CN109215091A - 一种基于图表示的服装流行色彩自动提取方法 - Google Patents

Abstract

本发明公开了一种基于图表示的服装流行色彩自动提取方法，采用目标检测方法从复杂图像中分离出人体，实现途径为采用Mask R‑CNN模型精确识别图像中的人物对象，并生成人体部分的掩膜，从而获得图像中的服装目标区域；采用图表示方法对服装图像实现色块分割，该方法在分割过程中既能保持低变化区域的细节，又能够忽略高变化区域的细节，从而准确分割视觉上的一致区域；完成对目标区域的图表示的图像分割后，对服装同颜色无边界连接部分进行区域合并，最后提取主要色彩并计算色彩比例，从而实现服装色彩信息快速获取，实现服装色彩快速分析。

Description

一种基于图表示的服装流行色彩自动提取方法

技术领域

本发明属于服装色彩预测领域，尤其是涉及一种基于图表示的服装流行色彩自动提取方法。

背景技术

色彩流行趋势分析在服装设计、生产、服装消费指导等领域发挥着重要的作用。色彩流行趋势分析已经逐渐发展形成了专业预测机构、专业预测流程、较系统的预测方法与预测机制，而这些现有的预测机制采取的方法与手段主要是依靠有限的数据和人的主观感受与判断。随着大数据处理技术的日益更迭，使得各类信息可以融合在一个巨大的容器当中分析，能够迅速地采集统计大范围的数据，而色彩流行趋势预测机制也随之产生巨大的变革。最为显著的一点是，传统的主观预测逐渐为客观的数据分析所替代。色彩是服装的基本要素之一，色彩预测也是流行趋势预测的重要环节之一。而在大数据环境下如何及时快速地采集各大品牌发布的服装色彩信息是服装流行色彩预测工程中需要解决的问题。时装品牌发布的秀场图像及时装海报是服装流行色彩资讯的最直接信息来源，从这些图像中快速提取服装色彩，可以有效获取流行色彩信息，为产品开发与市场预测提供重要量化的数据指导。从图像中准确定位服装对象是有效提取色彩的前提，但这些图像往往带有复杂的背景且图像前景中也受到配饰等物品的干扰，使得服装对象的定位存在难度；同时服装色彩变化多样，色彩区域形态变化多样，使用灰度的变化或单一的灰度阈值来作为分割的评判标准无法达到分割服装视觉重要区域的目的。

发明内容

本发明的目的在于提供一种基于图表示的服装流行色彩自动提取方法，针对现有提取色彩中遇到的难题，设计了一种自动提取方法，能够同时对批量服装图像进行处理，自动获取服装目标区域，并通过图表示算法对目标区域进行色彩分割，提取服装主要色彩，从而实现服装色彩的自动提取，获得的色彩信息可为服装产品开发与市场预测提供有效指导。

为了解决上述技术问题，采用如下技术方案：

一种基于图表示的服装流行色彩自动提取方法，其特征在于包括如下步骤：

(1)取时装图像导入训练完成的Mask R-CNN训练模型，对时装图像进行预测，识别图像中对象的类别，输出对象掩膜；

(2)提取人物类别下对象掩码像素坐标，作为目标区域图像；

(3)提取目标区域内的像素点，构成像素区域；

(4)采用区域内间距计算方法、区域间间距计算方法及边界的判定标准对像素区域进行分割；

(5)分割算法的实现步骤：输入有n个像素点和m条边的图G，输出一系列分割区域集合C；

(6)颜色提取：计算分割完成后每个分割区域内的像素点数量|C|，计算区域内像素点的RGB均值U，两两计算两个区域U的标准差，设定颜色区分度阈值t，若各区域颜色标准差小于阈值t，则视为同色，对应区域合并得到新的分割区域P，像素点数量相加，并计算得到新的RGB均值U’；

(7)颜色百分比计算：根据需要确定需提取的颜色的数量，计算各区域P内的像素点数量|C′|，按降序排列，由前向后依次提取所需颜色，计算每个颜色对应区域像素点数量在所有选区总像素点中所占的百分比。

优选后，所述的时装图像需要对其进行图片预处理，首先通过图片抓取方法获得时尚资讯网站上的时装图像，并对时装图像做尺寸归一化处理。

优选后，步骤(3)中构成像素区域的具体步骤为：将目标区域内每一个像素点v_i作为一个单一的区域C_i，相邻像素点(v_i，v_j)构成点对关系e_i作为边，e_i的集合为E，用最小生成树方法合并像素点，从而构成像素区域。

优选后，步骤(4)中区域内间距计算方法：Int(C)＝max_e∈MST(C,E)w(e).即区域对应最小生成树中权重最大的边的权重值。

优选后，步骤(4)中区域间间距计算方法：即在两个相邻的区域的所有点对中寻找权重最小的点对(边)，而点对选择需满足两个条件，点对中两个点分别属于两个区域且这两个区域是有边连接的，若两个区域内的点没有边相连，则定义间距为正无穷大。

优选后，步骤(4)中分割区域边界的判定标准：

其中MInt(C₁,C₂)为区域内间距的最小值，MInt(C₁,C₂)＝min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂)，τ为阈值函数，用于限定在判定两个区域是否有明显的分割界限时，两个区域的区域间间距需要在多大程度上大于其各自的区域内间距。

优选后，步骤(5)中分割算法的步骤为：

a、将边e_i按照权重值以升序方式排列；

b、定义初始分割区域S(0)，将目标区域内每一个像素点分别定义为一个区域；

c、定义第q条边连接的两个像素点为v_i和v_j，若在S(q-1)中v_i和v_j是分别属于两个区域并且第q条边的权重w_q小于两个区域的最小区域内间距MInt(S)，则合并两个区域，否则令S(q)＝S(q-1)；

d、取q＝1，2，3，…m，循环步骤c；

e、返回S(m)即为所求分割区域集合C。

由于采用上述技术方案，具有以下有益效果：

本发明为一种基于图表示的服装流行色彩自动提取方法，针对现有提取色彩中遇到的难题，设计了一种自动提取方法，能够同时对批量服装图像进行处理，自动从复杂图像中有效获取着装人体区域，并通过图表示算法对目标区域进行色彩分割，提取服装主要色彩，从而实现服装色彩的自动提取，获得的色彩信息可为服装产品开发与市场预测提供有效指导，该方法能够达到快速有效的色彩技术效果。

该提取方法中分割区域较为精确，目标区域以外的区域不会有杂色混入所提取的颜色中，所提取的颜色纯度较高。

本发明从复杂图像中分离出人体，实现途径为采用Mask R-CNN模型精确识别图像中的人物对象，并生成人体部分的掩膜，从而获得图像中的服装目标区域；采用图表示方法对服装图像实现色块分割，该方法在分割过程中既能保留低变化区域的细节，又能够忽略高变化区域的细节，从而使分割效果接近人工视觉分割效果；完成对目标区域的图表示的图像分割后，对服装同颜色无边界连接部分进行区域合并，最后提取主要色彩并计算色彩比例，从而实现服装色彩信息快速获取，实现服装色彩快速分析。Mask R-CNN是一种高效的目标检测分割网络模型，该网络可以识别图像中物体的类别并输出物体掩膜(ObjectMask)，对图像中人物对象进行像素级别的分割提取，从而实现高效的人物目标检测。基于图表示的图像分割算法是一种基于贪心选择的图像分割方法，该方法能够考虑到全局特征，有效捕捉视觉重点区域，该算法基于区域间间距和区域内间距两个特征来判断两个区域是否应该合并。避免了单一的使用像素强度值的变化作为分割依据或使用单一的分割阈值来决定分割存在的重要区域的分割不完全的问题。因此Mask R-CNN与基于图表示的组合使用，可以精确定位图像中的人物目标，在精确锁定目标区域的基础上实现服装色彩的高效分割与提取。

附图说明

下面结合附图对本发明作进一步说明：

图1为本发明的流程图。

具体实施方式

如图1所示，下面结合具体的实施例对本发明作进一步说明：

一种基于图表示的服装流行色彩自动提取方法，包括如下步骤：

(1)通过图片抓取方法获得时尚资讯网站上的人物时装图像，并对时装图像做尺寸归一化处理，将图像做尺寸统一为1024×1024像素，非正方形图像在边缘填充0；

(2)将时装图像导入训练完成的Mask R-CNN训练模型，将预处理完成的图像输入模型，得到标注完成的图像；

(3)提取标注完成的图像，提取标签类别分类结果为Person的目标区域，提取其掩膜区域坐标，并将作为目标图像，进行下一步处理；

(4)提取目标区域内的像素点v_i，目标区域为像素点集合V，采用8领域提取相邻像素点，相邻像素点(v_i，v_j)构成点对关系e_i作为边，e_i的集合为边的集合E，用最小生成树方法合并像素点，从而构成像素区域。

(5)将目标区域内每一个像素点v_i作为一个单一的区域C_i，采用最小生成树(MST)方法合并像素点，构成像素区域，像素合并过程中两个区域的区域间间距明显大于其中任意一个区域的区域内间距，那么就认为这两个区域之间存在明显的界限，即不可合并，得到一系列不可合并的区域；

(6)像素区域分割过程中采用的区域内间距和区域间间距计算方法、边界的判定标准如下：

a、区域内间距计算方法：Int(C)＝max_e∈MST(C,E)w(e).即区域对应最小生成树中权重最大的边的权重值；

b、区域间间距计算方法：即在两个相邻的区域C₁,C₂的所有点对中寻找权重最小的点对(边)，而点对选择需满足两个条件，点对中两个点分别属于两个区域且这两个区域是有边连接的，若两个区域内的点没有边相连，则定义间距为正无穷大。

c、分割区域边界的判定：

其中MInt(C₁,C₂)为区域内间距的最小值，MInt(C₁,C₂)＝min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂)，τ为阈值函数，用于限定在判定两个区域是否有明显的分割界限时，两个区域的区域间间距需要在多大程度上大于其各自的区域内间距。

(7)分割算法的实现步骤：输入有n个像素点和m条边的图G，输出是一系列区域C，步骤如下：

a、将边e_i按照权重值以升序方式排列；

b、定义初始分割区域S(0)，将目标区域内每一个像素点分别定义为一个区域；

c、定义第q条边连接的两个像素点为v_i和v_j，若在S(q-1)中v_i和v_j是分别属于两个区域并且第q条边的权重w_q小于两个区域的最小区域内间距MInt(S)，则合并两个区域，否则令S(q)＝S(q-1)；

d、取q＝1，2，3，…m，循环步骤c；

e、返回S(m)即为所求分割区域集合C。

(8)颜色提取：为避免服装中同色区域不相邻的情况，在颜色提取前，需要先将同色区域合并计算；然后计算分割完成后每个分割区域内的像素点数量|C|，计算区域内像素点的RGB均值U，两两计算两个区域U的标准差，设定颜色区分度阈值t，若各区域颜色标准差小于阈值t，则视为同色，对应区域合并得到新的分割区域P，像素点数量相加，并计算得到新的RGB均值U’；

(9)颜色百分比计算：根据需要确定需提取的颜色的数量，以3色为例，计算各区域P内的像素点数量|C′|，按降序排列，提取排序在前的3个颜色，计算每个颜色对应区域像素点数量在3个区域总像素点中所占的百分比。

(10)输出颜色RGB值与各个颜色的占比百分数。

以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。

Claims (7)

1.一种基于图表示的服装流行色彩自动提取方法，其特征在于包括如下步骤：

(1)取时装图像导入训练完成的Mask R-CNN训练模型，对时装图像进行预测，识别图像中对象的类别，输出对象掩膜；

(2)提取人物类别下对象掩码像素坐标，作为目标区域图像；

(3)提取目标区域内的像素点，构成像素区域；

(4)采用区域内间距计算方法、区域间间距计算方法及边界的判定标准对像素区域进行分割；

(5)分割算法的实现步骤：输入有n个像素点和m条边的图G，输出一系列分割区域集合C；

(6)颜色提取：计算分割完成后每个分割区域内的像素点数量|C|，计算区域内像素点的RGB均值U，两两计算两个区域U的标准差，设定颜色区分度阈值t，若各区域颜色标准差小于阈值t，则视为同色，对应区域合并得到新的分割区域P，像素点数量相加，并计算得到新的RGB均值U’；

(7)颜色百分比计算：根据需要确定需提取的颜色的数量，计算各区域P内的像素点数量|C′|，按降序排列，由前向后依次提取所需颜色，计算每个颜色对应区域像素点数量在所有选区总像素点中所占的百分比。

2.根据权利要求1所述的一种基于图表示的服装流行色彩自动提取方法，其特征在于：所述的时装图像需要对其进行图片预处理，首先通过图片抓取方法获得时尚资讯网站上的时装图像，并对时装图像做尺寸归一化处理。

3.根据权利要求1所述的一种基于图表示的服装流行色彩自动提取方法，其特征在于：步骤(3)中构成像素区域的具体步骤为：将目标区域内每一个像素点v_i作为一个单一的区域C_i，相邻像素点(v_i，v_j)构成点对关系e_i作为边，e_i的集合为E，用最小生成树方法合并像素点，从而构成像素区域。

4.根据权利要求1所述的一种基于图表示的服装流行色彩自动提取方法，其特征在于：步骤(4)中区域内间距计算方法：Int(C)＝max_e∈MST(C,E)w(e).即区域对应最小生成树中权重最大的边的权重值。

5.根据权利要求1所述的一种基于图表示的服装流行色彩自动提取方法，其特征在于：步骤(4)中区域间间距计算方法：

即在两个相邻的区域的所有点对中寻找权重最小的点对(边)，而点对选择需满足两个条件，点对中两个点分别属于两个区域且这两个区域是有边连接的，若两个区域内的点没有边相连，则定义间距为正无穷大。

6.根据权利要求1所述的一种基于图表示的服装流行色彩自动提取方法，其特征在于：步骤(4)中分割区域边界的判定标准：

其中MInt(C₁,C₂)为区域内间距的最小值，MInt(C₁,C₂)＝min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂)，τ为阈值函数，用于限定在判定两个区域是否有明显的分割界限时，两个区域的区域间间距需要在多大程度上大于其各自的区域内间距。

7.根据权利要求3所述的一种基于图表示的服装流行色彩自动提取方法，其特征在于：步骤(5)中分割算法的步骤为：

a、将边e_i按照权重值以升序方式排列；

b、定义初始分割区域S(0)，将目标区域内每一个像素点分别定义为一个区域；

c、定义第q条边连接的两个像素点为v_i和v_j，若在S(q-1)中v_i和v_j是分别属于两个区域并且第q条边的权重w_q小于两个区域的最小区域内间距MInt(S)，则合并两个区域，否则令S(q)＝S(q-1)；

d、取q＝1，2，3，…m，循环步骤c；

e、返回S(m)即为所求分割区域集合C。