劉靜　莊梅玲　商蕾　張曉楓

摘 要：為實現皮影服飾圖案的自動提取，以唐山皮影頭茬圖像為例，分析了皮影服飾的色彩構成及圖案特點，探討了一種基于色彩聚類的皮影圖案識別方法。通過相對總變差模型對皮影圖像進行了噪聲平滑處理;將處理后的數字圖像由RGB顏色空間轉換至CIE L*a*b*顏色空間，提取空間中的a、b兩個色彩分量;利用K-means聚類算法對皮影圖像色彩進行聚類分析，最終實現皮影色彩紋樣的最佳分割。結果表明，筆者設計的算法可有效實現對于皮影這類色相分明、細節(jié)豐富且主色統(tǒng)一的彩色圖像的分割。

關鍵詞：皮影;紋樣分割;色彩聚類;圖像平滑;顏色空間

中圖分類號：TS941

文獻標志碼：A

文章編號：1009-265X（2021）05-0071-07

Pattern Segmentation of Shadow Puppetry Costumes Based on Color Clustering

LIU Jinga， ZHUANG Meilinga， SHANG Leia， ZHANG Xiaofengb

（a.College of Textile & Clothing; b.College of Computer Science & Technology， Qingdao University，Qingdao 266071， China）

Abstract： In order to achieve the automatic extraction of shadow puppetry costume patterns， taking the headdress images of Tangshan shadow puppetry as an example， the color composition and pattern characteristics of shadow puppetry costumes are analyzed， and a shadow puppetry pattern recognition method based on color clustering is discussed. Noise smoothing is performed on the shadow puppetry images through the relative total variation model. The processed digital image is converted from RGB color space to CIE L*a*b* color space. Two color components， a and b， in the space are extracted， the K-means clustering algorithm is adopted to carry out a cluster analysis on the colors of shadow puppetry costumes， and the best segmentation of shadow puppetry color patterns is realized finally. The experimental results show that the algorithm designed in this paper can effectively segment color images， like shadow puppetry color patterns， which have distinct hue， rich details and uniform main color.

Key words： shadow puppetry; pattern segmentation; color clustering; image smoothing; color space

中國傳統(tǒng)圖案藝術源遠流長，形式多樣、內涵豐富，是中華民族的寶貴財富[1]。皮影是極具地方特色的中華民族傳統(tǒng)文化瑰寶，蘊含著豐富的民俗意識和文化內涵。作為一門古老的藝術，皮影服飾中豐富的圖案具有特殊的審美韻味，是人類藝術創(chuàng)造的精華[2]。皮影圖案的色彩與五行學說相對應[3]，采用紅、綠、黑、黃、白表現影人所有的色彩，色彩飽和度高，明度大，且刀口通過留白方式進行界定，如圖1所示。

長久以來，皮影服飾圖案的提取以人工為主，受主觀因素與環(huán)境因素影響較大。目前，數字圖像處理技術的在傳統(tǒng)服飾圖案的自動提取研究中已經取得了廣泛應用，例如，邢樂等[4]以漢族傳統(tǒng)服飾“云肩”為例，基于均值漂移聚類法提出了一種檢測傳統(tǒng)服飾實物圖像顏色的方法，解決了獲取實物圖像的色彩耗時、缺乏準確性等問題;王曉予等[5]以明代服飾織物為載體，采用領域平均法對刺繡圖案進行濾波處理，平滑掉了不需要的織物紋理結構使得圖案的輪廓變得比較清晰，最后通過圖像聚類分析方法實現了刺繡圖案的自動提取;李俞霏等[6]以明代賜服斗牛袍為研究對象，在對服飾圖案進行了濾波降噪處理后，采用K-means聚類算法對服飾色彩進行聚類，實現了不同色彩紋樣的分割;徐平華等[7]采用圖像分析技術，有效提取了藏族、朝鮮族及哈薩克族等多個民族服飾主色并進行了示范性度量和可視化表達。皮影人物服飾與民族傳統(tǒng)服飾一脈相承，并且更加接近于中國傳統(tǒng)的戲曲服飾。與服飾圖案的提取相比，皮影為二維平面的物體，其圖像跟物體本身更為接近，且皮影服飾色彩以雕刻刀口界定，完整清晰，更加適用于基于圖像處理技術的圖案提取。但由于皮影頭茬相較于服飾圖案尺寸小，并且雕鏤精細，目標圖案與背景需要更加精確地進行分離。而傳統(tǒng)的圖像平滑算法無法有效的去除圖像中的噪聲信息，造成圖案邊緣模糊。相對總變差模型（Relative total variation，RTV）[8]利用紋理（噪聲）部分的相對總變差與圖像主結構的相對總變差之間的差異[9]，能夠實現對圖像中噪聲的去除。該算法在有效平滑噪聲的同時能夠清晰地保留圖案的邊緣，更加有利于后續(xù)基于圖像色彩進行的聚類處理。

本文結合皮影圖案細節(jié)豐富、色彩純度高的特點，采用RTV算法對皮影頭茬圖案圖像進行平滑處理。將平滑后的色彩圖像轉換至CIE L*a*b*色彩空間，然后采用K-means聚類分析算法基于顏色特征對皮影圖案紋樣進行分割提取，經實驗分析，文中設計的實驗方案可以有效提取皮影的服飾紋樣。利用現代信息技術提取皮影中別具特色的藝術元素，不僅能夠克服人眼識別受環(huán)境、心理、生理等因素影響，而且有助于創(chuàng)新吸收皮影元素應用在其他相關領域[10-12]，使之為現代生活所吸收，實現皮影深層的民俗觀念、地區(qū)意識等特定文化形式的留存[13]。

1 皮影圖像預處理

1.1 噪聲平滑

皮影圖案在制作時因人工上色不勻產生的色彩污點以及后期進行圖像采集、傳輸時產生的噪聲信號給色彩聚類帶來了不便，本文采用相對總變差模型對皮影圖案進行預處理。RTV模型是Xu等[8]提出的一種保留主結構的圖像平滑方法，適用于非統(tǒng)一或各向異性的紋理（噪聲）的濾除[14]，能夠實現皮影圖像中無規(guī)則的噪聲信息與圖案的主結構輪廓的有效分離。其模型表示為：

arg min（Sp-Ip）2+λ·Dx（p）Lx（p）+ε+Dy（p）Ly（p）+ε（1）

式中：S為輸出圖像;I為輸入圖像;p為像素點索引;第一項為保真項，避免輸入與輸出圖像差距較大;第2項為相對總變差，λ為調整參數，控制保真項與相對總變差的比例，其中λ值越大平滑效果越顯著，但過大會造成圖像模糊，在文中皮影圖像的平滑處理中，取λ值為0.005～0.01;D為總變差;L為固有變差;（為很小的一個正數，防止分母出現0的情況。在以像素點p為中心的正方形鄰域R（p）內，x、y方向上的窗口總變差Dx（p）、Dy（p）與窗口固有變差Lx（p）、Ly（p）為：

Dx（p）=q∈R（p）gp，q（xS）q（2）

Dy（p）=q∈R（p）gp，q（yS）q（3）

Lx（p）=q∈R（p）gp，q（xS）q（4）

Ly（p）=q∈R（p）gp，q（yS）q（5）

式中：q為R（p）領域內所有像素點的索引，x，y為像素點q在x和y兩個方向上的偏微分，gp，q為根據空間關系定義的權重函數

gp，q∝exp（xp-xq）2+（yp-yq）22σ2（6）

式中：σ為控制窗口尺寸的參數，對圖像的平滑程度起著重要作用。σ值越大圖像的平滑程度越顯著，但取值過大容易平滑掉圖案的細節(jié)部分。根據所處理的皮影圖像紋理的大小，取σ為1～2。

該算法使用Image Processing Toolbox 10.2版，運行環(huán)境統(tǒng)一為Microsoft Windows 10的Matlab 9.4版軟件平臺，該算法對皮影圖像的平滑效果如圖2所示，不難看出，圖像中的噪聲信號及色彩污點被平滑掉，且圖像的邊緣輪廓被完整保留。

1.2 顏色空間轉換

實驗對象（皮影圖像）的顏色空間為RGB。RGB顏色空間是設備依賴顏色空間的一種，是目前應用最廣泛的色彩空間。但由于在RGB圖像中所顯示的顏色是均由R（紅色）、G（綠色）和B（藍色）3種顏色混合而成，各通道的相關度較高，無法清晰地感知及度量色彩之間的差異。因此需要將圖像從RGB顏色空間變換到色彩感知均勻且容易度量的顏色空間中。

CIE L*a*b*（簡稱CIE Lab）顏色空間是設備無關的顏色空間，由一個亮度分量（L）和兩個色彩分量（a、b）組成。該顏色空間在感知層面具有均勻性，人們在視覺上覺得接近的兩種顏色，對應在CIE Lab顏色空間中的位置也是相臨近的[15]，且空間中的顏色差異可以用三維坐標系中這兩種顏色的空間點之間的歐氏距離表示，更加有助于根據色彩差異進行聚類分析。RGB空間轉換為CIE Lab空間時需借助CIE 1931 XYZ顏色空間進行轉換，將色度和亮度分開。顏色空間轉換算法步驟如下：

a）提取RGB彩色空間中皮影圖像的R、G、B3個分量，組成矩陣A=[r，g，b]T;

b）由式（7）將A進行線性變換轉換至XYZ空間，組成矩陣B=[X，Y，Z]T，

B=0.4124530.3575800.1804230.2126710.7151600.0721690.0193340.1191930.950227·A（7）

c）然后將矩陣B中的X、Y、Z3個分量由式（8）、式（9）經非線性變換計算出CIE Lab空間的a、b分量。

L=116×FYYn-16

a=500×FXXn-FYYn

b=200×FYYn-FZZn（8）

F（t）=t13，若t>0.008856

7.787t+0.137931，其他（9）

式中：Xn、Yn、Zn為默認值95.047、100.0、108.883。

2 色彩聚類分割

采用K-means聚類算法對皮影圖像中的顏色進行搜索及聚類。該算法是由MacQueen提出的一種簡潔、快速的無監(jiān)督學習算法[16]，通過最小化n個樣本{x1，x2，…xn}和K個聚類中心{C1，C2，…，CK}之間的距離之和，來實現n個樣本劃分到K個簇中的目的。其中每個樣本xi為提取的該像素的a，b通道值。該算法對于皮影圖像這種大數據集的聚類處理具有較高的效率。對轉至CIE Lab空間中的皮影圖像進行K-means聚類處理，算法步驟設計如下：

a）設定聚類數K=4;

b）隨機選取K個點作為初始聚類中心{C1，C2，…，CK};

c）計算每個點到聚類中心的距離D（xi，{C1，C2，…，CK}），根據到每個聚類中心的歐氏距離的大小來分配到具體的某一類K，并標記{1，2，…，K}，其中歐氏距離計算為：

D（x，C）=∑ni=1（xi-C）2

d）計算分配好的每一類數據集的均值，將其作為新的聚類中心;

e）重復c）、d）步驟，直到圖像的聚類中心不發(fā)生變化。

實驗所得結果如圖3所示?？梢钥闯?，最終得到的皮影紋樣提取結果輪廓完整且邊緣結構準確。對于色彩顏色飽和度高的紅、黃、綠三色區(qū)域圖案分割清晰，所含噪聲少，取得了滿意的分割效果。

3 結果對比與分析

3.1 不同圖像平滑算法比較

為選擇合適的平滑濾波方法，對比了中值濾波、均值濾波、高斯濾波以及相對總變差模型4種算法對同一皮影圖像的處理結果，如圖4所示。

由實驗結果可以看出，均值濾波處理后的圖像（圖4（c））邊緣模糊嚴重，無法清楚保留圖像的邊緣銳度，因此對于凸顯圖像邊緣輪廓的皮影對象是不宜采用的。相比較而言，中值濾波可以較好的平滑圖像中的噪聲，并且不會模糊圖像的邊緣，但由于制作皮影時的刻工精細，皮影圖像的細節(jié)部分的尺寸較小，低于中值濾波模板的鄰域寬度的一半，因此某些特征值被中值濾波處理后的中值所取代，造成了圖像細節(jié)的丟失（圖4（e））。高斯濾波處理后的皮影圖像（圖4（d））雖然細節(jié)部分沒有出現缺失，但仍存在一些邊緣模糊的情況，無法清晰保留皮影的特征。相比于其他3種圖像濾波算法，相對總變差模型可在濾除噪聲的同時有效保留皮影圖案的邊緣及清晰度。相對總變差模型的平滑效果如圖4（b）所示。由圖4（b）可看到，皮影圖像中許多噪聲信號及色彩污點都被分離出來，且圖案清晰，因此，選擇相對總變差模型來平滑皮影圖案效果最好。

3.2 圖像分割結果分析

為了驗證文中算法的有效性，實驗先比較了平滑去噪對色彩聚類效果的影響，圖5（a）為未經過平滑去噪預處理的傳統(tǒng)K-means算法對皮影圖案進行色彩聚類的分割結果，由于沒有進行圖像的平滑預處理，使得分割后的圖像含有許多噪聲信號，影響了分類結果的準確性。同時對比了模糊C均值（Fuzzy C-means，FCM）聚類算法對皮影圖案的分割效果，實驗結果在圖5（b）中示出，可以看到，在以綠色為主進行聚類的圖像中存在許多黃色部分，這是由于模糊C均值聚類算法對數據沒有硬性劃分，導致綠色與其顏色相近的黃色劃分不明顯。為定量分析聚類結果，將手工分割的圖像作為參照對象，采用常見的圖像分割性能檢測指標平均準確率[17]（Mean accuracy， MA）對實驗結果的準確性進行評價。MA是對圖像中所有類別的分割正確的像素數和所預測的總像素數的比值取平均，如式（10）。

MA=1K∑Ni=1niiti（10）

式中：K表示類別數;nii表示實際類別為i，預測類別為i的像素數量;ti表示類別i中包含的像素總數。

表1中示出了本研究方法及其他兩種分割算法所得分割結果的平均準確率及運行時間。由表1中的平均準確率MA值可見，本研究方法的分割準確率最高，表明其分割結果更加接近于正確的圖案分割結果，同時，從分割算法的運行時間來看，本研究方法的收斂速度快于FCM聚類算法，但是，其時間分割代價則高于未經平滑處理的傳統(tǒng)K-means算法，原因在于本研究方法在使用相對總變差模型進行圖像平滑處理時，所采用的平滑算法相對較為耗時，因此整體算法分割速度低于傳統(tǒng)的K-means算法，但從所得分割結果上來看，本研究方法的分割性能優(yōu)于傳統(tǒng)的K-means算法和FCM算法。

為了進一步驗證本研究所提出的圖案分割方法的有效性，對其他皮影圖像進行色彩聚類分割實驗。圖6示出了其他4幅圖片的分割結果。實驗結果表明了該方法的有效性，能夠較準確地實現皮影服飾圖案的快速提取。

4 結 論

為客觀提取皮影服飾圖案紋樣，基于皮影圖案色彩分明、互補性強的特點，設計了一種基于色彩聚類的圖案提取方法。該方法通過相對總變差模型分離皮影圖案中的噪聲及主結構，對所得圖像利用K-means算法對皮影圖案進行色彩聚類分割，最終提取出清晰完整的皮影圖案。結果表明，該方法在皮影圖案的分割及提取中具有較好的效果及應用前景，與傳統(tǒng)的K-means及FCM兩類聚類算法相比提高了圖案提取的準確度。筆者提出方法適用于圖像色彩豐富、色塊分明的皮影圖案提取，但是對于分割結果的魯棒性有待進一步提高，后續(xù)工作將針對這一問題進行算法改進，并將提取出的皮影圖案元素加以應用，實現新時代下皮影藝術的傳承。

參考文獻：

[1]秦歲明.與時俱進的傳統(tǒng)圖案藝術[J].裝飾，2003（8）：40-41.

[2]閆子飛，朱琳.皮影圖案在現代設計中的創(chuàng)新應用[J].前沿，2014（17）：232-233.

[3]張顯媚.略談甘肅慶陽皮影造型藝術風格[J].絲綢之路，2014（22）：64-65.

[4]邢樂，張杰，梁惠娥，等.傳統(tǒng)服飾云肩實物圖像主色的智能檢測[J].紡織學報，2017，38（11）：110-115，123.

[5]王曉予，向軍，潘如如，等.服飾刺繡圖案的自動提取與色塊分割[J].紡織學報，2017，38（9）：120-126.

[6]李俞霏，梁惠娥.明代織物紋樣的智能提取：以斗牛袍為例[J].絲綢，2018，55（11）：53-58.

[7]徐平華，冒海琳，張玉杰，等.民族服飾色彩構成分析方法研究[J].絲綢，2019，56（3）：24-29.

[8]XU L， YAN Q， XIA Y， et al. Structure extraction from texture via relative total variation[J]. ACM Transaction on Graphics（TOG）， 2012，31（6）：1-139.

[9]張波，湯春明.基于相對總變差模型與自適應形態(tài)學的織物瑕疵檢測[J].紡織學報，2017，38（5）：145-149，162.

[10]蘇淼，魯佳亮，林海雷.皮影造型藝術在現代絲綢家紡中的應用[J].絲綢，2012，49（5）：41-44.

[11]李秀麗.皮影圖形在服裝設計中的應用研究[D].杭州：浙江理工大學，2014.

[12]劉海英，劉頒，韓福麗，等.皮影元素在旅游紀念品設計中的應用研究[J].包裝工程，2018，39（24）：333-339.

[13]張謙.唐山皮影的傳承與發(fā)展[D].石家莊：河北科技大學，2009.

[14]GONZALEZ R C，WOODS R E， EDDINS S L. Digital image processing using MATLAB[M].2nd ed. Beijing： Publishing House of Electronics Industry， 2009.

[15]霍鳳財，孫雪婷，任偉建，等.Lab空間的改進k-means算法彩色圖像分割[J].吉林大學學報（信息科學版），2019，37（2）：148-154.

[16]黃宇，付琨，吳一戎.基于Markov隨機場K-Means圖像分割算法[J].電子學報，2009，37（12）：2700-2704.

[17]SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：640-651.

收稿日期：2020-07-23 網絡出版日期：2021-04-16

基金項目：青島大學研究基金項目（JXGG2019080）

作者簡介：劉靜（1995-），女，山東棗莊人，碩士研究生，主要從事服裝與服飾數字化方面的研究。

通信作者：莊梅玲，E-mail：zmlqdu@126.com