察可以看出，蜂鸟的羽毛色彩基本上由3～4个大色系组成，每个大色系中色彩明暗深浅过渡均匀，色系与色系之间色彩过渡流畅自然。若是邻近色搭配，则各个色系所占面积比例差别不大；若是对比色配色，则冷色系色相所占面积比暖色系大，如图10所示。

4）明度对比配色：不论蜂鸟身上羽毛色彩多么明亮绚丽，翅膀上羽毛的颜色一定是偏近黑褐色的明度不高的色彩，并且占有一定的比例，压住其他亮丽跳跃的颜色，使色彩搭配看起来更为和谐，如图11所示。

2.2 色彩联系网络建立

相比较于中规中矩的直接从蜂鸟羽毛色彩所提取的配色方案，设计师更喜欢能够自己随意搭配出千变万化的含有蜂鸟羽毛色彩特征的配色方案。

通过每一种蜂鸟做成的色卡，蜂鸟羽毛色彩基本上由3～4个大色系组成，10种蜂鸟羽毛色彩的大色系差不多可分为蓝、绿、灰、黑、棕、白、红、黄、紫这九种色系，这些大色系之间的搭配次数所占比例如表1所示。

从表1可以看出，蓝色系与绿色系之间搭配的次数是最多的，绿色系、灰色系和棕色系是搭配范围最广的。

将这10种蜂鸟的一共200个色彩再次进行聚类，迭代聚类轮次设定为8轮，初始聚类中心选择为20个，得到20个色彩及所占比例。这20色是从200张蜂鸟照片共2000个色彩块经过三次聚类所得到，即可以认为它能够代表这10种蜂鸟的羽毛色彩库里的所有颜色。为了能够更加直观明了地看出这20个主色的相互配比关系，并结合表1将其做成色彩联系网络图。色彩联系网络图的绘制方式[23]如下：1）将经过三次聚类提取到的20个蜂鸟羽毛主色排成一个圆圈，每个色彩自成一圆圈，圆圈的直径大小代表色彩占比的大小；2）将二次聚类得到的200个颜色一一对应于三次聚类得到的20个颜色，并将彼此搭配过的两两色彩之间画上一条直线，不重复划线。

通过绘制20色色彩联系网络图，发现色块上每一条线代表它与别的色块有所关联；色块上的线条数量越多代表此色块出现在鸟羽上的频率越高；不一定占比越高的色块在鸟羽上出现的频率越高，如图12所示，6号色块上有9条线条，但在比6号色块小的15号色块上却有11条线条，由此可知出现在鸟羽上频率高的色彩若为点缀色彩，则其所占色彩面积比例是很小的。

2.3 色彩设计

通过色彩联系网络图的绘制及蜂鸟羽毛色彩搭配的规律，设计师可直接挑选所需色彩加以加工完成配色色卡。

2.3.1 自制色卡

从图12中选取互相有关联的4号色、8号色、12号色、16号色四个颜色（样式一），以及2号色、9号色、14号色、18号色四个颜色（样式二），分别将这四种色彩按照色彩占比的大小选择不同数目的明暗深浅不同的过渡色，制成相应的20色卡，如图13所示。

2.3.2 纹样赋色

由于鸟类羽毛排列有次序感和几何感，为了能更好出地体现出色彩排列在鸟羽上的质感，在设计纹样构图时，主要以几何类组合纹样为主。

从蜂鸟羽毛自身颜色组成的10组色卡中任选两种，加上自制的两组色卡，分别对同一纹样进行赋色，得到效果图如图14、图15所示。

自制色卡是在色彩联系网络图中随机选取的四个色彩，经过加工得到的20色配色方案，因此没有对应的蜂鸟图片。两种自制色卡的样式均遵循了蜂鸟羽毛的配色规律，样式一为邻近色搭配，樣式二为对比色搭配；同时样式一与样式二的色彩面积占比也遵循了邻近色占比相近，对比色冷色系占比多的规律；样式一、二中，由于颜色种类较多，若只单将明度值较高的颜色搭配在一起，则会显得颜色十分跳跃样式，因此在制作色卡时，加上了一定比例的明度值不高的颜色用以调和。自制色卡在视觉效果上与蜂鸟羽毛本身搭配的色彩一样，使人第一眼就被绚丽多彩的纹样吸引，经过对蜂鸟羽毛色彩的主色提取及整合分析重制后，得到的配色方案所赋予纹样的夺目耀眼感，与蜂鸟自身色彩整合后所得的配色方案制作的纹样一样出彩。

3 结 语

本文通过采用K-MEANS聚类算法对10类蜂鸟羽毛色彩进行主色提取，探讨分析了蜂鸟羽毛色彩的配色规律，并制作了相应的色彩联系网络图，为设计师在以蜂鸟羽毛色彩为灵感来源的配色方案上提供了一定的理论依据及一定的方便可操作性。由于蜂鸟种类多达300种，虽然各种类蜂鸟的羽毛色彩差异不大，但10类蜂鸟并不能完全概括蜂鸟的羽毛色彩规律，应再更多地收集其他蜂鸟种类的高清照片，用以填充蜂鸟羽毛色彩数据库，得到更为准确的数据理论。同时也可对其他来自大自然提供的灵感来源进行类似的探讨分析，如蝴蝶、花朵等色彩鲜艳的物体，总结其色彩搭配规律，为设计师进行色彩设计提供更多的数据理论支持。

参考文献：

[1]方陵生.鸟类的华彩霓裳[J].大自然探索，2013（3）：34-37.

FANG Lingsheng. Birds of the colorful seduction[J]. Discovery of Nature，2013（3）：34-37.

[2]杰西卡.霓裳羽衣的奥秘[J].世界博览，2007（6）：28-30.

JESSICA. The mystery of the quilt[J]. World Vision，2007（6）：28-30.

[3]高广琦，左永春，白春玲，等.鸟类羽毛色素的合成机理与调控机制[J].动物学杂志，2016，51（2）：323-335.

GAO Guangqi， ZUO Yongchun，BAI Chunling， et al. The synthesis and regulatory mechanisms of avian plumage pigmentation[J]. Chinese Journal of Zoology，2016，51（2）：323-335.

[4]周长海，田丽梅，任露泉，等.信鸽羽毛非光滑表面形态学及仿生技术的研究[J].农业机械学报，2006，37（11）：180-183.

ZHOU Changhai， TIAN Limei， REN Luquan， et al.Study on non-smooth surface morphology and bionic technology of pigeon feathers[J]. Transactions of the Chinese Society for Agricultural Machinery，2006，37（11）：180-183.

[5]梁黎.儿童食品包装中的色彩仿生设计分析[J].现代商贸工业，2012，24（7）：93-93.

LIANG Li. Analysis of color bionic design in childrens food packaging[J]. Modern Business Trade Industry，2012，24（7）：93-93.

[6]王晓昕.仿生色彩设计初探[J].艺术与设计（理论版），2007（7）：35-37.

WANG Xiaoxin. The initial exploration of the bionic color design[J]. Art and Design （Theoretical），2007（7）：35-37.

[7]王静.基于颜色特征的图像分类算法研究[D].大连：大连海事大学，2012：40-41.

WANG Jing. Research on Image Classification Algorithm Based on Color Feature[D]. Dalian： Dalian Maritime University，2012：40-41.

[8]李艳红.基于模糊聚类分析的图像分割算法研究[D].武汉：武汉理工大学，2007.

LI Yanhong. Research for Image Segmentation Based on Fuzzy Clustering Analysis[D]. Wuhan： Wuhan University of Technology，2007.

[9]SWAIN M J， Ballard D H. Color indexing[J]. International Journal of Computer Vision，1991，7：11-32.

[10]STRICKER A M A， ORENGO M. Similarity of color images[J]. Proceedings of SPIE：the International Society for Optical Engineering，1995，2420：381-392.

[11]PASS G， ZABIH R， MILLER J. Comparing images using color coherence vectors[C]// ACM International Conference on Multimedia. ACM，1997：65-73.

[12]HUANG J， KUMAR S R， MITRA M， et al. Image indexing using color correlograms[C]//Conference on Computer Vision and Pattern Recognition， IEEE Computer Society，1997：762.

[13]MANJUNATH B S， OHM J R， VASUDEVAN V V， et al. Color and texture descriptors[J]. IEEE Transactions on Circuits & Systems for Video Technology，2002，11（6）：703-715.

[14]徐旭，朱淼良，梁倩卉.基于聚類算法的图像颜色特征提取方法[C]//中国人工智能联合学术会议，1998.

XU Xu， ZHU Miaoliang， LIANG Qianhui. Image color feature extraction method based on clustering algorithm[C]//Chinese Joint Conference on Artificial Intelligence，1998.

[15]陈天云，余江，赵东风，等.一种图像特征色提取方法及软件实现[J].云南大学学报（自然科学版），2007，29（S1）：80-84.

CHEN Tianyun， YU Jiang， ZHAO Dongfeng， et al. A method of characteristic color extraction and system design[J]. Journal of Yunan University （Natural Sciences Edition），2007，29（S1）：80-84.

[16]XU Faqiang， WAN X X. Color image segmentation algorithm based on dominant color graph[J]. Application Research of Computers，2008，25（1）：313-315.

[17]李朝健，肖建华.常用聚类算法比较分析[J].电脑知识与技术：学术交流，2007，1（2）：471-472.

LI Zhaojian， XIAO Jianhua. Analysis of general clustering algorithm[J]. Computer Knowledge and Technology （Academic Exchange），2007，1（2）：471-472.

[18]赵学武，刘向娇，尹孟洋.数据挖掘常用聚类算法研究[J].电脑知识与技术，2014，10（16）：3710-3712.

ZHAO Xuewu， LIU Xiangjiao， YIN Mengyang. Data mining clustering algorithm[J]. Computer Knowledge and Technology，2014，10（16）：3710-3712.

[19]刘肖健，曹愉静，赵露唏.传统纹样的色彩网络模型及配色设计辅助技术[J].计算机集成制造系统，2016，22（4）：899-907.

LIU Xiaojian， CAO Yujing， ZHAO Luxi. Color networks of traditional cultural patterns and color design aiding technology[J]. Computer Integrated Manufacturing Systems，2016，22（4）：899-907.

[20]ZHANG Yong， WU Wenjian. Camouflage color selection based on improved K-means clustering[J]. Computer Engineering & Applications，2006，45（6）：210-212.

[21]ARTHUR D， VASSILVITSKII S. K-means++： the advantages of careful seeding[C]//Eighteenth Acm-Siam Symposium on Discrete Algorithms， Society for Industrial and Applied Mathematics，2007：1027-1035.

[22]JIN R， KOU C， LIU R， et al. A color image segmentation method based on improved k-means clustering algorithm[J]. Lecture Notes in Electrical Engineering，2013，217：499-505.

[23]楊跃川，王萌萌，赫思意，等.基于自制色卡的网络色彩管理[J].杭州电子科技大学学报（自然科学版），2015，35（3）：106-110.

YANG Yuechuan， WANG Mengmeng， HE Siyi， et al. Digital internet color management form digital cameras to display based on self-made color chart[J]. Journal of Hangzhou Dianzi University（Natural Sciences），2015，35（3）：106-110.