融合视觉感知机制的品牌女装设色解析

林瑞冰, 贾静, 徐平华*,2,3, 曹竟文, 孙晓婉

(1.浙江理工大学 服装学院,浙江 杭州 310018;2. 浙江理工大学 浙江省哲学社会科学重点培育研究基地数智风格与创意设计研究中心,浙江 杭州 310018;3. 浙江理工大学 丝绸文化传承与产品设计数字化技术文化和旅游部重点实验室,浙江 杭州 310018)

色彩是服饰品牌传达设计理念、体现产品风格的重要视觉要素之一。服饰设色机制以可视化、具象化的形式呈现色彩配比,对品牌色彩管理、产品设计用色较为关键。服饰设色解析的重要前提是提取场景的色彩。设计人员基于经验认知,借助相关绘图软件[1-3],对服饰主色进行提取。该方式的优势体现在人眼视觉的判定,但在批量提取、聚类以及重复操作时其稳定性存在不足。

相关研究利用改进的K-mean聚类算法[4-5],如用户引导模型[6]、t-SNE优化模型[7]、CC_K-Means算法[8]等实现服饰色彩的提取。当前,K-means及其改进算法广泛用于服饰色彩提取,其本质是通过均值迭代思想对像素集合进行归类,与人眼感知尚存差异。人类视觉具有较强的自主选择性,能够快捷、优先处理感兴趣的区域[9],这一理论为机器视觉选择提供了有效策略。1998年ITTI L等[10]构建基于图像特征的显著性算法,此后陆续有类似算法(如GBVS模型[11]、FT模型[12]、HC模型[13]等)依据自底向上[14]、自顶向下[15]两大类结构模拟人眼视觉聚焦机制。SHARIATMADAR Z S等[16]将图像不同方向的紧密度和最高值作为先验,结合自顶向下和自底向上显著性模型,提取含有人工目标的图像相关区域。YAN Y J[17]等提出GLGOV算法,通过超像素分割图像色彩,由格式塔定律指导显著性检测,更偏向人眼视觉。

文中从视觉感知机制出发,融合K-means颜色聚类算法与视觉感知机制,提取近似主观感知的服饰设色解析方法,为服饰品牌色彩形象管理提供参考。

1 总体思路

服饰设色解析总体思路如图1所示,其中包括4个步骤。

图1 实验流程Fig.1 Experimental process

1)视觉显著性算法对比与优选。基于服装样本划分显著区域,对比4类典型显著性算法原理及其检测效果,优选结构清晰、服装主体凸显的显著性算法。

2)服装显著性检测。将显著性亮度图归一化,获得每个像素的亮度值,生成显著性融合图。

3)色彩提取算法优化。融合视觉显著性算法,优化形成一种更为符合视觉注意机制的色彩提取算法。显著图亮度值作为权数,求取原图各聚类区域色彩颜色加权平均值和赋权后的色彩占比,得到偏向主观视觉感知的色彩提取结果。

4)品牌女装色彩解析实证分析。选取3个品牌近3年服装秀场女装图片,对比色彩提取算法优化前后的效果。采用优化算法输出品牌女装用色占比条形图,对品牌女装配色规则进行解析。

2 视觉显著性算法原理

显著性检测大致分为监督方法和非监督方法两类。从实现效率出发,文中选择非监督算法,对近5年来提出的4类代表性显著性算法进行分析和对比。

2.1 基于伪深度的RGB-D显著性算法

基于伪深度的RGB-D显著性算法[18]利用伪深度作为先验,通过提取的伪深度对输入图像进行超像素分割,计算聚合颜色、深度和纹理对比度,得到初始前景对比度图,再将背景先验和前景对比度融合在一起,输出最终显著图。伪深度的提取公式为

(1)

式中:I(x,y)表示基于介质传输模型的图像I中位置(x,y)处的RGB矢量值;lc和ls分别为图像中央和周围部分的亮度;λ为光照系数。

2.2 基于变形平滑度约束的显著性算法

基于变形平滑度约束的显著性算法[19]通过对节点及其邻域进行局部正则化,使用DS约束代替标准平滑度约束,提出一种称为DSMR的标签传播模型,通过变形平滑约束显示出与背景对比度弱的目标区域,并抑制标签传播结果中的背景噪声。

2.3 基于颜色命名空间的显著性算法

基于颜色命名空间的显著性算法[20]着眼于图像像素的语言颜色标签(即颜色名称),利用PLSA-bg颜色命名模型,将BMS显著性模型扩展到颜色命名空间并获得布尔映射,计算公式为

Bi=thresh[φ(I),θ] 。

(2)

式中:Bi为布尔映射;φ(I)为I的特征映射;θ为一个固定阈值。

利用BMS模型获得系列视觉注意图,将一个环绕性线索与两个全局颜色线索耦合到一个统一的框架中,对注意图进行线性组合,获得最终的显著性图。

2.4 GLGOV显著性算法

格式塔定律可以描述为视觉注意机制从一组视觉元素中生成完整对象的能力,例如边缘和区域。它认为显著区域是由几个区域紧密组成的,而背景区域的分布则更加分散。GLGOV显著性算法[17]通过超像素分割,以格式塔定律引导抑制背景超像素的显著性值来增强显著性超像素的对比度。使用CBHP模型计算显著点,利用相似度和接近度格式塔定律进行平滑处理:

(3)

GLGOV显著性算法根据式(3)平滑每个超像素的空间紧度项,提高显著图质量。

2.5 算法效果对比与分析

视觉显著性算法效果比较如图2所示。其中,图2(a)中不同区域的显著程度划分较模糊,服装整体相较于背景偏亮;图2(b)没有表现出下半身的显著区域;图2(c)将部分褶皱和服装轮廓判定为高显著性部分;图2(d)较清晰地把服饰分成了显著程度不同的区域,具体如图3所示。为此,后续改进色彩聚类算法时采用GLGOV显著性算法进行优化。

图2 视觉显著性算法效果比对Fig.2 Effect comparison of visual saliency algorithms

图3 不同显著程度的区域分割Fig.3 Region segmentation with different saliency

3 色彩聚类算法优化

3.1 K-means聚类算法基本原理

K-means聚类常用于对HSV或其他颜色空间进行统计分析。设置初始聚类数固定值为K,随机生成K个对应的初始聚类中心,根据欧式距离分配其余数据到距离最近的中心,即

(4)

式中:xi为第i个样本;μk为第k个簇对应的中心点;t为迭代步数;ci为xi所属的簇。

根据分区计算均值,生成新的聚类中心。重复上述步骤,并计算损失函数,计算方式为

(5)

式中:J为样本点到对应中心点距离的平方和;m为样本总数;K为簇总数。

根据式(5)逐步迭代优化,直至收敛后取得,对应最小损失函数的聚类结果。

3.2 融合视觉显著性的色彩提取

采用3种不同融合形式,比对分析不同的融合效果。

3.2.1基于视觉显著性融合图的优化 为了获取主观视觉感知的色彩提取结果,将图像的显著性信息引入K-means聚类模型。利用GLGOV方法提取图像的显著性信息,生成图像的视觉显著性区域亮度图,高亮度区域的服装颜色即为被人眼视觉关注更多的颜色。将亮度图进行归一化处理,归一化至[0,1],计算方式为

y=(x-xmin)/(xmax-xmin) 。

(6)

式中:x,y分别为归一化转换前、后的灰度值;xmax,xmin分别为样本的最大值和最小值。

将亮度图的像素灰度值与原图像的对应像素HSV值相乘,即

(7)

式中:对于第i个像素,hi,si,vi分别为生成的新HSV值;Hi,Si,Vi分别为原图像的HSV值;yi为对应的归一化后显著图的灰度值。

相乘后的融合图非显著性区域颜色亮度变暗,显著性区域颜色保持不变。采用融合图进行K-means聚类,将黑色聚类视为背景进行剔除,保留其他聚类颜色,即显著性区域的颜色。

3.2.2基于区域色彩加权优化 在利用K-means算法分割图像的基础上,使用亮度图对原图每一块聚类区域进行加权平均,提高显著性区域的色彩权重,降低非显著性区域的色彩权重。

各聚类区域内的显著图与融合图的所有像素灰度值与HSV值分别相加求和,将同一区域求和后的HSV值除以灰度值,得到优化后的各聚类区域HSV均值,使色彩聚类结果更偏向显著区域色彩。具体计算公式为

(8)

提取聚类区域优化后的颜色,作为常规K-means算法获得的新聚类色彩。

3.2.3基于颜色占比加权优化 基于颜色加权法的计算结果,对每个聚类区域的比例进行赋权处理,重新获取每个聚类区域的颜色占比并生成聚类色卡图。色彩占比加权处理具体公式为

(9)

式中:pk为第k个聚类区域加权后的区域占比;m为图像总像素数。

将pk进行归一化处理,得到新的色彩占比,即

(10)

式中:Pk为归一化后的区域色彩占比;Kf为服装部分的总聚类数。

提取3.2.2中优化后的聚类颜色,并使用赋权后的色彩占比对提取的色彩进行权重排序,重新生成色彩聚类图和色彩占比。

4 品牌女装色彩解析实证分析

4.1 实验样本搜集

选取3个国际知名女装品牌Chanel、Fendi和Uma Wang作为实证。图像数据采集于品牌官方社交媒体账号发布图像和品牌官方网站图像,每个品牌女装选取2020—2022年度春夏系列女装与秋冬系列女装图像各50张,共计300幅实验样本。

按照品牌和时尚季分类,统一将样本高度设置为1 300像素,宽度按比例变换。选用HSV颜色模式,使用 Adobe Photoshop剔除样本背景,并分离样本中的人体和服装,生成无肢体干扰下的服装内容图像。根据服装样本的特性,采用中值滤波对样本进行去噪,以较好地保持图像细节[21-22]。

4.2 不同优化方式下的色彩聚类效果

视觉显著性亮度图的灰度值和原图HSV值相乘后的效果如图4所示。

图4 视觉显著性与原图融合效果Fig.4 Fusion rendering of visual salience and original image

为了便于对比效果,设定初始聚类数K1=4。常规K-means聚类算法和3种不同优化方式下品牌女装图片的色彩聚类效果对比如图5所示,其中色号用16进制颜色值表示。

图5(b)中,视觉显著性融合图生成的聚类颜色相较于原图色调偏暗,聚类结果失真,偏离了原图的真实色彩。图5(c)中基于颜色加权优化得到的色彩提取结果变化不明显,还需要进一步改进。图5(c)为在此基础上获得的基于占比加权优化的色彩提取结果,处于显著区域的橙棕色(B06F43)、深棕色(#46413C)和浅棕色(#BFAC9F)比例提高;处于非显著区域的浅灰色(#CECF04)比例下降。该方案对于K-means聚类的HSV值和色彩占比都进行了改进,与常规K-means聚类结果相比,更偏向主观色彩感受,聚类效果较好。因此文中采用该方案进行后续品牌女装配色分析研究。

图5 色彩占比加权优化的聚类效果Fig.5 Color proportion weighted optimization clustering effect

利用二次聚类的机制,选择聚类数,提取图像的主题色并计算簇的每个序列号像素数占总像素数的比例,即颜色的比例,生成色彩占比条形图。

4.3 单一品牌女装用色分析

以Chanel品牌为例,使用文中提出的色彩提取方法对该品牌2020—2022年度的阶段用色和不同时尚季的色彩构成进行对比与分析。

4.3.13年综合用色情况 图6为Chanel品牌2020—2022年度内的综合用色情况。黑色是Chanel品牌的经典色彩之一,象征着浓烈和纯粹,在近3年,该品牌仍然大量使用黑色来展示服装情感,黑色占比为24.31%。在整体用色上,该品牌的低饱和色彩较多,占比排名第1,2,3,5的颜色都为低饱和偏中性色调的颜色。排名第4,6,8的颜色都为蓝紫色调,说明在近3年中该品牌常用蓝、紫色丰富服装色彩,使服装颜色不会过于沉闷。

图6 Chanel 2020—2022年度用色情况Fig.6 Color proportion bar chart of Chanel in 2020—2022

4.3.2不同季节用色情况 Chanel品牌春夏季和秋冬季的用色量情况如图7所示。由7图可知,在整体占比上,春夏季黑色占比与其他颜色差异较大,为35.87%,而其他颜色占比都低于14%;秋冬季色彩用量差异较小。在主要颜色上,不同时尚季都使用了黑色,展现了该品牌的经典色彩。在整体配色上,春夏季的配色比秋冬季更活泼,其中排名第2,4,5,8的颜色都为浅色,并且排名第3,4,6的颜色都为冷色调,给人更清凉的感觉。秋冬季棕红色调较多,整体更加稳重。

图7 Chanel不同季节色彩使用情况Fig.7 Chanel's color proportion bar chart of different fashion seasons

4.4 品牌女装用色差异分析

4.4.1春夏季 3 个品牌女装在2020—2022年度春夏季用色情况如图8所示。由图8可知,3个品牌女装3年间对色彩应用及规律不尽相同,其中3个品牌前3种颜色占比合计分别为62.51%,58.73%和65.06%,均大于50%。Fendi色彩用量较均衡,占比差值小于21%。在色彩方面,Chanel在近3年的春夏季配色较多地使用大面积的黑色塑造优雅感。其中,Fendi颜色使用量排第2,3,4,5,8的都是明亮的浅色系,使整体配色不过于沉闷;相比于Chanel,Fendi色彩饱和度更高,配色更明亮活泼;Umawang除了排名第6的颜色,都为低饱和的灰棕色调,符合Umawang品牌带给人的稳重收敛的感觉。

图8 品牌女装2020—2022年度春夏季用色情况Fig.8 Spring and summer color analysis of the female brand clothing in 2020—2022

4.4.2秋冬季 3个品牌女装在2020—2022年秋冬季用色情况如图9所示。

由图9可知,在主体颜色上,3个品牌前3种颜色占比合计分别为51.77%,53.76%和54.88%,都大于50%。其中Chanel和Fendi都使用了3个中性色,Umawang则使用了棕色调。在整体配色上,3个品牌使用灰、棕色等低饱和度的色彩较多。Chanel和Umawang的整体色彩偏深沉,Fendi配色偏浅。在特色色彩的使用方面,Chanel颜色占比排名第5,8的为饱和度较高的红色;Fendi颜色排名第7,8的为浅色撞色, 配色更加大胆;Umawang没有使用跳脱的颜色,多为棕色调,说明该品牌秋冬季色调较统一,依然沿袭品牌低调、复古典雅的风格。

5 结语

品牌的显著性色彩是凸显品牌风格、提高品牌形象和品牌价值的重要因素之一。利用视觉显著性算法生成亮度图对常规K-means聚类算法进行颜色和色彩占比的加权优化,可使计算机模拟人类视觉系统。实证部分选取主观感受接近的3个品牌服饰,从量化角度解析了各自设色差异,弥补了主观视觉感知的模糊性,较好地捕捉品牌服装的重要色彩特征,便于服装品牌的色彩管理和特色色彩谱系的维护。

文中以可视化的形式较为清晰地量化出品牌的配色及色彩用量等参数,展现品牌用色形式和规律,为品牌服装色彩设计提供了客观依据,也为类似品牌的色彩管理提供参考。