论文部分内容阅读
摘 要：为实现皮影服饰图案的自动提取，以唐山皮影头茬图像为例，分析了皮影服饰的色彩构成及图案特点，探讨了一种基于色彩聚类的皮影图案识别方法。通过相对总变差模型对皮影图像进行了噪声平滑处理;将处理后的数字图像由RGB颜色空间转换至CIE L*a*b*颜色空间，提取空间中的a、b两个色彩分量;利用K-means聚类算法对皮影图像色彩进行聚类分析，最终实现皮影色彩纹样的最佳分割。结果表明，笔者设计的算法可有效实现对于皮影这类色相分明、细节丰富且主色统一的彩色图像的分割。
关键词：皮影;纹样分割;色彩聚类;图像平滑;颜色空间
中图分类号：TS941
文献标志码：A
文章编号：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
中国传统图案艺术源远流长，形式多样、内涵丰富，是中华民族的宝贵财富[1]。皮影是极具地方特色的中华民族传统文化瑰宝，蕴含着丰富的民俗意识和文化内涵。作为一门古老的艺术，皮影服饰中丰富的图案具有特殊的审美韵味，是人类艺术创造的精华[2]。皮影图案的色彩与五行学说相对应[3]，采用红、绿、黑、黄、白表现影人所有的色彩，色彩饱和度高，明度大，且刀口通过留白方式进行界定，如图1所示。
长久以来，皮影服饰图案的提取以人工为主，受主观因素与环境因素影响较大。目前，数字图像处理技术的在传统服饰图案的自动提取研究中已经取得了广泛应用，例如，邢乐等[4]以汉族传统服饰“云肩”为例，基于均值漂移聚类法提出了一种检测传统服饰实物图像颜色的方法，解决了获取实物图像的色彩耗时、缺乏准确性等问题;王晓予等[5]以明代服饰织物为载体，采用领域平均法对刺绣图案进行滤波处理，平滑掉了不需要的织物纹理结构使得图案的轮廓变得比较清晰，最后通过图像聚类分析方法实现了刺绣图案的自动提取;李俞霏等[6]以明代赐服斗牛袍为研究对象，在对服饰图案进行了滤波降噪处理后，采用K-means聚类算法对服饰色彩进行聚类，实现了不同色彩纹样的分割;徐平华等[7]采用图像分析技术，有效提取了藏族、朝鲜族及哈萨克族等多个民族服饰主色并进行了示范性度量和可视化表达。皮影人物服饰与民族传统服饰一脉相承，并且更加接近于中国传统的戏曲服饰。与服饰图案的提取相比，皮影为二维平面的物体，其图像跟物体本身更为接近，且皮影服饰色彩以雕刻刀口界定，完整清晰，更加适用于基于图像处理技术的图案提取。但由于皮影头茬相较于服饰图案尺寸小，并且雕镂精细，目标图案与背景需要更加精确地进行分离。而传统的图像平滑算法无法有效的去除图像中的噪声信息，造成图案边缘模糊。相對总变差模型（Relative total variation，RTV）[8]利用纹理（噪声）部分的相对总变差与图像主结构的相对总变差之间的差异[9]，能够实现对图像中噪声的去除。该算法在有效平滑噪声的同时能够清晰地保留图案的边缘，更加有利于后续基于图像色彩进行的聚类处理。 本文结合皮影图案细节丰富、色彩纯度高的特点，采用RTV算法对皮影头茬图案图像进行平滑处理。将平滑后的色彩图像转换至CIE L*a*b*色彩空间，然后采用K-means聚类分析算法基于颜色特征对皮影图案纹样进行分割提取，经实验分析，文中设计的实验方案可以有效提取皮影的服饰纹样。利用现代信息技术提取皮影中别具特色的艺术元素，不仅能够克服人眼识别受环境、心理、生理等因素影响，而且有助于创新吸收皮影元素应用在其他相关领域[10-12]，使之为现代生活所吸收，实现皮影深层的民俗观念、地区意识等特定文化形式的留存[13]。
1 皮影图像预处理
1.1 噪声平滑
皮影图案在制作时因人工上色不匀产生的色彩污点以及后期进行图像采集、传输时产生的噪声信号给色彩聚类带来了不便，本文采用相对总变差模型对皮影图案进行预处理。RTV模型是Xu等[8]提出的一种保留主结构的图像平滑方法，适用于非统一或各向异性的纹理（噪声）的滤除[14]，能够实现皮影图像中无规则的噪声信息与图案的主结构轮廓的有效分离。其模型表示为：
arg min（Sp-Ip）2+λ·Dx（p）Lx（p）+ε+Dy（p）Ly（p）+ε（1）
式中：S为输出图像;I为输入图像;p为像素点索引;第一项为保真项，避免输入与输出图像差距较大;第2项为相对总变差，λ为调整参数，控制保真项与相对总变差的比例，其中λ值越大平滑效果越显著，但过大会造成图像模糊，在文中皮影图像的平滑处理中，取λ值为0.005～0.01;D为总变差;L为固有变差;（为很小的一个正数，防止分母出现0的情况。在以像素点p为中心的正方形邻域R（p）内，x、y方向上的窗口总变差Dx（p）、Dy（p）与窗口固有变差Lx（p）、Ly（p）为：
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为R（p）领域内所有像素点的索引，x，y为像素点q在x和y两个方向上的偏微分，gp，q为根据空间关系定义的权重函数
gp，q∝exp（xp-xq）2+（yp-yq）22σ2（6）
式中：σ为控制窗口尺寸的参数，对图像的平滑程度起着重要作用。σ值越大图像的平滑程度越显著，但取值过大容易平滑掉图案的细节部分。根据所处理的皮影图像纹理的大小，取σ为1～2。
该算法使用Image Processing Toolbox 10.2版，运行环境统一为Microsoft Windows 10的Matlab 9.4版软件平台，该算法对皮影图像的平滑效果如图2所示，不难看出，图像中的噪声信号及色彩污点被平滑掉，且图像的边缘轮廓被完整保留。
1.2 颜色空间转换
实验对象（皮影图像）的颜色空间为RGB。RGB颜色空间是设备依赖颜色空间的一种，是目前应用最广泛的色彩空间。但由于在RGB图像中所显示的颜色是均由R（红色）、G（绿色）和B（蓝色）3种颜色混合而成，各通道的相关度较高，无法清晰地感知及度量色彩之间的差异。因此需要将图像从RGB颜色空间变换到色彩感知均匀且容易度量的颜色空间中。
CIE L*a*b*（简称CIE Lab）颜色空间是设备无关的颜色空间，由一个亮度分量（L）和两个色彩分量（a、b）组成。该颜色空间在感知层面具有均匀性，人们在视觉上觉得接近的两种颜色，对应在CIE Lab颜色空间中的位置也是相临近的[15]，且空间中的颜色差异可以用三维坐标系中这两种颜色的空间点之间的欧氏距离表示，更加有助于根据色彩差异进行聚类分析。RGB空间转换为CIE Lab空间时需借助CIE 1931 XYZ颜色空间进行转换，将色度和亮度分開。颜色空间转换算法步骤如下：
a）提取RGB彩色空间中皮影图像的R、G、B3个分量，组成矩阵A=[r，g，b]T;
b）由式（7）将A进行线性变换转换至XYZ空间，组成矩阵B=[X，Y，Z]T，
B=0.4124530.3575800.1804230.2126710.7151600.0721690.0193340.1191930.950227·A（7）
c）然后将矩阵B中的X、Y、Z3个分量由式（8）、式（9）经非线性变换计算出CIE Lab空间的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为默认值95.047、100.0、108.883。
2 色彩聚类分割
采用K-means聚类算法对皮影图像中的颜色进行搜索及聚类。该算法是由MacQueen提出的一种简洁、快速的无监督学习算法[16]，通过最小化n个样本{x1，x2，…xn}和K个聚类中心{C1，C2，…，CK}之间的距离之和，来实现n个样本划分到K个簇中的目的。其中每个样本xi为提取的该像素的a，b通道值。该算法对于皮影图像这种大数据集的聚类处理具有较高的效率。对转至CIE Lab空间中的皮影图像进行K-means聚类处理，算法步骤设计如下：
a）设定聚类数K=4;
b）随机选取K个点作为初始聚类中心{C1，C2，…，CK};
c）计算每个点到聚类中心的距离D（xi，{C1，C2，…，CK}），根据到每个聚类中心的欧氏距离的大小来分配到具体的某一类K，并标记{1，2，…，K}，其中欧氏距离计算为： D（x，C）=∑ni=1（xi-C）2
d）计算分配好的每一类数据集的均值，将其作为新的聚类中心;
e）重复c）、d）步骤，直到图像的聚类中心不发生变化。
实验所得结果如图3所示。可以看出，最终得到的皮影纹样提取结果轮廓完整且边缘结构准确。对于色彩颜色饱和度高的红、黄、绿三色区域图案分割清晰，所含噪声少，取得了满意的分割效果。
3 结果对比与分析
3.1 不同图像平滑算法比较
为选择合适的平滑滤波方法，对比了中值滤波、均值滤波、高斯滤波以及相对总变差模型4种算法对同一皮影图像的处理结果，如图4所示。
由实验结果可以看出，均值滤波处理后的图像（图4（c））边缘模糊严重，无法清楚保留图像的边缘锐度，因此对于凸显图像边缘轮廓的皮影对象是不宜采用的。相比较而言，中值滤波可以较好的平滑图像中的噪声，并且不会模糊图像的边缘，但由于制作皮影时的刻工精细，皮影图像的细节部分的尺寸较小，低于中值滤波模板的邻域宽度的一半，因此某些特征值被中值滤波处理后的中值所取代，造成了图像细节的丢失（图4（e））。高斯滤波处理后的皮影图像（图4（d））虽然细节部分没有出现缺失，但仍存在一些边缘模糊的情况，无法清晰保留皮影的特征。相比于其他3种图像滤波算法，相对总变差模型可在滤除噪声的同时有效保留皮影图案的边缘及清晰度。相对总变差模型的平滑效果如图4（b）所示。由图4（b）可看到，皮影图像中许多噪声信号及色彩污点都被分离出来，且图案清晰，因此，选择相对总变差模型来平滑皮影图案效果最好。
3.2 图像分割结果分析
为了验证文中算法的有效性，实验先比较了平滑去噪对色彩聚类效果的影响，图5（a）为未经过平滑去噪预处理的传统K-means算法对皮影图案进行色彩聚类的分割结果，由于没有进行图像的平滑预处理，使得分割后的图像含有许多噪声信号，影响了分类结果的准确性。同时对比了模糊C均值（Fuzzy C-means，FCM）聚类算法对皮影图案的分割效果，实验结果在图5（b）中示出，可以看到，在以绿色为主进行聚类的图像中存在许多黄色部分，这是由于模糊C均值聚类算法对数据没有硬性划分，导致绿色与其颜色相近的黄色划分不明显。为定量分析聚类结果，将手工分割的图像作为参照对象，采用常见的图像分割性能检测指标平均准确率[17]（Mean accuracy， MA）对实验结果的准确性进行评价。MA是对图像中所有类别的分割正确的像素数和所预测的总像素数的比值取平均，如式（10）。
MA=1K∑Ni=1niiti（10）
式中：K表示类别数;nii表示实际类别为i，预测类别为i的像素数量;ti表示类别i中包含的像素总数。
表1中示出了本研究方法及其他两种分割算法所得分割结果的平均准确率及运行时间。由表1中的平均准确率MA值可见，本研究方法的分割准确率最高，表明其分割结果更加接近于正确的图案分割结果，同时，从分割算法的运行时间来看，本研究方法的收敛速度快于FCM聚类算法，但是，其时间分割代价则高于未经平滑处理的传统K-means算法，原因在于本研究方法在使用相对总变差模型进行图像平滑处理时，所采用的平滑算法相对较为耗时，因此整体算法分割速度低于传统的K-means算法，但从所得分割结果上来看，本研究方法的分割性能优于传统的K-means算法和FCM算法。
为了进一步验证本研究所提出的图案分割方法的有效性，对其他皮影图像进行色彩聚类分割实验。图6示出了其他4幅图片的分割结果。实验结果表明了该方法的有效性，能够较准确地实现皮影服饰图案的快速提取。
4 结 论
为客观提取皮影服饰图案纹样，基于皮影图案色彩分明、互补性强的特点，设计了一种基于色彩聚类的图案提取方法。该方法通过相对總变差模型分离皮影图案中的噪声及主结构，对所得图像利用K-means算法对皮影图案进行色彩聚类分割，最终提取出清晰完整的皮影图案。结果表明，该方法在皮影图案的分割及提取中具有较好的效果及应用前景，与传统的K-means及FCM两类聚类算法相比提高了图案提取的准确度。笔者提出方法适用于图像色彩丰富、色块分明的皮影图案提取，但是对于分割结果的鲁棒性有待进一步提高，后续工作将针对这一问题进行算法改进，并将提取出的皮影图案元素加以应用，实现新时代下皮影艺术的传承。
参考文献：
[1]秦岁明.与时俱进的传统图案艺术[J].装饰，2003（8）：40-41.
[2]闫子飞，朱琳.皮影图案在现代设计中的创新应用[J].前沿，2014（17）：232-233.
[3]张显媚.略谈甘肃庆阳皮影造型艺术风格[J].丝绸之路，2014（22）：64-65.
[4]邢乐，张杰，梁惠娥，等.传统服饰云肩实物图像主色的智能检测[J].纺织学报，2017，38（11）：110-115，123.
[5]王晓予，向军，潘如如，等.服饰刺绣图案的自动提取与色块分割[J].纺织学报，2017，38（9）：120-126.
[6]李俞霏，梁惠娥.明代织物纹样的智能提取：以斗牛袍为例[J].丝绸，2018，55（11）：53-58.
[7]徐平华，冒海琳，张玉杰，等.民族服饰色彩构成分析方法研究[J].丝绸，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]张波，汤春明.基于相对总变差模型与自适应形态学的织物瑕疵检测[J].纺织学报，2017，38（5）：145-149，162.
[10]苏淼，鲁佳亮，林海雷.皮影造型艺术在现代丝绸家纺中的应用[J].丝绸，2012，49（5）：41-44.
[11]李秀丽.皮影图形在服装设计中的应用研究[D].杭州：浙江理工大学，2014.
[12]刘海英，刘颁，韩福丽，等.皮影元素在旅游纪念品设计中的应用研究[J].包装工程，2018，39（24）：333-339.
[13]张谦.唐山皮影的传承与发展[D].石家庄：河北科技大学，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]霍凤财，孙雪婷，任伟建，等.Lab空间的改进k-means算法彩色圖像分割[J].吉林大学学报（信息科学版），2019，37（2）：148-154.
[16]黄宇，付琨，吴一戎.基于Markov随机场K-Means图像分割算法[J].电子学报，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 网络出版日期：2021-04-16
基金项目：青岛大学研究基金项目（JXGG2019080）
作者简介：刘静（1995-），女，山东枣庄人，硕士研究生，主要从事服装与服饰数字化方面的研究。
通信作者：庄梅玲，E-mail：zmlqdu@126.com
关键词：皮影;纹样分割;色彩聚类;图像平滑;颜色空间
中图分类号：TS941
文献标志码：A
文章编号：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
中国传统图案艺术源远流长，形式多样、内涵丰富，是中华民族的宝贵财富[1]。皮影是极具地方特色的中华民族传统文化瑰宝，蕴含着丰富的民俗意识和文化内涵。作为一门古老的艺术，皮影服饰中丰富的图案具有特殊的审美韵味，是人类艺术创造的精华[2]。皮影图案的色彩与五行学说相对应[3]，采用红、绿、黑、黄、白表现影人所有的色彩，色彩饱和度高，明度大，且刀口通过留白方式进行界定，如图1所示。
长久以来，皮影服饰图案的提取以人工为主，受主观因素与环境因素影响较大。目前，数字图像处理技术的在传统服饰图案的自动提取研究中已经取得了广泛应用，例如，邢乐等[4]以汉族传统服饰“云肩”为例，基于均值漂移聚类法提出了一种检测传统服饰实物图像颜色的方法，解决了获取实物图像的色彩耗时、缺乏准确性等问题;王晓予等[5]以明代服饰织物为载体，采用领域平均法对刺绣图案进行滤波处理，平滑掉了不需要的织物纹理结构使得图案的轮廓变得比较清晰，最后通过图像聚类分析方法实现了刺绣图案的自动提取;李俞霏等[6]以明代赐服斗牛袍为研究对象，在对服饰图案进行了滤波降噪处理后，采用K-means聚类算法对服饰色彩进行聚类，实现了不同色彩纹样的分割;徐平华等[7]采用图像分析技术，有效提取了藏族、朝鲜族及哈萨克族等多个民族服饰主色并进行了示范性度量和可视化表达。皮影人物服饰与民族传统服饰一脉相承，并且更加接近于中国传统的戏曲服饰。与服饰图案的提取相比，皮影为二维平面的物体，其图像跟物体本身更为接近，且皮影服饰色彩以雕刻刀口界定，完整清晰，更加适用于基于图像处理技术的图案提取。但由于皮影头茬相较于服饰图案尺寸小，并且雕镂精细，目标图案与背景需要更加精确地进行分离。而传统的图像平滑算法无法有效的去除图像中的噪声信息，造成图案边缘模糊。相對总变差模型（Relative total variation，RTV）[8]利用纹理（噪声）部分的相对总变差与图像主结构的相对总变差之间的差异[9]，能够实现对图像中噪声的去除。该算法在有效平滑噪声的同时能够清晰地保留图案的边缘，更加有利于后续基于图像色彩进行的聚类处理。 本文结合皮影图案细节丰富、色彩纯度高的特点，采用RTV算法对皮影头茬图案图像进行平滑处理。将平滑后的色彩图像转换至CIE L*a*b*色彩空间，然后采用K-means聚类分析算法基于颜色特征对皮影图案纹样进行分割提取，经实验分析，文中设计的实验方案可以有效提取皮影的服饰纹样。利用现代信息技术提取皮影中别具特色的艺术元素，不仅能够克服人眼识别受环境、心理、生理等因素影响，而且有助于创新吸收皮影元素应用在其他相关领域[10-12]，使之为现代生活所吸收，实现皮影深层的民俗观念、地区意识等特定文化形式的留存[13]。
1 皮影图像预处理
1.1 噪声平滑
皮影图案在制作时因人工上色不匀产生的色彩污点以及后期进行图像采集、传输时产生的噪声信号给色彩聚类带来了不便，本文采用相对总变差模型对皮影图案进行预处理。RTV模型是Xu等[8]提出的一种保留主结构的图像平滑方法，适用于非统一或各向异性的纹理（噪声）的滤除[14]，能够实现皮影图像中无规则的噪声信息与图案的主结构轮廓的有效分离。其模型表示为：
arg min（Sp-Ip）2+λ·Dx（p）Lx（p）+ε+Dy（p）Ly（p）+ε（1）
式中：S为输出图像;I为输入图像;p为像素点索引;第一项为保真项，避免输入与输出图像差距较大;第2项为相对总变差，λ为调整参数，控制保真项与相对总变差的比例，其中λ值越大平滑效果越显著，但过大会造成图像模糊，在文中皮影图像的平滑处理中，取λ值为0.005～0.01;D为总变差;L为固有变差;（为很小的一个正数，防止分母出现0的情况。在以像素点p为中心的正方形邻域R（p）内，x、y方向上的窗口总变差Dx（p）、Dy（p）与窗口固有变差Lx（p）、Ly（p）为：
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为R（p）领域内所有像素点的索引，x，y为像素点q在x和y两个方向上的偏微分，gp，q为根据空间关系定义的权重函数
gp，q∝exp（xp-xq）2+（yp-yq）22σ2（6）
式中：σ为控制窗口尺寸的参数，对图像的平滑程度起着重要作用。σ值越大图像的平滑程度越显著，但取值过大容易平滑掉图案的细节部分。根据所处理的皮影图像纹理的大小，取σ为1～2。
该算法使用Image Processing Toolbox 10.2版，运行环境统一为Microsoft Windows 10的Matlab 9.4版软件平台，该算法对皮影图像的平滑效果如图2所示，不难看出，图像中的噪声信号及色彩污点被平滑掉，且图像的边缘轮廓被完整保留。
1.2 颜色空间转换
实验对象（皮影图像）的颜色空间为RGB。RGB颜色空间是设备依赖颜色空间的一种，是目前应用最广泛的色彩空间。但由于在RGB图像中所显示的颜色是均由R（红色）、G（绿色）和B（蓝色）3种颜色混合而成，各通道的相关度较高，无法清晰地感知及度量色彩之间的差异。因此需要将图像从RGB颜色空间变换到色彩感知均匀且容易度量的颜色空间中。
CIE L*a*b*（简称CIE Lab）颜色空间是设备无关的颜色空间，由一个亮度分量（L）和两个色彩分量（a、b）组成。该颜色空间在感知层面具有均匀性，人们在视觉上觉得接近的两种颜色，对应在CIE Lab颜色空间中的位置也是相临近的[15]，且空间中的颜色差异可以用三维坐标系中这两种颜色的空间点之间的欧氏距离表示，更加有助于根据色彩差异进行聚类分析。RGB空间转换为CIE Lab空间时需借助CIE 1931 XYZ颜色空间进行转换，将色度和亮度分開。颜色空间转换算法步骤如下：
a）提取RGB彩色空间中皮影图像的R、G、B3个分量，组成矩阵A=[r，g，b]T;
b）由式（7）将A进行线性变换转换至XYZ空间，组成矩阵B=[X，Y，Z]T，
B=0.4124530.3575800.1804230.2126710.7151600.0721690.0193340.1191930.950227·A（7）
c）然后将矩阵B中的X、Y、Z3个分量由式（8）、式（9）经非线性变换计算出CIE Lab空间的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为默认值95.047、100.0、108.883。
2 色彩聚类分割
采用K-means聚类算法对皮影图像中的颜色进行搜索及聚类。该算法是由MacQueen提出的一种简洁、快速的无监督学习算法[16]，通过最小化n个样本{x1，x2，…xn}和K个聚类中心{C1，C2，…，CK}之间的距离之和，来实现n个样本划分到K个簇中的目的。其中每个样本xi为提取的该像素的a，b通道值。该算法对于皮影图像这种大数据集的聚类处理具有较高的效率。对转至CIE Lab空间中的皮影图像进行K-means聚类处理，算法步骤设计如下：
a）设定聚类数K=4;
b）随机选取K个点作为初始聚类中心{C1，C2，…，CK};
c）计算每个点到聚类中心的距离D（xi，{C1，C2，…，CK}），根据到每个聚类中心的欧氏距离的大小来分配到具体的某一类K，并标记{1，2，…，K}，其中欧氏距离计算为： D（x，C）=∑ni=1（xi-C）2
d）计算分配好的每一类数据集的均值，将其作为新的聚类中心;
e）重复c）、d）步骤，直到图像的聚类中心不发生变化。
实验所得结果如图3所示。可以看出，最终得到的皮影纹样提取结果轮廓完整且边缘结构准确。对于色彩颜色饱和度高的红、黄、绿三色区域图案分割清晰，所含噪声少，取得了满意的分割效果。
3 结果对比与分析
3.1 不同图像平滑算法比较
为选择合适的平滑滤波方法，对比了中值滤波、均值滤波、高斯滤波以及相对总变差模型4种算法对同一皮影图像的处理结果，如图4所示。
由实验结果可以看出，均值滤波处理后的图像（图4（c））边缘模糊严重，无法清楚保留图像的边缘锐度，因此对于凸显图像边缘轮廓的皮影对象是不宜采用的。相比较而言，中值滤波可以较好的平滑图像中的噪声，并且不会模糊图像的边缘，但由于制作皮影时的刻工精细，皮影图像的细节部分的尺寸较小，低于中值滤波模板的邻域宽度的一半，因此某些特征值被中值滤波处理后的中值所取代，造成了图像细节的丢失（图4（e））。高斯滤波处理后的皮影图像（图4（d））虽然细节部分没有出现缺失，但仍存在一些边缘模糊的情况，无法清晰保留皮影的特征。相比于其他3种图像滤波算法，相对总变差模型可在滤除噪声的同时有效保留皮影图案的边缘及清晰度。相对总变差模型的平滑效果如图4（b）所示。由图4（b）可看到，皮影图像中许多噪声信号及色彩污点都被分离出来，且图案清晰，因此，选择相对总变差模型来平滑皮影图案效果最好。
3.2 图像分割结果分析
为了验证文中算法的有效性，实验先比较了平滑去噪对色彩聚类效果的影响，图5（a）为未经过平滑去噪预处理的传统K-means算法对皮影图案进行色彩聚类的分割结果，由于没有进行图像的平滑预处理，使得分割后的图像含有许多噪声信号，影响了分类结果的准确性。同时对比了模糊C均值（Fuzzy C-means，FCM）聚类算法对皮影图案的分割效果，实验结果在图5（b）中示出，可以看到，在以绿色为主进行聚类的图像中存在许多黄色部分，这是由于模糊C均值聚类算法对数据没有硬性划分，导致绿色与其颜色相近的黄色划分不明显。为定量分析聚类结果，将手工分割的图像作为参照对象，采用常见的图像分割性能检测指标平均准确率[17]（Mean accuracy， MA）对实验结果的准确性进行评价。MA是对图像中所有类别的分割正确的像素数和所预测的总像素数的比值取平均，如式（10）。
MA=1K∑Ni=1niiti（10）
式中：K表示类别数;nii表示实际类别为i，预测类别为i的像素数量;ti表示类别i中包含的像素总数。
表1中示出了本研究方法及其他两种分割算法所得分割结果的平均准确率及运行时间。由表1中的平均准确率MA值可见，本研究方法的分割准确率最高，表明其分割结果更加接近于正确的图案分割结果，同时，从分割算法的运行时间来看，本研究方法的收敛速度快于FCM聚类算法，但是，其时间分割代价则高于未经平滑处理的传统K-means算法，原因在于本研究方法在使用相对总变差模型进行图像平滑处理时，所采用的平滑算法相对较为耗时，因此整体算法分割速度低于传统的K-means算法，但从所得分割结果上来看，本研究方法的分割性能优于传统的K-means算法和FCM算法。
为了进一步验证本研究所提出的图案分割方法的有效性，对其他皮影图像进行色彩聚类分割实验。图6示出了其他4幅图片的分割结果。实验结果表明了该方法的有效性，能够较准确地实现皮影服饰图案的快速提取。
4 结 论
为客观提取皮影服饰图案纹样，基于皮影图案色彩分明、互补性强的特点，设计了一种基于色彩聚类的图案提取方法。该方法通过相对總变差模型分离皮影图案中的噪声及主结构，对所得图像利用K-means算法对皮影图案进行色彩聚类分割，最终提取出清晰完整的皮影图案。结果表明，该方法在皮影图案的分割及提取中具有较好的效果及应用前景，与传统的K-means及FCM两类聚类算法相比提高了图案提取的准确度。笔者提出方法适用于图像色彩丰富、色块分明的皮影图案提取，但是对于分割结果的鲁棒性有待进一步提高，后续工作将针对这一问题进行算法改进，并将提取出的皮影图案元素加以应用，实现新时代下皮影艺术的传承。
参考文献：
[1]秦岁明.与时俱进的传统图案艺术[J].装饰，2003（8）：40-41.
[2]闫子飞，朱琳.皮影图案在现代设计中的创新应用[J].前沿，2014（17）：232-233.
[3]张显媚.略谈甘肃庆阳皮影造型艺术风格[J].丝绸之路，2014（22）：64-65.
[4]邢乐，张杰，梁惠娥，等.传统服饰云肩实物图像主色的智能检测[J].纺织学报，2017，38（11）：110-115，123.
[5]王晓予，向军，潘如如，等.服饰刺绣图案的自动提取与色块分割[J].纺织学报，2017，38（9）：120-126.
[6]李俞霏，梁惠娥.明代织物纹样的智能提取：以斗牛袍为例[J].丝绸，2018，55（11）：53-58.
[7]徐平华，冒海琳，张玉杰，等.民族服饰色彩构成分析方法研究[J].丝绸，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]张波，汤春明.基于相对总变差模型与自适应形态学的织物瑕疵检测[J].纺织学报，2017，38（5）：145-149，162.
[10]苏淼，鲁佳亮，林海雷.皮影造型艺术在现代丝绸家纺中的应用[J].丝绸，2012，49（5）：41-44.
[11]李秀丽.皮影图形在服装设计中的应用研究[D].杭州：浙江理工大学，2014.
[12]刘海英，刘颁，韩福丽，等.皮影元素在旅游纪念品设计中的应用研究[J].包装工程，2018，39（24）：333-339.
[13]张谦.唐山皮影的传承与发展[D].石家庄：河北科技大学，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]霍凤财，孙雪婷，任伟建，等.Lab空间的改进k-means算法彩色圖像分割[J].吉林大学学报（信息科学版），2019，37（2）：148-154.
[16]黄宇，付琨，吴一戎.基于Markov随机场K-Means图像分割算法[J].电子学报，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 网络出版日期：2021-04-16
基金项目：青岛大学研究基金项目（JXGG2019080）
作者简介：刘静（1995-），女，山东枣庄人，硕士研究生，主要从事服装与服饰数字化方面的研究。
通信作者：庄梅玲，E-mail：zmlqdu@126.com