基于京剧脸谱意象色彩的服饰纹样自动配色

贾 静，曹竟文，徐平华,2,3，林瑞冰，孙晓婉

(1.浙江理工大学 服装学院，浙江 杭州 310018；2.浙江省服装工程技术研究中心，浙江 杭州 310018；3.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)

色彩是感知服饰美感、影响消费决策的重要设计元素之一。传统的配色方式高度依赖设计人员的主观认知和审美意识，对意象色彩的理解易产生偏差，导致主题错配。相较于染色、印花等环节的测色、对色，服饰配色更加注重产品赋色的适配性、协调性与多样性。

意象场景是设计师创意灵感的重要来源，其配色形式和用色规律可借助于计算机再现并应用于当代设计。在色彩提取和模型构建方面，Steward[1]最早于1981年建立了设计结构矩阵模型，用于构建设计要素之间的关联关系。文献[2-4]在设计结构矩阵模型上进行改进，提出了色彩网络模型，构建了主色、辅色选区策略，开发用于辅助设计配色的CorelDraw插件。其后，相关研究[5]在此基础上进行了适当拓展应用。在配色方面，采用的方法如直方图匹配法[6]、基于概率分割的局部颜色迁移算法[7]、基于色调差异的最近邻法[8]、颜色情感语义色彩迁移法[9]、基于密集连接生成对抗网络法[10]、神经动力学模型[11]等。上述算法实现场景颜色的整体意象迁移，欠缺对目标内部特征的识别和自由调节，不利于推荐以及辅助设计师交互配色。文献[12]采用交互式遗传算法辅助软件实现了在人机互动作用下逐步优化的配色方案。

由场景意象色彩至纹样赋色迁移中，仍需在色彩解析和自动配色环节进行改进，以获取更为准确的意象色和逻辑清晰的配色方案，以满足设计师快速采用的设计需求。为此，本文以京剧脸谱为场景范例，利用自适应色彩聚类获取场景提取色，结合目标形态结构特征，实现服饰纹样的自动配色。

1 脸谱样本搜集与预处理

1.1 样本搜集

脸谱是京剧中较具特色的视觉形象，其色彩表达富有张力，通过脸谱形象和色彩的搭配，形成了鲜明的特征[13]。实验选取京剧脸谱图像中生、净、丑作为源图样本，从中解析各角色脸谱的用色规律。

实验搜集了生角、净角、丑角各50张有效京剧脸谱样本图像，部分样本图像如图1所示。样本图像采集自赵永岐[14]编撰的《中国京剧脸谱》电子书籍中的素材图像，对脸谱有效区域截取后形成的图像，尺寸均大于800像素×800像素，分辨率高于 72 dpi。本文侧重于方法的构建和阐述，重点研究意象色彩的解析，样本在保证尺寸和分辨率的基础上，对场景的一致性不作严苛规定。

图1 部分脸谱素材图像

1.2 图像预处理

实验中搜集的样本存在一定噪声，需对脸谱主体进行分割和降噪处理。由于本文样本背景相对简洁，因此采用常规阈值分割即可实现脸谱主体的分割。在对原图灰度化处理的基础上，采用基于最大类间方差法(Otsu)[15]的自适应阈值分割，形成目标与背景分离的黑白图像。进一步判定目标区域是否存在孔洞。若存在孔洞，则采用下式对空洞区域进行填充。

Xk=(Xk-1⊕B)∩AC

(1)

式中：Xk为当前状态；Xk-1为前一次填充状态；B为对称结构元；⊕为形态学膨胀操作；A为经过Otsu算法处理后的黑白图；AC为其补集。通过迭代操作获得脸谱位置区域，将原图对应区域分割出来。需要说明的是，当选取的意象场景不考虑具体目标，希望获得场景图像全局色彩作为输入信息时，图像分割操作可省略。

预处理过程如图2所示。对噪声明显的图像采用高斯滤波可减弱噪声干扰。以图1(c)丑角脸谱为例，由于样本存在一些噪声，须对其进行分割处理，并适当进行了降噪处理。类似地，逐一对其余样本图像进行批量预处理操作。

图2 样本预处理效果

2 颜色提取与网络关系模型构建

为获取场景图像的色彩分布形态和用色规律，以下对各角色脸谱图像意象色进行提取，并构建其专属的色彩网络关系模型。

2.1 单样本脸谱颜色聚类

为规避固定聚类中心造成色彩过于均衡化的缺陷，此处采用改进的二分K-均值自适应聚类算法，算法思路如下。

1)设置初始聚类中心。以图像I三通道数据集样本的平均值为初始聚类中心，其聚类中心为

(2)

2)计算距离、设定阈值。计算各像素点至聚类中心的欧氏距离，阈值设定为

T(t)=max{SSE(t)i,j}×η

(3)

式中：T(t)为第t次判定时的距离阈值，其值在迭代中动态变化，首次判定时t=1；SSE(t)i,j为第t次判定时像素点(i,j)与聚类中心的欧式距离;η为二分系数。

3)更新聚类中心、筛选簇群。当计算距离大于阈值时，归为簇群；当计算距离小于阈值时，重新设置聚类中心。聚类中心设置为小于阈值数据的各通道均值。

4)剩余簇群迭代与筛选。迭代示意图如图3所示，在满足迭代次数及簇内数量下，迭代至聚类中心点不再变化，确定为该簇数组。剩余数据重新进入1)～3)，迭代循环直至划分出剩余簇群。

图3 二分K-均值聚类示意图

同样的，对其余角色脸谱依次进行单样本色彩自适应聚类，获得各角色脸谱系列样本聚类色。

2.2 各角色脸谱意象色提取

对样本图像批量自适应聚类后，分别构建角色脸谱的色彩融合图，如图4所示。在色彩融合图的基础上进行二次聚类获得该角色脸谱的意象色。依据设计需要，二次聚类中心数K值可由设计师自行确定，以获得较为宽泛的颜色区间，满足纹样的赋色需求，因此，该阶段选用常规的K-均值聚类算法[16]实现自定义簇数的颜色聚类。

图4 丑角意象色提取示意图

以丑角脸谱为例，对其进行二次聚类时，K值设定为10时，其提取色结果如图4所示。图4输出了丑角脸谱主色在L*a*b*空间的分布情况，以及提取色编号(Ci(1≤i≤K))、色值、占比等信息。类似地，对其余角色脸谱分别进行二次聚类提取意象色。

2.3 色彩网络关系模型构建

本文色彩关系网络模型在文献[2,17]的基础进行优化，并对相关特征参数进行计算。以丑角为例，色彩可视化网络关系模型如图5所示。

图5 丑角系列样本主色网络关系模型

以丑角脸谱样本为例，模型改进之处包括：1)按照提取色占比高低，逆时针方向排列提取出的色彩。圆饼面积越大，代表该色彩占比越高；2)统计提取色两两配对在该角色系列图中出现的频次，并作归一化处理；3)对高频出现的二元配对色连线。设定阈值δ，当高于该阈值时，二者之间连线，线条的粗细程度代表共现频率的高低；4)计算二元配对色空间欧氏距离，并归一化处理。数值越大，表明二者空间距离越远。

3 服饰纹样自动配色

3.1 纹样形态特征判定

实验选取的纹样初始状态为线稿图，若来样为有色图案，可采用边缘检测[18]等算法获取图案轮廓作为线稿图使用。

规则纹样内部结构较为简单，多为循环单元复合而成。如通过旋转、对称、剪切、翻转等操作，对基础线型进行变换，构成纹样单元，如图6所示。右上角四分之一区域线型为基础线条，经过变换后形成纹样单元，该单元再次做连续变换形成印花图稿。

图6 纹样1结构形态示例

一般地，纹样内部相似形状作同色填充处理。以S1～S4花瓣位置为例，在填色时，通过对其形状参数进行判断，若形态结构相似，则归为同区域，即由原来的4个区域标记为同一待配区域。

待配颜色数Np的确定依赖纹样的结构形态。首先对纹样连通区域数量进行统计，假定初始连通区域数量为Nc，对各区域形态特征进行计算。判定依据为区域面积、最小外接矩形的对角线长度、圆形度等特征参数；约定阈值，比较上述特征参数后，对相似区域进行归类，最终形成Np个待配颜色数。

3.2 自动配色机制

自动配色是基于程序给定的配色方案进行的色彩分配操作。通过计算若干配色要素，获得程序给出的最优配色方案。

颜色聚类中心数K可由程序内置或用户自设。理想情形下，K值与待配颜色数Np一致，此时K=Np=n，称之为平衡配色。每个待配区域只采用1种提取色进行赋色，且各待配区域颜色均不相同，配色模型如下：

(4)

满足：

(5)

其中：F为配色目标函数,需满足式(5)中4项约束条件；Upq为配色效能矩阵，其元素构成是由原图提取色占比Yp、目标纹样待配区域面积占比Tq、共现比率VP3个因素制约；α、β分为控制系数，分别表示提取色占比、共现比率优先程度；xpq为该位置的指派值，仅当xpq=1时表示第p个提取色填充到第q个目标区域。在xpq枚举(0或1)过程中，获得最大匹配矩阵。

由于提取色数量K为可控变量，当K≠Np时，需要对上述模型进行修正。模型(4)中的n取值修正为

n=max{K,Np}

(6)

当K>Np时，提取色数大于待配需求颜色数，则添加K-Np个虚拟待配目标；反之，提取色数小于待配需求颜色数，此时增加Np-K个虚拟提取色数，从而将不平衡配色转换为平衡配色，最终抽取各待配区域的颜色项。

3.3 交互配色方案

交互配色是指由设计师借助配色网络关系模型及其参数，对配色方案进行选择或调整。

一方面，设计师可依赖上述主动配色机制，自行调整相关控制参数。如调节颜色聚类数K，从而改变可用的颜色数量；或调节配色控制系数α、β，以调节提取色占比、共现概率的优先级。

另一方面，设计师可从设定的K个提取色中选取需求颜色，对目标纹样进行自由赋色。此时，系统作为提供场景色彩量化的辅助决策工具使用。

4 结果与讨论

利用MatLab中App Designer模块，设计并实现上述算法，开发形成可执行应用程序。软件功能模块包括图像预处理、色彩解析、纹样自动配色等模块，并集成形成一键执行操作。以下对影响配色效果的相关因素进行分析和讨论。

4.1 控制参数对配色效果的影响

软件可控参数包括二次聚类时，提取色数K、配色控制系数α、β。以丑角脸谱为例，对纹样1配色时,调节不同参数，可获得不同的自动配色效果。

经计算，纹样1待配颜色数Np=10。方案1～3展示了控制系数α=1、β=0，K值分别设定为5、10、15时的配色效果。当K=Np时，充分利用了场景的提取色，并按照提取色占比进行了色彩映射；当KNp时，聚类色进一步细分，填充的颜色取自前Np个提取色。聚类中心数与待配颜色数之间的差值，导致方案1～3呈现了不同的配色效果，但由于依赖于提取色占比，在色调上较为一致。相应方案效果如图7所示。可看出，聚类色K值的选取对纹样配色效果存在一定的影响。

图7 不同控制参数配色效果

方案4～6是在K=Np=10的情形下，α、β参数值分别设置为：(α=0.7、β=0.3)、(α=0.3、β=0.7)、(α=0、β=1)。方案2与方案4在选色顺序上差异较小，C5转到第8位；方案5较方案4，C5前移1位；方案6中高频共现的C6、C7、C8、C10前移至4～7位。由此可见，占比和共现比率优先程度改变了选色顺序，形成具有差异的配色效果。

4.2 样本对纹样配色效果的影响

实验对搜集的3个角色脸谱色彩进行提取。为便于观测配色差异，参数统一设置为：K=Np=10，α=1、β=0。图8各角色图上方为纹样1配色效果，下方为该角色样本按序排列的聚类色。

图8 基于不同角色脸谱意象色的自动配色

由于源图不同，提取色发生了较大变化，导致图8不同角色脸谱配色风格发生了明显变化。为了解各角色脸谱提取色在色调、饱和度、明度上的离散程度，将各角色样本提取色由RGB转至HSV色彩空间。颜色值归一化处理后，计算各角色样本10个提取色各通道间的均方差，结果如图9所示。

图9 不同角色提取色色调、饱和度、明度均方差

由图9可看出：3个角色脸谱提取色色调离散程度相对较高；饱和度离散程度相对较高的为丑角脸谱，生角和净角较为接近；明度离散程度较高的为丑角，其次为生角、净角。

表1示出各角色脸谱样本提取色的十六进制代码及其占比输出值。提取色占比上存在一定的差异，但各角色前3个提取色累计占比均超过45%，前5个提取色累计占比均超过65%。

表1 各角色提取色编号及其占比

4.3 纹样形态对配色效果的影响

不同纹样，其形态结构存在一定的差异。为观测纹样形态对配色效果的影响，选取对称型纹样和非对称型纹样进行配色实验。除对称型纹样1外，对其他4种不同对称型纹样进行了测试，效果如图10所示。另选取3种非对称纹样进行了自动配色测试，效果如图11所示。对于结构简单的非对称纹样(见图11(a)、(b))，赋色秩序性较好；对于非规则纹样，如图11(c)，由于本文对配色目标纹样进行自动分区，因算法依据内容相似性原则自动赋色，未对内容进行识别和分析，容易产生如花、叶的填色失实，此点有待进一步深入研究。

图10 对称型纹样自动配色效果

图11 非对称型纹样自动配色效果

由图8(c)、图10、图11配色效果可看出，纹样总体上呈现较为一致的配色风格，但由于形态结构的差异，配色位置和赋色比例均存在差异，从而形成不同的视觉效果。由此可见，在源图一致的情形下，纹样的形态结果同样会影响最终的配色效果。本文实验中所开发的软件可由设计师自由设置参数，或自由选色、配色，以实现更为丰富多样的配色表现。

5 结束语

本文重点研究了场景源图的色彩自适应聚类、意象色提取、自动配色机制及其影响因素。以京剧脸谱样本为例，利用所设计的算法实现了场景色彩解析和目标纹样的自动配色。结果表明，该算法可依据不同场景提取色，实现对目标纹样的色彩快速迁移，并通过设置参数获得不同的配色效果。

本文所选的京剧脸谱样本图像可替换为其他场景图像，目标纹样也可替换为其他类型的图案，从而为设计师提供更为广泛的意象场景取色、配色使用场景，提升色彩选配的效率。