Extração automática de paletas de cores em obras de arte utilizando algoritmo k-means
uma análise computacional de "O Grito" de Edvard Munch
DOI:
https://doi.org/10.47385/tudoeciencia.2558.2025Palavras-chave:
Processamento de imagens. K-Means. Análise de cores. Arte digital. Visão computacional.Resumo
Este trabalho apresenta uma metodologia computacional para extração automática de paletas de cores dominantes em obras de arte, utilizando o algoritmo de agrupamento K-Means aplicado à obra "O Grito" (1893) de Edvard Munch. A análise quantitativa das cores revelou cinco grupos cromáticos principais: darkslategray (23,59%), black (22,61%), dimgray (20,09%), chocolate (18,24%) e peru (15,47%). O método proposto combina técnicas de processamento de imagens digitais, aprendizado de máquina não supervisionado e análise colorimétrica para identificar e quantificar as cores dominantes em representações artísticas. Os resultados demonstram a eficácia do K-Means na segmentação cromática de imagens complexas, fornecendo uma ferramenta objetiva para análise de composição pictórica em obras de arte. A metodologia desenvolvida contribui para os campos de visão computacional aplicada às artes, análise digital de patrimônio cultural e estudos quantitativos em história da arte.
Downloads
Referências
ARTHUR, David; VASSILVITSKII, Sergei. k-means++: The advantages of careful seeding. Stanford, 2006.
TSAMOURA, Efthymia; PITAS, Ioannis. Automatic color based reassembly of fragmented images and paintings. IEEE Transactions on Image Processing, v. 19, n. 3, p. 680-690, 2009.
BRADSKI, G. The OpenCV Library. Dr. Dobb's Journal of Software Tools, Redwood City, v. 25, n. 11, p. 120-125, 2000.
CELEBI, M. E.; KINGRAVI, H. A.; VELA, P. A. A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Systems with Applications, Oxford, v. 40, n. 1, p. 200-210, 2013.
DUBE, W. D. The expressionists. London: Thames and Hudson, 1983.
EGGUM, A. Edvard Munch: paintings, sketches, and studies. New York: Clarkson N. Potter, 1984.
FAIRCHILD, M. D. Color appearance models. 3rd ed. Chichester: John Wiley & Sons, 2013.
GONZALEZ, R. C.; WOODS, R. E. Digital image processing. 4th ed. New York: Pearson, 2018.
HARTIGAN, J. A.; WONG, M. A. Algorithm AS 136: a k-means clustering algorithm. Journal of the Royal Statistical Society: Series C (Applied Statistics), London, v. 28, n. 1, p. 100-108, 1979.
GORDON, Donald E. Expressionism: art and idea. Yale University Press, 1991.
INTERNATIONAL TELECOMMUNICATION UNION. Recommendation ITU-R BT.709-6: parameter values for the HDTV standards for production and international programme exchange. Geneva: ITU, 2015.
MACQUEEN, J. Multivariate observations. In: Proceedings ofthe 5th Berkeley Symposium on Mathematical Statisticsand Probability. 1967. p. 281-297.
MONTAGNER, Cristina et al. Supporting history of art with colorimetry: The paintings of Amadeo de Souza‐Cardoso. Color Research & Application, v. 43, n. 3, p. 304-310, 2018.
PEDREGOSA, F. et al. Scikit-learn: machine learning in Python. Journal of Machine Learning Research, Cambridge, v. 12, p. 2825-2830, 2011.
PRIDEAUX, S. Edvard Munch: behind the scream. New Haven: Yale University Press, 2005.
STANG, R. Edvard Munch: the man and his art. New York: Abbeville Press, 1979.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
