论文部分内容阅读
本研究利用模糊逻辑分析坊间配色设计典中，各种色彩意象的色彩特性。并据此设计一套自动配色软件，能够简单辨识照片中，服饰的类型与区块，将颜色分割后根据所使用者选取的色彩意象与限制条件，自动为照片中的衣服涂上建议的配色组合。软件系统分影像分割、配色组合筛选、着色、配色评价子系统四个部分。首先利用人脸辨识推算服饰范围，再用高斯型态之贝氏分类器作服饰分类，根据不同的分类型态设定区域成长的种子点，为了有效分割复杂的服饰边界，设计了根据机率判定门坎值的区域成长演算法。经由模糊逻辑分析所选用的主色透过Moon与Spencer的色彩和谐模式选用配色。影像上色需经过阶调调整与边缘处理才不至于突兀。本系统亦提供了配色评价子系统，可萃取出照片中重要色彩，并根据模糊逻辑分析，对各种色彩意象进行评分。
前言
爱美是人的天性，但不是每个人都像造型师一样拥有敏锐的眼光，知道服装要如何搭配才能够赏心悦目。多数人出门赴会之前，都曾经有耗费大量时间在试穿衣物与配件的经验。如果开发一个能够模拟服饰配色效果的软件，并根据使用者喜好的色彩意象提供配色建议，可有效缩短试穿衣物所耗费的宝贵时间。也可以为添购新衣物提供具体的参考资讯。目前网络上已经有能够仿真衣物穿着效果的软件(数字科技，民98)，也有游戏软件提供[纸娃娃系统](Grayity corp，and LeeMyounglin，民98)，允许玩家更换衣物色彩以及配件，甚至发型。但这些软件都没有结合真人影像，因此无法确定所选用的服饰是否适合自己。另一方面，这些软件也没有提供具体配色建议，因此有必要开发能够根据使用者指定的色彩意象，针对全身／半身照片，对人物服饰进行自动配色的软件。
系统架构
本研究所开发的服饰配色系统，允许使用者指定偏好的色彩意象与限制条件，系统可自动辨识影像中的服装区域，根据色彩意象配色分析，将颜色改变成多种符合指定意象与条件的配色组合，呈现多幅试装模拟影像供使用者作为出门打扮或购买新衣物的参考。软件系统分影像分割、配色组合筛选、着色、配色评价子系统四个部分。图一显示了前三个系统的关系以及内部各自的主要处理项目。
首先利用人脸辨识推算服饰范围，然后在该范围之内辨识服饰类型，根据不同的分类型态设定区域成长的种子点。为了有效分割复杂的服饰边界，设计了根据机率判定门槛值的区域成长演算法。经由模糊逻辑分析所选用的主色透过Moon与Spencer的色彩和谐模式(1944)选用第二色。影像上色需经过阶调调整与边缘处理才不至于突兀。本系统亦提供了配色评价子系统(图一下半部)，可萃取出照片中重要色彩，并根据模糊逻辑分析，对各种色彩意象进行评分。选用的色彩意象有：热情、浪漫、主动、简单、冷静、幽寂、优雅、古典、高级、时髦、现代、高尚、明亮、干净、肮脏、华丽、厚重、男性化、女性化、可爱、随意、活力、轻快、新鲜、自然、朴素。以下是每个处理程序的介绍：
服饰影像分割
调整影像指定区块的颜色并不困难，只要事先建立各区块的遮罩，即可让各区域调至不同的颜色。但照片中服饰的区块是未知的，必需设计自动分割服饰色块的演算法，才能对各区块分别置换不同的颜色。由于服饰的配置方式、人的姿势、光影的方向、服饰纹理图案的复杂度、服饰与背景色块之间的色差大小等，都会影响的服饰区块分割的正确度，因此服饰影像分割是非常艰巨的挑战。服饰影像分割的第一步骤是人脸辨识。首先将影像转换至YCbCr空间，利用Viola与Jones的人脸辨识技术(Viola and Jones，2001)在Y灰阶图像中，定位人脸出现在图中的区域。这种演算法将图像作矩形滤波后，对影像资料库中的人脸特征参数作匹配比对。该数据库共享了5，000幅人脸以及9，400幅非人脸影像作为推导人脸特征参数训练组。人像中有不同的人种、不同的姿势、以及不同的照明方向(图二)。人脸辨识的速度非常快。可根据最后获得的正方形人脸区域的外框，推算身体的位置。
第二步骡是服饰类型辨识。彩色影像先转换至低解析度，避免受杂讯及影像细节的干扰。根据人脸辨识所定位的人脸正方形区块，在其下方与两旁设立十四个种子点(见图三的右图与中图)。人脸区域两旁的种子点是用来测量背景颜色的，如果下方肩膀两端附近的种子点测量到与背景相似的颜色，代表种子点的位置已经超过身体的范围，因此排除这个种子点。由于服饰各区块的色彩有无限种可能性，因此服饰类型的辨识原则不是基于色彩本身，而是基于对称种子点所测量获得的相对色差大小。例如图三左：西装(两侧)的色差明显小于西装与衬衫(中心)的色差。衣服与裤子也可以用上下区域之间的色差获得。本研究根据对称区域与上下区域的色差，自行定义了五种服饰类型，利用影像处理对服饰区块随机换色，据此获得色差特征值的平均向量。在获得影像十四个种子点的色差评估之后，使用高斯型态之贝氏分类器(Gonzalez and Woods，2007)，对这五种服饰影像作分类。分类的结果影响接下来区域成长计算种孑点的设定以及区域合并的判断。
第三步骤是服饰区域辨识。从服饰分类后所设定的种子点，作门槛值随区域改变的区域成长(region growing)演算。其步骤如下：
1 排除与背景色近似的种子点。
2 根据种子点的位置，决定门槛值(threshold)的大小。接近衣服边界之处，门槛值缩小。
3 计算所有画素与种子点间的加权YCbCr色差。
4 将色差小于门槛值的画素标上1，其余标上0。
5 根据1的标记，选取与种子点有八连通关系的整个区域。
使用一般的区域成长技术(Koschan and Abidi，2008)当服饰色彩与背景接近时，很容易产生图四中央。区域成长过度的问题。使用本研究所提出的方法，可将区域成长的范围限制在可能出现衣服的区块之内。
肤色也是要特别小心的影像区块，服饰色彩如果跟肤色接近，服饰的区域成长容易侵犯至肤色区域，因此影像分割系统中设定了排除肤色的机制服饰区块分割相当不容易。当区块花纹复杂、区块间色差小、背景不单纯、服饰色彩与背景近似时，容易导致区块分割失败。
配色组合筛选
坊间配色设计典种类繁多，韩国的Image Research Institute Ine，所出版的TheColor for Designer中(YoungJin)，民98)。以Munsell色彩体系的10色相、11色调以及10灰阶为基础，针对多种色彩意象，从上述120色中选出了符合这些意象的颜色，其中又根据使用频率的高低，建议了最常用色。表一整理了24色彩意象换算至CIE LAB空间的粗略色彩特征。例如：男性化的颜色是低彩度／低明度／蓝灰色相，而女性化的颜色是高明度／中彩度／红黄紫色相等。直接查表随机挑选选用频率高的颜色，虽然简单快速，但是有版权问题。如果用回归方式描述色彩意象的选色分布特性，准确度非常低。因为这些具有相同意象的颜色未必在色空间上具有连续性。多项式回归只能描述连续性的强度变化。类神经网络(周鹏程， 民91)也同样存在无法描述不连续资讯的问题。用逻辑条件构成的模糊逻辑技术，可以解决这个问题(zadeh，1989)。面对不连续的资讯，只要观察资讯特性，量身订作一条模糊if-then法则，加入连续资讯的逻辑法则之中，就可以排除特定资讯对连续性资讯的影响。
本研究将Munsell明度(value)／彩度(chroma)／色相(Hue)／色彩意象分别用3／3／10／3个高斯型态的部分函数(membershipfunctions)描述。明度与彩度分别以高／中／低描述，输出端的色彩意象也是用高／中／低描述，色相则以Munsell的(R，YR，Y，GY，G，BG，B，PH，P，RP)10个色相作描述。根据对上述120色统计表的观察，针对24种色彩意象量身设计了数量不等的模糊if—then法则。
例如，[明壳的]色彩意象，可用以下三条法则获得近似的结果：
1 If(高明度)and(低彩度)then(明亮度高)
2 If(低明度)or(高彩度)then(明亮度低)
3 If(中明度)or(高彩度)then(明亮度低)
例如，[华丽的]色彩意象，可用以下六条法则获得近似的结果：
1 If(R色相)and(明度[不]高)and(高彩度)then(华丽度高)
2 If(PB色相)and(高彩度)then(华丽度高)
3 If(P色相)and(高彩度)then(华丽度高)
4 If(低明度)and(低彩度)then(华丽度高)
5 If(低明度)and(高彩度)then(华丽度高)
6 If(高明度)or(低彩度)then(华丽度低)
模糊逻辑的优点是弹性大。可增加模糊if-then条件，提高色彩意象评估的准确度。不过要注意，必需设下足够的[反面条件]才能够获得比较正确得意象评估结果。此外每个条件的加权大小，也会影响到色彩意象评估的准确度。选色机率高的条件需给予较高的加权值。
模糊逻辑的优点是弹性大。可增加模糊if—then条件，提高色彩意象评估的准确度。不过要注意，必需设下足够的[反面条件]才能够获得比较正确得意象评估结果。此外每个条件的加权大小，也会影响到色彩意象评估的准确度。选色机率高的条件需给予较高的加权值。sRGB色空间内的颜色以16阶等间隔分割色样本，根据模糊逻辑的计算，可换算出所有色样本的24种色彩意象排名。原则上，当软件使用者选用指定色彩意象时，可随机选取该色彩意象上排名较高的几个颜色。但它们可能是很类似的颜色。根据Moon与Spencer的配色法则(1944)，两色之间色相／明度／彩度差距不大的颜色为暧昧的不良配色，因此可用程序排除这样的配色组合。服饰常用的配色原则是等色相配色或等色调配色(詹惠晶，杨丽佩，民98)。将这些条件加上去，可选用的颜色组合会减少很多，但呈现的配色效果反而较理想。
著色
如果直接让指定的配色ROB值，覆盖在指定的服饰区域，会导致纹理与阴影丧失，看起来像卡通人物一样没有真实感。因此需要推算服饰区域内的影像相对亮度百分率，将RGB值乘上这个百分率，获得具有纹理与阴影的换色影像。本研究发现，如果用饰区域内的影像亮度最大值作为100％的相对亮度，换色的结果通常会太暗，因为亮度最高的区域通常是衣服表面的反光或杂讯，占的面积很小，以此作为换色基础不具代表性。理论上用亮度平均值或中位数作为转换的基础是比较合理的，但亮部容易过壳，换色影像的阶调看起来不自然。本研究发现用亮度的95％分位数作为换色基础得到的效果较好。
另一个值得注意的是换色前后的亮度差距。如果由很暗的颜色置换成很亮的颜色，除了会产生明显的杂讯之外，换色之后的亮度与彩度会显著不足。只要让相对亮度影像的gamma值调小，即可改善这个问题。见图五，原图中黑色的衣服，如果调至深蓝色，问题不大，调至明亮的黄色，则整体偏暗且含有明显杂讯。将相对亮度影像的gamma值调小至0.2可改善此一现象。如果是由亮色调至暗色，或调整前后亮度差距不大，则不会产生这个问题。
此外，服饰区块的边界也必需审慎处理。如果服饰换色前后色差很大，服饰边缘的轮廓会很明显。不自然。因此将标是衣服区域的二值化遮罩作膨胀(dilation)运算后，转浮点模糊化，作为原影像与新影像之间的加权值。换色前后色差越大，边界模糊范围越大。如此可降低换色前后服饰轮廓过度明显的问题。
配色评价子系统
本研究所提出之服饰自动配色系统的第四部分是配色评价子系统。其架构如图六左图。首先是影像分类，利用第三节所介绍的人脸辨识方法，确认输入的图像是否为人像。如果是人像，需分割背景，配色评分时忽略背景色。主色分析部分，使用改良的K-means算法，找出影像中的五个主色。最后再利用第四节所介绍的模糊逻辑判断各种色彩意象的强度。最后将五个主色的意象强度按面积加权算出最后的24种色彩意象强度评估值，以长条图显示出来。这个子系统也可以用来检定网页设计配色意象、室内设计配色意象、绘图色彩意象等，具实用价值。配色评分系统 影像分类主色分析色彩意象查询 输出意象评分表。
结论
本研究利用模糊逻辑分析坊间配色设计典中，各种色彩意象的色彩特性。并据此设计一套自动配色软件，能够简单辨识照片中，服饰的类型与区块，将颜色分割后根据所使用者选取的色彩意象与限制条件，自动为照片中的衣服涂上建议的配色组合。本系统亦提供了配色评价子系统。可萃取出照片中重要色彩，并根据模糊逻辑分析，对各种色彩意象进行评分。本系统在Matlab软件上实作，已获得不错的效果。不过仍有许多待改进之处。服饰区块分割相当不容易。当区块花纹复杂、区块间色差小、背景不单纯、服饰色彩与背景近似时，容易导致区块分割失败。未来将持续改进服饰分割算法，以及配色组合筛选技术。希望能设计出实用的多功能服饰配色系统。
前言
爱美是人的天性，但不是每个人都像造型师一样拥有敏锐的眼光，知道服装要如何搭配才能够赏心悦目。多数人出门赴会之前，都曾经有耗费大量时间在试穿衣物与配件的经验。如果开发一个能够模拟服饰配色效果的软件，并根据使用者喜好的色彩意象提供配色建议，可有效缩短试穿衣物所耗费的宝贵时间。也可以为添购新衣物提供具体的参考资讯。目前网络上已经有能够仿真衣物穿着效果的软件(数字科技，民98)，也有游戏软件提供[纸娃娃系统](Grayity corp，and LeeMyounglin，民98)，允许玩家更换衣物色彩以及配件，甚至发型。但这些软件都没有结合真人影像，因此无法确定所选用的服饰是否适合自己。另一方面，这些软件也没有提供具体配色建议，因此有必要开发能够根据使用者指定的色彩意象，针对全身／半身照片，对人物服饰进行自动配色的软件。
系统架构
本研究所开发的服饰配色系统，允许使用者指定偏好的色彩意象与限制条件，系统可自动辨识影像中的服装区域，根据色彩意象配色分析，将颜色改变成多种符合指定意象与条件的配色组合，呈现多幅试装模拟影像供使用者作为出门打扮或购买新衣物的参考。软件系统分影像分割、配色组合筛选、着色、配色评价子系统四个部分。图一显示了前三个系统的关系以及内部各自的主要处理项目。
首先利用人脸辨识推算服饰范围，然后在该范围之内辨识服饰类型，根据不同的分类型态设定区域成长的种子点。为了有效分割复杂的服饰边界，设计了根据机率判定门槛值的区域成长演算法。经由模糊逻辑分析所选用的主色透过Moon与Spencer的色彩和谐模式(1944)选用第二色。影像上色需经过阶调调整与边缘处理才不至于突兀。本系统亦提供了配色评价子系统(图一下半部)，可萃取出照片中重要色彩，并根据模糊逻辑分析，对各种色彩意象进行评分。选用的色彩意象有：热情、浪漫、主动、简单、冷静、幽寂、优雅、古典、高级、时髦、现代、高尚、明亮、干净、肮脏、华丽、厚重、男性化、女性化、可爱、随意、活力、轻快、新鲜、自然、朴素。以下是每个处理程序的介绍：
服饰影像分割
调整影像指定区块的颜色并不困难，只要事先建立各区块的遮罩，即可让各区域调至不同的颜色。但照片中服饰的区块是未知的，必需设计自动分割服饰色块的演算法，才能对各区块分别置换不同的颜色。由于服饰的配置方式、人的姿势、光影的方向、服饰纹理图案的复杂度、服饰与背景色块之间的色差大小等，都会影响的服饰区块分割的正确度，因此服饰影像分割是非常艰巨的挑战。服饰影像分割的第一步骤是人脸辨识。首先将影像转换至YCbCr空间，利用Viola与Jones的人脸辨识技术(Viola and Jones，2001)在Y灰阶图像中，定位人脸出现在图中的区域。这种演算法将图像作矩形滤波后，对影像资料库中的人脸特征参数作匹配比对。该数据库共享了5，000幅人脸以及9，400幅非人脸影像作为推导人脸特征参数训练组。人像中有不同的人种、不同的姿势、以及不同的照明方向(图二)。人脸辨识的速度非常快。可根据最后获得的正方形人脸区域的外框，推算身体的位置。
第二步骡是服饰类型辨识。彩色影像先转换至低解析度，避免受杂讯及影像细节的干扰。根据人脸辨识所定位的人脸正方形区块，在其下方与两旁设立十四个种子点(见图三的右图与中图)。人脸区域两旁的种子点是用来测量背景颜色的，如果下方肩膀两端附近的种子点测量到与背景相似的颜色，代表种子点的位置已经超过身体的范围，因此排除这个种子点。由于服饰各区块的色彩有无限种可能性，因此服饰类型的辨识原则不是基于色彩本身，而是基于对称种子点所测量获得的相对色差大小。例如图三左：西装(两侧)的色差明显小于西装与衬衫(中心)的色差。衣服与裤子也可以用上下区域之间的色差获得。本研究根据对称区域与上下区域的色差，自行定义了五种服饰类型，利用影像处理对服饰区块随机换色，据此获得色差特征值的平均向量。在获得影像十四个种子点的色差评估之后，使用高斯型态之贝氏分类器(Gonzalez and Woods，2007)，对这五种服饰影像作分类。分类的结果影响接下来区域成长计算种孑点的设定以及区域合并的判断。
第三步骤是服饰区域辨识。从服饰分类后所设定的种子点，作门槛值随区域改变的区域成长(region growing)演算。其步骤如下：
1 排除与背景色近似的种子点。
2 根据种子点的位置，决定门槛值(threshold)的大小。接近衣服边界之处，门槛值缩小。
3 计算所有画素与种子点间的加权YCbCr色差。
4 将色差小于门槛值的画素标上1，其余标上0。
5 根据1的标记，选取与种子点有八连通关系的整个区域。
使用一般的区域成长技术(Koschan and Abidi，2008)当服饰色彩与背景接近时，很容易产生图四中央。区域成长过度的问题。使用本研究所提出的方法，可将区域成长的范围限制在可能出现衣服的区块之内。
肤色也是要特别小心的影像区块，服饰色彩如果跟肤色接近，服饰的区域成长容易侵犯至肤色区域，因此影像分割系统中设定了排除肤色的机制服饰区块分割相当不容易。当区块花纹复杂、区块间色差小、背景不单纯、服饰色彩与背景近似时，容易导致区块分割失败。
配色组合筛选
坊间配色设计典种类繁多，韩国的Image Research Institute Ine，所出版的TheColor for Designer中(YoungJin)，民98)。以Munsell色彩体系的10色相、11色调以及10灰阶为基础，针对多种色彩意象，从上述120色中选出了符合这些意象的颜色，其中又根据使用频率的高低，建议了最常用色。表一整理了24色彩意象换算至CIE LAB空间的粗略色彩特征。例如：男性化的颜色是低彩度／低明度／蓝灰色相，而女性化的颜色是高明度／中彩度／红黄紫色相等。直接查表随机挑选选用频率高的颜色，虽然简单快速，但是有版权问题。如果用回归方式描述色彩意象的选色分布特性，准确度非常低。因为这些具有相同意象的颜色未必在色空间上具有连续性。多项式回归只能描述连续性的强度变化。类神经网络(周鹏程， 民91)也同样存在无法描述不连续资讯的问题。用逻辑条件构成的模糊逻辑技术，可以解决这个问题(zadeh，1989)。面对不连续的资讯，只要观察资讯特性，量身订作一条模糊if-then法则，加入连续资讯的逻辑法则之中，就可以排除特定资讯对连续性资讯的影响。
本研究将Munsell明度(value)／彩度(chroma)／色相(Hue)／色彩意象分别用3／3／10／3个高斯型态的部分函数(membershipfunctions)描述。明度与彩度分别以高／中／低描述，输出端的色彩意象也是用高／中／低描述，色相则以Munsell的(R，YR，Y，GY，G，BG，B，PH，P，RP)10个色相作描述。根据对上述120色统计表的观察，针对24种色彩意象量身设计了数量不等的模糊if—then法则。
例如，[明壳的]色彩意象，可用以下三条法则获得近似的结果：
1 If(高明度)and(低彩度)then(明亮度高)
2 If(低明度)or(高彩度)then(明亮度低)
3 If(中明度)or(高彩度)then(明亮度低)
例如，[华丽的]色彩意象，可用以下六条法则获得近似的结果：
1 If(R色相)and(明度[不]高)and(高彩度)then(华丽度高)
2 If(PB色相)and(高彩度)then(华丽度高)
3 If(P色相)and(高彩度)then(华丽度高)
4 If(低明度)and(低彩度)then(华丽度高)
5 If(低明度)and(高彩度)then(华丽度高)
6 If(高明度)or(低彩度)then(华丽度低)
模糊逻辑的优点是弹性大。可增加模糊if-then条件，提高色彩意象评估的准确度。不过要注意，必需设下足够的[反面条件]才能够获得比较正确得意象评估结果。此外每个条件的加权大小，也会影响到色彩意象评估的准确度。选色机率高的条件需给予较高的加权值。
模糊逻辑的优点是弹性大。可增加模糊if—then条件，提高色彩意象评估的准确度。不过要注意，必需设下足够的[反面条件]才能够获得比较正确得意象评估结果。此外每个条件的加权大小，也会影响到色彩意象评估的准确度。选色机率高的条件需给予较高的加权值。sRGB色空间内的颜色以16阶等间隔分割色样本，根据模糊逻辑的计算，可换算出所有色样本的24种色彩意象排名。原则上，当软件使用者选用指定色彩意象时，可随机选取该色彩意象上排名较高的几个颜色。但它们可能是很类似的颜色。根据Moon与Spencer的配色法则(1944)，两色之间色相／明度／彩度差距不大的颜色为暧昧的不良配色，因此可用程序排除这样的配色组合。服饰常用的配色原则是等色相配色或等色调配色(詹惠晶，杨丽佩，民98)。将这些条件加上去，可选用的颜色组合会减少很多，但呈现的配色效果反而较理想。
著色
如果直接让指定的配色ROB值，覆盖在指定的服饰区域，会导致纹理与阴影丧失，看起来像卡通人物一样没有真实感。因此需要推算服饰区域内的影像相对亮度百分率，将RGB值乘上这个百分率，获得具有纹理与阴影的换色影像。本研究发现，如果用饰区域内的影像亮度最大值作为100％的相对亮度，换色的结果通常会太暗，因为亮度最高的区域通常是衣服表面的反光或杂讯，占的面积很小，以此作为换色基础不具代表性。理论上用亮度平均值或中位数作为转换的基础是比较合理的，但亮部容易过壳，换色影像的阶调看起来不自然。本研究发现用亮度的95％分位数作为换色基础得到的效果较好。
另一个值得注意的是换色前后的亮度差距。如果由很暗的颜色置换成很亮的颜色，除了会产生明显的杂讯之外，换色之后的亮度与彩度会显著不足。只要让相对亮度影像的gamma值调小，即可改善这个问题。见图五，原图中黑色的衣服，如果调至深蓝色，问题不大，调至明亮的黄色，则整体偏暗且含有明显杂讯。将相对亮度影像的gamma值调小至0.2可改善此一现象。如果是由亮色调至暗色，或调整前后亮度差距不大，则不会产生这个问题。
此外，服饰区块的边界也必需审慎处理。如果服饰换色前后色差很大，服饰边缘的轮廓会很明显。不自然。因此将标是衣服区域的二值化遮罩作膨胀(dilation)运算后，转浮点模糊化，作为原影像与新影像之间的加权值。换色前后色差越大，边界模糊范围越大。如此可降低换色前后服饰轮廓过度明显的问题。
配色评价子系统
本研究所提出之服饰自动配色系统的第四部分是配色评价子系统。其架构如图六左图。首先是影像分类，利用第三节所介绍的人脸辨识方法，确认输入的图像是否为人像。如果是人像，需分割背景，配色评分时忽略背景色。主色分析部分，使用改良的K-means算法，找出影像中的五个主色。最后再利用第四节所介绍的模糊逻辑判断各种色彩意象的强度。最后将五个主色的意象强度按面积加权算出最后的24种色彩意象强度评估值，以长条图显示出来。这个子系统也可以用来检定网页设计配色意象、室内设计配色意象、绘图色彩意象等，具实用价值。配色评分系统 影像分类主色分析色彩意象查询 输出意象评分表。
结论
本研究利用模糊逻辑分析坊间配色设计典中，各种色彩意象的色彩特性。并据此设计一套自动配色软件，能够简单辨识照片中，服饰的类型与区块，将颜色分割后根据所使用者选取的色彩意象与限制条件，自动为照片中的衣服涂上建议的配色组合。本系统亦提供了配色评价子系统。可萃取出照片中重要色彩，并根据模糊逻辑分析，对各种色彩意象进行评分。本系统在Matlab软件上实作，已获得不错的效果。不过仍有许多待改进之处。服饰区块分割相当不容易。当区块花纹复杂、区块间色差小、背景不单纯、服饰色彩与背景近似时，容易导致区块分割失败。未来将持续改进服饰分割算法，以及配色组合筛选技术。希望能设计出实用的多功能服饰配色系统。