CN109063781A - 一种仿自然色彩功能和形式的模糊意象织物设计方法 - Google Patents
一种仿自然色彩功能和形式的模糊意象织物设计方法 Download PDFInfo
- Publication number
- CN109063781A CN109063781A CN201810919119.7A CN201810919119A CN109063781A CN 109063781 A CN109063781 A CN 109063781A CN 201810919119 A CN201810919119 A CN 201810919119A CN 109063781 A CN109063781 A CN 109063781A
- Authority
- CN
- China
- Prior art keywords
- color
- image
- cluster
- value
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009941 weaving Methods 0.000 claims abstract description 14
- 230000008520 organization Effects 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims description 18
- 235000013339 cereals Nutrition 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 235000005976 Citrus sinensis Nutrition 0.000 claims description 5
- 240000002319 Citrus sinensis Species 0.000 claims description 5
- 235000007164 Oryza sativa Nutrition 0.000 claims description 5
- 238000005242 forging Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 235000009566 rice Nutrition 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 240000007594 Oryza sativa Species 0.000 claims 1
- 239000003086 colorant Substances 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 241000209094 Oryza Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种仿自然色彩功能和形式的模糊意象织物设计方法，通过输入自然图像、选取颜色空间、将图像中的每个样本数据转换为HSL值，并通过距离公式计算找到所有所需要的K个聚类中心，接着通过K‑means聚类分色、得到一幅仅有K个颜色值的分色图像，并利用Photoshop工具得到作为织造用纹样图的模糊意象图像，然后设计12种色系的组织图、选择组织，最后将组织铺在纹样图上制作纹板图，设计样卡并上机织造，得到模糊意象提花织物。本发明提供的一种仿自然色彩功能和形式的模糊意象织物设计方法，避免了传统像景织物设计存在的耗时耗力的问题，能够指导织物色彩设计并实现高效率、低成本的模糊意象织物的生产。
Description
【技术领域】
本发明涉及图像色彩提取和织物设计方法的技术领域，特别涉及一种仿自然色彩功能和形式的织物设计方法。
【背景技术】
色彩赋予了生活的多姿多彩，动物以丰富的体色展现了物种经过演化的美感，矿物以集天地之精华的光辉放射着灿烂色彩，植物以斑斓的色彩传递着季节更迭的信息。色彩和纹理是表现作品最重要的两个因素，因此设计师们经常称色彩是一个作品的灵魂所在。自然界是真正的色彩大师，它把色彩的运用发挥到极致，丰富多变的自然色彩经过漫长的演化过程形成了独特又不失和谐的色彩功能和形式，其中色彩功能指色彩本身的光学属性对人心理和生理的情感影响，色彩形式是指色彩的面积、位置等组织结构对整体搭配效果的影响。因此以自然色彩的功能和形式为研究基础，通过探索和分析内在特征和提炼和归纳搭配规律，把自然界优异的色彩艺术手法应用到织物设计，可为设计师提供取之不尽、用之不竭的设计及配色灵感源泉。
在自然场景中拍摄的图像含有成千上万个颜色，运用像景织物的技术织造，存在一个耗时耗力的问题。而模糊意象织物，是指与源图像具有相似色彩迁移性和轮廓识别性的织物，它虽然没有像景织物的细腻和精致，但它呈现出的是一种朦胧的特殊视觉效果和耐人寻味的美感，给人以挥发性思考的想象空间。模糊意象织物的设计与织造，丰富了织物的表现形式，拓展了织物设计的内涵。
【发明内容】
本发明的目的在于克服上述现有技术的不足，提供一种仿自然色彩功能和形式的模糊意象织物设计方法，其旨在解决现有技术中传统像景织物设计存在的耗时耗力的技术问题，能够指导织物色彩设计并实现高效率、低成本的模糊意象织物的生产。
为实现上述目的，本发明提出了一种仿自然色彩功能和形式的模糊意象织物设计方法，包括如下步骤：
S1、选取一张色彩丰富的自然全景高清图像，输入该自然全景高清图像，在工具中读取该图像每个样本的RGB值并转换为HSL值，将样本数据中明度L值低于10和高于90的样本数据剔除；选择图像中色彩比例高的点作为第一个聚类中心，以欧几里得公式为距离公式计算剩余样本数据与第一个聚类中心的距离，选择距离最大的样本作为新的聚类中心，循环该步骤直至找到所有所需要的K个聚类中心；
S2、利用K-means聚类方法聚类分色：
S2.1、对于图像中除K个聚类中心之外的样本数据，分别计算每个样本与K个聚类中心的欧式距离，将剩余样本分配给每个相近的聚类中心；
S2.2、计算每一簇的新聚类中心，即把每个簇各个样本数据的均值作为新的聚类中心；
S2.3、重复S2.2步骤，直至准则函数收敛，此时聚类中心不发生变化，将每一簇内的样本数据用聚类中心替换，得到一幅仅有K个颜色值的分色图像；
S3、利用Photoshop工具，在索引模式下套取所需要的色彩，逐一套取色彩并叠加到一个图层内，提取所需要的素材组成的模糊意象图像作为织造用的纹样图，该纹样图与源图像相比具有相似色彩迁移性和轮廓识别性；
S4、根据混色原理选取红、黄、蓝、黑作为纬纱，米白色作为经纱，采用16枚5飞纬锻作为显色组织、背衬32枚5飞经锻的组织，按照一一对应原则设计12种色系的组织图；
S5、记录聚类得到的模糊意象图像L*a*b*颜色值，使用CIELAB色差公式测量色差并选取与目标颜色色差最小的颜色组织，将组织铺在纹样上制作纹板图，设计样卡并上机织造。
作为优选，所述的S1中所用的工具包括MATLAB和Visual Studio，通过在工具内编写C#程序就能读取图像每个样本的RGB值并转换为HSL值，RGB值转换为HSL值公式如下：
作为优选，所述的S1和S2.1中的欧几里得距离公式为：
其中d为距离，两个样本坐标分别为X1(H1，S1，L1)和X2(H2，S2，L2)。
作为优选，所述的S2.2中均值公式为：其中n为该一簇中所有样本点的数量，Xk为簇中的样本数据HSL的其中一分量。
作为优选，所述的S2.3中准则函数收敛条件为：其中c为簇ci的平均值，x为每个样本数据。
作为优选，所述的S2.3在得到一幅仅有K个颜色值的分色图像后，计算每个色彩的占比，其中色彩占比的公式为：其中Ri为第i个特征色，i＝1～k，xci为第i个特征色的像素点个数，x为图片中总像素点的个数。
作为优选，所述的S4中，12种色系分别为单色显色的红、黄、蓝三色，两两等量混色的橙、绿、紫色以及两两不等量混色的红橙、黄橙、黄绿、青绿、青紫、红紫间色。
作为优选，所述的S5中，CIELAB色差公式为：
其中模糊意象图像中目标颜色值和选用组织的织物颜色值分别为L* 1、a* 1、b* 1与L* 2、a* 2、b* 2。
本发明的有益效果：与现有技术相比，本发明提供的一种仿自然色彩功能和形式的模糊意象织物设计方法具有以下的有益效果：
(1)传统以K-Means方法初始聚类中心的确定是随机的，而K-means算法对初始聚类中心敏感，选择不同的初始聚类中心会产生不同的聚类结果且有不同的准确率，本发明改进的始聚类中心选取方法使得图像分割后分色图片的颜色值更加匹配图片源，提高准确率；
(2)本发明采用欧氏距离作为样本的相似性度量，在K-means算法中相互距离最远的K个数对象比随机取的K个数据对象更具代表性；
(3)RGB颜色空间用红、绿、蓝三个分量来表示各种颜色，但R、G、B这3个分量是高度相关的，即如果一个颜色的某一个分量发生了一定程度的改变，那么这个颜色很可能要发生改变，而且人眼对于常见的红绿蓝三色的敏感程度是不一样的，因此RGB颜色空间的均匀性非常差。相反地，与RGB颜色模型相比，本发明采用HSL颜色空间比较符合人眼对景物颜色的感知，当L分量进行改变时并不改变原图像中的彩色种类；
(4)由于自然场景下的图片色彩的复杂性，在源图像中不可避免地存在局部的阴影面积，但这些非代表性的样本数据肯定会影响到提取主色的纯度和饱和度，因此本发明中对明度L值低于10和高于90的样本进行过滤处理，这不仅可以提高迭代计算效率，还利于提高色彩提取的精准性；
(5)在像景织物中，需要耗费大量的时间和精力处理图片，自然风景图像由于相同颜色数据像素的分散性，模糊意象织物可以通过基于聚类的K-means的方式处理图像色彩，使处理后的图像作为纹样就可以应用于织造，而且使织物别具一番风格。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明一种仿自然色彩功能和形式的模糊意象织物设计方法流程图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
参阅图1，本发明实施例提供一种仿自然色彩功能和形式的模糊意象织物设计方法，包括如下步骤：
S1、选取一张色彩丰富的自然全景高清图像，在工具中输入该自然全景高清图像，选择HSL颜色空间，读取该图像每个样本的RGB值并转换为HSL值，将样本数据中明度L值低于10和高于90的样本数据剔除；选择图像中色彩比例高的点作为第一个聚类中心，以欧几里得公式为距离公式计算剩余样本数据与第一个聚类中心的距离，选择距离最大的样本作为新的聚类中心，循环该步骤直至找到所有所需要的K个聚类中心。
S2、利用K-means聚类方法聚类分色：
S2.1、对于图像中除K个聚类中心之外的样本数据，分别计算每个样本与K个聚类中心的欧式距离，将剩余样本分配给每个相近的聚类中心；
S2.2、计算每一簇的新聚类中心，即把每个簇各个样本数据的均值作为新的聚类中心；
S2.3、重复S2.2步骤，直至准则函数收敛，此时聚类中心不发生变化，将每一簇内的样本数据用聚类中心替换，得到一幅仅有K个颜色值的分色图像，并计算每个色彩的占比。
S3、利用Photoshop工具，在索引模式下套取所需要的色彩，逐一套取色彩并叠加到一个图层内，提取所需要的素材组成的模糊意象图像作为织造用的纹样图，该纹样图与源图像相比具有相似色彩迁移性和轮廓识别性。
S4、根据混色原理选取红、黄、蓝、黑作为纬纱，米白色作为经纱，采用16枚5飞纬锻作为显色组织、背衬32枚5飞经锻的组织，按照一一对应原则设计12种色系的组织图，12种色系分别为组织表面单色显色的红、黄、蓝三色，两两等量混色的橙、绿、紫色以及两两不等量混色的红橙、黄橙、黄绿、青绿、青紫、红紫间色。组织主要依靠无彩色纱线(黑色的纬纱和白色的经纱)在织物表面的显色浮长调节明度，依靠有彩色纱线(红、黄、蓝色经纱)在织物表面的显色浮长调节色相，同一色系内的组织表现为明度的变化，不同色系内的组织表现为色相的变化。显色组织中有彩色纬纱和黑色纬纱浮长可以从1开始依次均匀加强组织点，从纬面缎纹组织过渡到经面缎纹组织，这样设计组织的色彩在明度上过渡比较均匀，而且在色相环上也具有分布均匀的效果。
S5、记录聚类得到的模糊意象图像L*a*b*颜色值，使用CIELAB色差公式测量色差并选取与目标颜色色差最小的颜色组织，将组织铺在纹样上制作纹板图，设计样卡并上机织造。
为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容。
实施例1
本实施例的仿自然色彩功能和形式的模糊意象织物设计方法，包括如下步骤：
1)、选取一张色彩丰富的丹霞地貌高清图片，在编写的C#程序中输入该单幅自然图像，选择HSL颜色空间，读取该图像每个样本的RGB值并转换为HSL值，将样本数据中明度L值低于10和高于90的样本数据剔除。其中，RGB值转换为HSL值公式如下：
2)、选择图片中色彩比例高的橙色作为第一个聚类中心，其中橙色RGB值为(255，165，0)转化为HSL值为(39，100，50)，以欧几里得公式为距离公式计算剩余样本数据与第一个聚类中心的距离，选择距离最大的像素点作为新的聚类中心，循环该步骤直至找到所有所需要的K个聚类中心。欧几里得距离公式为：其中d为距离，两个样本坐标分别为X1(H1，S1，L1)和X2(H2，S2，L2)。
3)利用K-means聚类方法聚类分色。对于图像中除K个聚类中心之外的样本数据，分别计算每个样本与K个聚类中心的欧式距离(欧几里得距离公式同上)，将剩余样本分配给每个相近的聚类中心。计算每一簇的新聚类中心，即每个簇的各个样本数据的均值，均值公式为：其中n为该一簇中所有样本点的数量，Xk为簇中的样本数据HSL的其中一分量。
4)、重复前一步步骤，直至准则函数收敛，此时聚类中心不发生变化，将每一簇内的样本数据用聚类中心的数据替换，将过滤掉的明度L值低于10和高于90的样本数据分别用欧式距离公式计算与函数收敛后K个聚类中心的距离，将距离最近的聚类中心的颜色值赋予给这些样本，最终得到一幅仅有K个颜色值的分色图像，并计算每个色彩的占比。准则函数收敛条件为：其中c为簇ci的平均值，x为每个样本数据；色彩占比的公式为：其中Ri为第i个特征色，i＝1～k，xci为第i个特征色的像素点个数，x为图片中总像素点的个数。
5)、分色图像里仅有K个色彩值，虽然相比源图像色彩值减少，但是分色图像和源图像具有极高的色彩相似性，而且组成分色图像的主要素材轮廓总体不变，主色彩的相对面积和相对位置也总体不变。利用Photoshop工具，在索引模式下套取所需要的色彩，逐一套取色彩并叠加到一个图层内，提取所需要的素材组成的模糊意象图像作为织造用的纹样图，该纹样图与源图像相比具有相似色彩迁移性和轮廓识别性。
6)、根据混色原理选取红、黄、蓝、黑作为纬纱，米白色作为经纱，采用16枚5飞纬锻作为显色组织、背衬32枚5飞经锻的组织，按照一一对应原则设计12种色系的组织图。其中，12种色系分别为单色显色的红、黄、蓝三色，两两等量混色的橙、绿、紫色以及两两不等量混色的红橙、黄橙、黄绿、青绿、青紫、红紫间色。
7)、记录聚类得到的模糊意象图像L*a*b*颜色值，使用CIELAB色差公式测量色差并选取与目标颜色色差最小的颜色组织，将组织铺在纹样上制作纹板图，设计样卡并上机织造，其中，CIELAB色差公式为：
实施例2
本实施例的仿自然色彩功能和形式的模糊意象织物设计方法，包括如下步骤：
1)、选取一张高清冰川地貌图片，在编写的C#程序中输入该单幅自然图像，读取该图像每个样本的RGB值并转换为HSL值，将样本数据中明度L值低于10和高于90的样本数据剔除。其中，RGB值转换为HSL值公式如下：
2)、选择图片中色彩比例高的冰川灰作为第一个聚类中心，其中冰川灰RGB值为(207，207，207)转化为HSL值为(0，0，81)，以欧几里得公式为距离公式计算剩余样本数据与第一个聚类中心的距离，选择距离最大的像素点作为新的聚类中心，循环该步骤直至找到所有所需要的K个聚类中心。欧几里得距离公式为：其中d为距离，两个样本坐标分别为X1(H1，S1，L1)和X2(H2，S2，L2)。
3)利用K-means聚类方法聚类分色。对于图像中除K个聚类中心之外的样本数据，分别计算每个样本与K个聚类中心的欧式距离(欧几里得距离公式同上)，将剩余样本分配给每个相近的聚类中心。计算每一簇的新聚类中心(质心)，即每个簇的各个样本数据的均值，均值公式为：其中n为该一簇中所有样本点的数量，Xk为簇中的样本数据HSL的其中一分量。
4)、重复前一步步骤，直至准则函数收敛，此时聚类中心不发生变化，将每一簇内的样本数据用聚类中心的数据替换，将过滤掉的明度L值低于10和高于90的样本数据分别用欧式距离公式计算与函数收敛后K个聚类中心的距离，将距离最近的聚类中心的颜色值赋予给这些样本，最终得到一幅仅有K个颜色值的分色图像，并计算每个色彩的占比。准则函数收敛条件为：其中c为簇ci的平均值，x为每个样本数据；色彩占比的公式为：其中Ri为第i个特征色，i＝1～k，xci为第i个特征色的像素点个数，x为图片中总像素点的个数。
5)、分色图像里仅有K个色彩值，虽然相比源图像色彩值减少，但是分色图像和源图像具有极高的色彩相似性，而且组成分色图像的主要素材轮廓总体不变，主色彩的相对面积和相对位置也总体不变。利用Photoshop工具，在索引模式下套取所需要的色彩，逐一套取色彩并叠加到一个图层内，提取所需要的素材组成的模糊意象图像作为织造用的纹样图，该纹样图与源图像相比具有相似色彩迁移性和轮廓识别性。
6)、根据混色原理选取红、黄、蓝、黑作为纬纱，米白色作为经纱，采用16枚5飞纬锻作为显色组织、背衬32枚5飞经锻的组织，按照一一对应原则设计12种色系的组织图。其中，12种色系分别为单色显色的红、黄、蓝三色，两两等量混色的橙、绿、紫色以及两两不等量混色的红橙、黄橙、黄绿、青绿、青紫、红紫间色。
7)、记录聚类得到的模糊意象图像L*a*b*颜色值，使用CIELAB色差公式测量色差并选取与目标颜色色差最小的颜色组织，将组织铺在纹样上制作纹板图，设计样卡并上机织造，其中，CIELAB色差公式为：
在本发明实施例一和实施例二中，用于读取图像每个样本RGB值并转换为HSL值的C#程序为已知的程序，可以通过MATLAB或者Visual Studio进行编写，也可以采用其他软件进行编写。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：包括如下步骤：
S1、选取一张色彩丰富的自然全景高清图像，输入该自然全景高清图像，在工具中读取该图像每个样本的RGB值并转换为HSL值，将样本数据中明度L值低于10和高于90的样本数据剔除；选择图像中色彩比例高的点作为第一个聚类中心，以欧几里得公式为距离公式计算剩余样本数据与第一个聚类中心的距离，选择距离最大的样本作为新的聚类中心，循环该步骤直至找到所有所需要的K个聚类中心；
S2、利用K-means聚类方法聚类分色：
S2.1、对于图像中除K个聚类中心之外的样本数据，分别计算每个样本与K个聚类中心的欧式距离，将剩余样本分配给每个相近的聚类中心；
S2.2、计算每一簇的新聚类中心，即把每个簇各个样本数据的均值作为新的聚类中心；
S2.3、重复S2.2步骤，直至准则函数收敛，此时聚类中心不发生变化，将每一簇内的样本数据用聚类中心替换，得到一幅仅有K个颜色值的分色图像；
S3、利用Photoshop工具，在索引模式下套取所需要的色彩，逐一套取色彩并叠加到一个图层内，提取所需要的素材组成的模糊意象图像作为织造用的纹样图，该纹样图与源图像相比具有相似色彩迁移性和轮廓识别性；
S4、根据混色原理选取红、黄、蓝、黑作为纬纱，米白色作为经纱，采用16枚5飞纬锻作为显色组织、背衬32枚5飞经锻的组织，按照一一对应原则设计12种色系的组织图；
S5、记录聚类得到的模糊意象图像L*a*b*颜色值，使用CIELAB色差公式测量色差并选取与目标颜色色差最小的颜色组织，将组织铺在纹样上制作纹板图，设计样卡并上机织造。
2.如权利要求1所述的一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：所述的S1中所用的工具包括MATLAB和Visual Studio，通过在工具内编写C#程序就能读取图像每个样本的RGB值并转换为HSL值，RGB值转换为HSL值公式如下：
3.如权利要求1所述的一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：所述的S1和S2.1中的欧几里得距离公式为：
其中d为距离，两个样本坐标分别为X1(H1，S1，L1)和X2(H2，S2，L2)。
4.如权利要求1所述的一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：所述的S2.2中均值公式为：其中n为该一簇中所有样本点的数量，Xk为簇中的样本数据HSL的其中一分量。
5.如权利要求1所述的一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：所述的S2.3中准则函数收敛条件为：其中c为簇ci的平均值，x为每个样本数据。
6.如权利要求1所述的一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：所述的S2.3在得到一幅仅有K个颜色值的分色图像后，计算每个色彩的占比，其中色彩占比的公式为：其中Ri为第i个特征色，i＝1～k，xci为第i个特征色的像素点个数，x为图片中总像素点的个数。
7.如权利要求1所述的一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：所述的S4中，12种色系分别为单色显色的红、黄、蓝三色，两两等量混色的橙、绿、紫色以及两两不等量混色的红橙、黄橙、黄绿、青绿、青紫、红紫间色。
8.如权利要求1所述的一种仿自然色彩功能和形式的模糊意象织物设计方法，其特征在于：所述的S5中，CIELAB色差公式为：
其中模糊意象图像中目标颜色值和选用组织的织物颜色值分别为L* 1、a* 1、b* 1与L* 2、a* 2、b* 2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810919119.7A CN109063781B (zh) | 2018-08-14 | 2018-08-14 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810919119.7A CN109063781B (zh) | 2018-08-14 | 2018-08-14 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063781A true CN109063781A (zh) | 2018-12-21 |
| CN109063781B CN109063781B (zh) | 2021-12-03 |
Family
ID=64683819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810919119.7A Active CN109063781B (zh) | 2018-08-14 | 2018-08-14 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063781B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503656A (zh) * | 2019-08-28 | 2019-11-26 | 苏州大学 | 一种超像素分割方法及相关设备 |
| CN110646416A (zh) * | 2019-09-27 | 2020-01-03 | 渤海大学 | 一种用于评价熏鸡品质的比色卡及应用 |
| CN111652859A (zh) * | 2020-05-25 | 2020-09-11 | 杭州电子科技大学 | 基于K-means的布料花型智能分色方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1786308A (zh) * | 2005-12-19 | 2006-06-14 | 韩容 | 数码提花双面锦绣的制作方法 |
| CN101814063A (zh) * | 2010-05-24 | 2010-08-25 | 天津大学 | 基于距离权重的全局k-均值聚类算法 |
| CN102496166A (zh) * | 2011-11-28 | 2012-06-13 | 江南大学 | 基于图像处理的彩色纤维分色的方法 |
| CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
| CN103136355A (zh) * | 2013-03-05 | 2013-06-05 | 电子科技大学 | 一种基于自动阈值鱼群算法的文本聚类方法 |
| CN103806197A (zh) * | 2014-02-25 | 2014-05-21 | 浙江丝绸科技有限公司 | 一种高抗起毛起球的像景织锦织物的生产工艺 |
| CN104199823A (zh) * | 2014-07-14 | 2014-12-10 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
| CN104317824A (zh) * | 2014-10-08 | 2015-01-28 | 陕西高新实业有限公司 | 一种基于离群指数的初始聚类中心优选算法 |
| CN104954629A (zh) * | 2014-03-24 | 2015-09-30 | 富士施乐株式会社 | 图像处理装置和图像处理方法 |
| CN105844675A (zh) * | 2016-03-24 | 2016-08-10 | 上海工程技术大学 | 色织物的颜色聚类分析方法 |
| CN106250431A (zh) * | 2016-07-25 | 2016-12-21 | 华南师范大学 | 一种基于分类服装的颜色特征提取方法及服装检索系统 |
| CN106682684A (zh) * | 2016-11-23 | 2017-05-17 | 天津津航计算技术研究所 | 一种基于k均值聚类的目标识别方法 |
| CN107070602A (zh) * | 2017-04-19 | 2017-08-18 | 电子科技大学 | 一种基于k均值聚类算法的空间调制系统盲检测方法 |
| CN107180224A (zh) * | 2017-04-10 | 2017-09-19 | 华南理工大学 | 基于时空滤波和联合空间Kmeans的手指运动检测与定位方法 |
| CN107578070A (zh) * | 2017-09-19 | 2018-01-12 | 安徽中科美络信息技术有限公司 | 基于邻域信息和平均差异度的K‑means初始聚类中心优选方法 |
| CN107886549A (zh) * | 2017-10-18 | 2018-04-06 | 浙江工业大学之江学院 | 一种基于编织纹理细节增强的织物纹样色彩转移方法 |
| CN108085843A (zh) * | 2018-01-16 | 2018-05-29 | 达利丝绸（浙江）有限公司 | 一种鸟羽色彩仿生织物设计方法 |
| CN108304849A (zh) * | 2018-01-15 | 2018-07-20 | 浙江理工大学 | 一种鸟羽色彩特征提取方法 |
-
2018
- 2018-08-14 CN CN201810919119.7A patent/CN109063781B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1786308A (zh) * | 2005-12-19 | 2006-06-14 | 韩容 | 数码提花双面锦绣的制作方法 |
| CN101814063A (zh) * | 2010-05-24 | 2010-08-25 | 天津大学 | 基于距离权重的全局k-均值聚类算法 |
| CN102496166A (zh) * | 2011-11-28 | 2012-06-13 | 江南大学 | 基于图像处理的彩色纤维分色的方法 |
| CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
| CN103136355A (zh) * | 2013-03-05 | 2013-06-05 | 电子科技大学 | 一种基于自动阈值鱼群算法的文本聚类方法 |
| CN103806197A (zh) * | 2014-02-25 | 2014-05-21 | 浙江丝绸科技有限公司 | 一种高抗起毛起球的像景织锦织物的生产工艺 |
| CN104954629A (zh) * | 2014-03-24 | 2015-09-30 | 富士施乐株式会社 | 图像处理装置和图像处理方法 |
| CN104199823A (zh) * | 2014-07-14 | 2014-12-10 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
| CN104317824A (zh) * | 2014-10-08 | 2015-01-28 | 陕西高新实业有限公司 | 一种基于离群指数的初始聚类中心优选算法 |
| CN105844675A (zh) * | 2016-03-24 | 2016-08-10 | 上海工程技术大学 | 色织物的颜色聚类分析方法 |
| CN106250431A (zh) * | 2016-07-25 | 2016-12-21 | 华南师范大学 | 一种基于分类服装的颜色特征提取方法及服装检索系统 |
| CN106682684A (zh) * | 2016-11-23 | 2017-05-17 | 天津津航计算技术研究所 | 一种基于k均值聚类的目标识别方法 |
| CN107180224A (zh) * | 2017-04-10 | 2017-09-19 | 华南理工大学 | 基于时空滤波和联合空间Kmeans的手指运动检测与定位方法 |
| CN107070602A (zh) * | 2017-04-19 | 2017-08-18 | 电子科技大学 | 一种基于k均值聚类算法的空间调制系统盲检测方法 |
| CN107578070A (zh) * | 2017-09-19 | 2018-01-12 | 安徽中科美络信息技术有限公司 | 基于邻域信息和平均差异度的K‑means初始聚类中心优选方法 |
| CN107886549A (zh) * | 2017-10-18 | 2018-04-06 | 浙江工业大学之江学院 | 一种基于编织纹理细节增强的织物纹样色彩转移方法 |
| CN108304849A (zh) * | 2018-01-15 | 2018-07-20 | 浙江理工大学 | 一种鸟羽色彩特征提取方法 |
| CN108085843A (zh) * | 2018-01-16 | 2018-05-29 | 达利丝绸（浙江）有限公司 | 一种鸟羽色彩仿生织物设计方法 |
Non-Patent Citations (6)
| Title |
|---|
| 张袁汇 等: "基于自然意象仿生的模糊效果提花织物设计研究与实践", 《现代装饰（理论）》 * |
| 林洁等: "一种基于均匀颜色空间的色彩量化聚类算法", 《云南大学学报(自然科学版)》 * |
| 梁道雷等: "聚类分析在彩色像景织物分色处理中的应用", 《计算机科学》 * |
| 王向阳等: "一种基于图像内容的自适应色彩量化算法", 《辽宁师范大学学报(自然科学版)》 * |
| 王燕: "一种改进的K-means聚类算法", 《计算机应用与软件》 * |
| 白玉: "图像处理在城市建筑色彩分析与评价中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503656A (zh) * | 2019-08-28 | 2019-11-26 | 苏州大学 | 一种超像素分割方法及相关设备 |
| CN110646416A (zh) * | 2019-09-27 | 2020-01-03 | 渤海大学 | 一种用于评价熏鸡品质的比色卡及应用 |
| CN110646416B (zh) * | 2019-09-27 | 2021-12-07 | 渤海大学 | 一种用于评价熏鸡品质的比色卡及应用 |
| CN111652859A (zh) * | 2020-05-25 | 2020-09-11 | 杭州电子科技大学 | 基于K-means的布料花型智能分色方法 |
| CN111652859B (zh) * | 2020-05-25 | 2023-11-07 | 杭州电子科技大学 | 基于K-means的布料花型智能分色方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063781B (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Person re-identification: What features are important? | |
| CN106296695B (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
| US8270709B2 (en) | Color selection and/or matching in a color image | |
| CN109063781A (zh) | 一种仿自然色彩功能和形式的模糊意象织物设计方法 | |
| CN108537239A (zh) | 一种图像显著性目标检测的方法 | |
| CN107330892A (zh) | 一种基于随机森林法的向日葵病害识别方法 | |
| CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
| CN110479636B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
| CN109993237A (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及系统 | |
| CN107679106B (zh) | 一种快速反应的色织面料设计生产方法 | |
| CN102012939A (zh) | 综合颜色和局部不变特征匹配的动画场景自动标注方法 | |
| CN106682684B (zh) | 一种基于k均值聚类的目标识别方法 | |
| CN105574514B (zh) | 温室生西红柿自动识别方法 | |
| CN108846869A (zh) | 一种基于自然图像色彩的服装自动配色方法 | |
| CN103971367B (zh) | 水文资料图像分割方法 | |
| CN102289543B (zh) | 基于遗传—模糊聚类算法的织锦纹样分色方法 | |
| Du et al. | Double-channel guided generative adversarial network for image colorization | |
| Mayer et al. | Towards autonomous vision self-calibration for soccer robots | |
| CN110427868A (zh) | 一种行人重识别中的特征提取方法 | |
| CN108304849A (zh) | 一种鸟羽色彩特征提取方法 | |
| Busin et al. | Color space selection for unsupervised color image segmentation by histogram multi-thresholding | |
| CN102999622B (zh) | 一种基于数据库的在视频中搜索目标的方法 | |
| CN103020995B (zh) | 一种适用于在视频中搜索目标的物件特征对比方法 | |
| CN108416813B (zh) | 一种色彩提取优化的设计方法 | |
| Al Sasongko et al. | Application of Gray Scale Matrix Technique for Identification of Lombok Songket Patterns Based on Backpropagation Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |