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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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

艺术学面向音乐学、美术学、设计学、戏剧与影视学研究:传统音乐与乐谱数字化、演奏分析与采录、作品著录与图像学、色彩构图计算、设计研究与用户实验、电影视听语言与产业数据。

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

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。