赵崧灵, 徐凯忆, 张 健, 顾冰菲,b,c

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

近年来,部分快消时尚品牌已通过数字化手段让消费者进行面料、款式及颜色线上自主设计,实现服装的个性化定制。2018年,范思(Vans)上线Customs自由定制鞋平台,消费者既可以在线选择材质、颜色、图案进行生产,也可以上传自己的照片进行自由定制,设计过程中在网页同步进行3D虚拟仿真展示[1]。2019年,李维斯(Levi’s)推出Future finish牛仔裤线上定制平台,数据库中提供一定的颜色、图案供消费者选择,同时可添加水洗、磨蚀等不同的工艺效果,打造专属于用户的个性化裤装设计[2]。数字化个性定制平台的出现与更新,极大推动了定制服务的发展。面料是服装设计的重要载体[3],同时织物图案及色彩搭配作为重要的视觉特征,成为面料数字化设计中不可或缺的设计元素。织物图案多为装饰性纹样且实现手法多样,通过不同的排列组合可形成风格迥异的织物。而色彩作为最直观的视觉特征通常会影响最终效果,掌握色彩搭配规律使设计达到调和是设计师不断学习研究的一大课题[4]。

由于传统的人工设计存在步骤繁琐、制作周期长、生产效率低等问题,从已有的织物图像中汲取适当元素并将其创新应用不失为一种有效的设计途径,借助计算机技术手段可有效提高提取速度及精确度。通过对织物图案及色彩的自动提取,既可以对传统织物建立数据库,实现文化传承及保护再造,并与现代文化深入融合使其焕发新的生机;也可快速捕获当下的流行趋势或对消费者进行信息采集,了解客户喜爱偏好、提升设计生产的效率、提高用户满意度。目前已有一些成熟的图案及色彩提取的应用软件,如利用Photoshop等图形图像处理软件可以实现图案框选、色彩吸取等处理,但大多需要人工交互且对于精细图案的操作门槛较高。Remove.bg[5]在线抠图网站或Colorcube色彩分析软件均可实现对图片中图案或色彩的自动提取,对于人物、商品图等主体突出的图像效果较好,但对织物图像的处理会受织物纹样精细、边缘模糊、与背景颜色相似等问题的影响,提取效果不佳。Fabric3D是专门针对织物图案设计的软件,提供图案提取换色功能,同样是对于色彩数量较少、图案清晰的平面设计图案具有更好的效果。然而现有图案及色彩提取软件对织物图案处理仍存在一些不足,如自动分割不精细、人工操作步骤繁杂、无法与后续应用自动关联等,使得整个设计的过程缺乏连贯性。因此,相关学者仍在不断探究、优化计算机技术提取织物图案及颜色主题的方法,提高图案分割及颜色提取的准确性,使其可应用于实际生产中。

本文从“织物再设计”的角度简单梳理“织物-织物”设计流程,重点对织物图案形状及颜色主题的提取方法进行总结。通过实例比较不同算法的特点,再对部分融合算法应用实例进行简要分析,最后对织物再设计的应用发展进行展望。

1 织物再设计实现流程

“织物-织物”再设计流程是从已有织物中获取灵感和设计元素,在此基础上进行二次设计获得全新设计图案的过程。设计者根据需要对原有的设计进行再加工,改变原有图案的形状大小、颜色、排列组合等设计要素。主要流程总体可以分为图像预处理、织物图案提取、颜色主题提取、设计重用4个步骤,如图1所示。

图1 “织物-织物”再设计一般流程Fig.1 General process of "fabric-fabric" redesign

在织物图像预处理阶段,主要包括图像平滑及颜色空间转换。由于经纬线交织会使织物图像产生一定的纹理噪声,通常采用保边平滑处理消除纱线结构的干扰[6]。织物图像常用的平滑处理的方式有中值滤波[7-8]、均值漂移滤波[9-10]、引导滤波[11]、双边滤波[12]、各向异性扩散模型[13]、结构提取算法[14-15]等,这些方法都能较好地保持图案原有的边缘。待处理对象若为彩色图像时,进行分割处理与颜色主题提取都会涉及色彩空间,一般在预处理时根据需要进行色彩空间转换。表1简要概括了三种在织物图像处理中常用色彩空间的优缺点及主要应用场景。

表1 三个常用色彩空间主要特点及应用场景Tab.1 Main features and application scenarios of three commonly used color spaces

第二阶段是织物图案形状及颜色主题提取,为设计重用阶段提供二次设计的素材。图案形状提取是指对图案轮廓或图案区域整体提取,利用织物图像的底层视觉特征采用不同方法得到再设计对象,通常是去除原图像背景或其他不需要的元素,将获得的图案进行存储并建立数据库,便于二次设计。颜色主题提取的主要目的是建立已有设计中所蕴含的色彩规律,而后将其应用于需要改变的对象当中。一幅图像的色彩数量通常会超过人眼所能判断的极限,对颜色主题的提取可以理解为是一个颜色量化的过程。颜色量化算法常用于减少图像的储存空间,将颜色数量减少到一定范围内再进行下一步分析应用[4]。在整个设计流程中,织物图案及颜色主题提取是非常重要的两个环节,同时也是本文整理的重点。

设计重用是流程的最后一个阶段,可对前序工作中提取到的图案或色彩进行客观数据分析,找寻其中的设计规律[16]。针对提取的图案,可通过对织物的分割获得纹样元素库,分析图案的排列骨架,再进行平移、缩放、旋转等操作,生成新的设计图案[17]。针对提取的色彩,可采用色彩迁移[18-21]等手段,生成带有其典型特色且配色和谐的全新织物设计。也可引入交互式遗传算法[22]、模糊模式识别[4]等评分推荐机制,帮助用户选择自己喜欢的色彩搭配及图案设计效果,最终获得满意的结果。通过数字化手段对提取得到的素材进行再应用,能够在满足织物设计规则下改变纹样布局结构或风格,结合当下流行趋势为用户提供灵感来源与设计素材,实现快速设计。也可以利用虚拟仿真同步设计方案,在生产中采用数字印花、编织、印染等不同工艺将图案应用于服装或其他纺织品中。

2 织物图案提取

2.1 图案提取方法概述

近年在织物图案形状的分割提取研究中,主要方法有边缘检测分割、阈值分割、聚类分割、区域分割及其他特定理论的分割方法[23],通常会根据织物对象与应用目的不同采取最佳的提取算法或对已有算法模型进行改进。

2.1.1 边缘检测分割

织物图案色彩丰富、复杂细腻并且包含许多细节,Canny算子在常见的边缘检测算子中最不容易受到噪声的干扰,能够检测到真正的弱边缘,从而获得良好的边缘提取效果,在织物图像中的应用最为广泛。文献[14,24]根据印染织物图案的特点,在对图像进行平滑消除纹理及背景干扰纹样后,采用Canny算子对平滑后的织物图案进行提取,能获得完整的图案纹样轮廓边缘,对细节的保留也优于其他边缘检测算法,可为后续图案再设计提供素材。对边缘的提取也可采用轮廓跟踪的方法,贾小军等[25]对蓝印花布进行图案轮廓提取,根据二值图像的八连通域进行初步处理,之后对其进行拟合优化,获得印花布的图案基元并组建图片库。虽然边缘检测能够获得良好的图案轮廓,但同时也会造成色彩等其他信息的丢失。

2.1.2 阈值分割

阈值分割可将待处理图像按照某一准则或级别将像素分为不同类别,从而实现不同图案的分割[20]。邢乐等[26]根据色彩欧氏距离通过大津阈值分割对云肩造型进行提取,将云肩主体图像与背景分离,通过设定灰度级阈值选择需要的主体。对于具有强纹理性的编织织物,利用其纹理特征设定阈值可获得良好的分割效果。张丹等[27]对带地网经编贾卡织物通过Laws纹理能量测量后选定合适的阈值进行迭代,分割出背景与主体从而得到需要的花纹图案,而后通过边缘平滑算法优化分割边缘,最终得到图案意匠图用于产品设计。阈值分割适合于目标与背景灰度差别大的织物图像,计算简单耗时短,但对噪声较为敏感。

2.1.3 聚类分割

聚类分割在织物图像提取中的应用最为广泛,主要算法有K-means聚类、模糊聚类、均值漂移聚类,此外也有密度峰聚类算法[11]、自组织映射聚类算法[28-29]等,根据聚类数目对图像中的像素点进行分类,从而获得所需的分割区域。K-means聚类是最为经典的聚类方法,李俞霏等[7]对明代斗牛袍实物图像进行聚类分割,通过样本几何结构的紧密度指标选择织物纹样的最佳聚类数目,实现不同纹样的提取,根据结果对明代袍服的纹样特征进行分析。模糊聚类增加了模糊隶属度的概念,可对像素点进行更为细致的划分,Kuo等[30]采用Gustafson-Kessel模糊聚类确定目标函数及距离公式对像素点色值进行分类,建立了一个自动识别系统对刺绣图像进行分割,在聚类有效性上轮廓指数、分离指数、邓恩指数都要优于其他聚类算法。均值漂移聚类算法则采用概率密度梯度估计方法,找寻数据点最为密集的聚类中心,Kumah等[31]采用Mean-shift聚类方法对简单的彩色印花织物图案进行分割,通过聚类参数调整将像素分组,快速准确地分割出具有相同颜色纹理的图像,聚类复杂度较低。聚类分割算法简单、应用广泛,但也存在初始聚类数目不易确定、易受噪声干扰、运行时间长、易陷入局部最优等问题,且单独的聚类算法仅适用于分割同种色彩的图案。

2.1.4 区域分割

图像区域分割算法主要包括分裂合并、区域生长等,根据图像特性将待分类的像素点划分到不同组别当中进行图案的分割提取。Luo等[9]通过交互的方式标记图像背景区域得到过分割的图像,同时改进传统的区域生长方法建立区域作用域,根据不同区块的特性采用最小包围盒对过分割图像进行合并,保证几何图像的连续性。周慧等[32]以CIEDE2000色差为分割标准采用分水岭算法对重组织织物彩色图像进行过分割,再将颜色相近的区域进行合并,最终得到彩色织物索引图像。Jamil等[33]基于边缘图像实现种子点像素的自动选取,而后采用区域生长获得二值分割图像。对于部分图案元素能够取得良好的效果,但对于某些细长的特殊图案分割精确度有待提高,并且基于区域的分割多采用迭代的方式,在时间和空间上的开销都较大。

2.1.5 其他特定分割理论

除以上四类织物图案提取分割的方法外,小波变换[34]、图论[9,12]、数学形态学[15,32]、模糊集理论[35]等也是比较常用的分割方法。随着研究的不断深入,遗传算法[36]、神经网络等深度学习优化方法逐渐加入到织物图案分割提取算法当中。卷积神经网络(CNN)的深度学习模型由输入层、隐含层及输出层构成,通过卷积计算实现对象特征提取,能够有效减少机器学习中数据量爆炸的问题,被广泛应用于图像处理当中。在纺织服装领域,目前已经提出了很多改进和集成的神经网络结构,通过对经典模型改进来提升图像处理的效果,如表2所示。卷积神经网络常被用于织物疵点检测[37]、织物服装图像分类检索[38-41]中,也可用于图像分割、目标检测、图像分类等方面,但存在数据量庞大、处理时间长、特征手工标记繁琐等问题,处理结果也常受待训练图像质量的影响。多样的分割方式让研究者在对织物进行分割提取时有更多的选择,可以根据目的或研究对象的不同选择对应的方法或对已有的算法进行改进提升。

表2 用于织物分割分类中部分卷积神经网络结构及改进方法Tab.2 Structure and improvement of convolution neural network for fabric segmentation and classification

2.2 方法综合分析应用

为更直观地比较织物图案形状提取中常用算法效果的差异,本文通过织物实例对4种基本图案分割方式的提取效果进行分析。以平滑处理后的织物图像(图2(a))为研究对象,图2(b)中Canny算子获得了完整的图案轮廓,但除形状外的其他信息完全丢失;图2(c)采用模糊聚类获得更加清晰的图案,但作用效果是全局的,无法对特定对象进行提取;图2(d)采用大津阈值法获得完整的图案,有效保留了图案的颜色及形状信息;图2(e)的区域分割合并仅能对部分图案的外部轮廓进行勾勒,边缘并不完全贴合于原图像,仅能获得大致轮廓位置。以上4种方法对于与背景差异明显且面积较大的白花具有良好的效果,能够得到完整的图案;对于占比较小且仅为线条勾勒的红花效果并不理想,存在不同程度的信息缺失。在实际应用中可根据需要的效果选择不同算法,但单一的基础算法面对不同的对象均有一定的局限性,不易实现通用的图案分割提取。

图2 不同图案形状提取算法效果对比Fig.2 Comparison of different pattern shape extraction algorithms

3 织物颜色主题提取

3.1 颜色主题提取算法

织物颜色主题提取常采用颜色量化的方式。在已有的研究中,可将色彩量化区分为基于频度和空间两种方式。基本方法有聚类、中位切分、八叉树、频度序列、统一颜色量化算法等,其中前三种算法常被用于织物图像的颜色主题提取中[45]。

3.1.1 聚类提取算法

颜色聚类是一种比较广泛的使用方法,选择一定的聚类数目便可获得图案的颜色主题。Xu等[18]对色织物纱线色彩采用改进的快速K-means聚类进行提取分析,使用像素点间最远距离确定聚类中心。部分研究[16,46]采用了多次K-means聚类提取图像单幅、多幅颜色特征进行分析,从客观上概括分析实验对象的主要色彩特征及产生的色彩关联,并联系发掘其背后蕴含的文化寓意,对同类型或同风格的织物色彩再设计提供了参考价值。Ouyang等[29]将自适应算法应用于织物颜色主题的分析提取中,根据CIEDE2000色差标准划定色彩区域实现自动聚类,获得颜色组及相应的颜色分布图像,与其他聚类方法相比耗时更短、峰值信噪比高、图像重建质量好。聚类中心的选择会直接影响到最终的提取效果,这是聚类方法的难点。

3.1.2 中位切分算法(Median-Cut,MC)

中位切分算法将颜色空间看作一个长方体,根据颜色通道的差值,从色彩立方体最长边缘的中值进行切割,直到达到预定的颜色数量后进行提取分析。中位切分算法运算速度快且效果较好,陈登凯等[47]采用中位切分算法对民间布老虎颜色进行提取分析,得到最主要的24种颜色。同时得到色彩出现频率和颜色之间共现关系,确定主色及适配色并将其应用于新的设计中。不过一件设计作品所用到的颜色通常限定在个位数之内,提取24种颜色虽能更好地保留源图像的色彩但同时也增加了配色时选择的难度。

3.1.3 八叉树算法(Octree)

八叉树是一种用于描述三维空间的树状数据结构,常用于将真彩图像颜色减少到256色以下,算法效率高且只需占用很少的内存。蔡云骧等[48]采用八叉树和链表统计法对图片颜色进行量化,选择主色、亮差别色与暗差别色用于制作三色迷彩服。Hu等[17]对土家织锦图像采用八叉树进行色彩量化,优化主色提取及色调分布,提出基于主色图的土家织锦设计方法。李忠明等[49]改进八叉树颜色量化算法,引入归并属性使得在颜色量化过程中始终严格按照频度优先,将其应用于织袜图案设计中,得到的图像更接近于原始图像色彩,取得良好的效果。

3.2 提取算法综合比较

为更加直观比较K-means聚类、中位切分、八叉树三类提取算法对颜色主题的提取效果,本文选用色彩丰富的香云纱面料图像(像素大小为700 dpi×700 dpi),对同类色(色环差距0～30°)、邻近色(色环差距30°～60°)、互补色(色环差距60°～120°)、对比色(色环差距120°～180°)4种不同的色彩对比方式进行分析(表3)。三类提取算法提取平均速度均明显高于手工提取,提取的色卡颜色差距不大且较为准确,但颜色整体饱和度偏低。在对比色图片中三类算法都无法提取出黄色,可能受原图中黄色像素占比较低的影响。区别是:K-means聚类提取颜色整体颜色明度较低,颜色较暗;中位切分法耗时明显优于其他两种算法,颜色提取效果较好但是会有比较跳脱的颜色出现;八叉树提取效果良好,但颜色数目不易固定。三种方法各有优劣,可适用于不同的对象。

表3 常用颜色主题提取算法效果比较Tab.3 Comparison of common color-theme extraction algorithms

4 算法融合应用

织物图案及颜色主题提取方法大多是利用织物图像的形状、颜色及纹理底层视觉特征获得目标对象,其中形状及颜色特征应用最为广泛。在常用的织物图案提取算法中,边缘检测、区域分割及特定理论中的图论、形态学等算法大多是对织物图案的形状特征进行分析;而聚类算法则大多是借助颜色特征进行分割,同时聚类算法也是颜色主题提取的主要方法之一。此外,织物的纹理特征通常是需要被平滑掉的信息,但对于贾卡、提花等强纹理织物则可利用纹理强度的区别进行图案分割。

在实际应用中利用单一特性或采用单一算法会存在局限性。通过前文实例可以发现,图案形状的提取在面对复杂的分割条件时,单一算法存在分割不明显、部分信息丢失等问题;而颜色主题的提取受图片质量、杂色噪声的影响,色彩提取的时间和准确性都会有所不同[50]。为获得更好的提取效果,研究者们会根据不同织物的特点,利用其突出的形状、颜色或纹理特征将多种算法组合优化,为此本文列举了部分多特征、多算法融合处理不同织物图像的研究(表4)。融合算法弥补了单一算法的缺陷,可有效提高图案分割的效率及精确度。

算法的融合应用也使得织物图案及颜色主题提取的两个环节相辅相成,可以相互借鉴应用,为此本文对织物图案及颜色主题提取特点与主要方法进行了归纳总结(图3)。在提取的方法上,采用聚类算法及其他模糊集、神经网络等特定理论,在图案形状分割的同时也可提取得到颜色主题。在图像处理步骤上,图案形状提取中借助颜色聚类可获得更清晰的图案边缘;颜色主题的提取结合图案的形态处理,有效剔除多余的信息使得到的颜色主题更符合预期。不过目前织物图案形状及颜色主题提取的处理方法较为集中,中位切分、八叉树颜色量化等方法的融合应用在织物图像处理中的应用不甚广泛。在日后的研究中可以借鉴其他领域研究方法,为织物图像处理提供广泛的思路,尝试更多算法融合的方式,从而获得更为优质的提取结果。

表4 基于织物底层视觉特征部分算法融合的应用Tab.4 Application of fusion algorithm based on fabric low-level visual features

图3 织物图案与颜色主题提取算法及组合应用Fig.3 Fabric pattern and color-theme extraction algorithm and its combined application

5 结 语

本文从织物图案再设计的角度出发,对从织物图像输入到最终设计成果展示的整个设计流程进行梳理,重点对织物图案形状及颜色主题的提取方法进行归纳总结,主要结论如下:

1) 提取算法主要依赖于织物图像底层视觉中形状及颜色特征,但对于具有较强纹理的织物也可利用其纹理特征进行图案的分割。

2) 在图案的分割提取中,边缘检测算法可获得图案的二值轮廓,而其他分割方法可以获得完整的图案区域;颜色主题的提取算法中,三类算法提取的效果都可获得有效的颜色主题,但三类算法提取的颜色略微有所差别,且都会忽略占比小的颜色。

3) 图案形状与颜色主题的提取虽然是两个应用方向,但也具有共通之处,二者相辅相成,可以在提取方法及图像处理步骤中相互借鉴应用。但单一算法具有局限性,算法间的相互融合可以利用各自的优势,大大提高特征提取的有效性。

织物图像的分割再设计具有很强的应用性,为将其与实际生产相结合,分割提取结果的精确度是关键影响因素之一。在未来对设计流程的应用完善中,首先要提高设计元素提取的效率及准确性,如精细图案边缘、减小色差、微小细节保留的方法都需要进一步优化。同时,确定图案的排列方式、自动检测分割重复图案的单位元素、图案矢量化等深入研究能够使设计更加多样且能够提高设计的质量,在提取设计元素的同时建立图案数据库来提高效率及利用率。

《丝绸》官网下载

中国知网下载