【技术实现步骤摘要】
本专利技术属于计算机数字图像处理，具体涉及一种自然场景驱动的服装模板着色方法。
技术介绍
1、颜色是服装的重要外观属性，依据中国流行色协会相关色彩附加价值的有关市场调研数据显示，在不增加成本的基础上，合适的色彩设计能提高产品10％～25％的附加价值。广泛的颜色和颜色组合存在于自然美好景观和画像中，这些颜色以及颜色的组合(调色板)可以提取出来用于服务纺织服装生产设计。实现这一过程，面临两个挑战：一是符合人类视觉感知的图像调色板的生成，二是调色板到服装模板映射的实现。人工构建调色板关乎个体色彩理论知识储备、直觉和经验，而这些个体差异会导致主观性和人为误差的风险，并存在手动管理调色板的复杂性相对大的问题；而主流的像素聚类算法提取颜色也存在提取结果不稳定的问题，如k-means聚类算法，主要问题是它对原型初始化的依赖，如果没有谨慎的选择初始化原型，计算将有可能收敛到局部最小值，而不是全局最小值。因此，适当地初始化原型可以对k-means产生很大影响。对于调色板到服装模板的映射，现存的一些方法存在颜色填充过程中服装线稿的轮廓难以准确检测和保留，导致颜色溢出、纹理及阴影处理不自然的问题。目前国内外的学术界和工业界均未提出很好的应对解决方法。
技术实现思路
1、本专利技术的目的是为了解决
技术介绍
中所述问题，提出一种自然场景驱动的服装模板着色方法，用计算机生成调色板，可以确保颜色在整个项目中保持一致性，容易控制不同部分之间的视觉协调性，且对于大规模项目(如品牌季节系列服装设计)，计算生成调色板可以
2、对于挑战一，首先进行了自然场景图像数据集的构建，接着建立了数字图像颜色提取系统。随后，通过设计心理物理学实验，完成了人工选色经验数据集的构建。进一步，利用传统机器学习算法对采集的自然场景图像进行聚类分析。再通过充分分析人工选色经验数据与机器学习算法计算数据的差异性及规律性，优化改进了传统机器学习算法，使其结果尽可能接近于人工选色数据，从而确定了优选的颜色提取方法。最后，将调色板数据转换为rgb值，并保存在.mat文件中。
3、对于挑战二，首先构建了服装模板线稿数据集。接下来，读取了模块一中生成的调色板，并从中随机选取了5个颜色组合。再将服装模板的图层背景设置为白色，将5个颜色图层中的颜色值替换为调色板中的颜色，并将这些颜色图层进行融合。最后，依次融合了模板中的纹理图层、阴影图层和线条图层，得到了不同颜色排列方式的服装模板的着色结果。整个过程通过逐步的操作，实现了对自然场景和服装模板的有效处理和颜色着色。
4、本专利技术的技术方案为一种自然场景驱动的服装模板着色方法，包括基于自然场景颜色生成调色板以及通过调色板进行服装模板着色这两个阶段，其中生成调色板阶段包括如下步骤：
5、步骤11，构建自然场景图像数据集；
6、步骤12，搭建数字图像颜色提取系统；
7、步骤13，设计心理物理学实验，利于数字图像颜色提取系统，获得人工选色经验数据；
8、步骤14，利用传统机器学习算法对所收集的自然场景图像进行聚类分析，得到聚类的颜色数据；
9、步骤15，对比步骤13中人工选色经验数据与步骤14中机器学习算法计算数据的差异性、以及差异的规律性，利用数据差异性规律对传统机器学习算法进行优化改进，使传统机器学习算法更接近于人工选色经验数据的结果，确定优选的颜色提取方法，进而提取得到调色板数据；
10、步骤16，将调色板数据转换为rgb值，并保存在.mat文件中；
11、服装模板着色阶段包括如下步骤：
12、步骤21，构建服装模板线稿数据集；
13、步骤22，读取调色板数据，从中随机选取n个颜色组合，共有种颜色组合方式，n表示调色板中颜色的个数；
14、步骤23，设置图层背景，并将服装模板中的n个颜色图层中的颜色值换为任意一种颜色组合，并将换色后的颜色图层融合；
15、步骤24，将服装模板中的纹理图层与22中得到的颜色图层进行融合；
16、步骤25，将服装模板中的阴影图层与23中得到的图层进行融合；
17、步骤26，将服装模板中的线条图层与24中得到的图层进行融合；
18、步骤27，重复上述步骤23-26，得到所有不同颜色排列方式的服装模板的着色结果。
19、进一步的，步骤14中采用传统机器学习算法k-means对所收集的自然场景图像进行聚类分析，其具体实现方式如下：
20、首先，将图像从rgb颜色空间转换到ciel*a*b*；
21、然后，随机选择k个像素点作为初始的聚类中心；对于每个像素，将其分配到最近的聚类中心所代表的簇，并更新每个簇的聚类中心为该簇中所有点的平均值；
22、最后，检查聚类中心的变化是否小于一个预定的阈值，如果满足条件，则算法收敛，即可提取最终的k个聚类中心作为主要颜色。
23、进一步的，步骤15中，利用ciede2000色差公式δe00计算步骤13中人工选色经验数据与步骤14中机器学习算法计算数据的差异性，具体计算公式如下：
24、
25、
26、a′＝(1+g)×a* (3)
27、b′＝b* (4)
28、
29、
30、
31、δl′＝l′1-l′2 (8)
32、δc′ab＝c′ab，1-c′ab，2 (9)
33、
34、
35、
36、
37、
38、rt＝-sin(2δθ)rc (15)
39、
40、
41、其中，kl、kc、kh为实际情况中亮度、色度和色相的权重，sl、sc、sh分别为亮度权重函数、色度权重函数和色相权重函数,rt为转换函数；δl′为亮度差，δc′ab为色度差，δh′ab为色相差；为cielab色度，a*、b*为cielab坐标，a′、b′为ciede2000坐标，g为ciel*a*b*颜色空间的轴的调整因子，h′ab为ciede2000色相角，为ciede2000两种颜色刺激色度的均值，为ciede2000两种颜色刺激亮度的均值，δh′ab为ciede2000色相角差，为ciede2000两种颜色刺激亮度的均值色相角均值，t为色相加权t函数，rc为转换函数与色度的关系，δθ为转换函数与色相的关系。
42、进一步的，步骤5中确定优选的颜色提取方法为k-means算法的改进，具体改进方法如下：
43、step1，将图像从rgb颜色空间转换到ciel*a*b*，过程如下式：
44、
45、
46、
47、其中，xn、yn本文档来自技高网...
【技术保护点】
1.一种自然场景驱动的服装模板着色方法，其特征在于，包括基于自然场景颜色生成调色板以及通过调色板进行服装模板着色这两个阶段，其中生成调色板阶段包括如下步骤：
2.如权利要求1所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤14中采用传统机器学习算法K-Means对所收集的自然场景图像进行聚类分析，其具体实现方式如下：
3.如权利要求1所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤15中，利用CIEDE2000色差公式ΔE00计算步骤13中人工选色经验数据与步骤14中机器学习算法计算数据的差异性，具体计算公式如下：
4.如权利要求3所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤5中确定优选的颜色提取方法为K-Means算法的改进，具体改进方法如下：
5.如权利要求1所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤23中，背景和颜色图层的处理步骤如下：
6.如权利要求1所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤24中，纹理图层的处理方式如下：
7.如权利
8.如权利要求1所述的一种自然场景驱动的服装模板着色设计方法，其特征在于：步骤26中，线条图层的处理方式如下：
9.一种自然场景驱动的服装模板着色系统，其特征在于，包括基于自然场景颜色生成调色板以及通过调色板进行服装模板着色这两个模块，其中生成调色板模块包括如下子模块：
...【技术特征摘要】
1.一种自然场景驱动的服装模板着色方法，其特征在于，包括基于自然场景颜色生成调色板以及通过调色板进行服装模板着色这两个阶段，其中生成调色板阶段包括如下步骤：
2.如权利要求1所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤14中采用传统机器学习算法k-means对所收集的自然场景图像进行聚类分析，其具体实现方式如下：
3.如权利要求1所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤15中，利用ciede2000色差公式δe00计算步骤13中人工选色经验数据与步骤14中机器学习算法计算数据的差异性，具体计算公式如下：
4.如权利要求3所述的一种自然场景驱动的服装模板着色方法，其特征在于：步骤5中确定优选的颜色提取方法为k-means算...
【专利技术属性】
技术研发人员：梁金星，高雅凡，沙莎，李梦婕，伍文，吴光皓，胡新荣，罗航，彭涛，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。