基于用户需求意象的多重K-means-ELM侗锦配色模型研究

张 超, 闫茹玉, 朱晓君

(贵州大学 美术学院,贵阳 550003)

侗锦是少数民族民间艺术中极具代表性的传统手工织品,是贵州黔东南地区侗族历史文化发展的重要代表,也是侗族人民生产劳作与艺术审美形态的产物[1-3]。长期以来,国家针对少数民族文化予以高度重视,2021年8月在《关于进一步加强非物质文化遗产保护工作的意见》中指出“贯彻保护为主、抢救第一、合理利用、传承发展”的工作方针,以及“要推动传统工艺在现代生活中的广泛使用”。而侗族织锦为贵州侗族地区最具代表性的民族服饰,其背后蕴含的文化底蕴及民族色彩不言而喻,其研究价值对于保护和发扬侗族文化具有深远意义。

现阶段,已有学者广泛关注民族服饰色彩研究,周梦[4]认为苗、侗族的生活习性、历史文化、宗教信仰等是其在服饰上的色彩选取、运用原则的重要来源;金蕾等[5]从民俗和宗教两个角度解析黎族服饰色彩内涵,不仅指出其民族文化的象征功能,也梳理了民族生活、文化及信仰的演变和传承过程。此外,也有其他学者从经济、文化两方面,对民族服饰色彩的构成机制和色彩的内涵价值进行解析[6-7]。在民族色彩量化的研究中,吴艳华等[8]将用户对苗族服饰的色彩感性意象认知转换为设计要素,提出基于色彩的K均值聚类算法和感性工学结合的KCQ-KE模型并验证其可行性。徐平华等[9]利用K均值聚类法研究了民族服饰的色彩构成,获得了一种客观、可靠的民族服饰色彩测量方法。在色彩感性意象研究方面,冯青等[10]以感性工学为理论基础,采用神经网络为关键技术来研究产品配色。陶晨等[11]结合色彩心理语义词汇分析及色彩库的建立,采用HSV色彩编码方法进行配色。以上无论是基于色彩量化还是感性意象的研究,其配色方法都鲜有考虑用户侧需求,以及精细化的配色方案,建模过程也相对简单;同时未能建立意象词与色彩之间的模糊映射关系,并且在民族色彩及色彩意象的提取应用中对侗族织锦色彩基于用户心理诉求的研究较少,缺乏对特定色彩样本量化、筛选分析。

基于此,本文以用户需求意象为基础,结合现代图像分析技术,构建更符合用户视觉简单心理感知的色彩数值量化多重K-means-ELM配色模型。首先,收集意象词并进行提炼归类,并得到四个维度的意象词集合;其次,对代表性侗族织锦进行K-medoids聚类主色彩提取和HSV色彩空间转化,并对样本进行意象词匹配;再次,对代表性样本进行多重K-means聚类分群,得到四类相似色彩分布的聚类图像集合,并对各集合进行代表性主色彩提取;最后,根据用户需求意象构建多重K-means-ELM配色模型用于主色彩预测并进行模型验证。本文从用于对色彩需求意象出发,构建了色彩—意象的映射关系模型,实现了从意象到色彩配色的转化;基于对图像色彩以及意象的映射关系研究,巧妙地将意象词与图像色彩分类型以多重(次)K-means聚类的方式巧妙分离并进行单独研究细化了配色方案,减小配色难度,提高配色准确度;可为设计师在进行少数民族相关产品设计时的色彩选择及色彩占比提供帮助。

1 基于意象的K-means-ELM配色模型架构

1.1 基于SD法的意象词提炼及分类

意象词通常用于描述人对于事物的心理感知,是主观意象及客观印象的直观形容,也可通过意象词对图像色彩进行特殊定位。色彩搭配方案是否合理,很大程度取决于用户心理诉求。为便于分析需要对意象词进行提炼和分类,在此之前,需要对意象词进行采集。首先通过网络大量搜集资料,查阅用于描述织物的海量意象词汇。线上搜集主要通过查阅书籍、文献、购物网站等收集意象词汇;而线下搜集则主要是面向贵州侗族地区的目标人群基于SD法对其进行线下问卷调研,包括当地居民、侗族织锦传承人及手工艺人等,搜集具备当地特色的意象词汇。

在意象词提炼及分类过程中,主要是进行线下问卷调研,结合贵州侗族当地对于侗锦的色彩感知,从线上线下获得的原始意象词中挑选当地常见意象词汇,并加入补充词汇以缩小意象词范围,使得后续研究更加精确合理。而意象词筛选条件主要是排除问卷中被勾选的小概率意象词,即剔除只占到总体勾选意象词5%的词汇[12],将剩余意象词作为研究意象词集合。由于本文为基于用户需求意象的配色方案,所以用户的主观感受能够很大程度上影响结果,因而仍然采用问卷调查法对相近意象词进行分群。将两两意象词随机组合让用户进行相近性评价,若认为相近则勾选,认为不相近则不做勾选,制作出n×n的两两组合问卷表,以问卷人数中勾选数超过70%认为两两意象词相近[8],来评判词汇相似性。最后,以此对意象词进行分类,意象词的提炼及分类过程如图1所示。1) 收集:线上线下收集大量意象词汇得到原始意象词汇集;2) 提炼:线下问卷调研,剔除不常见意象词,获得初始意象词集合;3) 分类:通过问卷表,将两两相似意象划分为同一类。

图1 意象词提炼分类过程Fig.1 Image refining classification process

1.2 图像色彩分析

意象词提炼分类之后,对侗锦色彩占比及冷暖色调分析等主要是建立图像样本的色彩数据集,并根据图像色彩及占比对其进行意象词匹配。在进行色彩分析之前,首先对侗锦样本图像进行筛选,选出当地具有代表性的图样,将选择出的图样进行主色彩提取及冷暖色调和饱和度明度等分析。为避免人为因素对图像颜色分析造成的误差,实验在Matlab2018a环境下采用K-medoids聚类[12]提取样本图像的主色彩。K-medoids聚类能够将聚类样本实际值作为聚类中心,避免了均值聚类在提取色彩时,将返回的均值作为聚类中心带来的色彩偏差,并通过聚类结果计算主色彩占比。由于本文主要是建立用户需求意象与配色之间的映射关系,所以以此为依据建模,其中侗锦样本集主要由相机NikonD750拍摄,共得到侗族地区63张特色织锦图片。在进行色彩分析时,首先选择出侗族地区具有特色且较为常见的侗锦样例。为此,筛选过程主要是经过具有丰富履历的10位侗族织锦传承人进行挑选和评审来完成,从而选择出24张具有代表性的侗锦样本。

在样本色彩分析过程中,首先提取筛选出侗族织锦图像的RGB色彩矩阵,将各图像RGB矩阵输入K-medoids模型,得到各像素点对应的类别及各聚类中心;计算各类别的像素点占比,得到各主色对应的占比,绘制出各色彩的占比图,完成第二步;第三步将主色彩RGB值通过色彩空间转化成HSV值,并对图像冷暖色调及饱和度、明度进行分析,H、S、V值分别表示色调、饱和度和明度,这三个值能够更为直观地刻画图像色彩,常用于图像处理[14]。RGB色彩空间转化公式[15]如下所示:

(1)

(2)

V=Cmax

(3)

式中:R′=R/255;G′=G/255;B′=B/255;Δ=Cmax-Cmin;Cmax=max(R′,G′,B′);Cmin=min(R′,G′,B′);这里R′、G′、B′分别是色彩的红绿蓝颜色分量归一化后的数值,Cmax表示归一化RGB值中的最大值,Cmin表示归一化RGB值中的最小值,Δ表示Cmax与Cmin的差值。

第四步,通过线下问卷调研的形式,将初始意象词集合用于图像的意象匹配,将每个图像用四个维度的意象词来描述,分别是:1) 色彩感觉维度,能够给人以听觉、视觉、触觉及嗅觉等方面感觉的色彩维度;2) 色彩情感维度,主要能够反映人心情和感情等方面的色彩维度;3) 色彩惯用维度,经常或习惯性用于描述对象的色彩维度;4) 色彩调和维度,主要用于描述不同色彩搭配时产生的和谐效果的色彩维度,每个维度用一个意象词,建立意象词与色彩及占比之间的映射关系。其主要分析过程包括:1) 对代表性样本进行预处理,得到相同尺寸大小的原始图像;2) 在Matlab中设置聚类中心个数,使用K-medoids聚类方法将各图像RGB值矩阵作为输入,将返回的聚类中心作为主色彩,并绘制色彩比例图;3) 将色彩RGB值转化为HSV值进行主色调以及图像饱和度及明度分析;4) 在色彩空间转化的基础上,通过问卷对样本图像进行四个维度意象词匹配,用于描述特定图像。

1.3 图像聚类分群及ELM配色模型构建

1.3.1 图像聚类分群

将意象匹配之后样本图像的主色重新进行多重聚类,由于此时只是对相似图像进行分群聚类,所以不再考虑提取色彩的准确性。为提高运算速度,此时采用K-means聚类算法,将各样本图像RGB值从大到小排序,依次对主色彩进行聚类;将相同聚类簇再次进行主色彩聚类,依次进行多重聚类;根据聚类次数得到主色彩分布相似或相同的样本图像,而这些样本除了色彩构成相似,其匹配的意象也相对是接近的,为表征同一类样本图像的主色彩,再次对同一类样本各图像主色进行K-medoids聚类,将聚类中心作为此样本集图形的统一主色彩。

1.3.2 ELM分群建模

极限学习机(ELM)[15]是一种简单易用、学习速度快、泛化性能好的单隐层前馈神经网络,其网络结构如图2所示。其中a、m、c分别表示神经网络的输入层神经元个数、隐藏层神经元个数、输出层神经元个数,而xi=[xi1,xi2,xi3,…,xia]T∈Ra表示网络的输入,wi=[wi1,wi2,wi3,…,wim]T∈Rm表示连接网络输入层节点与第i个隐藏层节点的输入权值向量,bi=[b1,b2,b3,…,bm]T∈Rm表示网络的阈值,βi=[βi1,βi2,βi3,…,βic]T∈Rc表示连接第i个隐藏层节点与网络输出层节点的输出权值向量,ti=[ti1,ti2,ti3,…,tic]T∈Rc表示网络输出值。

图2 极限学习机网络结构Fig.2 Extreme learning machine network structure

这种算法只需要设置网络的隐层节点个数,网络输入权值和阈值随机给定,不需要参数优化,省去大量参数寻优时间,可以产生唯一的最优解。极限学习机网络模型可用数学表达式表示为:

(4)

在极限学习机分群建模部分,首先,建立模型的输入与输出的对应关系,模型的输入部分即为图像四个维度的色彩匹配意象词及图像的饱和度、明度,将图像的色彩值及其占比作为ELM模型的输出,建立意象词与配色之间的映射关系。其次,将多重聚类得到的图像聚类集合中所包含的输入输出分群单独去训练ELM配色模型,得到不同图像聚类集合的ELM训练模型,由于集合中样本间色彩值相近,可以近似认为各集合进行模型训练时,输出主色彩为固定值,而同一集合样本间只存在颜色占比差异,相似色彩值具有相近的意象词,这样可以根据不同的意象词及不同的色调饱和度明度等信息建立不同的配色模型。最后,当用户提供意象词信息时,选择与用户意象相匹配的意象所在集合训练得到的模型去做配色,使配色方案灵活。整个从色彩分析到配色建模的流程如图3所示,其可分为4个主要步骤:1) 样本图像的主色彩提取及色彩空间转化;2) 样本图像的意象词匹配;3) 多重K-means-ELM分群配色模型构建;4) 根据用户需求意象分群分模型配色。

图3 配色流程示意Fig.3 Color matching flow chart

2 基于侗锦的配色模型的构成分析与验证

2.1 K-means-ELM配色模型构建

本文以贵州肇兴侗族地区的织锦为例,对所提出的方法进行验证。在意象词收集阶段,查阅书籍、文献、购物网站并对同族地区居民进行问卷调研,以此结合线上和线下收集一共整理出100个用于描述服饰的意象词,经过问卷筛选后仅剩余60个常用于描述侗族服饰的意象词。在同近义意象词归类时,主要是由侗族地区18～60周岁的120位居民来完成,其中男女占比4︰6,18～24周岁的人占10%,25～30周岁的占20%,31～40周岁的占10%,41～60周岁的占60%,大部分是中老年人群,少部分是青壮年群体,其中绝大多数是农村常住人口的农民,少部分是当地服饰作坊人员及学生。经过两两意象词投票,得到各意象词两两相近性投票结果,将投票数占比作为相近性依据,把占比高于0.7的两两意象划分为同一类,进行意象词归类,其中部分意象词的两两组合票数占比热图如图4所示。图4中,颜色较深的区域表示两两意象词意思较接近,可以将其划分为同一类意象,例如别致的—华丽的及传统的—复古的这两对意象词汇。

图4 部分意象词汇的两两相近性投票占比热图Fig.4 Heatmap of the proportion of votes for pairwisesimilarity of some imagery words

通过对以上120位居民的投票结果进行整理,将60个意象词汇整理为6类,结果如表1所示。将意象词再次分群用于描述侗锦给人的不同意象体验,其分群过程主要是将不同类别的意象通过2.2小节步骤四的各维度意象特征解释进行人为匹配,分为色彩感觉维度、色彩情感维度、色彩惯用维度、色彩调和维度四个集合。不同维度的意象给人以不同的感受,以此作为配色依据,对意象词进行不同维度的划分,结果如表2所示。

表1 意象词分类结果Tab.1 Image word classification results

在样本主色彩提取过程中,从收集的63张采样图像中进行筛选,最终整理出24张具有代表性的样本,如图5所示。对代表性样本做预处理后,进行色彩分析和色彩空间转换,其主要步骤如下:

第一步,在Matlab环境下使用K-medoids聚类算法对各样本RGB值进行主色彩提取,这里为尽可能避免人为主观因素对结果的影响,尽量多的提取样本主色彩。由于同一个侗锦织缎颜色并非复杂多样,此时将聚类中心个数设置为10,提取出10个主色彩,并将提取得到的主色进行排序并计算色彩值占比,绘制出主色彩及其占比图。图6为样本1所对应的主色彩及其占比图,其中蓝色折线表示各色彩占比,以此类推可以得到24个样本的色彩占比图。由于聚类时使用欧氏距离作为聚类指标,其中样本1各主色的聚类簇如图7所示,而各个聚类簇的中各颜色值与聚类中心的欧氏距离误差分布如图8所示,大部分误差集中分布在15。图9为提取的误差最为集中的颜色值与聚类中心进行比较,可见绝大部分聚类簇中的颜色值与聚类中心的颜色值较为接近。

图5 代表性样本图像Fig.5 Representative sample image

图6 样本1的主色彩及其占比Fig.6 Main colors and their proportionsof sample 1

图7 样本图像1的10种主色的聚类分布Fig.7 Cluster distribution of 10 dominantcolors of sample image 1

图8 样本图像1的10种主色聚类簇各像素点与聚类中心之间的欧氏距离误差分布Fig.8 Error distribution of Euclidean distance between each pixel pointand cluster center of 10 dominant color clusters in sample image 1

图9 聚类中心与聚类簇像素点欧氏距离误差最为集中的主色对比Fig.9 Main color comparison diagram with the most concentratedEuclidean distance error between cluster centers and cluster pixels

第二步,进行RGB值的色彩空间转化,利用HSV色彩空间转化公式,将各图形K-medoids提取的10个主色彩转化为HSV值。对样本图像进行色调饱和度及明度分析,得到如表3所示的各样本色调占比等信息,这些信息结合意象词匹配将作为配色模型输入进行配色。

表3 部分样本图像的色彩空间转化结果Tab.3 Color space conversion results of some sample images

第三步,对样本进行意象词匹配,为充分发掘图像的意象信息,需要对每个图像进行1.2小节所述的四个维度的色彩意象匹配。通过问卷将每个样本进行四个维度的意象词匹配,由于被问卷个体意象认知差异,不同个体所搭配的意象也不尽相同。通过整理,将每个样本不同维度意象匹配结果进行筛选,选择出匹配结果最多的意象作为该图像各维度意象下的匹配意象,最终结果如表4所示,将这四个维度的意象结合图像的色调饱和度及明度作为输入进行色彩值预测。

表4 不同样本图像的意象词匹配结果Tab.4 Image word matching results for different sample images

在K-medoids聚类提取的主色基础上,对得到的主色彩进行多重K-means聚类,依次对各样本的单个主色彩进行聚类,聚类过程如图10所示。一重聚类,对主色1进行聚类,能够明显将样本1、2、4、6、11、14对应主色区分开来,作为第一类样本,如图10(a)所示;二重聚类,对剩余样本的主色2进行聚类,能够将样本13、15、16区分开,作为第四类样本,如图10(b)所示;三重聚类,对其余样本主色3进行聚类,能够将样本3、5、7、8、10、12与18、19、20、21、23等区分开,如图10(c)所示,分别作为第二类和第三类样本,最终经过三重聚类得到的具有相似色彩构成的图像可分为4类。通过多重聚类结果,将各类别中各图像的10个主色彩进行K-medoids聚类将返回的聚类中心作为统一主色,各类别图像及主色彩分布如图11所示。由图11可以看到,同一类的样本其色彩组成类似,且其色调也一致,第一、四类样本主要为暖色调,第二、三类主要为冷色调,而不同类间的样本其色彩组成也相对有所差异,分析其匹配意象时同样可以看到,同一类的样本中其意象组成也相对接近,意象的少许差异主要反映在色彩占比上。

由于样本的输入输出关系在上述建模中已经得出,在此基础上进行ELM模型的分群训练。分别对四类样本分群训练模型,建立输入与输出映射关系,以此基于用户需求意象时,能够选择相应的模型进行配色。

图10 多重聚类过程Fig.10 Multiple clustering process

图11 多重聚类图像分类结果Fig.11 Multiple clustering image classification results

2.2 配色模型验证

通过表4所提供的匹配意象及表3的HSV属性,将意象词及HSV属性作为输入,分别分群对ELM配色模型进行训练和验证。其中第三类样本图像的ELM模型验证集平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean square error,RMSE)、平均绝对百分比误差(Mean absolute percentage error,MAPE)及决定系数(R2)随ELM网络隐藏层神经元个数变化趋势如图12所示,当隐元数为5时,模型的验证集误差达到最小值。图13显示了四类样本图像在ELM模型中的验证集预测结果评价指标。第一类样本验证集平均绝对百分比误差(MAPE)、RMSE、MAE均较其他三种类型的样本大,第二、三、四类样本图像的验证集误差小,同时R2也更接近于1(R2越接近于1表示实际值与预测值越接近)[16],其配色准确率相对更高。其中各评价指标的计算公式如下所示:

(5)

(6)

(7)

(8)

为验证配色模型的优劣,本文以问卷调查的形式,邀请10位资深服装设计师及平面设计师进行采访,询问在现代设计中所接触的及当下流行色系中所表现的色彩意象词。经梳理整合,筛选出基于色彩感觉维度、色彩情感维度、色彩惯用维度及色彩调和维度等四个维度的意象词,最终对其中三位用户分别配对出三类样本图像相似意象,如表5所示。通过意象词特征选择该样本训练的ELM配色模型,将用户所提供的意象词及HSV属性进行配色,得到如表6所示的配色结果。用户1#意象词“精巧的、活力的、古典的、醒目的”所预测结果主色4占比高为17.09%,即暗红色系;用户3#意象词“神秘的、严肃的、保守的、和谐的”预测配色占比最高为18.60%,即蓝黑色系;用户4#意象词“个性的、漂亮的、古典的、细腻的”预测配色方案占比最高为16.16%,其色彩值近似于饱和度较低的紫红色系。

图12 各评价指标随隐元变化趋势Fig.12 Trend of each evaluation index with the hidden layer neurons

图13 四种类型的样本图像在ELM模型中的验证集预测误差Fig.13 Validation set prediction error of four types ofsample images in the ELM mode

表5 顾客需求意象统计Tab.5 Customer demand image statistics

表6 基于用户需求意象的配色结果Tab.6 Color matching results based on user demand imagery %

基于表6的配色结果,可以得到第二类、第三类、第四类主色彩的各主色占比,由此可设计出各类别不同色彩及占比的配色图案,但是仅知道色彩占比,并不是能懂得设计出包含精美图案的侗族织锦。所以在配色基础上,根据侗族织锦图案与色彩设计要素组合,再融入现代插画设计,进行了多方面的思考,如图14所示。首先,分析设计主题特征并界定主题内涵,即:星——万物之精、光亮耀眼、多而繁盛;河——河流统称、广阔深远;星河、银河宇宙、奥妙无穷等诸如此类用户风格定位的意象融入到侗族织锦的纹理设计中,将配色填充于纹理得到最终的设计成品。在插画设计方案Ⅰ中整体画面呈暖色调与用户预测色系所对应,为确保画面整体美观性,针对部分区域进行色彩占比微调,并根据侗族特色图案要素组合获得插画图案(图14(a));设计方案Ⅱ配色以蓝黑色为主色系,画面整体色调属性呈饱和度与明度较低的冷色调由此得到插画图案(图14(b));设计方案Ⅲ插画配色方案相对应为高明度、低饱和度的紫红色色调,给人以古朴、典雅的视觉感受,由此得到插画图案(图14(c))。

图14 “星河”设计方案Fig.14 "Galaxy" design measure

3 结 论

本文通过对黔东南侗族织锦样本图像进行用户需求意象配色模型构建,分析色彩之间的比例搭配,从而建立意象词与色彩之间的映射关系,以此构建了基于用户需求意向的多重K-means-ELM侗锦配色模型,并进行配色验证。基于受访者所提供的意象进行搭配并结合现代插画设计的技法获得配色作品,由此得出以下结论:

1) 基于多重K-means对样本图像聚类分群的方法,将相似意象与色彩样本聚为一类,细化了意象—色彩之间的映射关系,降低了配色难度,提高了配色准确度。

2) 本文所提出的多重K-means-ELM配色模型经过验证能较好地拟合意象词与色彩之间的对应关系,其验证集配色结果的RMSE、MAE及MAPE均较小,其中RMSE、MAE均小于5%,除了第一类配色结果MAPE为27%,其余三种配色结果MAPE均小于3%,同时四种配色结果的决定系数R2均达到0.9以上,配色结果准确可行。

3) 将用户意象到色彩转化的过程与插画巧妙地结合,作品在色彩运用上从用户心理感受出发,深挖意象词背后的色彩,既减少了现代插画设计中色彩设计的民俗性,也巧妙运用色彩赋予人们民族地域文化特有的心里感受,达到了从意象到色彩的完美过渡。设计师通过对用户意象感知模型的认知后,只要设计构思符合其意象的配色原理,便可顺利创作出较为理想的产品配色信息,具有很好的创作指导意义。

尽管本文考虑到用户需求侧意象需求,计及多重K-means聚类划分相似色彩构成的侗族织锦样本集,明确了意象词与色彩构成之间的模糊映射关系。建立了行之有效的多重K-means-ELM侗锦配色模型,达到了较为理性的配色结果。但是基于精细化建模配色的方法,只是将相似色彩构成的图像聚类划分进行单独建模配色,其同一个聚类簇中色彩组成并不能保证完全相同,色彩占比也存在一定差异性,不能保证很高的配色精度。在今后的研究中将进一步考虑深入挖掘意象词与服饰色彩构成之间的隐含信息,从而提升配色精度。

《丝绸》官网下载

中国知网下载