基于FMM和网络分析的唐代服饰纹样色彩复原与重用

摘要： 唐代服饰纹样作为中国古代服饰设计精髓，其绚丽丰富的色彩为当代服饰设计提供了宝贵的灵感和参考。为更准确地厘清唐代服饰纹样的用色偏好和配色规律，方便设计师进行唐代色彩重用，文章以唐代服饰文物遗存图像作为研究对象，提出了一种基于FMM和网络分析的唐代服饰纹样色彩复原与重用方法。首先，利用色彩分割算法在Lab空间对图像进行色彩分类分割，并基于FMM图像修复算法对受损及褪色区域进行修复和复原;其次，通过K-means聚类算法对图像色彩聚类计算，获得了图像色彩节点度和邻接关系，从而探明了唐代服饰纹样显性的用色、配色知识;再次，结合隐性配色知识，使用专家评价法创建了节点影响力效率矩阵，实现了基础色彩网络的优化和最终色彩模型的构建;最终，以丝巾产品作为应用案例，验证了所提方法的可行性和价值。案例验证表明，所提方法能够辅助设计师进行产品配色设计，并有效重用唐代服饰纹样的色彩设计知识。

关键词： 唐代服饰纹样;FMM算法;K-means聚类;色彩复原;色彩提取;色彩网络模型

中图分类号： TS941.26

文献标志码： A

近年来，实现“文化遗产创造性转化、创新性发展”已成为文化创新的新目标。唐代作为中国古代经济、文化最为鼎盛的时期，其服饰纹样色彩设计别具一格、浮翠流丹，凝聚了唐代服饰文化的设计精髓，堪称民族文化瑰宝。因此，挖掘唐代服饰纹样独特的色彩设计知识并进行设计重用，对当代服饰设计而言具有极为重要的理论和实践意义。

目前，唐代服饰纹样色彩研究主要集中在色彩分析和色彩应用两个方面。在色彩分析领域，传统的色彩分析［1-3］主要采用定性分析方法，其分析结果具有较强的主观性，也不甚准确，难以为设计实践工作提供明确、清晰的指导。而色彩数字化定量分析方法［4-6］因其高效、精准等优势，已成为色彩分析研究领域更受青睐的研究方法。其中，色彩网络分析模型［7-9］提供了一种描述和分析图像色彩信息的框架与工具，可以精准捕捉色彩间的分布与关联情况。此模型依托于K-means［10-12］算法进行搭建，该算法可以简单高效地处理大规模色彩数据，并且具有极高的可控性与适用性。同时，考虑到唐代服饰纹样中存在少量但极为关键的配色，在此基础上引入效率矩阵算法［13］进而构建色彩网络模型，从而实现色彩显性和隐性知识的同时挖掘。在色彩应用领域，现有研究和实践多聚焦于对褪色、破损、污染后的服饰纹样色彩样本分析应用［14-16］。需要指出的是，纹样褪色会导致对色彩分析的失准，而破损、污染会造成色彩信息的缺失，进而使得色彩比例分析存在偏差。因此，在色彩分析应用前，对存在褪色、破损等损伤的图像进行必要的图像修复显得尤为重要。

目前，图像的修复方法主要分为传统图像修复方法与深度学习修复方法，其中，传统的图像修复算法主要以像素扩散算法、全变分模型、稀疏表示和FMM（Fast marching method）等算法为主，如Criminisi等［17］提出了一种搜索局部样本填充受损区域信息的方法，对图像中简单形状的受损提供了较好的修复效果;何凯等［18］提出了一种改进的全变分模型算法，对图像中小范围边缘和纹理破损修复有较好效果;陈永等［19］针对壁画稀疏表示算法进行了改进，引入脉冲耦合神经网络维修高频结构，增强了对轮廓的处理能力。上述方法对小范围的图像受损修复有着较好的效果，但这些算法在修复过程中也易出现平滑过度而导致的细节与纹理模糊，同时对参数选择较为敏感，在计算复杂度高的图像时会出现运行缓慢等问题。深度学习图像修复算法是一类基于深度学习模型的图像修复方法，该模型依赖于前期对大量数据与资源计算，考虑到唐代服饰纹样遗存图像十分稀少，使其不适用需要深度学习的算法［20-21］。同时，因为唐代服饰纹样现存样本受损情况主要为窄长形的小块结构性损伤，所以本文采用了技术成熟的FMM图像修复算法［22-23］。该算法技术不依赖于大规模的数据计算就可快速、精准地对受损区域进行修复，同时因其自边界向内修复的特点，使得该算法针对窄长形受损区域时既可以保持结构完整还能达到极高的清晰度。因此，选用该算法对唐代服饰纹样遗存图像进行修复。

综上，为更准确地厘清唐代服饰纹样的用色偏好和配色规律，本文将FMM图像修复算法和K-means色彩网络模型相结合，提出了一种针对唐代服饰纹样的色彩复原与重用方法。该方法是一种基于算法的图像修复和色彩分析方法，旨在通过应用FMM图像修复算法和色彩网络模型的量化分析，从而实现对唐代服饰纹样色彩的复原和重用。具体步骤为：首先，通过色彩分割算法和FMM图像修复算法对唐代服饰纹样色彩进行复原;随后，利用K-means聚类算法和效率矩阵对构建其色彩网络模型;最终，随机抽取案例样本对所构建模型进行可靠性分析，并应用到丝巾产品设计中。

1 唐代服饰纹样色彩复原重用方法流程建模概述

为清晰地展示本文所提出的基于FMM和网络分析的唐代服饰纹样色彩复原重用方法，将方法流程进行整理，如图1所示。

阶段一：图像采集与预处理。对唐代服饰纹样文物遗存进行拍摄和图像搜集，并对图像进行预处理，然后利用专家评价法选取符合质量的样本。

阶段二：图像色彩分割。利用色彩分割算法按照颜色将图像划分为不同的区域，然后通过对不同颜色区域进行独立修复，可以有效保证复原区域边界的清晰。

阶段三：图像色彩复原。利用权重函数计算受损区域像数值，然后根据像素值计算其区域梯度模值和方向，最后以最大值作为一致性方向，持续从已知区域向待修复区域的边界推进直至图像边缘直到图像被复原。

阶段四：色彩网络模型构建与知识重用。将复原后的样本图像转换为RGB色彩模式，然后设定图像聚类中心数量与位置，利用K-means聚类算法确定色彩网络模型节点与次级节点度;其次，根据各像素色值与各聚类中心的距离，获得色彩邻接关系，从而构建出基础网络模型;随后，利用效率矩阵算法加权构建出唐代服饰纹样色彩网络模型;最后，根据唐代服饰纹样色彩网络模型中的配色规律对现代丝巾产品进行设计，实现色彩重用。

基于方法流程，本文对上述部分关键技术和方法进行阐述和详细设计，同时以唐代服饰纹样为例进行算法的可行性验证与分析。

2 唐代服饰纹样色彩分割及图像修复方法

2.1 基于Lab空间的色彩分割算法

唐代服饰纹样色彩丰富、边界复杂，整体复原易造成不同颜色边界间的模糊，故需对校正完成的唐代服饰纹样图像进行色彩分割。色彩分割算法按照颜色将图像划分为不同的区域，通过对不同颜色区域进行独立修复，可以有效保证复原区域边界的清晰。

将唐代服饰纹样图像转换为Lab色彩模式。在此模式中，“L”表示亮度，“a”表示由红色至绿色的范围，“b”表示由黄色至蓝色的范围。在Lab模式中，图像的亮度不受色彩信息的变化而变化。读取图像并选择合适的样本区域，假设待判断的像素i的色彩表示为Xi=（LiAiBi），其中聚类k的均值向量表示为μk=E（k）=（lk，ak，bk），E={arg}表示为arg的期望值。根据不同情况选用欧式距离（Euclidean distance）和马氏距离（Mahalanobis distance）判断Xi是否属于聚类k。

对于边界清晰的图像，利用欧式距离进行判断。第i个像素与聚类k均值的欧氏距离计算公式为：

DEi=（Li-lk）2+（Ai-ak）2+（Bi-bk）2（1）

由于马氏距离可以有效排除变量之间的相关性干扰，故当色彩边界不清晰时，采用马氏距离进行判断。第i个像素与聚类k均值的马氏距离计算公式为：

DMi=（Xi-μk）T∑-1+（Xi-μk）（2）

式中：∑是协方差矩阵。

协方差矩阵的计算公式为：

∑=E{（X-μ）（X-μ）T}（3）

在此基础上，可将唐代服饰纹样图像分割为几种不同色彩的图像。根据需要对分割后的不同颜色图像进行去色处理，然后将去色处理后的图像灰度差的阈值设为0，并利用上述方法合并灰度值相同的像素，针对临界区域的像素进行平均灰度差计算并合并最小灰度差区域。最终，设定计算终止要求，图像经以上流程反复迭代完至达到终止要求后结束。

2.2 基于FMM算法的图像色彩复原

图像的修复算法是色彩复原的核心技术，考虑到作为纺织品的唐代服饰纹样距今年代久远，现存样本稀少，不适用数据需求量大和模型训练过程复杂的深度学习算法。同时，因为唐代服饰纹样遗存受损情况主要为窄长形的小块结构性损伤，FMM算法可以高效快速地利用已知区域的信息向待修复

区域边界推进的方式修补，同时还能较好地保持图像整体结构，不易出现伪影、模糊等问题，具备较高的自适应性与鲁棒性。因此，选用技术成熟、适用性较强的FMM算法对受损的图像进行修复。

经前文色彩分割算法将图形的受损区域标记后，利用FMM算法对所选样本进行修复，如图2所示。首先，Ω是样本图像中待修复区域，Ω为待修复区域的边界，P为受损区域边界上的任意一点，该点周围的图像为已知区域，在该区域选择以ε为范围的区域Bε（P）。则，可以通过区域Bε（P）内的像素数值近似计算得出P点的像素值。利用图形修复算法可计算得到图像受损区域点P的像素值，公式如下：

I（P）=∑q∈B∈（p）ω（p，q）［I（q）+SymbolQC@（q）（p-q）］∑q∈B∈（p）ω（p，q）（4）

其次，权重函数ω（p，q）可以通过p点与q点之间像素相似度来识别两区域间的相似程度，因此权重函数在修复的过程中极为重要。p、q两点间平均差值越小，p、q两点越相似，反之越不同。

ω（p，q）=π21|p-q|exp-μ22ε2c⊥（p）·（p-q）2（5）

式中：μ是一个小于1的正常数，表示扩散强度;c为归一化的结构张量Jσ，ρ的特征值λ对应的特征向量，c⊥（p）表示p点等照度线方向。

再次，通过根据待修复区域周围像素值，使用下式获得梯度模值与方向：

m（x，y）=（（L（x+1，y，σ）-L（x-1，y，σ））2+（L（x，y+1，σ）-L（x，y-1，σ））2）1/2

θ（x，y）=tan-1L（x+1，y，σ）-L（x-1，y，σ）L（x，y+1，σ）-L（x，y-1，σ）（6）

式中：p点的所在的尺度值为k。

通过以上计算，将一张二维图像的尺度定义为：

L（x，y，σ）=G（x，y，σ）*I（x，y）

G（x，y，σ）=12πσ2e-（x2+Y2）/2σ2（7）

式中：G（x，y，σ）是尺度可变高斯函数;σ为尺度空间因子，值越小标识样本图像被平滑得越少，范围就越小;（x，y）代表图像中像素点的位置;符号*表示卷积。

最后，在以p点为中心的方向直方图中进行采样，并统计周围像素值的梯度方向，如图3所示。在图3（a）中，越靠近中心处的像素权值越大，越靠近边缘的像素权值越小。将直方图中的最大值作为一致性方向，从已知区域向受损区域内部推进到受损区域边界，持续到图像所有区域的色彩均被复原。至此，图像修复完毕。

2.3 唐代服饰纹样的色彩修复实例

为了使读者更好地理解本文的色彩复原技术，本文通过实例进行展示。首先将选取的样本图像转化为Lab空间，然后进行色彩的聚类分割处理，如图4所示。其中，图4对Lab空间内三种颜色进行了色彩聚类分割，经聚类发现图4（a）中存在着受损区域，因此针对图4（a）进行相同灰度值与最小灰度差区域合并处理，如图5（a）所示。随后，基于色彩聚类分割和掩模算法对图5（a）进行进一步的分割，结果如图5（b）所示，可见已达到了较好的分割效果。

基于图5（b）提取所需要修复区域，并采用FMM图像修复算法进行图像修复，结果如图6所示。

2.4 唐代服饰纹样图像修复实验结果验证

为了验证与评估FMM图像修复算法对唐代服饰纹样遗存图像的修复效果，本文方法通过与具有代表性的像素扩散算法、全变分模型算法、稀疏表示算法的修复结果进行对比分析。采用客观定量分析与主观定性分析两种方式对唐代服饰纹样遗存图像修复结果进行评价，其中客观评价使用PSNR（Peak signal to noise ratio）与SSIM（Structural similarity index）评价标准。

2.4.1 人为添加随机破损唐代服饰纹样图像修复实验

首先对三幅唐代服饰纹样图像进行人为添加破损实验，如图7所示。图7（a）为完好的唐代服饰纹样遗存图像，图7（b）为掩膜图像，图7（c～f）为不同修复方法的实验结果。

图7（c）为文献［17］基于像素扩散算法的图像修复结果，该方法的修复结果中出现了过度平滑的问题，如第一幅的猪头脖颈部分、第二幅图的花瓣部分、第三幅武将面部均出现过度平滑导致的模糊与伪影问题，且第三幅图面部的关键信息丢失;图7（d）为文献［18］的修复结果，第一幅图可发现，猪头脖颈部分的纹理错位与紊乱;第二幅图的花瓣蓝色部分出现了错位;第三幅图的面部出现了五官扭曲问题;图7（e）为文献［19］的修复结果，虽然该方法提高了图像的质量，减少了模糊，但仍出现了纹理错位及轮廓扭曲的现象。如第一幅的猪头脖颈部分条状问题的错位，第二、三幅图像出现了花瓣轮廓及面部轮廓的扭曲问题;图7（f）为本文算法结果，较其他算法，获得了更好的视觉效果且图像结构一致，图像的纹理细节更加清晰。

为了对修复结果进行更客观的比较，本文列出了上述三幅图像的PSNR与SSIM数值，如表1所示。其中，PSNR是一种广泛应用的图像客观评价指标，SSIM是一种衡量图像相似度的指标;PSNR数值越高表示图像质量越好，SSIM数值越大表示图像失真越小。由表1可以发现，本文图像修复算法的PSNR与SSIM数值均高于对比算法，从而说明在主客观评价方面所提方法均优于比较方法。

2.4.2 真实破损唐代服饰纹样图像修复实验

为进一步说明本文图像修复算法的有效性，本文采用三幅存在真实破损的唐代服饰纹样遗存图像进行修复实验，修复结果如图8所示。图8（a）与图8（b）分别为唐代服饰纹样遗存图像与其图像掩膜图像，图8（c～f）分别为文献［17］、文献［18］、文献［19］与本文图像修复算法的实验结果。图8（c）为像素扩散算法修复的结果，其修复结果均存在着过度平缓而导致的伪影与模糊现象，且第三幅图存在较大的修复痕迹。图8（d）为文献［18］的修复的结果，该方法存在纹理紊乱与修复不彻底的问题。如第一幅图葡萄根须部分与底色未能区分;第二幅左上部分存在未修复破损，花瓣部分存在纹理紊乱;第三幅图均存在较大的修复痕迹。图8（e）为文献［19］的修复结果，该方法存在部分修复不彻底问题。如第一幅图中左侧Y形破损未能彻底修复，葡萄根须部分未能彻底修复;第三幅图狮肚部分有较明显的修复痕迹。图8（f）为本文图像修复算法的实验结果，相较于其他算法，本文方法较高质量地完成了唐代服饰纹样图像的修复，且结构清晰、纹理正确，修复结果更为完整。

表2为针对真实破损图像修复实验结果PSNR与SSIM的对比。由表2可见，使用本文方法后的PSNR与SSIM均有一定提升，取得了更好的修复性能。

3 唐代服饰纹样色彩模型构建方法

3.1 基于K-means聚类的网络节点构建

色彩网络模型是一种色彩量化分析方法，它以色彩为节点构建网络，以色彩面积定义节点度，色彩相关度由色彩频率和相邻像素值决定。该方法可以准确地捕捉色彩分布与关联情况，对唐代服饰纹样色彩的分析与应用具有较高的可操作性。为了更全面、系统地反映出唐代服饰纹样的色彩特点，本文使用K-means聚类算法提取修复后图像的主色，并进行针对性分析以获取唐代服饰纹样的配色规律，进而构建起色彩基础网络模型。

首先，导入样本图像，并根据样本图像情况设定需提取的色彩数量与初始聚类中心。其次，使用下式逐一计算各像素值与各聚类中心间的欧氏距离，并对结果进行分析和汇总，将像素点分类到最近的聚类中心。最后，设定迭代终止条件，直到聚类完成，构建出唐代服饰纹样色彩基础网络模型的次级节点。

D=［（［X′R］-［XR］）2+（［X′G］-［XG］）2+（［X′B］-［XB］）2］12（8）

在此过程中，前后两次聚类中心间的最大距离为Dmax，本次聚类中心的RGB值为［X′R］，［X′G］，［X′B］;前次聚类中心的RGB值为［XR］，［XG］，［XB］。

每次聚类中所有像素的RGB值的平均值即新的聚类中心，反复该过程直至迭代达到终止条件后结束。当迭代到前后两次计算数值差小于1时，该次聚类终止。公式如下：

σ=1M∑Vi=1（xi-λ）2（9）

式中：xi为本次聚类中的像素对象，M为本次聚类计算中数据的总个数，V为聚类中的某个数据对象的维度，λ为新的聚类中心。

经K-means算法聚类后得到色彩节点及节点度，构建起唐代服饰纹样基础网络模型，如图9所示。同时，通过分析单幅唐代服饰纹样图像的色彩邻接关系可以确定各个节点间的连接关系与相邻边缘的长度，从而确定连线的粗细程度。

3.2 基于效率矩阵的唐代服饰纹样色彩网络模型

唐代服饰纹样的配色设计中，存在一些不具备较高像素值的颜色，但在整体设计中扮演着重要的作用。如图10中的深绿色节点，该颜色仅在浅蓝底色与红色花卉间勾线使用，却起到了出色地勾勒形状与分割色块的效果，对图像整体产生了重要影响。这些色彩节点对其他节点具有较高的影响。因此，本文将引入效率矩阵对唐代服饰纹样中的隐性配色逻辑加权，效率矩阵是一种用于衡量网络中节点的重要性或中心性的方法，通过该方法可以计算出色彩基础网络模型中节点间的贡献度，从而将纹样中的隐性配色逻辑转换为影响力矩阵，优化色彩节点影响在后期应用中的比重。

通过K-means聚类算法构建网络节点步骤所得到的色彩基础网络模型的节点度仅为次级节点度，需利用效率矩阵进一步优化，计算色彩基础网络模型中各节点与其他节点的影响力指数，进而获取一级节点度。公式如下：

H=h1h2hn=X×K=e11e12…e1ne21e22…e2nen1en2en3en4k1k2kn（10）

hi=∑nj=1j≠ihij（11）

式中：X表示效率矩阵，K表示次级节点的影响力。hij=eij×kj表示节点Vj对Vi的影响力数值。节点Vj对节点Vi的重要度影响程度与节点间的效率数值eij及节点Vj的次级节点度kj大小相关。假设kj随Vj的增大而增大，则节点Vj对节点kj的依赖程度就越高。

因此，基于次级节点度与其他节点的重要度影响基础上，一级节点度为：

di=ki∑nj≠i（eijkj）（12）

由式（11）可知，经过归一化处理后的第i个节点Vi在n个节点网络中的色彩节点度为：

d′i=ki∑nj≠1（eijkj）∑nk=1（kk∑nm≠k（ekmkm））（13）

经过以上计算，将一级节点度计算带入唐代服饰纹样色彩基础网络模型中，即对基础网络模型进行了优化，从而形成唐代服饰纹样色彩网络模型。

3.3 唐代服饰纹样色彩网络模型构建实例

以唐代服饰纹样作为研究对象，本文搜集唐代服饰纹样图像共计137幅。为确保样本的代表性，所有样本由多名唐代服饰纹样研究学者与色彩研究学者进行分析，筛选出124幅具有唐代服饰纹样的色彩特点与配色思维的代表性图像，并纳入到样本库。

在此基础上，对样本逐一进行颜色提取。在获取各样本颜色数目后，首先为各样本设定与颜色数目相等同数量的色彩聚类中心，然后根据不同颜色随机指定初始聚类的位置。其次，使用K-means聚类算法获取色彩节点的RGB数值与次级节点度，为降低节点间色彩影响与提高节点精度，将数据限定最大范围为［0，1］，结果如表3所示。

其次，将样本进行矢量化处理，以测量色彩像素之间的相邻边缘像素长度值，为提高所测色彩像素精度与避免量纲间互相影响，将数据限定范围为［0，1］，具体数据如表4所示。并根据此数据确定连线的粗细，建立节点之间的连接关系，从而构建出唐代服饰纹样色彩基础网络模型，如图11所示。

再次，使用李克特量表［24］构建唐代服饰纹样色彩节点影响力五等选项体系，进行评级与打分。五等选项体系为{极高影响，较高影响，一般影响，轻度影响，几乎无影响}，并设定评级相对应分值{1.0，0.8，0.6，0.4，0.2}。邀请6名唐代服饰纹样研究学者对样本色彩节点之间的相互影响力进行评分，将最终得分作为每个节点的最终影响力。根据数据，建立起色彩节点间的影响力矩阵，为提高节点精度与减少节点间影响，将数据限定最大范围为［0，1］，结果如表5所示。

随后，利用式（10）～（13）计算节点的一级节点度，最终实现网络模型的构建，如图12所示。

3.4 唐代服饰纹样色彩网络模型可靠性分析

为了评估唐代服饰纹样色彩网络模型的可靠性，本文随机抽取唐代服饰纹样图库中的两幅图像，与图库之外随机挑选的两幅图像组成4幅实验样本，如图13所示。首先，根据K-means聚类算法对样本进行聚类，再利用效率矩阵对节点加权，最终构建4个色彩网络模型，如图14所示。其次，对色彩网络模型进行验证。主要验证两方面的内容：第一，唐代服饰纹样色彩网络模型中是否找出与验证样本相同或相似的色彩网络节点;第二，唐代服饰纹样色彩网络模型是否可以覆盖验证样本的色彩搭配关系。最后，经过比较发现，实验样本的色彩均能在图12中找到极为相似的色彩节点，且可以覆盖实验样本的色彩搭配关系。综上，唐代服饰纹样色彩网络模型对于样本色彩分析具有较好的可靠性。

4 面向当代服饰设计的创新性实践

在前文基础上，可以将唐代服饰纹样的色彩搭配知识及模型应用于当代服饰设计实践中，对其进行具体或抽象地继承，使其活化并加以拓展，从而探索唐代纹样色彩搭配拓展至当代服饰设计的可行性。

唐代服饰纹样蕴含吉祥的意味，本文利用丝巾作为创作载体进行设计实践，将传统纹样色彩融入现代丝巾设计中，设计出具有文化深度的作品，相关作品如图15所示。由图15可见，经过修复的唐代服饰纹样色彩不仅能改善丝巾的外观，还能提高丝巾产品的文化底蕴，具有较好的创作和拓展应用价值。

5 结 论

当前，对于唐代服饰纹样的色彩研究多处在定性研究阶段，缺乏精确的定量分析，而在仅有且稀缺的唐代服饰纹样的色彩应用研究中，所选样本又存在褪色、破损等问题。本文首先通过色彩分割算法和FMM图像修复算法对唐代服饰纹样的褪色及受损区域进行修复，以确保色彩网络构建时图像色彩的准确性。其次，通过构建色彩网络模型的方式进行色彩定量研究，对唐代服饰色彩进行精准分析，以提取相关颜色节点。最后，以丝巾为设计载体，将唐代服饰纹样的色彩与现代纺织品设计有机结合，创造出具有文化内涵的作品。本文针对唐代服饰纹样图像进行了色彩修复、色彩定量分析、应用设计三方面的系统性探索，特别是对当前学界对传统纹样色彩应用研究中存在的样本图像褪色、破损问题提出了解决策略，从而为中国传统文化保护研究提供了新思路。

参考文献：

［1］侯雨薇， 梁惠娥， 邢乐. “陵阳公样”中对鹿纹的审美形意及功能探析［J］. 丝绸， 2019， 56（11）： 92-97.

HOU Y W， LIANG H E， XING L. Research on aesthetic form and meaning and function of double deer pattern in “Lingyanggong Pattern”［J］. Journal of Silk， 2019， 56（11）： 92-97.

［2］董芳琳， 师晟. 唐朝宝花纹： 时尚与艺术的完美结合［J］. 美术教育研究， 2020（19）： 44-45.

DONG F L， SHI S. Tang Dynasty treasure patterns： The perfect combination of fashion and art［J］. Art Education Research， 2020（19）： 44-45.

［3］潘树章. 唐代服装色彩美术的民俗寓意探析［J］. 印染， 2021， 47（4）： 72-73.

PAN S Z. An analysis of folk implication of clothing color art in Tang Dynasty［J］. China Dyeing amp; Finishing， 2021， 47（4）： 72-73.

［4］王淑君， 鲁佳亮， 刘广社， 等. 南京云锦色晕口诀的色彩数字化研究［J］. 丝绸， 2023， 60（5）： 19-25.

WANG S J， LU J L， LIU G S， et al. Digital study on the colors in the color halo formulas of Nanjing Yunjin brocade［J］. Journal of Silk， 2023， 60（5）： 19-25.

［5］张爱丹， 郭珍妮， 叶婧婧. 多色网点结构提花织物设计与色彩仿真评价［J］. 纺织学报， 2023， 44（7）： 57-63.

ZHANG A D， GUO Z N， YE J J. Design and color simulation evaluation of multi-color dot structured jacquard fabrics［J］. Journal of Textile Research， 2023， 44（7）： 57-63.

［6］孙许方， 赵琪， 胡茜雯， 等. 畲族彩带在纺织品中的辅助快速设计研究与应用［J］. 丝绸， 2023， 60（12）： 106-118.

SUN X F， ZHAO Q， HU Q W， et al. Research and application of aided rapid design of She ribbon in textiles［J］. Journal of Silk， 2023， 60（12）： 106-118.

［7］STEWARD D V. The design structure system： A method for managing the design of complex systems［J］. IEEE Transaction on Engineering Management， 1981， 28（3）： 71-74.

［8］燕耀， 蒋超， 雷桐， 等. 安塞民间绘画色彩网络模型构建研究［J］. 丝绸， 2020， 57（11）： 120-125.

YAN Y， JIANG C， LEI T， et al. Research on the construction of Ansai folk painting color network model［J］. Journal of Silk， 2020， 57（11）： 120-125.

［9］吴勘， 杨能惠. 基于K-means聚类的马王堆帛画色彩特征分析与应用［J］. 包装工程， 2023， 44（16）： 305-314.

WU K， YANG N H. Analysis and application of color features of Mawangdui silk painting based on K-means clustering［J］. Packaging Engineering， 2023， 44（16）： 305-314.

［10］HARTIGAN J A， WONG M A. A K-means clustering algorithm［J］. Applied Statistics， 1979， 28（1）： 100-108.

［11］KANUNGO T， MOUNT D M， NETANYAHU N S， et al. An efficient K-means clustering algorithm： Analysis and implementation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（7）： 881-892.

［12］张建萍， 刘希玉. 基于聚类分析的K-means算法研究及应用［J］. 计算机应用研究， 2007（5）： 166-168.

ZHANG J P， LIU X Y. Research and application of K-means algorithm based on cluster analysis［J］. Computer Application Research， 2007（5）： 166-168.

［13］范文礼， 刘志刚. 一种基于效率矩阵的网络节点重要度评价算法［J］. 计算物理， 2013， 30（5）： 714-719.

FAN W L， LIU Z G. An evaluation method for node importance based on efficiency matrix［J］. China Journal of Computational Physics， 2013， 30（5）： 714-719.

［14］刘春晓， 单筱秋， 张毅. 丝巾设计中的唐代团窠动物纹样创新［J］. 丝绸， 2020， 57（4）： 112-118.

LIU C X， SHAN X Q， ZHANG Y. Innovation of animal patterns in the Tang Dynasty in silk scarf design［J］. Journal of Silk， 2020， 57（4）： 112-118.

［15］徐进波， 朱怡洁， 杨彦， 等. 唐代宝相花纹的设计基因研究与应用［J］. 包装工程， 2022， 43（6）： 166-175.

XU J B， ZHU Y J， YANG Y， et al. Research and application some methods for classification and analysis of multivariate observations of design genes of Baoxiang pattern in Tang Dynasty［J］. Packaging Engineering， 2022， 43（6）： 166-175.

［16］彭国华， 刘凯雄. 唐代织锦中含绶鸟纹的设计因子提取及应用研究［J］. 丝绸， 2020， 57（10）： 111-118.

PENG G H， LIU K X. Research on design factor extraction and application of brocade bird pattern with ribbon holding in mouth in Tang Dynasty［J］. Journal of Silk， 2020， 57（10）： 111-118.

［17］CRIMINISI A， PEREZ P， TOYAMA K. Region filling and object removal by exemplar-based image inpainting［J］. IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society， 2004， 13（9）： 1200-1212.

［18］何凯， 张涛， 梁然. 一种基于全变分模型的图像修复改进算法［J］. 光电子·激光， 2010， 21（12）： 1890-1893.

HE K， ZHANG T， LIANG R. Improved image inpainting algorithm based on the total variation model［J］. Journal of Optoelectronics·Laser， 2010， 21（12）： 1890-1893.

［19］陈永， 杜婉君， 赵梦雪. 改进多重字典联合自适应学习的稀疏壁画修复［J］. 湖南大学学报（自然科学版）， 2023， 50（12）： 1-9.

CHEN Y， DU W J， ZHAO M X. Improved sparse mural restoration algorithm using joint adaptive learning of multiple dictionaries［J］. Journal of Hunan University （Natural Science Edition）， 2023， 50（12）： 1-9.

［20］YANG C， LU X， LIN Z， et al. High-resolution image inpainting using multi-scale neural patch synthesis［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017： 6721-6729.

［21］IIZUKA S， SIMO-SERRA E， ISHIKAWA H. Globally and locally consistent image completion［J］. ACM Transactions on Graphics （ToG）， 2017， 36（4）： 1-14.

［22］SETHIAN J A. A fast marching level set method for monotonically advancing fronts［J］. Proceedings of the National Academy of Sciences of the United States of America， 1996， 93（4）： 1591-1595.

［23］CHOPP D L. Some improvements of the fast marching method［J］. SIAM Journal on Scientific Computing， 2001， 23（1）： 230-244.

［24］BERTRAM D. Likert scales［J］. Retrieved November， 2007， 2（10）： 1-10.

Restoration and reuse of clothing patterns and colors based on FMM and network analysis

ZHANG Chi， WANG Xiangrong

YAN Yao1a， ZHANG Xusheng1a， CAI Xinhua2， LEI Tong1a， LIAN Lu1a， ZHANG Hannuo1b

（1a.School of New Media Art; 1b.Apparel amp; Art Design College， Xi’an Polytechnic University， Xi’an 710048， China;2.School of Computer Science and Engineering， Xi’an University of Technology， Xi’an 710048， China）

Abstract： The Tang Dynasty， as one of the most prosperous eras in ancient China in terms of economy and culture， had distinctive and vibrant clothing patterns and color designs. These designs encapsulate the essence and cultural representation of Tang Dynasty attire， providing valuable creative inspiration and reference for contemporary fashion design. Currently， research on the color of clothing patterns of the Tang Dynasty mainly involves traditional subjective qualitative analysis and a small amount of quantitative color analysis. Quantitative analysis is primarily focused on analyzing and applying color samples of clothing patterns that have faded， been damaged， or polluted， which can lead to inaccuracies and biases in color analysis due to the deteriorated samples. Therefore， there is a need for image restoration and color restoration of the existing Tang Dynasty clothing patterns. At present， image restoration algorithms are mainly divided into traditional image restoration algorithms and deep learning image restoration algorithms. Among them， deep learning image restoration algorithms rely on the processing of a large amount of data and resources. Considering the scarcity of preserved images of Tang Dynasty clothing patterns， deep learning algorithms are not suitable. Therefore， the traditional image restoration algorithm FMM （fast marching method）， which is technologically mature， is chosen. This algorithm does not depend on large-scale data computation and can quickly and accurately restore damaged areas. At the same time， due to its characteristic of repairing from the boundary inward， it can better cope with the main narrow and long damaged areas in the disease of Tang Dynasty clothing patterns while maintaining structural integrity and high clarity. Therefore， this algorithm is selected for the restoration of preserved images of Tang Dynasty clothing patterns.

To more accurately clarify the color preferences and matching rules of Tang Dynasty clothing patterns， this study takes the preserved images of Tang Dynasty clothing cultural relics as the research object and proposes a method for the color restoration and reuse of Tang Dynasty clothing patterns based on the FMM image restoration algorithm and network analysis. This method first uses a color segmentation algorithm to classify and segment the image in the Lab space， and then repairs and restores the damaged and faded areas based on the FMM algorithm. Secondly， the K-means clustering algorithm is used to perform color clustering calculations on the restored image to obtain the secondary node degree and adjacency relationships of the image colors， thereby clarifying the explicit color and matching knowledge of Tang Dynasty clothing patterns. Then， the efficiency matrix algorithm is introduced to weight the implicit color matching logic in Tang Dynasty clothing patterns， and the influence matrix between color nodes is established by using expert evaluation and the Likert scale. Finally， the efficiency matrix algorithm is used to construct a color model of Tang Dynasty clothing patterns. Ultimately， scarves are used as a creative carrier for design to explore the feasibility of expanding the color matching of Tang Dynasty clothing patterns to contemporary fashion design.

Through comparative experiments between traditional image restoration methods and deep learning restoration methods， as well as comparative analysis of objective evaluation indicators such as PSNR and SSIM， this method shows superiority in color restoration accuracy and image quality. This method can not only effectively analyze the color information of Tang Dynasty clothing patterns， but also assist designers in accurately using its color matching for design， providing a new solution for the protection， inheritance， and innovative development of the color of Tang Dynasty clothing patterns.

Although this study has proposed a method for the color restoration and reuse of Tang Dynasty clothing patterns， there are several issues that require ongoing refinement and exploration. First， it is necessary to further optimize the image restoration algorithm to improve the restoration capability for images with few samples but more severe and complex instances of damage. Secondly， it is necessary to combine artificial intelligence technology to achieve automation and intelligence of color restoration and reuse. Finally， it is necessary to strengthen interdisciplinary cooperation， integrate knowledge from various fields such as design， digital protection of cultural heritage， and computer graphics to form a more comprehensive research system. This will further promote the deep integration of traditional culture with modern design and provide more accurate references for the study of the color of Tang Dynasty clothing patterns.

Key words： patterns of clothing in the Tang Dynasty; FMM algorithm; K-means clustering; color restoration; color extraction; color network model