本發(fā)明屬于計(jì)算機(jī)視覺及圖像處理，具體涉及一種基于流行色的織物圖案色彩遷移方法。

背景技術(shù)：

1、隨著紡織服裝行業(yè)的迅速發(fā)展，色彩作為設(shè)計(jì)中的核心要素，正變得越來越重要；消費(fèi)者對(duì)時(shí)尚和個(gè)性化需求的提升，促使設(shè)計(jì)師需要快速響應(yīng)市場(chǎng)變化，提供符合流行趨勢(shì)的設(shè)計(jì)方案。傳統(tǒng)的紡織服裝設(shè)計(jì)流程高度依賴于設(shè)計(jì)師的個(gè)人經(jīng)驗(yàn)和色彩理論，這種依賴既增加了設(shè)計(jì)的復(fù)雜性，又限制了設(shè)計(jì)創(chuàng)新的空間。在這種背景下，研究如何通過自動(dòng)化方法將流行色彩趨勢(shì)融入現(xiàn)有設(shè)計(jì)中，成為行業(yè)關(guān)注的熱點(diǎn)；色彩遷移技術(shù)為解決這一問題提供了有效途徑。

2、色彩遷移技術(shù)的核心在于將一種圖像的色彩特征轉(zhuǎn)移到另一種圖像上，從而在保持原有設(shè)計(jì)結(jié)構(gòu)的前提下，實(shí)現(xiàn)色彩風(fēng)格的更新；通過這種技術(shù)，紡織服裝花型圖案可以快速更新以迎合市場(chǎng)潮流，減少設(shè)計(jì)時(shí)間和成本。目前，色彩遷移技術(shù)已逐步應(yīng)用于多個(gè)領(lǐng)域，如服裝設(shè)計(jì)、家居裝飾等，其應(yīng)用前景廣闊；然而，傳統(tǒng)色彩遷移方法依賴大量的用戶輸入和特定的目標(biāo)圖像，這使得操作復(fù)雜，且色彩遷移效果受限于用戶的色彩知識(shí)和輸入提示的質(zhì)量。

3、隨著深度學(xué)習(xí)技術(shù)的飛躍發(fā)展，全自動(dòng)色彩遷移技術(shù)逐漸嶄露頭角，吸引了廣泛關(guān)注；利用深度神經(jīng)網(wǎng)絡(luò)，研究者們成功實(shí)現(xiàn)了無需用戶介入的自動(dòng)色彩遷移，處理效率大幅提升，同時(shí)降低了對(duì)用戶經(jīng)驗(yàn)的依賴。相較于用戶引導(dǎo)的色彩遷移方法，全自動(dòng)色彩遷移通過深度學(xué)習(xí)大規(guī)模數(shù)據(jù)集中的色彩分布特征，能夠更加高效、靈活地進(jìn)行色彩轉(zhuǎn)換，特別適用于大規(guī)模應(yīng)用場(chǎng)景。然而，現(xiàn)有全自動(dòng)色彩遷移方法在處理復(fù)雜花型圖案時(shí)，仍面臨色彩遷移效果不佳、細(xì)節(jié)保留不足等挑戰(zhàn)。

4、近年來，基于深度學(xué)習(xí)的色彩遷移技術(shù)取得了顯著進(jìn)展，成為該領(lǐng)域的研究熱點(diǎn)，但這些技術(shù)仍存在一些局限性，難以全面滿足色彩遷移在實(shí)際應(yīng)用中的多樣需求。例如cams(color-aware?multi-style?transfer)雖然能夠在多風(fēng)格遷移中保留更多色彩信息，生成的圖像風(fēng)格化效果更加自然，減少了色彩失真，但其計(jì)算成本高，特別是在處理高分辨率圖像時(shí)，訓(xùn)練和推理時(shí)間較長(zhǎng)。此外，cams依賴大量的預(yù)訓(xùn)練數(shù)據(jù)，這使得模型難以靈活適應(yīng)小規(guī)?；蚩焖僮兓臄?shù)據(jù)環(huán)境，不適合實(shí)時(shí)應(yīng)用場(chǎng)景；盡管其在風(fēng)格遷移的靈活性和魯棒性方面具有優(yōu)勢(shì)，但對(duì)于應(yīng)用場(chǎng)景要求低延遲和高效計(jì)算的任務(wù)，cams的高計(jì)算復(fù)雜度限制了其使用范圍。

5、另一方面，adain(adaptive?instance?normalization)通過自適應(yīng)調(diào)整特征來實(shí)現(xiàn)內(nèi)容圖像與風(fēng)格圖像之間的快速風(fēng)格轉(zhuǎn)換，其計(jì)算效率極高，適合實(shí)時(shí)風(fēng)格遷移應(yīng)用。然而，adain在處理復(fù)雜紋理和細(xì)節(jié)豐富的圖像時(shí)，容易過度簡(jiǎn)化風(fēng)格轉(zhuǎn)換，導(dǎo)致圖像細(xì)節(jié)丟失；同時(shí)，adain在保持圖像結(jié)構(gòu)完整性方面存在一定的局限性，尤其當(dāng)內(nèi)容圖像具有復(fù)雜結(jié)構(gòu)時(shí)，風(fēng)格遷移的效果可能不夠理想。此外，adain的風(fēng)格轉(zhuǎn)換方法盡管具備廣泛適用性，但在應(yīng)對(duì)需要精細(xì)調(diào)整和保留圖像特定特征的場(chǎng)景時(shí)，其適應(yīng)性存在一定問題；因此，現(xiàn)有技術(shù)在色彩保真度、細(xì)節(jié)處理以及計(jì)算效率方面仍有改進(jìn)空間。

6、為克服這些問題，cyclegan(循環(huán)生成對(duì)抗網(wǎng)絡(luò))被廣泛應(yīng)用于無監(jiān)督的圖像到圖像轉(zhuǎn)換任務(wù)中，通過其循環(huán)一致性損失，使得輸入和輸出圖像之間能夠?qū)崿F(xiàn)相互映射，解決了無配對(duì)數(shù)據(jù)集的限制。然而，傳統(tǒng)的cyclegan在色彩保真度和細(xì)節(jié)處理方面仍有改進(jìn)空間；因此，針對(duì)紡織服裝行業(yè)的獨(dú)特需求，亟需一種能夠更好適應(yīng)流行色彩趨勢(shì)并精細(xì)保留設(shè)計(jì)細(xì)節(jié)的色彩遷移方法。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述，本發(fā)明提供了一種基于流行色的織物圖案色彩遷移方法，該方法深度融合了流行色趨勢(shì)與色彩理論，能夠自動(dòng)生成調(diào)色盤，并將其巧妙應(yīng)用于紡織服裝花型圖案設(shè)計(jì)中，旨在提升設(shè)計(jì)效率與色彩遷移的卓越效果。

2、一種基于流行色的織物圖案色彩遷移方法，包括如下步驟：

3、（1）獲取流行色數(shù)據(jù)集和非流行色織物圖案數(shù)據(jù)集，根據(jù)流行色數(shù)據(jù)集構(gòu)建調(diào)色盤，并利用調(diào)色盤對(duì)非流行色織物圖案數(shù)據(jù)集進(jìn)行調(diào)色，得到流行色織物圖案數(shù)據(jù)集；

4、（2）構(gòu)建基于cyclegan架構(gòu)的織物圖案色彩遷移模型，其包含有兩個(gè)判別器d1~d2和兩個(gè)生成器g1~g2，且分為兩個(gè)分支：

5、第一分支由g1~g2以及d1組成，在該分支中g(shù)1用于將輸入的非流行色織物圖案real_a轉(zhuǎn)換生成流行色織物圖案fake_b，g2用于將流行色織物圖案fake_b還原為非流行色織物圖案idt_a，d1用于判別real_a以及fake_b的真假；

6、第二分支由g1~g2以及d2組成，在該分支中g(shù)2用于將輸入的流行色織物圖案real_b轉(zhuǎn)換生成非流行色織物圖案fake_a，g1用于將非流行色織物圖案fake_a還原為流行色織物圖案idt_b，d2用于判別real_b以及fake_a的真假；

7、（3）利用非流行色織物圖案數(shù)據(jù)集對(duì)模型的第一分支進(jìn)行訓(xùn)練，用流行色織物圖案數(shù)據(jù)集對(duì)模型的第二分支進(jìn)行訓(xùn)練；

8、（4）完成模型訓(xùn)練后，將需進(jìn)行色彩遷移的非流行色織物圖案輸入至模型的生成器g1中，即可生成對(duì)應(yīng)的流行色織物圖案。

9、進(jìn)一步地，所述步驟（1）中獲取的流行色數(shù)據(jù)集包含有多種流行色(rgb值)，首先根據(jù)流行色數(shù)據(jù)集結(jié)合色彩理論構(gòu)建三組調(diào)色盤h1~h3，每個(gè)調(diào)色盤中均包含有k種流行色，k為大于1的自然數(shù)，調(diào)色盤h1中的k種流行色互為相似色，調(diào)色盤h2中的k種流行色互為對(duì)比色，調(diào)色盤h3中的k種流行色互為互補(bǔ)色；然后對(duì)非流行色織物圖案數(shù)據(jù)集中的織物圖案進(jìn)行預(yù)處理，從中挑選出結(jié)構(gòu)簡(jiǎn)單的部分織物圖案，對(duì)于挑選出的任一織物圖案，通過k-means聚類算法對(duì)該織物圖案的像素進(jìn)行聚類得到k個(gè)簇，分別利用調(diào)色盤h1~h3的k種流行色替換作為這k個(gè)簇的色彩，從而生成3張流行色織物圖案，依此通過遍歷生成流行色織物圖案數(shù)據(jù)集。

10、進(jìn)一步地，所述步驟（3）在模型訓(xùn)練過程中采用非對(duì)稱訓(xùn)練策略，精細(xì)調(diào)整判別器與生成器的訓(xùn)練頻率，即每個(gè)訓(xùn)練周期中對(duì)生成器進(jìn)行一次訓(xùn)練，而對(duì)判別器進(jìn)行三次訓(xùn)練，能夠促進(jìn)兩者間的有效對(duì)抗與適應(yīng)，有效預(yù)防過擬合現(xiàn)象，確保模型訓(xùn)練的穩(wěn)定性。

11、進(jìn)一步地，所述步驟（3）在模型訓(xùn)練過程中對(duì)非流行色織物圖案real_a和fake_a以及流行色織物圖案real_b和fake_b引入椒鹽噪聲，該椒鹽噪聲在圖案?jìng)鬟f給判別器之前被添加到這些織物圖案中，以模擬織物圖案在采集和傳輸過程中可能遇到的噪聲情況，從而增強(qiáng)模型的魯棒性并防止過擬合。

12、進(jìn)一步地，所述步驟（3）中兩條分支在訓(xùn)練過程中均采用如下?lián)p失函數(shù)：

13、

14、其中： l total為損失函數(shù)， l adv為生成器對(duì)抗損失， l cyc為循環(huán)一致性損失， l id為身份保持損失， l color為色彩感知損失， l border為邊框損失， λ1~ λ5為權(quán)重系數(shù)。

15、進(jìn)一步地，所述生成器對(duì)抗損失 l adv的表達(dá)式如下：

16、

17、其中： e[?]表示期望函數(shù)， x表示輸入第一分支或第二分支的織物圖案即對(duì)應(yīng)real_a或real_b， y表示g1或g2生成的織物圖案即對(duì)應(yīng)fake_b或fake_a， d( x)表示d1或d2對(duì) x的判別結(jié)果， d( y)表示d1或d2對(duì) y的判別結(jié)果。

18、進(jìn)一步地，所述循環(huán)一致性損失 l cyc的表達(dá)式如下：

19、

20、其中： x表示輸入第一分支或第二分支的織物圖案即對(duì)應(yīng)real_a或real_b， y表示 x輸入至g1或g2生成的織物圖案即對(duì)應(yīng)fake_b或fake_a， g( y)表示 y?輸入至g2或g1還原得到的織物圖案即對(duì)應(yīng)idt_a或idt_b，||?||1表示l1范數(shù)。

21、進(jìn)一步地，所述身份保持損失 l id的表達(dá)式如下：

22、

23、其中： y表示 x輸入至g1或g2生成的織物圖案即對(duì)應(yīng)fake_b或fake_a， x表示輸入第一分支或第二分支的織物圖案即對(duì)應(yīng)real_a或real_b， g( y)表示 y?輸入至g2或g1還原得到的織物圖案即對(duì)應(yīng)idt_a或idt_b，||?||1表示l1范數(shù)。

24、進(jìn)一步地，所述色彩感知損失 l color的表達(dá)式如下：

25、;

26、;

27、

28、其中： l histogram和 l mse分別為直方圖損失和均方誤差損失， λ h和 λ m分別為 l histogram和 l mse對(duì)應(yīng)的權(quán)重系數(shù)， h x和 h y分別為 x和 y的亮度通道直方圖， x表示輸入第一分支或第二分支的織物圖案即對(duì)應(yīng)real_a或real_b， y表示 x輸入至g1或g2生成的織物圖案即對(duì)應(yīng)fake_b或fake_a， i x( i)和 i y( i)分別為 x和 y中的第 i個(gè)像素值， n為織物圖案的像素總數(shù)，||?||1表示l1范數(shù)，||?||2表示l2范數(shù)。

29、進(jìn)一步地，所述邊框損失 l border的表達(dá)式如下：

30、

31、其中： e x和 e y分別為 x和 y的邊緣強(qiáng)度， x表示輸入第一分支或第二分支的織物圖案即對(duì)應(yīng)real_a或real_b， y表示 x輸入至g1或g2生成的織物圖案即對(duì)應(yīng)fake_b或fake_a，||||1表示l1范數(shù)。

32、在模型的學(xué)習(xí)過程中，本發(fā)明通過對(duì)抗損失、循環(huán)一致性損失及身份保持損失的共同作用，確保了生成圖案在保留原始結(jié)構(gòu)的基礎(chǔ)上，實(shí)現(xiàn)色彩的精準(zhǔn)遷移。同時(shí)，邊框損失函數(shù)與色彩感知損失函數(shù)的加入，分別確保了圖案邊緣細(xì)節(jié)的精準(zhǔn)保留及色彩的一致性和諧。

33、本發(fā)明基于流行色的織物圖案色彩遷移方法巧妙融合k-means聚類算法與改良后的cyclegan模型，能夠自動(dòng)生成緊貼流行趨勢(shì)的花型圖案，不僅提升了色彩遷移的精確度，更通過邊框損失與色彩感知損失的雙重保障，確保了圖案細(xì)節(jié)的完好無損與色彩的一致性，色彩遷移效果顯著提升。

34、本發(fā)明色彩遷移方法在不依賴額外目標(biāo)圖像的情況下，僅需提供當(dāng)前流行色信息，便能將其快速應(yīng)用于紡色彩遷移方法，無需依賴額外目標(biāo)圖像，僅需提供當(dāng)前流行色信息，即可迅速將其應(yīng)用于紡織服裝花型圖案設(shè)計(jì)中。這一創(chuàng)新不僅簡(jiǎn)化了設(shè)計(jì)流程，減少了人工干預(yù)，更使設(shè)計(jì)師得以全身心投入到創(chuàng)意設(shè)計(jì)中。同時(shí)，對(duì)比實(shí)驗(yàn)結(jié)果表明，本發(fā)明方法在色彩遷移質(zhì)量上顯著優(yōu)于現(xiàn)有方法，為色彩遷移技術(shù)在紡織服裝行業(yè)的廣泛應(yīng)用注入了新的活力。

35、由此，本發(fā)明具有以下有益技術(shù)效果：

36、1.?本發(fā)明通過巧妙結(jié)合流行色趨勢(shì)與織物圖案特性，生成的調(diào)色盤更貼合市場(chǎng)需求，極大增強(qiáng)了設(shè)計(jì)的多樣性與創(chuàng)新性。

37、2.?本發(fā)明改進(jìn)的cyclegan模型通過引入椒鹽噪聲與非對(duì)稱訓(xùn)練策略，顯著提升了模型的魯棒性與生成效果，確保生成圖案在邊緣細(xì)節(jié)保留與色彩一致性上達(dá)到卓越水平。

38、3.?本發(fā)明通過增加邊框損失與色彩感知損失，模型能夠精準(zhǔn)保留圖案的邊緣紋理與色彩特征，從而大幅提升色彩遷移的質(zhì)量與準(zhǔn)確性。

39、4.?本發(fā)明為紡織服裝行業(yè)提供了一種高效、智能的色彩遷移解決方案，能夠迅速響應(yīng)市場(chǎng)色彩趨勢(shì)變化，大幅縮短設(shè)計(jì)周期，并有效減少設(shè)計(jì)資源的浪費(fèi)。