滑雪运动服色彩趋势研究：基于大规模网络图像数据与三维色彩空间分析

《Journal of Engineered Fibers and Fabrics》：A study on ski sportswear color trends based on large-scale web image data and three-dimensional color space analysis

　　

社交媒体图像为量化服装视觉变化提供了可扩展的数据来源，但其在滑雪运动服色彩研究中的应用仍然有限。本研究开发了一套透明的工作流程，用于分析2023年至2025年间从Instagram与Rednote采集的滑雪运动服图像中的时间性色彩模式。最终分析样本包含六个半年期共9,829张图像。在前景分割之后，采用K-means聚类（K=5）提取主色，并将其映射至色相、饱和度与明度（HSV）类别。K值的选择通过60张图像、K=2–8的分层敏感性分析加以检验。时间变化采用一对多分组二项逻辑回归并结合Benjamini–Hochberg校正进行评估，六点线性模型仅用于至2026年的时间趋势分析。黑–白–灰（BWG）仍为占主导的色相类别，而蓝色随时间呈显著下降（OR=0.953，校正p=0.018）。低饱和度色彩增加（OR=1.090，校正p<0.001），高饱和度色彩则下降。中明度色彩增加（OR=1.092，校正p<0.001），低明度色彩则小幅下降（OR=0.951，校正p<0.001）。探索性六点模型未能支持稳健的色相预测，仅应被解读为方向性情景。总体而言，所采样社交媒体图像中的时间变化在饱和度与明度上较色相更为明显。所提出的工作流程为监测平台层面的视觉色彩模式提供了一种透明的辅助工具，而更广泛的市场推广则需独立验证。

研究背景方面，运动服已发展为兼顾功能性与时尚性需求的重要服装类别，设计、营销与供应链决策日益影响商业表现与资源效率。时尚时间趋势分析在产品开发中具有重要作用，包括色彩规划、系列开发、面料选择与品牌定位。传统时尚预测多依赖专家判断、趋势机构报告与消费者调查，虽提供有价值的专业知识，但往往基于启发式与经验驱动的决策，使预测过程难以复现或定量评估。社交媒体平台为时尚研究创造了新的视觉数据来源，Instagram与Rednote等图像驱动平台提供了审美偏好与风格扩散的可观察信号；大规模图像分析已在其他领域显示价值，如卫星图像用于社会经济状况建模、大型艺术图像集合的计算分析揭示视觉风格的时间模式。然而现有研究存在三方面空白：大规模社交媒体图像在服装色彩研究中应用有限；计算色彩分析以静态为主而非时间性；对滑雪运动服（ski sportswear）的定量关注有限。滑雪运动服兼具强功能需求与时尚属性，色彩既影响服装感知与产品评价，又在滑雪环境中承担可见性与安全性等功能作用。据此，研究人员开展了基于社交媒体图像数据与三维色彩分析的数据驱动研究，旨在建立监测滑雪运动服图像中可观察色彩模式与时间变化的工作流程，为品牌与设计决策提供实证支持。

在技术方法上，研究人员构建了包含五个阶段的定量工作流程：数据收集与预处理、色彩分类体系构建、前景与主色提取、基于HSV的分类、统计分析。数据来源为Instagram与Rednote两个社交媒体平台，采集时间为2026年2月15日至3月2日，覆盖2023年1月1日至2025年12月31日三个完整日历年，按半年划分为六个时段；使用自动化Python程序采集公开可访问图像，经文件格式与最低分辨率筛选、感知哈希去重，再由一名受训评审者依据预设排除标准人工审核，最终保留9,829张图像（保留率94.62%）。色彩识别采用深度学习前景分割工具rembg去除背景，以K-means聚类（K=5，10次质心初始化）提取主色，每张图像最多随机采样8,000个有效前景像素，将主导聚类质心转换为HSV并按数值规则分类；K值选择通过60张分层随机样本（每时段10张，固定随机种子42）的K=2–8敏感性分析检验。统计分析对每个色彩类别分别拟合一对多分组二项逻辑回归，以半年时段为连续预测变量，采用Benjamini–Hochberg程序在各维度内校正多重检验，显著性定义为校正p<0.05；另以六点线性模型进行至2026年的探索性外推。

研究结果方面，在HSV色彩特征的时间趋势中，色相维度上黑–白–灰（BWG）与蓝色在六个半年期均占最大比例，BWG保持在约57.4%至64.2%，蓝色从2023H1的25.6%降至2025H2的19.5%；分组二项逻辑回归显示蓝色是唯一具有统计显著时间下降的色相类别（OR=0.953，95%CI：0.924–0.983，校正p=0.018），BWG及其余色相类别未显示统计支持的线性时间变化，其观察波动应作描述性解读。饱和度维度上，低饱和度色彩在各时段占比最大，从2023H1约0.456升至2025H2的0.609，增加约15.3个百分点，其比值比每半年增加约9.0%（OR=1.090，95%CI：1.062–1.119，校正p<0.001）；高饱和度色彩显著下降（OR=0.912，校正p<0.001），中饱和度色彩亦小幅显著下降（OR=0.956，校正p=0.002）。明度维度上，低明度色彩在六个时段均为最大类别，占约58.2%–65.6%，观察比例从2023H1的0.653降至2025H2的0.582，但中间时段呈波动而非连续下降；回归显示低明度色彩具统计显著的下降关联（OR=0.951，校正p<0.001），中明度色彩显著增加（OR=1.092，校正p<0.001），高明度色彩无显著变化（OR=1.011，校正p=0.469）。总体表明，所分析社交媒体图像样本中的色彩属性呈渐进调整而非滑雪运动服色彩体系的根本重构，饱和度维度的时间变化最为清晰，明度维度呈有限的中等明度方向再分配，色相变化相对温和。在探索性线性外推中，六个半年观测的线性模型延伸至2026H1与2026H2；色相各斜率均未达统计显著（均p≥0.11），故未对2026年色相比例作出方向性结论，绿色、黄色与紫色因频率较低、预测区间宽且包含零，仅作描述性保留；饱和度模型中低饱和度色彩呈边际正斜率（斜率=+0.022，R²=0.65，p=0.053），高明度与中饱和度斜率不显著；明度模型中中明度色彩呈统计显著正斜率（p=0.027），低明度色彩下降为边际（p=0.098）。研究人员强调六点序列仅能支持方向性情景而非稳健预测，外推值应视为假设生成性的方向情景，需更多时间点验证。

讨论部分指出，所提出的工作流程应被理解为补充性分析方法而非对专家型时尚预测的替代；时尚趋势仍是社会建构过程，社交媒体图像分析提供了量化可观察视觉模式的额外手段。ARC'TERYX、DESCENTE与Moncler Grenoble等品牌的产品色彩命名与策略被视为柔和色调与高可见度色彩共存的行业情境案例，而非统计发现的独立实证验证。方法学上，K=5是计算效率与准确性之间的实用折衷而非唯一最优值；仅保留主导聚类质心使方法对拼色、渐变与对比色组合的敏感性不足；背景去除模型在滑雪者色彩与雪地背景相近或背景结构复杂时可能分割失败，细微残留背景可能系统性影响高明度色彩的统计结果。HSV色彩空间直观易懂但非感知均匀，选择其在理论精度与实践可迁移性之间作出权衡。局限性包括：数据仅来自Instagram与Rednote，不能代表整个滑雪运动服市场，存在平台与算法选择偏差；图像在不受控光照下拍摄且未进行物理色彩校准或光照校正，结果描述的是图像显示色彩而非服装标准化物理色彩；前景分割并非服装级精确分割；主导色提取简化了复杂多色结构；时间序列仅六个半年观测，线性外推至2026年仅为趋势分析而非稳健预测；研究无法建立色彩趋势与市场成功之间的因果关系，统计关联与因果推断的区分是观察性研究的既定方法学考量。未来研究可扩展时间与情境范围、引入服装级分割与多色特征提取、结合生成式人工智能进行趋势模拟，并整合市场销售数据以建立从风格信号到市场信号的完整证据链。

研究结论译为：本研究开发了一套数据驱动的工作流程，整合前景分割、K-means主色提取、基于HSV的分类与时间分析，考察2023年至2025年间从社交媒体平台采集的滑雪运动服图像的色彩变化。在六个半年期中，黑–白–灰（BWG）始终是占主导的色相类别，而蓝色呈小幅下降。饱和度与明度方面观察到更系统的变化：低饱和度色彩日益突出，高饱和度与中饱和度色彩下降，明度分布呈由低明度向中等明度的适度转移。总体而言，结果表明滑雪运动服视觉属性呈渐进调整，而非其主导色彩体系的根本重构。向2026年的探索性延伸提示可能的方向性趋势，但不应被解读为稳健预测。从实践角度看，所提出的工作流程为设计师与时尚企业提供了监测大规模在线图像中新兴视觉信号的补充手段。低饱和度色彩的日益突出与更具视觉显著性的功能性色彩的持续存在，表明当代滑雪运动服中多种色彩倾向并存。这些观察到的模式可为色彩规划、系列开发与品牌定位提供有用参考，同时仍与专业设计判断及特定市场考量保持互补。研究亦指出局限：数据集源自Instagram与Rednote上公开可获取的滑雪运动服相关内容，虽捕捉了活跃社交媒体用户的视觉表达与偏好，但未针对更广泛的线下市场数据进一步验证；基于图像的分析可能受不受控光照、前景而非服装级分割及单一主导色提取的影响，从而简化复杂多色设计。未来研究可沿两个方向推进：一是通过纳入更长观测期、更多平台、地理市场与市场相关数据集扩展时间与情境范围，以检验所识别趋势的稳定性；二是引入更细致的图像分析方法，包括服装级分割与多色特征提取，以更精确地捕捉拼色、渐变与点缀色，支持更丰富的运动服色彩演变分析。