💻 computer science

Unsupervised Clustering of Visual Styles in Tie-Dye Images Using Multiple Feature Representations

Deze studie toont aan dat Color Moments vijf andere kenmerkrepresentaties overtreffen bij de ongesuperviseerde clustering van tie-dye afbeeldingen, waarbij ze de meest coherente, stabiele en robuuste groeperingsresultaten bieden over verschillende clustergroottes en evaluatiemetrieken heen.

Oorspronkelijke auteurs: Siqi Fang, Hui’e Liang, Ming Gu

Gepubliceerd 2026-10-01

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Siqi Fang, Hui’e Liang, Ming Gu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Tie-dye is een ambacht dat even oud is als de menselijke vindingrijkheid, waarbij stof wordt gevouwen, geknoopt, gestikt en geklemd voordat het in verf wordt gedoopt. Het resultaat is een textiel met vervaagde randen, zachte kleurovergangen en patronen die lij-ken te ademen in plaats van star op hun plaats te zitten. Eeuwenlang zijn deze textielstukken gekoesterd als culturele schatten, die de geschiedenis van regio's en de handen van ambachtslieden met zich meedragen. Toch bewaren musea en archieven in de moderne wereld duizenden van deze afbeeldingen, vaak zonder duidelijke labels die hun specifieke stijlen, oorsprong of de exacte technieken beschrijven waarmee ze zijn gemaakt. Wanneer een collectie te groot wordt om met het blote oog te sorteren, en wanneer de categorieën te vaag zijn om vooraf te definiëren, wenden onderzoekers zich tot computers om te helpen orde te scheppen. Dit is het domein van ongecontroleerde clustering (unsupervised clustering), een methode waarbij algoritmen naar een groep afbeeldingen kijken en proberen ze samen te groeperen op basis van wat ze zien, zonder dat ze verteld wordt wat de groepen moeten heten. De uitdaging ligt in het leren aan de computer waar hij naar moet zoeken. Een afbeelding kan worden beschreven door haar kleuren, haar vormen, haar texturen, of door complexe patronen die de machine heeft geleerd van miljoenen andere plaatjes. Maar voor een stof die wordt gedefinieerd door de zachte stroom van verf en de zachtheid van haar grenzen, is het niet even duidelijk welke van deze beschrijvingen het beste zal werken.

Een team van onderzoekers van de Jiangnan Universiteit en het Nantong Tie-Dye Museum zette zich af om dit specifieke puzzelstuk op te lossen. Ze verzamelden 240 hoogwaardige foto's van tie-dye monsters, zorgvuldig geselecteerd om een grote verscheidenheid aan kleuren en patronen te vertegenwoordigen, terwijl wazige of dubbele afbeeldingen werden verwijderd. Hun doel was niet om deze stoffen in bekende historische categorieën in te delen, maar om te zien of een computer ze van nature kon groeperen in visueel gelijkaardige families. Om dit te doen, testten ze vijf verschillende manieren om elke foto te vertalen naar een reeks getallen die een computer kan begrijpen. Twee van deze methoden richtten zich op kleurstatistieken, waarbij de algehele verdeling en vorm van de kleuren in de afbeelding werden gemeten. Eén methode keek naar de structuur van de stof, door de randen en de richtingen van de patronen te volgen. De laatste twee methoden gebruikten krachtige, vooraf getrainde kunstmatige intelligentiemodellen die waren onderwezen om objecten in de algemene wereld te herkennen, in de hoop dat deze modellen ook de subtiele kunst van tie-dye zouden begrijpen.

De onderzoekers haalden de afbeeldingen door een standaard groeperingsproces, waarbij ze de computer vroegen de 240 foto's in vijf duidelijke stapels te sorteren. Vervolgens maten ze hoe goed de stapels bij elkaar pasten. De resultaten waren duidelijk en verrassend. De methoden die vertrouwden op complexe, deep-learningmodellen, die vaak de standaardkeuze zijn voor moderne beeldanalyse, presteerden slecht. Ze hadden moeite om een consistente manier te vinden om de tie-dye afbeeldingen te groeperen, en produceerden vaak verschillende resultaten telkens wanneer de computer opnieuw werd gevraagd het te proberen. De methode die naar de structurele randen van de patronen keek, deed het beter, maar miste nog steeds de subtiele verbindingen tussen de stoffen. De winnaar was de eenvoudigste aanpak: een methode die de algehele vorm en spreiding van de kleuren in de afbeelding beschreef. Deze techniek, bekend als kleurmomenten (color moments), produceerde consequent de meest coherente groepen. Het ontdekte dat stoffen met vergelijkbare kleurbalansen en tonale relaties van nature bij elkaar hoorden, ongeacht hun specifiek patronen.

Toen de onderzoekers de groepen bestudeerden die door deze kleurgerichte methode waren gecreëerd, waren de resultaten begrijpelijk voor het menselijk oog. Eén groep bevatte donkere, contrastrijke stoffen met scherpe radiale patronen. Een andere bevatte lichte, zachte stoffen met zachte, diffuse overgangen. Een derde groep vertoonde donkere tinten met herhaalde banden, terwijl andere groepen gedempte, veelkleurige accenten met directionele lijnen lieten zien. De computer had succesvol visuele families geïdentificeerd op basis van de manier waarop de verf zich inzette en de kleuren met elkaar interacteerden. Bovendien was deze methode opmerkelijk stabiel. Wanneer de onderzoekers de computer vroegen de opdracht twintig keer uit te voeren met licht verschillende startpunten, produceerde deze bijna identieke groeperingen bij elke poging. In tegen plaats daarvoor gaven de complexere deep-learningmodellen telkens weer wild uiteenlopende antwoorden, wat suggereerde dat ze geen ware onderliggende structuur in de data vonden, maar eerder reageerden op willekeurige ruis.

De studie testte ook of deze bevindingen standhielden als de onderzoekers vroegen om een ander aantal groepen, variërend van drie tot zeven. De op kleur gebaseerde methode bleef de beste presteerder over de hele linie en creëerde consequent de meest logische en stabiele clusters. Dit suggereert dat voor tie-dye, waarbij de visuele stijl meer wordt gedefinieerd door de globale relatie van kleuren en de zachtheid van hun overgangen dan door scherpe randen of specifieke objectvormen, een eenvoudige beschrijving van de kleurverdeling het meest effectieve instrument is. De onderzoekers beweerden niet een nieuwe historische taxonomie te hebben ontdekt of het mysterie van elk tie-dye patroon te hebben opgelost. In plaats daarvan boden zij een betrouwbare, reproduceerbare manier om deze collecties te organiseren wanneer labels ontbreken. Ze toonden aan dat voor dit specifieke type kunst, kijken naar het grote plaatje van kleur effectiever is dan proberen elke kleine detail te analyseren of een model te gebruiken dat voor een ander doel is getraind.

Dit werk biedt een praktisch pad vooruit voor musea en archieven. Door deze eenvoudige kleurgebaseerde aanpak te gebruiken, kunnen curatoren door grote collecties tie-dye afbeeldingen bladeren en visueel gelijkaardige stukken vinden die anders verborgen zouden blijven. Het maakt het mogelijk om de diversiteit van een collectie te verkennen zonder de afbeeldingen in rigide, vooraf gedefinieerde hokjes te dwingen. De studie bevestigt dat het beste gereedschap voor een taak afhangt van de aard van het object zelf. Voor de vloeiende, door kleur gedreven wereld van tie-dye is de krachtigste lens niet de meest complexe, maar degene die het beste de essentie van de reis van de verf over de stof vastlegt.

Technische Samenvatting: Onbegeleid Clusteren van Visuele Stijlen in Tie-Dye Afbeeldingen met Gebruik van Meerdere Kenmerkrepresentaties

Probleemstelling
De studie behandelt de uitdaging van onbegeleide visuele groepering binnen collecties tie-dye afbeeldingen, een traditionele Chinese textielerfgoedvorm die wordt gekenmerkt door diffuse kleurovergangen, vervaagde grenzen en onregelmatige patronen. In tegenstelling tot conventionele patroonafbeeldingen met stabiele compositorische regels, vertonen tie-dye afbeeldingen complexe variaties in kleurdistributie, tonale overgangen en motiefarrangementen. Er bestaat een kritiek gat in het bepalen welke afbeeldingrepresentatie het meest geschikt is voor collectieniveau-clustering wanneer stabiele, vooraf gedefinieerde stijllabels niet beschikbaar zijn. Hoewel deep learning en handmatige kenmerken (handcrafted features) zijn toegepast bij textielanalyse, blijft het onduidelijk of compacte globale kleurstatistieken, lokale structurele beschrijvers of vooraf getrainde deep embeddings het beste de visuele coherentie van tie-dye collecties vastleggen voor exploratieve groepering.

Methodologie
De auteurs hebben een analytisch kader opgesteld om vijf verschillende afbeeldingrepresentaties te vergelijken binnen een uniforme onbegeleide clustering-pipeline, gebruikmakend van een dataset van 240 tie-dye afbeeldingen verkregen uit het Nantong Tie-Dye Museum. De workflow bestond uit de volgende fasen:

Datasetvoorbereiding: Afbeeldingen werden vastgelegd onder gecontroleerde licht- en studiocondities. Een gezamenlijk selectieproces door een onderzoeker en een ambachtelijk beoefenaar verwijderde afbeeldingen met onscherpte, duplicatie of onvolledige compositie. Er werd geen kleuraanpassing of structurele manipulatie toegepast voorafgaand aan de extractie van kenmerken om de originele visuele kenmerken te behouden.
Kenmerkrepresentatie: Vijf representaties werden onafhankelijk geëxtraheerd zonder kenmerksfusie:
- Kleurhistogram: Globale kleurdistributie (54 dimensies).
- Kleurmomenten (Color Moments): Compacte statistische beschrijvers van de vorm van de kleurdistributie (9 dimensies).
- Histogram of Oriented Gradients (HOG): Lokale randoriëntatie en structurele variatie (512 dimensies).
- ResNet18 & ResNet50: Vooraf getrainde deep visuele embeddings (respectievelijk 512 en 204 jobs dimensies), gebruikt als vaste kenmerkextractoren zonder fine-tuning.
Preprocessing en Dimensiereductie: Elke representatie onderging specifieke normalisatie (Z-score voor handmatige kenmerken, L2-norm voor deep features) en Principal Component Analysis (PCA) werd toegepast op elk kenmerkruimte onafhankelijk, waarbij het minimum aantal componenten werd behouden dat nodig is om 99% van de cumulatieve verklaarde variantie te behouden.
Clustering en Evaluatie: K-means clustering werd uitgevoerd op de door PCA-reductie verwerkte kenmerken. De studie evalueerde de prestaties bij een baseline van $K=5$ en voerde een gevoeligheidsanalyse uit over een bereik van $K=3$ tot $7$.
Validatiemetrieken: De kwaliteit van de clustering werd beoordeeld met behulp van drie interne validiteitsindices: de Silhouette Score, de Calinski–Harabasz (CH) Index en de Davies–Bouldin (DB) Index. Robuustheid werd gemeten via run-to-run overeenstemming met behulp van de Adjusted Rand Index (ARI) over 20 willekeurige seeds. Visuele interpreteerbaarheid werd onderzocht via laagdimensionale projecties (PCA/UMAP), clusterpaletten en steekproefsgewijze silhouette-analyse om grensambiguïteit te identificeren.

Belangrijkste Resultaten
De vergelijkende analyse leverde de volgende bevindingen op:

Superioriteit van Kleurmomenten: De Kleurmomenten-representatie presteerde consistent beter dan alle andere methoden over alle drie de interne validiteitsindices bij $K=5$ (Silhouette = 0,253, CH = 108,237, DB = 1,181). Het vertoonde ook de hoogste stabiliteit, met een gemiddelde pairwise ARI van 0,979 over 20 willekeurige seeds.
Prestaties van Andere Representaties: Kleurhistogrammen en HOG behaalden matige resultaten, waarbij HOG een iets lagere scheidbaarheid vertoonde dan het Kleurhistogram. De vooraf getrainde deep representaties (ResNet18 en ResNet50) presteerden aanzienlijk slechter, met lage interne validiteitsscores en een hoge gevoeligheid voor variatie in de willekeurige seed (gemiddelde ARI < 0,65).
Robuustheid over Granulariteiten: Het voordeel van Kleurmomenten bleef standhouden over het gehele geteste bereik van het aantal clusters ( $K=3$ tot $7$), wat aangeeft dat de prestaties geen artefact zijn van een specifiek aantal clusters.
Visuele Interpretatie: De door Kleurmomenten gegenereerde clusters kwamen overeen met observeerbare visuele verschillen, waaronder dominante kleurneigingen (bijv. donker/hoog contrast versus licht/diffuus), tonale contrasten en patroondichtheid. De analyse van grensgevallen onthulde dat visuele ambiguïteit gelokaliseerd was, met name binnen Cluster 2, in plaats van uniform verdeeld.

Belangrijkste Bijdragen

Empirisch Bewijs over de Geschiktheid van Representaties: De studie levert gecontroleerd bewijs dat voor tie-dye afbeeldingen collecties compacte globale kleurstatistieken (Kleurmomenten) effectiever zijn voor onbegeleide groepering dan lokale structurele beschrijvers of generieke vooraf getrainde deep embeddings.
Demonstratie van Stabiliteit: De bevindingen tonen aan dat de superioriteit van Kleurmomenten robuust is over verschillende clustering-granulariteiten ( $K=3–7$ ) en initialisatie-seeds, wat het vestigt als een stabiele representatie voor deze specifieke taak.
Exploratief Kader: De auteurs presenteren een reproduceerbaar kader voor het organiseren van tie-dye collecties wanneer stabiele stijllabels niet beschikbaar zijn. De resulterende clusters worden geïnterpreteerd als exploratieve visuele groeperingen gebaseerd op observeerbare eigenschappen (kleurrelaties, tonale variatie) in plaats van definitieve ambachtelijke of historische categorieën.

Betekenis en Claims
Het artikel stelt dat de geschiktheid van een afbeeldingrepresentatie belangrijker is dan de complexiteit van het model voor de specifieke taak van tie-dye visuele stijl-clustering. De resultaten suggereren dat de visuele stijl van tie-dye primair wordt gedefinieerd door de globale kleurdistributie, tonale variatie en de relatie tussen de gekleurde en de resist-behandelde gebieden, die effectiever worden vastgelegd door Kleurmomenten dan door deep features die getraind zijn op algemene objectherkenningstaken (ImageNet).

De auteurs positioneren dit werk als een methodologische bijdrage aan het beheer van erfgoedinformatie, waarbij een strategie wordt geboden om textielafbeeldingen te organiseren en te vergelijken bij afwezigheid van volledige metadata. Zij verklaren expliciet dat de computationele clusters niet moeten worden beschouwd als culturele of ambachtelijke classificaties, noch vervangen ze domeinexpertise. In plaats daarvan dient het kader als een instrument voor exploratieve browsing en de identificatie van visueel gerelateerde monsters, wat een basis biedt voor toekomstig onderzoek dat rijker aan metadata en gestructureerde deskundige evaluatie kan bevatten.

Meer zoals dit