基于遗传—模糊聚类算法的织锦纹样分色方法

摘要

本发明公开了基于遗传—模糊聚类算法的织锦纹样分色方法，包括以下步骤：系统按照五色经二色纬或单色经四色纬的经纬色纱配置模型，进行遗传—模糊聚类的分色。系统对纹样分色后，通过颜色模型转换，形成有RGB数据的色块；系统根据纹样色块的RGB数据和经纬色纱配置模型，在自身的组织库中为每个纹样色块自动寻找和选择相对应的织物组织；系统按照遗传算法搜索全局最优方式，在既定的经纬纱线的线密度和织物的经纬密度前提下，自动调整织物组织的选择和配置，直到经纬色纱与织物组织配合后的RGB数据接近与前面纹样分色后每个色块的RGB；分色完成。

说明书

技术领域

本发明涉及一种基于遗传—模糊聚类算法的织锦纹样分色方法，属于纺织技术领 域。

背景技术

装饰纹织物的分色是数码纺织品技术核心内容之一。分色质量好坏直接影响到意 匠工艺处理的质量、效率以及纹织物的装饰性。近年来，在织物分色技术改进方面的研 究却鲜有报道，且国内的纹织物分色效果与国外相差较大。

在采用传统的分色方法(例如计算机或织物CAD自动分色法、基原色分色、在基 原色分色基础上结合专色分色法)对织物纹样分色时，由于纹织物纹样的渐变色处理没 有可行的科学方法，造成织物表面层次不丰富，与纹样的原图象有较大失真，不能达到 与原样稿一致风格的效果。

1、传统分色方法：

1.1织物CAD的自动分色

在国内现有提花织物CAD系统中，图象经灰度化处理后，把具有上百种灰度的图 象归并为仅有的几十种灰度图象，就是将灰度直方图中频率排在前几十种的灰度值作为 分色后最终保留的灰度，而其它频率较低的灰度按距离相近原则进行归并。这种方法着 重考虑了具体图像色彩的使用频率，故最大限度保持了原图像色调的层次，但也存在明 显的不足，如分色后图像的某些局部关键细节，由于该色彩使用频度较少，而被其他颜 色所替代，造成关键细节较为模糊，自动分色后图象的影光层次不丰富，与原图象有较 大失真，不能达到与原样稿一致风格的效果。

1.2自定基原色分色

只采用C(青)、M(品红)、Y(黄)、K(黑)四种颜色来进行分色，即通过四色分色将 所有色彩划分成C、M、Y、K四个基原色分量，通过这四个分量的叠加形成各种各样的 彩色。采用CMYK四色分色方法，可以表现出彩色纹织物表面的各种各样的色彩。但是 这种方法，也存在不足之处。例如，分色后的图象混和色的色彩不够饱满，风格达不到 纹稿的要求，织物的图案边缘轮廓可能变得不清晰。另外，对于水彩画风格的图案的纹 织物，往往在图象上只有几种颜色，但这几种颜色会有从明到暗，或由深转浅，或是从 一个色彩过渡到另一个色彩的变化，采用自定基原色分色方法就不能形成这种渐变的效 果，从而影响织物表面图案的层次性。

1.3在基原色分色基础上结合专色分色

这种方法是首先采用基原色分色方法，选取相应的基原色，对图案进行分色，得 到基原色灰度图象；再采用人机交互的专色分色方法，手工指定需要增强处理的色块颜 色，将这个部分的区域色块单独提取出来，对应于提取的专色区域色块，在指定专色的 相应基原色的分色灰度图象上，设置最大的灰度值“1”；而在非指定专色的其他基原色 分色灰度图象上，设置最小的灰度值“0”。

采用基原色分色与专色分色相结合的分色方法，提高装饰纹织物的色彩表现力， 并对织物的边缘轮廓进行特殊处理，使得装饰纹织物的最终效果的色彩饱满。但这种方 法也是比较费时，也无法对纹样的色彩渐变进行处理，特别是对织物上具有不同明度、 纯度或色相间的相邻区域之间过渡自然，且能产生不同光泽度和明度的效果的色彩处理 能力很差，从而影响装饰纹织物最终效果的风格逼真性。

发明内容

在分析传统的纹织物的图案分色优缺点的基础上，发明了基于遗传—模糊聚类算 法的织锦纹样分色方法。

一种基于遗传—模糊聚类算法的织锦纹样分色方法，包括以下步骤：

步骤1：扫描或其它方式向系统输入织景纹样，系统获取织景纹样图像；

步骤2：向系统输入纱线的线密度和织物经纬密度；

步骤3：系统对纹样进行预处理：色彩增强、去噪点和渐变色处理。

步骤4：系统按照五色经二色纬或单色经四色纬的经纬色纱配置模型，进行遗传— 模糊聚类的分色。

步骤5：系统对纹样分色后，通过颜色模型转换，形成有RGB数据的色块；

步骤6：系统根据纹样色块的RGB数据和经纬色纱配置模型，在自身的组织库中为 每个纹样色块自动寻找和选择相对应的织物组织(按照织物组织编码寻找)；

步骤7系统按照遗传算法搜索全局最优方式，在既定的经纬纱线的线密度和织物 的经纬密度前提下，自动调整经织物组织的选择和配置，直到经纬色纱与织物组织配合 后的RGB数据接近与前面纹样分色后每个色块的RGB。

步骤8：分色完成。

所述的方法，所述步骤3中，在渐变色处理时，用HSV空间的颜色直方图来描述 图像的颜色特征，通过对颜色模型进行分析，将颜色的H、S、V这3个分量按照人的 感知、用颜色梯度的图像特征点的匹配计算方法进行等间隔的量化，使其进一步变换得 到像素的色相、彩度值，从而使二维的颜色直方图的峰谷特性更加明显，便于聚类；运 用模糊隶属度函数，用最大隶属原则进行分类，对于各主色的隶属度相近的像素根据周 围像素的隶属度进行分辨。这样有利于过渡色彩的处理，分色结果局部优化，减少噪声。

所述的方法，所述步骤4中，在经纬色纱配置模型时，采用C(青)、M(品红)、Y(黄)、 G(绿)、K(黑)、W(白)六种基原色对彩色图象进行分色，经纬色纱组合为以下2种模型： 第一种：经组合：红、黄、蓝、绿、黑(或白)，纬组合：黑、白，形成五色经二色纬 的经起花；第二种是：经组合：白(或黑)，纬组合：C(青)、M(品红)、Y(黄)、K(黑)， 形成单色经四色纬的重纬起花形式。

所述的方法，所述步骤4中，在聚类算法的基础上，将遗传算法应用于聚类算法， 具体操作过程有：

(1)利用人机交互确定C、M、Y、K四色的标准值，并据此构建模糊子集；

(2)进行色彩空间模型转换，把二维的彩色直方图引入加权系数中，优化目标函数， 确定每个模糊子集合的隶属度函数式，计算彩色图像中的各像素点的隶属度；根据最大 隶属度原则把像素点归并；

(3)对彩色图象按C、M、Y、K四色进行聚类，优化目标函数的迭代算法，用势函 数对隶属函数矩阵进行调整，建立遗传算法的适应度函数，选择初始化群体、对每个个 体交叉、变异的操作，搜索全局最优的聚类中心，并进行优化搜索计算。

所述的方法，所述步骤4中，在遗传算法中，变异率P_m和交叉率P_c，采用自适应 P_c和P_m方法，用适合度函数来衡量算法的收敛状况，其表达式见式(1)和式(2)，其中f_max为群体中最大适应度值；f_min最小适应度值；f_a为每代群体的平均适合值；f_c为要杂交两 个个体中较大的适应度值；f为要进行变异个体的适应度值；f_max-f_a体现了群体的收 敛程度；

$p_m=\left(\begin{array}{c}\frac{{(f_{\max }-f_c)}^2}{(f_{\max }-f_{\min })(f_{\max }-f_{\min })},f_c>f_a,\\ \frac{f_{\max }-f_c}{f_{\max }-f_{\min }},f_c\le f_a\end{array}\right)---\left(1\right)$

$p_c=\left(\begin{array}{c}\frac{{(f_{\max }-f)}^2}{(f_{\max }-f_{\min })(f_{\max }-f_a)},f>f_a,\\ \frac{f_{\max }-f}{f_{\max }-f_{\min }},f\le f_a\end{array}\right)---\left(2\right)$

而对变异率P_m则根据进化过程进行适当调整，确定初始变异率为0.103，调整策 略为当(f_max-f_min)/f_max≤20％时，变异率变为0.1045，算法的结束条件为(f_max-f_min)/f_max≤8％。

利用本发明的方法，形成织锦的纹样渐变色的分色处理方法，使分色后的织锦的 纹样具有较强的色彩及风格的表现力和图象逼真性；通过数码设计方法，构建色彩与织 物组织的映射关系，建立相应的组织库，开发面向多色彩、多层次织锦设计的组织库， 并实现与分色系统在统一框架下集成。开发了基于遗传—模糊聚类算法面向图案的织锦 分色系统1个。该系统对原图像大小为50cm×50cm的分色在5秒内，分色后最终图像 既突出主要因素，又抑制次要因素，逼真性有显著提高。

附图说明

图1为本发明织锦纹样分色方法的流程图。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

基于遗传—模糊聚类算法的织锦纹样分色方法，包括以下步骤：

步骤1：扫描或其它方式向系统输入织景纹样，系统获取织景纹样图像；

步骤2：向系统输入纱线的线密度和织物经纬密度；

步骤3：系统对纹样进行预处理：色彩增强、去噪点和渐变色处理。

在渐变色处理时，用HSV空间的颜色直方图来描述图像的颜色特征，通过对颜色 模型进行分析，将颜色的H、S、V这3个分量按照人的感知、用颜色梯度的图像特征 点的匹配计算方法进行等间隔的量化，使其进一步变换得到像素的色相、彩度值，从而 使二维的颜色直方图的峰谷特性更加明显，便于聚类；运用模糊隶属度函数，用最大隶 属原则进行分类，对于各主色的隶属度相近的像素根据周围像素的隶属度进行分辨。这 样有利于过渡色彩的处理，分色结果局部优化，减少噪声。

步骤4：系统按照五色经二色纬或单色经四色纬的经纬色纱配置模型，进行遗传— 模糊聚类的分色。

在经纬色纱配置模型时，采用C(青)、M(品红)、Y(黄)、G(绿)、K(黑)、W(白)六种 基原色对彩色图象进行分色，经纬色纱组合为以下2种模型：第一种：经组合：红、黄、 蓝、绿、黑(或白)，纬组合：黑、白，形成五色经二色纬的经起花；第二种是：经组 合：白(或黑)，纬组合：C(青)、M(品红)、Y(黄)、K(黑)，形成单色经四色纬的重纬起 花形式

在聚类算法的基础上，将遗传算法应用于聚类算法，具体操作过程有：

(1)利用人机交互确定C、M、Y、K四色的标准值，并据此构建模糊子集；

(2)进行色彩空间模型转换，把二维的彩色直方图引入加权系数中，优化目标函数， 确定每个模糊子集合的隶属度函数式，计算彩色图像中的各像素点的隶属度；根据最大 隶属度原则把像素点归并；

(3)对彩色图象按CMYK四色进行聚类，优化目标函数的迭代算法，用势函数对隶 属函数矩阵进行调整，建立遗传算法的适应度函数，选择初始化群体、对每个个体交叉、 变异的操作，搜索全局最优的聚类中心，并进行优化搜索计算。

在遗传算法中，变异率P_m和交叉率P_c大小对遗传算法的性能有很大的影响，针对 不同的优化目标，这里我们采用一种自适应P_c和P_m方法，用适合度函数来衡量算法的收 敛状况。其表达式见式(1)和式(2)，其中f_max为群体中最大适应度值；f_min最小适应度值； f_a为每代群体的平均适合值；f_c为要杂交两个个体中较大的适应度值；f为要进行变异 个体的适应度值；f_max-f_a体现了群体的收敛程度。

而对变异率则根据进化过程进行适当调整，确定初始变异率为0.103，调整策略 为当(f_max-f_min)/f_max≤20％时，变异率变为0.1045，算法的结束条件为(f_max-f_min)/f_max≤8％。

$p_m=\left(\begin{array}{c}\frac{{(f_{\max }-f_c)}^2}{(f_{\max }-f_{\min })(f_{\max }-f_{\min })},f_c>f_a,\\ \frac{f_{\max }-f_c}{f_{\max }-f_{\min }},f_c\le f_a\end{array}\right)---\left(1\right)$

$p_c=\left(\begin{array}{c}\frac{{(f_{\max }-f)}^2}{(f_{\max }-f_{\min })(f_{\max }-f_a)},f>f_a,\\ \frac{f_{\max }-f}{f_{\max }-f_{\min }},f\le f_a\end{array}\right)---\left(2\right)$

步骤5：系统对纹样分色后，通过颜色模型转换，形成有RGB数据的色块；

步骤6：系统根据纹样色块的RGB数据和经纬色纱配置模型，在自身的组织库中为 每个纹样色块自动寻找和选择相对应的织物组织(按照织物组织编码寻找)；

对原图的每一个像素，通过分色当得到其在意匠图中最佳的匹配颜色值后，需要在 该位置植入代表该颜色的组织。为此建立织物色彩与组织的映射关系，编制组织库。

织锦织物的组织主要单层、重组织(重经、重纬)、双层和多层等。重组织(重经、 重纬)、双层和多层等组织属于复杂组织，而复杂组织是通过经向或纬向的比例排列且 相互覆盖实现的，可以由基础组织分层组合得到。

(1)引进基元组织集，建立灰度映射关系

首先针对单层织物组织，引进基元组织集的概念。基元组织集是能够反映分色后图 象灰度变化的一组有序的、组织点渐变的组织集合。基元组织集中的元素—组织反映的 灰度变化是通过织锦组织和经纬纱的不同颜色来实现的。为此建立灰度映射规则，用来 在基元组织集和分色后的图像的像素点集之间建立映射关系。通过映射关系生成表现分 色后图像灰度特征的基元组织集。基元组织集合一旦建立起来，就可以用于映射任何分 色后的图像，从而可以建立全显色的渐变组织库。

(2)建立复杂组织的二元域上的数学模型映射生成集

在基元组织集生成的基础上，根据“复杂组织是通过经向或纬向的比例排列且相互 覆盖实现的，可以由基础组织分层组合得到”观点，将经纬纱按表里组织和表里纬排列 比进行延拓，按照Krnoecher叉积运算生成组织矩阵的方法、组织矩阵间的映射关系和分 色后图象灰度映射规则，建立复杂组织的二元域上的数学模型映射生成集，实现复杂组 织矩阵自动生成的数学模型，使计算机白动配置重组织和层组织，实现意匠色与织物组 织相匹配的关系。

(3)为了方便应用和管理，对组织库的组织进行编码，编码采用32位字结构，编 写程序从组织代码生成意匠图颜色空间，并保存在配置文件中。

步骤7系统按照遗传算法搜索全局最优方式，在既定的经纬纱线的线密度和织物 的经纬密度前提下，自动调整经织物组织的选择和配置，直到经纬色纱与织物组织配合 后的RGB数据接近与前面纹样分色后每个色块的RGB。

步骤8：分色完成。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换， 而所有这些改进和变换都应属于本发明所附权利要求的保护范围。