APP下载

基于网络关系模型的品牌女装配色解析

2021-11-29徐明慧徐平华韦秋菊丁雪梅冒海琳

纺织学报 2021年11期
关键词:配色聚类服饰

徐明慧, 徐平华,2, 韦秋菊, 丁雪梅, 冒海琳

(1. 浙江理工大学 服装学院, 浙江 杭州 310018; 2. 服装设计国家级虚拟仿真实验教学中心(浙江理工大学), 浙江 杭州 310018; 3. 现代服装设计与技术教育部重点实验室, 上海 200051;4. 江苏依海服饰有限公司, 江苏 南通 226007)

色彩用以表现服饰视觉美感、传达设计理念、突显产品风格,是消费者感知服饰视觉效果的重要属性之一[1-2]。服饰品牌企业,从店铺陈列、产品设计、包装、广告等色彩应用场景中,逐步构建了具有“标识性”的自有色彩体系[3-4]。色彩体系在消费感知上分为2个方面:一是具有高度识别性的主体色;二是用色逻辑。主体色彩,如香奈儿的黑与白、爱马仕的橙,是消费者能够与品牌建立直观联想的纽带;用色逻辑或用色规律,是品牌在产品设计、视觉营销中对色彩的具体运用,并与品牌定位和产品风格和谐、统一。

张苏道等[5-7]利用语义解读、艺术审美、仪器测定等方式对服饰产品的色彩进行分析,其缺陷在于语义解读、艺术审美仅从色彩意象角度主观地探讨用色主题、描述色彩大致分布,结果不能直接用于再设计和生产;仪器测定如利用Datacolor、X-Rite等公司仪器进行颜色度量,虽能正确量化产品局部色彩,但结果相对用色体系过于点状化、微观化。为了深入探析品牌服饰用色机制,引入了图像分析法,并从系列图像中提取色彩,逐步构建分析模型。色彩网络最早由Steward[8]于1981年提出,并建立了设计结构矩阵模型,其作用与网络拓扑结构的“邻接矩阵”类似。刘肖健等[9]在此结构上优化改进,开发了用于辅助设计配色的CorelDraw插件,用以分析传统纹样的配色关系。李愚等[10]利用色彩邻接网络模型,重用配色关系进行产品外观设计。以上分析方法能够用于宏观探测品牌服饰图像用色规律,并以可视化的方式呈现,但在色彩的分布、多元配色关系解读上有待提升,插件适用性相对局限。

为此,本文在现有模型基础上,对色彩分布形式、二元配色关系进行了研究,并设计开发形成应用软件。在此基础上,对3个代表性品牌女装的某阶段性用色进行实证分析,客观描述不同年度、时尚季下各品牌服饰主题色、色彩分布形态以及二元配色关系。

1 色彩网络关系模型

色彩网络关系模型关联了若干色彩特征,以可视化的形式展现品牌服饰在某一阶段的用色方式和配色规律[11]。该模型可反映在一定的色彩自动划分规则下,主题色的色彩聚类值、辅助色的色彩聚类值、色彩空间距离、二元色组搭配机制等配色关键信息。

模型以环状形态下圆形斑块表示聚类后的色彩,斑块的大小表示该类颜色的占比;色彩聚类数可由用户自定义的方式设定;颜色间有无线条表示是否为高频配色对,即是否为配对色。其中:频次的划分可以自定义阈值(百分比)的方式决定;线条上的数值表示配对色的空间欧氏距离。

输入为测试样品图像,如某一品牌某一年度或季度的系列服饰图;输出为可视化模型及数据报告。模型的构建步骤如图1所示。1)预处理。对输入图像色彩提取之前,需要对选取的样本图片进行预处理操作,如去除背景、去噪等,得到有效服饰信息。2)色彩聚类。该步骤分为2个阶段:第1阶段是对系列样本图片的每幅图进行第1次色彩聚类得到该幅图的聚类信息;第2阶段将第1阶段得到的聚类信息再次提取归并为系列服饰图像主色。3)特征提取。计算并提取色彩占比、二元色组共现频率、色彩空间距离。4)模型优化。对提取的主色按照占比降序排列和呈现;模型线条上增加配色对的色差值。经过以上步骤,最终输出色彩网络关系模型和数据报告。

图1 色彩网络关系模型构建流程Fig.1 Construction process of color nexus network model

2 模型构建与优化

2.1 图像预处理

在对服饰图像进行色彩提取和分析之前,要对搜集的图片进行预处理操作,以获取有效的图像色彩信息。

2.1.1 目标与背景分离

服饰图像若仅有服饰内容,跳过此步骤;服装图像若场景复杂且含有模特头像和外露肢体,容易与服饰信息并存计算,导致结果偏差,需要将目标(服饰内容)和背景(其他信息)分离,生成标记色的背景,服饰内容不变。常用的主流算法包括基于Alpha、贝叶斯、KNN训练的抠图法[12],较为便利的方法可采用Adobe Photoshop的“对象选择”功能,辅以“动作”实现批量化处理。因非本模型的必须步骤,实验采用第2种方式快速生成无背景的服饰图像。

2.1.2 图像去噪

图像去除多余背景后,需对其进行去噪处理。去噪算法分为空间域滤波和变换域滤波2类。其中空间域滤波包括均值滤波、高斯滤波、中值滤波,各向异性滤波等方法,实验中采用3×3模板进行空间域高斯滤波,降低混入图像中的噪声和无用细小的细节。

2.2 色彩聚类

当前,色彩聚类方法大致分为2类:系统聚类和动态聚类[13]。系统聚类一般运用“分层聚类”思想,由聚合的小类逐步归合到大类当中;动态聚类包括K均值聚类、ISODAT聚类、FORGY聚类等算法。

本文在文献[14]的基础上,比对多种聚类算法,从速度、聚类有效性等角度明确采用K-均值聚类法,并利用二次聚类的机制实现系列服饰图像的主色提取。服饰色彩聚类流程如图2所示。其中2次聚类数K1、K2为自定义值,K1≥K2。

图2 服饰图像色彩聚类流程Fig.2 Process of clothing image color clustering

2.3 特征提取

模型输出后,为能有效展示系列服饰的用色机制,此处提取3组较为关键的信息,即色彩占比、二元色组共现频率、色彩空间距离。

2.3.1 色彩占比

自定义聚类数K1、K2后,分别对各颜色聚类值在服饰区域的占比进行计算。聚类后,掩膜为二维计类矩阵,服饰区域中每个像素点位对应掩膜的值为聚类序号,统计聚类各序号数,计算其与服饰内容区域像素数的比值,即为该色的占比。二次聚类计算提取色占比值,可用于设置模型中圆形斑块的面积或直径,便于用户直观了解该色在系列服饰中的用色量。背景标记色需剔除,不参与聚类计算。

2.3.2 二元色组共现频率

服饰色彩的应用,其配色方案是较为关键的环节,为了能够厘清各品牌服饰的配色机制,本文在模型中展示色彩之间配色的情况。

此处二元配对色,是指系列服饰图中2组聚类色共同出现在同一幅图中,累计求频次后,占所有图像的比值。若高于自定义的比率T(范围为0~1),则默认为该组颜色为配对色。T值越高,出现配对关系线条则越少;反之,则线条越多。当T=0时,模型中将连线所有共现过的颜色对。线条的粗细或颜色可代表该组颜色共现的频率高低。

当二元配对色共现关系确认后,模型中多种颜色之间两两均为二元配对,则表明这几种颜色是该品牌的常用色,是构造品牌色彩或该季度(年度)的形象色、主体色。

2.3.3 色彩空间距离

在色彩聚类阶段,采用RGB色彩模型统计色彩情况。此处仍利用颜色R、G、B值计算色彩空间距离。本文以2种色彩间的欧氏距离表示色间差异,计算公式为

式中:Dm,n表示环状当中第m个聚类色与第n个聚类色之间的欧氏距离值,结果作归一化处理;Rm、Gm、Bm分别为第m个聚类色的R、G、B色彩值;Rn、Gn、Bn为第n个聚类色的R、G、B色彩值;色彩空间距离可让用户直观地了解和判断2.3.2小节中配对色是否为邻近色、近似色或对比色等。

2.4 模型优化及输出

服饰色彩分析需要解决至少3个方面的问题:服饰主色的应用情况、各色用色比例和配色机制。其中配色机制上,更应考虑到配色频率、对比色/相似色应用规律等内在关联性。为了能够清晰可视化展示色彩之间的关联性,本文在文献[10,14]的基础上,利用提取的颜色特征,对其进行改进,以期为服装企划、设计提供决策辅助。

一方面,对主色的绘制顺序进行重排,按照用色的比例关系配置颜色出现的顺序,已有方法[9]未对提取色彩进行权重排序,而纺织服装领域较为注重色彩用色量情况,故本文对提取色彩用量占比进行规定排序,以便用户快速抓住色彩用量信息;另一方面,定义阈值,减少配对线条,并在配对色线条上输出色彩距离,增加已有参考模型中未有的数据信息展示功能,以便进一步获取二元配色间的详细色彩关系。最终形成有序、关键关联关系联络及关联程度可判的色彩网络关系模型,以便于更清晰地了解品牌服饰用色内在关系。

图3示出最终优化形成的网络关系,按序排列表示色彩用色量的递减/增关系。连线表示在一定阈值的基础上常出现的配对色,可见其中5色两两配对。线条越粗,表示其配色共现频率越高,为高频配色对;线条越细,则为低频配色对。线上数值越大,表示2组色彩空间距离越远;反之,则越近。系统根据需求,可以输出所有聚类色之间的特征报告。

图3 色彩网络关系模型优化过程Fig.3 Color nexus network model optimization process

3 实验方案设计

3.1 服饰图像样本

实证分析部分选用3个较为知名的品牌COACH、FENDI、GUCCI(以下简称品牌C、F、G)的女装图像,利用该模型横向比对3个品牌同一时段的用色情况以及单一品牌的用色演变情况。

为统一图像质量,测试图像数据采集自VOGUE时尚网的图像。横向比对品牌用色时,3个品牌均选用其2020年度的服饰图像,春夏季和秋冬季各自筛选了50幅图像,每个品牌共计100幅;单一品牌用色则以品牌C为例,筛选了2018—2020年度共计3年6个时尚季的300幅图像。

3.2 算法设计与程序开发

本文实验算法部分采用MatLab编程,利用App Designer设计开发了色彩网络关系模型应用软件实现模型软件的功能模块,包含输入模块、参数设置等,实现系列品牌女装图像的自动分析和模型输出,如图4所示。

图4 色彩分析软件界面Fig.4 Interface of color analysis software

软件输出部分包括色彩2次聚类占比图、色彩直方图、网络关系模型及分析报告。右侧参数设置包括聚类数、共现频率阈值。实验采用K2值为8、T值为0.3。利用该软件完成3个品牌色彩的实证分析。

4 结果与分析

4.1 品牌女装用色差异分析

3个品牌女装在2020年度用色情况如图5所示。

图5 3个品牌女装2020年度用色情况Fig.5 Color analysis of three female brand clothing in 2000. (a) Brand C; (b) Brand F; (c) Brand G

图5中包含色彩柱状图和色彩网络关系图,可直观地了解该品牌在2020年度的聚类色,其反映的是该类女装的8个常用色。柱状图反映了色彩的占比情况;网络关系图信息最为丰富,可直观了解色彩用量排序、配对关系和程度以及配对色的空间距离关系。

报告可输出所有聚类色彩R、G、B值,十六进制值,二元高频共现色组等信息。为了统一,选取各品牌女装前3位颜色作为“主色”,其余5位为“辅助色”,二元共现色组中按序选取大于阈值的配对色。表1示出各颜色的量化值。

表1 3个品牌2020年度聚类色量化值Tab.1 Three brands clothing color value in 2020

由图5、表1可知,3个品牌女装在2020年度的色彩应用及规律不尽相同,但都体现着自身品牌的色彩风格。

图5直观地展示了3个品牌的聚类色,直方图显示了每个品牌8种颜色的占比,前3种颜色占比合计分别为53.44%、51.50%、58.00%,均超过50%。其中,品牌C中的3、4、5号色、品牌G中的3、4号色用量基本持平。色彩网络关系图能够较为清晰地显示各色之间的关系,当共现阈值为0.3时,品牌C中3~8号色之间产生联络关系,其中5、6、7号色3色高频配对,即反映了品牌C常用该组色进行搭配,而高占比主色1、2号色没有出现共现情况,说明较少同时采用,但用量较大。品牌G高占比主色1~4号色高频共现,说明这4种色常用且常配对使用;低占比8号色高频配对,说明常用来点缀使用。而品牌F中1、2号色高占比且高频配对使用,3、5、6、8号色低频配对使用。

4.2 单一品牌女装用色演变

以品牌C为例,对其2018—2020年度,按照时尚季和年度变化从3个维度分析其用色演变情况。

4.2.1 同一时尚季不同年度用色变化情况

对品牌C近3年春夏和秋冬6个季生成色彩网络关系模型进行分析。分别对3年春夏、秋冬季用色进行逐年比较,了解其在3年内同一季用色变化情况。

图6示出近3年春夏季的用色情况。在色彩应用上,春夏季用色年度上出现不同程度的差异。2018年的用色与其品牌定义的暗黑、摇滚、叛逆相呼应;2019年品牌表现关键词为暗黑复古、浪漫、随性;2020年则定义为复古、生动、乐观,在用色上新出了土黄、暗红等跳跃色加以搭配。总体上,2018年度和2019年度春夏季用色较为相近,2020年度有一定的跳跃,但主题上仍为较沉稳的深色,维持了品牌的一贯风格。在色彩共现关系上,2018年度和2019年度有较多的二元共现关系,而相比之下,2020年度二元共现色彩关系较少,可见2020年度色彩应用更丰富。

图6 近3年春夏季色彩网络关系模型Fig.6 Spring and summer color nexus network model during three years. (a) In 2018; (b) In 2019; (c) In 2020

顺应主题差异,图7示出近3年秋冬季色彩网络关系模型。可以看出,各年度秋冬季用色各不相同,但秋冬季的色彩应用与春夏季情况类似,2018年度与2019年度都为深沉用色,而2020年度则出现浅色系主色运用,配色部分仍为较稳重的色彩。色彩共现关系上,2019年度有较多共现配色组对,而2018年度和2020年度色彩共现组对较少。2018年度虽与2019年度用色相近,但在二元色彩组合方面有多种搭配,故而共现关系较少;2020年度用色新颖丰富,未拘束于固定搭配色组,亦有较少共现关系。

图7 近3年秋冬季色彩网络关系模型Fig.7 Autumn and winter color nexus network model during three years. (a) In 2018; (b) In 2019; (c) In 2020

4.2.2 同一季3年综合用色变化情况

从时尚季的维度出发,了解该品牌3年综合后的春夏季和秋冬季色彩表现情况,网络关系模型如图8所示。由图可知,春夏季综合用色和秋冬季综合用色在主色上相似,但春夏季较之秋冬稍显鲜亮;在二元共现色组方面,都有较多的共现组合,且在高频组合中多为主色与辅色的搭配运用。整体用色上,春夏季综合用色都凸显品牌文化经典色彩运用。

图8 时尚季综合色彩网络关系模型Fig.8 Comprehensive quarterly color nexus network model. (a) Sping and summer; (b) Autumn and winter

4.2.3 不同年度用色变化情况

从年度的维度看,综合3年的用色变化,结果如图9所示。由图可知:在年度用色上,2018年度和2019年度整体用色较为相似,2020年度用色多样、活泼,但总体上,3个年度都依旧维持了品牌C的风格;3个年度都有较多的二元色彩共现色组,且高频组合较少,由此可知每年度配色设计都是多式多样的。

图9 年度色彩网络关系模型Fig.9 Annual color nexus network model. (a) In 2018; (2)In 2019; (c)In 2020

表2示出品牌C近3年不同时尚季及其综合分析基础上的各网络模型中前3位色彩量化值。在时间损耗上,测试计算机CPU为2.9 GHz,随机存取存储器RAM为8 G,实验样本均小于2 000像素×3 000像素,测试耗费总时间t≤0.3n(n为图像数)。

表2 品牌C聚类色量化值Tab.2 Brand C color value in 2020

5 结 论

品牌女装用色解析是对该品牌(系类)色彩内在机制的解读,利用图像分析技术可客观表达其用色形式和规律。通过4个关键步骤,生成系列品牌女装图像的网络关系模型,可较为便利地分析主/辅色、色彩用量、配对色关系、配对色空间距离等参数,以可视化的形式展示该品牌某一阶段的用色规律。但由于分析结果的准确性还受制于输入样本信息有效性、图像中服饰可展示面、数字资源的色彩保真性、样本量等外部用户可控信息,本文仅从模型构造的角度,利用适量样本进行示范,因此,其分析结果不能完全代表3个品牌的实际用色。此外,在多元配色、色彩配色机制等方面有待进一步研究和论证。

FZXB

猜你喜欢

配色聚类服饰
一种傅里叶域海量数据高速谱聚类方法
动物“闯”入服饰界
一种改进K-means聚类的近邻传播最大最小距离算法
寻找古意的配色
AR-Grams:一种应用于网络舆情热点发现的文本聚类方法
听诸子百家讲“服饰穿搭”
从《长安十二时辰》看唐代服饰
仪式感选择
MIX&MATCH 清甜一夏 彩妆配色新风潮
清凉一夏!来双雪碧配色足球鞋如何?