苗族服饰色彩体系构建研究

赵海英，银宇堃

（北京邮电大学计算机学院，北京 100876）

0 引言

色彩是民族服饰的重要呈现内容，也是创作设计的灵魂、文化产品不可或缺的审美对象。民族服饰色彩的形成往往与地理环境、生活习惯以及所浸染的民族文化、宗教信仰等有关，蕴涵丰富的文化内涵与历史发展脉络。近年来，由民族服饰色彩衍生的设计产品在世界舞台大放异彩。我国传统服饰色彩文化根植于古代，存在于近、现代［1］，苗族服饰展示的不仅是人们的生活琐事，更是凝聚了民族生存与发展的历史，蕴涵民族的观念意识、信念感情，其色彩有别于其他传统服饰，极具典型性，因此，苗族服饰色彩具有很高的研究价值。本文以传统色彩地理学方法为理论依据，结合主题色提取与改进的关联规则挖掘方法，提出苗族服饰色彩体系构建流程，如图1 所示。通过此体系进一步挖掘苗族服饰色彩的演化规律，更好地传承苗族服饰色彩文化。

图1 苗族服饰色彩体系构建流程Fig.1 Construction process of Miao’s costume color system

1 相关工作

首先，通过主题色提取及关联规则挖掘技术完成色彩数据获取与色彩规则挖掘。艺术家通常在作品中运用不同的颜色，通过特殊的视觉效果传达情感。主题色一般为图像中的主要颜色。JAHANIANA等［2］利用视觉显著性，提取图像前景及背景区域中的各种颜色。同时，通过在调色板中定义不同数量的颜色，并用给定图像中每个颜色的视觉显著性表示每个颜色的比例，提取图像的主题色。LIU 等［3］在主题色提取任务中引入色彩情感理论，给出了情感主题色提取框架，通过每个像素的情感值而非颜色值进行主题色提取，并将主题色之间的情感差异作为评价指标，对其进行优化，通过数据驱动确定最终的主题色。LI 等［4］提出了一种基于离散余弦变换（discrete cosine transform，DCT）域的主题色提取算法，该算法基于静态图像压缩（joint photographic experts group，JPEG）标准和DCT 系数等统计参数，可快速从图像中提取主题色特征。KIRANYAZ 等［5］提出了基于动态聚类的主题色提取方法，该方法在给定颜色空间、距离度量和适当目标函数的前提下，利用粒子群优化算法（particle swarm optimization，PSO），寻找图像中的最优主题色数量。赵叶峰等［6］提出一种利用色彩和谐模板辅助提取油画主题色的方法，通过色相直方图与色彩和谐模板匹配，对图像进行区域划分，然后根据提取的主纯度、主色相及主明度创建候选主题色，最终根据HSL（hue saturation，lightress）欧式距离选出主题色。朱臻阳等［7］针对已有主题色提取方法中存在误检和漏检现象以及主题色数量等问题，提出了一种基于直方图峰值筛选与剔除的图像主题色提取方法。

从大规模数据中挖掘对象之间的隐含关系，称为关联分析（associate analysis）或者关联规则学习（associate rule learning）。关联规则挖掘的概念最早由AGRAWAL 于1993 年提出［8］，用于研究市场中各物品之间的购买关系。Apriori 算法是较经典的一种关联规则挖掘算法。随着硬件设备的改善及研究工作的不断深入，关联规则挖掘算法不断被改进，已应用于众多领域。LI 等［9］提出一种基于MapReduce 的并行Apriori 算法，该算法通过多台计算机解决了可分布大数据的处理问题。BRANKO 等［10］提出了一种基于关联规则学习的子群发现算法（APRIORISD），通过建立分类规则学习器，并采用新颖的后处理机制、规则质量度量指标和基于概率的实例分类方法实现数据挖掘。朱丙丽等［11］通过对图像色块的RGB（red，green，blue）值进行抽取和处理，并建立常用颜色数据表和颜色值数据库，从而将非结构化数据的挖掘转化为结构化数据挖掘。丁田妹等［12］将粗糙集理论运用于产品色彩意象方案设计，并以此挖掘消费者对产品色彩意象认知的规则。

井晓鹏［13］通过文献资料分析和现状调查，研究了以建筑群体色彩为主的“狭义城市色彩”，同时对西安市老城区的城市色彩体系进行了归纳。丁昶［14］通过实地考察和对藏区历史发展的研究，总结了藏族建筑色彩体系化的构成及表达规律，提出“藏族建筑色彩体系”的概念，进而构建了藏族建筑色彩体系框架。田隽［15］根据实景、实物资料、网络资源和文献等，从色彩学角度研究了藏族人民运用色彩的特点及规律；之后，运用系统性方法，分析、归纳并构建了具有藏族特色的色彩体系。刘毅娟［16］采用定量分析方法对苏州古典园林的色彩环境进行了系统分析，提出了一套完整的色彩保护体系。刘姣姣［17］利用色度学、纺织科学、地理学和民俗学等理论，借助色度测量技术，通过文献与图像、实物与文字的相互印证，研究了近代汉族民间服饰色彩体系的传统色名、设色规律、呈色工艺、地域差异及蕴涵的民俗文化。

2 苗族服饰图像采集与色彩获取

2.1 苗族服饰图像采集

民族服饰资源数字化已成为当今文化保护、文化传承、数据共享的关注热点。民族服饰实物采集难度高，现存数字资源较少，对民族服饰体系化的研究亦较少。本文通过网络爬取及数字化采集方式获取苗族服饰源图像。其中，网络爬取方式具体操作为选择北京服装学院民族服饰博物馆网站，采用通用式爬取方法，通过域名解析得到IP 地址，下载该网页内容。数字化采集方式按文献［18］中的标准进行实物采集，采集精度不低于1 200 万像素，精度300 dpi，若服饰中带有银饰或反光材质，则将室内布置为柔光或使用偏振镜去除反光。用这2 种方式共获得苗族服饰原图像1 235 幅，按衣、裙、裤、配饰分为4 类，各类数量如表1 所示。以此构建苗族服饰数据集，为苗族服饰色彩元素提取提供数据基础。

表1 服饰图像采集数量Table 1 Quantity table of costume image acquisition

2.2 苗族服饰图像预处理

在苗族服饰采集过程中，虽已尽可能排除环境因素的影响，但由于大部分布料及织物表面具有复杂的组织结构和纱线纹理，部分图像颜色不一致，影响颜色的提取结果［19］。为此，需对苗族服饰图像进行预处理。第1 步，通过双边滤波去除夹杂在平滑图像中的噪声。第2 步，用尺度自适应的纹理滤波方法［20］去除服饰图像中的纹理细节。该方法主要基于方向统计量，可区分图像中的纹理和结构，识别待平滑像素邻域的范围，推断最佳平滑尺度，在保持原图像显著性结构的同时，自适应地保留图像的细节信息。第3 步，鉴于本文获取的苗族服饰图像大多有纯色背景，且部分苗族服饰带有挂饰或羽毛等装饰，简单的阈值分割无法将其与背景分离，需采用最大似然估计（expectation-maximization，EM）方法对服饰图像的前景与背景进行分离。经双边滤波及纹理去除后的服饰图像如图2 所示，前景与背景分离后的服饰图像如图3 所示。

图2 经双边滤波与纹理去除后的服饰图像Fig.2 Smoothing and texture removal of costume image

图3 前景与背景分离后的服饰图像Fig.3 Foreground and background separation of costume image

2.3 苗族服饰图像主题色的提取

用K-Means 聚类方法提取苗族服饰图像的主题色，构建图像色卡（palette）。首先，选取任意K个色彩样本，并将其作为初始聚类的中心，每个样本代表一个聚类簇，然后，将集中的样本按最小距离原则分配到最邻近聚类，使目标函数值最小：

其中，xi为 像素点，pj为第j个初 始聚类中心，K为聚类数。然后，将每个聚类中的样本均值作为新的聚类中心，重复上述步骤，直至聚类中心不再发生变化。

由于苗族服饰常以5 色为主，文献［21］通过实验得到，在图像主题色提取任务中，当色彩数量K∈[3，7]时，即可提取图像的主要色彩特征，一般默认K=5。因此，本文在提取图像主题色时，选择5 种颜色作为一幅服饰图像的色卡。通过对比中位切分（modified cut quantization，MMCQ）法、八叉树（octree quantization，OQ）法和K-Means 法知（见表2），K-Means 法提取的主题色效果较好，较符合人们的直观感受，更接近于手工提取的色彩。

表2 主题色提取方法对比Table 2 Comparison of dominant color extraction methods

采用上述方法，基于苗族服饰图像数据集可获得单幅图像的色卡和色值信息，进而生成苗族服饰色彩库。

3 基于改进的Apriori 色彩规则挖掘

基于苗族服饰色彩库，用改进的Apriori 算法进行色彩规则挖掘。

3.1 基于色差的色彩候选集获取

色彩规则和色彩属性具有不确定性。无论是用数字化方法还是用测色仪进行颜色提取，都会出现色差，而色差在一定范围内是可以接受的，见表3。因此，在色彩数据挖掘中，色彩规则不一定存在强关联A→B，也可能存在A→B∪A'→B，其中，A和A'为可接受色差范围内的2 种颜色。以Lab(86，2，78)为例，计算得到2 种颜色的色差，见表4。

在色彩关联规则挖掘中，假设C={c1，c2，…，cm}是包含m种颜色的色彩集合，其中，cj，j=1，2，…，m表示各种颜色。设T为事务，是色彩 集C的非空子集，T⊆C，C≠∅，D={T1，T2，…，Tn}为事务集，其中，Ti表示各事务，且Ti⊆C。在事务集中，每个事务T中包含多种色彩，在获取K-频繁项集前首先要获得K-候选项，由于色卡中 含5 种颜色，因 此K=1，2，…，5，将传统CIEDE2000 色差引入Apriori 算法进行计算。首先，将 RGB 颜色数据转换至 Lab 空间，计算

表3 色差控制范围Table 3 Chromatic aberration control range

表4 色差值计算示例Table 4 Example of chromatic aberration calculation

其中，G表示CIELAB 色彩空间轴的调整因子。然后，计算明度差色度差、色相差：

最后，计算2 种颜色的色差ΔE：

其中，K为权重系数，S为色差参数，下标H，C，L分别指明度、色差和色相。对于纺织品服饰，通常取KH=KC=1，KL=2，SL=1。

首先，将所有色彩数据按照色差建立连边，然后，按照ΔE≤4 进行初步去边操作，并用文献［22］中方法进行模块化聚类，得到苗族服饰常用色彩标签（一个色彩标签表示一个类，一个类中包含多个色彩数据），最后，根据支持度进行剪枝运算，获得候选项集。

3.2 色彩频繁项集的构建

在色彩候选项集中计算各色彩集出现的频次和支持度，若某色彩集的支持度大于最小支持度，则该色彩集为频繁项集。Apriori 算法的核心思想是，一个频繁项集的所有子集均是频繁项集，一个非频繁项集的所有超集（如果集合A中的每个元素都在集合B中，且集合B可能包含集合A中没有的元素，则集合B就是集合A的一个超集）也是非频繁项集，由此可获得多个频繁项集。通过遍历事务集可获取频繁项集，但复杂度高且耗时长。为此，使用前缀树［23］方法构造色彩集计数器并对其包含的事务进行计数，在高效存储数据的同时可降低内存消耗。前缀树结构如图4 所示，其中Count(·)表示计数器，根结点与某个结点的连线表示该结点中色彩集的公共部分。通过自上而下逐层创建树获取色彩候选集，通过自下而上逐层创建树获取色彩频繁项集。在第1 次遍历事务集中，筛选出1-频繁项集，即只包含一项色彩数据的频繁项集，然后以1-频繁项集为基础，构建2-频繁项集，3-频繁项集……，直到找到所有频繁项集。

图4 色彩集A、B、C、D、E 构成的前缀树Fig.4 Prefix tree composed of color items A，B，C，D，E

3.3 色彩关联规则挖掘

在获得所有色彩频繁项集后，需要寻找每个频繁项集对应的关联规则，Apriori算法在获得最终规则时以支持度（support）和置信度（confidence）为衡量标准，即若存在A→B，当Support(A→B)＞minSupport且当Confidence(A→B) ＞minConfidence时，称A→B为强关联规则，cA和cB的色彩关联规则即为二者共现，因此cA→cB与cB→cA在色彩关联规则挖掘中意义相同。本文仅考虑支持度（不考虑置信度）的影响，支持度定义为

本文得到的色彩规则可视作色彩共现情况：假设存在2 种颜色cA，cB，若cA→cB，则色彩cA和cB共现，称为二元规则。以此类推，可得到三元规则、四元规则等。因本文色卡中的色彩数量有限，最多可得到五元规则。

4 苗族服饰色彩体系构建

根据配色结构理论［16］及文献［24］的服饰色彩构成原理，可分辨每个色卡中的主色、辅色与装饰色，即面积占比最大的为主色，次之的为辅色，其余为装饰色。

4.1 苗族服饰色彩编谱分析

首先，对不同类型的苗族服饰色彩进行统计，研究其主色、辅色及装饰色，在提取服饰色彩时，获得每种色彩的占比，得到每条色卡的主色、辅色及装饰色。以下分别讨论衣、裙、裤、配饰的配色结构。首先，分别对主色、辅色及装饰色根据色差进行聚类，然后，分析色彩分量直方图，由直方图的峰值数决定聚类的代表色色彩数k，从而按照不同类型的主色、辅色、装饰色进行聚类，并参照文献和领域专家意见进行筛选，得到苗族服饰中常用的主色、辅色、装饰色，见表5。

自然色彩体系（natural color system，NCS）由瑞典纳维亚色彩研究所色彩专家Anders Hard 博士等创立，通过NCS 编谱方式对颜色进行描述，其中W为白度，S 为黑度，C 为彩度，以S2030-Y90R 为例，其在NCS 中的编谱如图5 所示。

表5 苗族服饰常用配色结构Table 5 Common color collocation of Miao’s costume

图5 NCS 编谱原理Fig.5 NCS numbering principle

通过对获得的主色、辅色、装饰色在NCS 色谱中的标注可知，衣的色彩主要为蓝色调[R80B，R40B]、红色调 [R，Y90R]、黄色调[Y10R，Y30R]、纯黑色和纯白色，共5 种基色调；在黑度上，高黑度和低黑度较多，中黑度较少，总体属于高黑度颜色；在彩度上，低彩度区域和高彩度区域的颜色较多，见图6。裙的色彩主要为蓝色调[R90B，R80B]、红色调[R，Y90R] 和绿色 调[G30Y，G50Y]，验证了苗族擅染制，色彩多为染料蓝色；在黑度上，主要集中在高黑度和低黑度区域，中黑度区域较少，总体属于高黑度颜色，见图7。裤的主色较为单一，主要为高黑度中的青黑色或靛蓝色辅以灰白色，裤脚中常用图腾作为装饰图案，色彩度较高，见图8。配饰的色彩主要为蓝色调[R60B，R80B]、红色调[Y90R，Y70R] 和黄色 调[Y20R，Y30R]，相较于衣、裙、裤，配饰的色彩更加丰富，种类也更多；在黑度上，主要集中在高黑度区域，低黑度和中黑度区域分布较平均；在彩度上，多在高彩度区域，可见配饰的色彩较为多样，见图9。

综上，苗族服饰的色彩主要集中在高黑度区域，多以青黑色或靛蓝色为主色调，辅色与主色反差较大，配饰色彩较为多样，且色彩彩度强烈。分析苗族服饰色彩的色相分布可知，其色彩以互补色和过渡色为主。

4.2 苗族服饰色彩规则挖掘

首先，利用色彩聚类方法，以色差为阈值，得到苗族服饰色彩的数据聚类结果，如图10 所示（图中颜色并非真实色彩，仅用于区分颜色类别），通过色彩聚类可得到174 个苗族服饰常用色。

其次，根据每类色彩中彩度最大的节点，即与该色彩连边最多的点，确定174 个苗族服饰常用色标签T={t1，t2，…，t174}，其中，ti={c1，c2，…，cj}，j为ti类中的色彩个数，色彩标签如图11 所示。

图6 苗族衣常用配色NCS 色谱Fig.6 NCS color spectrum of common color collocation of Miao’s clothes

图7 苗族裙常用配色NCS 色谱Fig.7 NCS color spectrum of common color collocation of Miao’s skirts

图8 苗族裤常用配色NCS 色谱Fig.8 NCS color spectrum of common color collocation of Miao’s pants

图9 苗族配饰常用配色NCS 色谱Fig.9 NCS color spectrum of common color collocation of Miao’s accessories

图10 模块化聚类结果Fig.10 Modular clustering result

图11 174 个色彩标签Fig.11 174 color tags

在色彩关联规则挖掘中，将属于苗族服饰常用色标签t1下的色彩视作一类，可获得苗族服饰常用色标签规则，之后，根据每个色彩标签获得完整的苗族服饰色彩规则，即如果存在t1→t5，则有ci→cj，ci∈t1，cj∈t5。

将本文算法中的最小支持度（minSupport）设为0.2，获得苗族服饰色彩规则，最终得到二元规则5 049 条，三元规则356 条，四元 规则60 条。表6 为部分挖掘结果。

表6 苗族服饰色彩规则部分结果Table 6 Miao’s costume color rules

5 结语

民族服饰的色彩是民族服饰重要的装饰元素之一，给人以强烈的视觉印象，不仅是一种独具特色的符号表达方式，也是民族文化特征与审美情趣的核心表达载体，对民族文化的传承具有重要作用。民族服饰色彩体系的构建过程，既是对民族服饰用色习惯的挖掘和分析、对民族服饰色彩演化规律的整理与具象化，也是向大众普及民族服饰色彩的过程。本文提出的苗族服饰色彩体系构建方法，以体系化的方式研究苗族服饰色彩中的配色规律。不同于传统色彩地理学方法，本文在色彩编谱分析的同时，通过量化的方法挖掘苗族服饰的色彩规则，使构建的色彩体系更加科学和完备，亦为色彩体系的研究提供了新的思路。