科研 Skill
色彩构图计算分析
arts-color-composition-analysis
在CIELAB空间用k-means提取主色、计算显著性图与构图线指标。适用于绘画设计作品的形式分析与风格量化研究。
发布者 Codar安全审核通过v0.1.0更新于 2026-11-18
SKILL.md
绘画/设计作品色彩与构图计算分析(Color & Composition Analysis)
适用场景
- 统计某画家不同时期作品的主色、明度与彩度分布(如吴冠中、林风眠或印象派画家的调色变化)。
- 比较青绿山水与浅绛山水、或不同品牌海报设计的色彩方案。
- 计算画面视觉重心、留白比例、主要构图线方向,检验“三分法”“对角线构图”等经验说法在样本中的实际出现情况。
- 为设计作品(海报、包装、UI)做配色提取与对比度检查。
- 为美术史论文生成可复现的色彩/构图图表,辅助形式分析。
边界与不适用
- 通用的艺术图像特征提取、风格分类深度学习模型、IIIF 图像批量获取由其他 Plugin 覆盖;本 Skill 专注可解释的色彩与构图指标。
- 图像的题材意义解读见
arts-iconography-iconology;作品出处见arts-artwork-provenance。 - 数字图像的颜色受拍摄光源、相机、白平衡、印刷/扫描、色彩管理影响,不等于原作颜色;结论须限定为“基于所用数字图像”。
- 显著性模型模拟的是一般视觉注意,不代表真实观者的眼动(需眼动实验见
arts-design-evaluation-experiment)。
工作流
-
图像样本与来源控制
- 输入:作品清单与图像文件;优先同一机构、同一拍摄标准的高分辨率图像,附色卡者最佳。
- 记录:来源、分辨率、色彩配置文件(sRGB/Adobe RGB)、是否含画框或装裱。
- 决策点:来源混杂时,在模型中加入“来源”作为协变量,或只做同来源内比较。
-
预处理
- 裁去画框、色卡、装裱绫边与博物馆标签;统一转换到 sRGB 后再转 CIELAB。
- 统一缩放长边(如 800–1200 px)以平衡速度与细节。
- 中国画可选择掩膜去除题跋、印章区域,避免朱红印泥干扰主色。
-
色彩分析
- 转 CIELAB(
skimage.color.rgb2lab);L* 为明度,C* = sqrt(a² + b²) 为彩度,h = atan2(b*, a*) 为色相角。 - k-means(k 通常 5–8,可用轮廓系数或肘部法辅助)提取主色及面积比例。
- 指标:平均/中位明度、明度标准差(明暗对比)、平均彩度、色相分布直方图、主色间 ΔE(CIEDE2000:
skimage.color.deltaE_ciede2000)。 - 决策点:k-means 对初始化敏感,固定随机种子并报告 k。
- 转 CIELAB(
-
构图分析
- 显著性:OpenCV contrib 的
cv2.saliency模块(需安装opencv-contrib-python),如 Spectral Residual 静态显著性;或以边缘密度、明度对比作为简单代理。 - 视觉重心:以显著性或“暗度”(100 − L*)为权重计算加权质心,归一化到 [0,1] 坐标。
- 三分法:计算重心或显著峰值到四个三分交点的最小距离。
- 构图线:Canny 边缘 + 霍夫直线(
skimage.transform.probabilistic_hough_line),统计主导方向(水平、垂直、对角)。 - 留白:中国画中可用 L* 高于阈值且纹理低的区域比例近似,阈值需针对纸绢底色调整。
- 显著性:OpenCV contrib 的
-
统计比较
- 以作品为单位汇总指标,按画家/时期/流派分组比较;样本小时用非参数检验或置换检验并报告效应量。
- 可视化:主色条、L*-C* 散点、色相玫瑰图、重心散点叠加于标准画框。
-
回到艺术史解释
- 将数值差异与颜料史、材料(矿物色、植物色)、画论(如“随类赋彩”)对照,指出数字化误差可能的影响。
工具与数据源
- Python:OpenCV(opencv-python / opencv-contrib-python)、scikit-image、scikit-learn、numpy、pandas、matplotlib、colour-science(色彩科学计算)。
- 软件:ImageJ/Fiji(ROI 测量)、Adobe Photoshop(色彩配置文件检查)。
- 图像来源:故宫博物院数字文物库、The Met Open Access、Rijksmuseum、National Gallery of Art(NGA)开放图像、WikiArt(仅研究用途,注意版权)。
- 标准:CIE 色度学(CIELAB 1976、CIEDE2000)、sRGB(IEC 61966-2-1);WCAG 对比度规范(设计作品可读性检查)。
最小示例:CIELAB 主色提取与视觉重心
# pip install opencv-python scikit-image scikit-learn numpy
import numpy as np
from skimage import io, color, transform, feature
from sklearn.cluster import KMeans
img = io.imread("painting.jpg")[..., :3] / 255.0
h, w = img.shape[:2]
scale = 1000 / max(h, w)
img = transform.resize(img, (int(h * scale), int(w * scale)), anti_aliasing=True)
lab = color.rgb2lab(img)
pixels = lab.reshape(-1, 3)
km = KMeans(n_clusters=6, n_init=10, random_state=0).fit(pixels[::4])
labels = km.predict(pixels)
share = np.bincount(labels, minlength=6) / labels.size
for c, s in sorted(zip(km.cluster_centers_, share), key=lambda x: -x[1]):
L, a, b = c
print(f"L={L:5.1f} a={a:6.1f} b={b:6.1f} C={np.hypot(a, b):5.1f} share={s:.3f}")
# 以“暗度”为权重的视觉重心(适合纸本水墨;彩色画可改用显著性图)
weight = 100 - lab[..., 0]
ys, xs = np.mgrid[0:weight.shape[0], 0:weight.shape[1]]
cy = (weight * ys).sum() / weight.sum() / weight.shape[0]
cx = (weight * xs).sum() / weight.sum() / weight.shape[1]
thirds = [(x, y) for x in (1/3, 2/3) for y in (1/3, 2/3)]
d = min(np.hypot(cx - x, cy - y) for x, y in thirds)
print(f"重心 (x={cx:.3f}, y={cy:.3f}),距最近三分点 {d:.3f}")
edges = feature.canny(color.rgb2gray(img), sigma=2)
print("边缘密度:", round(edges.mean(), 4))
质量检查
- 每张图像记录来源、分辨率、色彩配置文件;已说明数字图像与原作色彩的差距。
- 画框、色卡、标签、(必要时)题跋印章已裁除或掩膜。
- k 值、随机种子、缩放尺寸、阈值等参数全部报告。
- 比较组之间图像来源可比,或已作为协变量处理。
- 小样本统计使用合适检验并报告效应量,不以 p 值替代艺术史论证。
- 代码与参数存档,可复现所有图表。
- 图像使用符合机构许可,受版权保护的现当代作品仅用于研究且不公开原图。
输出格式
- 作品指标表:作品ID、作者、年代、来源、L* 均值、L* 标准差、C* 均值、主色1–k(Lab + 比例)、重心 x/y、距三分点距离、主导线方向、边缘密度、留白比例。
- 图:主色条带、L*-C* 散点、色相分布、重心分布图、构图线叠加图。
- 报告章节:样本与图像来源 → 预处理 → 指标定义 → 结果 → 与形式分析/画论的对话 → 局限(数字化偏差)。
参考规范与文献
- Arnheim, R. (1954/1974). Art and Visual Perception: A Psychology of the Creative Eye. University of California Press.
- Itten, J. (1961). Kunst der Farbe(英译 The Art of Color)。
- Sharma, G., Wu, W., & Dalal, E. N. (2005). The CIEDE2000 color-difference formula: Implementation notes, supplementary test data, and mathematical observations. Color Research & Application.
- Hou, X., & Zhang, L. (2007). Saliency detection: A spectral residual approach. CVPR.
- Manovich, L. (2020). Cultural Analytics. MIT Press.
- 谢赫“六法”(“随类赋彩”“经营位置”),见《古画品录》。
示例提示词
用 CIELAB 和 k-means 提取吴冠中 1970–2000 年代 60 幅作品的主色,并比较各时期的明度、彩度与视觉重心变化。
所属插件
安装该插件会一并获得同领域的 11 个 Skill / MCP。
同插件的其他科研 Skill
- 书画著录流传考证整理题跋印鉴、检索著录书与博物馆开放数据,建立带证据等级的流传链条。适用于书画鉴藏史与流散文物追索研究,不做真伪鉴定。
- 中国传统音乐数字化将简谱、工尺谱、减字谱转写为MusicXML/kern,做宫调判别与旋律统计分析。适用于民歌色彩区划、曲牌比较与古谱打谱研究。
- 设计评价与用户实验用SUS、NASA-TLX、语义差异法与眼动追踪设计用户实验并做统计分析。适用于产品界面包装设计的效果评价研究。
- 设计研究方法按双钻模型组织设计民族志、文化探针与用户旅程图,提炼可迁移知识贡献。适用于设计学论文与研究型设计的过程记录。
- 民族音乐学田野采录规范田野录音设备参数、元数据与长期保存格式,处理知情同意与传承人权益。适用于少数民族音乐田野调查与资料库建设。
- 影视产业票房数据整合官方与平台票房数据,辨析统计口径差异并做回归面板分析。适用于档期效应、口碑传播与电影政策研究,须遵守爬取合规。
- 电影镜头计算分析用PySceneDetect自动切镜并人工校正,计算镜头长度分布与剪辑节奏曲线。适用于导演风格与类型片剪辑节奏的电影学研究。
- 图像志与图像学分析按潘诺夫斯基三层次组织图像释读,用Iconclass与自定义编码表考证母题谱系。适用于美术史图像释读与跨文化图像比较。
- 演奏录音表演分析在Sonic Visualiser标注拍点,计算速度弹性与力度曲线并用DTW对齐多版本演奏。适用于名家录音诠释风格的比较研究。
- 技术美术史材料分析用红外、X光、多光谱成像与XRF/拉曼光谱做绘画材料无损检测。适用于书画材料研究与修复前评估,不单独构成真伪定论。
常见问题
色彩构图计算分析能做什么?
在CIELAB空间用k-means提取主色、计算显著性图与构图线指标。适用于绘画设计作品的形式分析与风格量化研究。
如何安装色彩构图计算分析?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「色彩构图计算分析」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。
色彩构图计算分析需要哪些权限?
该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
色彩构图计算分析经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。