基于蝴蝶呈色风格的毛衫花型设色迁移研究

文章选用3种不同色彩迁移算法,将蝴蝶的配色风格自动迁移至目标纹样中。将输出纹样与针织毛衫设计相结合,采用虚拟设计的形式呈现不同种类蝴蝶呈色风格。试验选取5类典型蝴蝶作为色彩参考源,对Reinhard、Welsh和Fast Neural Style(FNS)3种算法迁移效果进行对比发现,FNS算法生成图像色彩过渡自然、底色未受影响,与参考图像风格接近,色彩迁移平均耗时每张图片0.37s。该研究从蝴蝶图像中提炼色彩特征,为针织毛衫设计提供了新思路,对其他类型的服饰产品设计具有一定参考价值。

八达晕纹样结构参数化解构与再生设计

为提升传统纹样创新设计效率,提出了一种参数化解构和再生设计方法。以八达晕纹样为例,在解读其艺术价值和形态结构的基础上,将其划分为填充、装饰、骨架3类元素,分别拆解为基本图元;各图元参数量化后,构建形态拟合公式,利用Rhino软件建立基础纹样模型;此基础上,通过调整不同参数,生成不同形制的纹样。并进一步,对生成纹样内部区域进行自动赋色。结果表明,基于八达晕纹样的参数化图案设计模型可衍化出不同风格效果的近似纹样,拓展纹样生成的丰富性;相较于传统设计方法,该方法实现由线稿、结构、赋色的一体化设计,为当代服饰纹样再生方法提供参考。

基于GPQ半监督神经网络的织物图像检索

为提升织物图像检索的准确性,采用改进的广义产品量化(generalized product quantization, GPQ)半监督神经网络实现弱纹理织物图像的检索。通过CLAHE方法增强织物图像纹理,加强底层纹理特征,以降低深度学习特征过拟合的概率。利用GPQ框架中产品量化、基于余弦相似性分类器和子空间极小最大熵损失计算,对提取的特征向量进行归一化,寻找最相似织物图像。实验中采用的织物数据集包含了12类不同纹理形式的织物试样,共计1 800幅图像。分别对比了基于颜色直方图的词袋模型、尺寸不变特征变换模型、最近邻和优化产品量化算法。结果表明:改进的GPQ半监督神经网络方法的平均精度均值达到89.47%,检索性能最优。该方法能批量、低成本检索出相似织物图像,提高织物图像检索的准确性。