CN108596984A - 一种基于神经网络生成的自动配色装置 - Google Patents
一种基于神经网络生成的自动配色装置 Download PDFInfo
- Publication number
- CN108596984A CN108596984A CN201810235951.5A CN201810235951A CN108596984A CN 108596984 A CN108596984 A CN 108596984A CN 201810235951 A CN201810235951 A CN 201810235951A CN 108596984 A CN108596984 A CN 108596984A
- Authority
- CN
- China
- Prior art keywords
- color
- pixel
- color matching
- neural network
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 239000003086 colorant Substances 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 241001269238 Data Species 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明涉及一种图文平面设计技术领域,提供一种基于神经网络生成的自动配色装置,可以不局限于使用场景,基于图片的色彩,经过像素色彩分析后,使用神经网络自动生成合适的配色方案,可以将配色解决方案独立于工具的依赖,独立完成自动配色任务,简化了配色操作,提高了配色设计效率。
Description
技术领域
本发明涉及图文平面设计技术领域,特别涉及一种基于神经网络生成的自动配色装置。
背景技术
在数字传播的快速互联网时代,各种内容与图片的搭配显得日益重要,目前,除了通过设计师直接使用专业的设计工具进行配色设计处理外,并没有一种快速方便的工具,可以解决复杂的配色方案。
发明内容
因此,针对上述的问题,本发明提出一种基于神经网络生成的自动配色装置,可以不局限于使用场景,基于图片的色彩,经过像素色彩分析后,使用神经网络自动生成合适的配色方案,可以将配色解决方案独立于工具的依赖,独立完成自动配色任务,简化了配色操作,提高了配色设计效率。
为实现上述技术问题,本发明采取的解决方案为:一种基于神经网络生成的自动配色装置,包括如下处理步骤:
步骤(1)、将图片的色彩分布进行K-means统计分析,得到图片的主成分颜色;
步骤(2)、基于Adobe color的训练数据,利用对抗生成神经网络模型,以训练配色,生成配色网络模型;
步骤(3)、将步骤(1)分析获得的主成分颜色参数输入至步骤(2)训练完成的配色网络模型作为参数,配色网络模型将会自动生成合适的配色方案。
进一步的是,步骤(1)的统计分析方法为:
采用HIS颜色模型对目标区块的色彩进行颜色特征描述;
将图片转化为的像素点矩阵区块,区块中的每个像素点表示为,其中,,;
随机取样区块面积中的5个像素样点,并使用表示其中一个像素样点,;
分别计算与5个像素样点之间的最短距离,
表示像素点的H颜色数值,表示像素点的S颜色数值,表示像素点的I颜色数值, ,,依此类推;
选取其中与的最短距离最小的像素样点,求这二者之间的新中心点的HIS色彩,
;
当区块内所有的像素点全部完成前述计算后,可以得到其最新的5个质心点,统计每个质心点的点数,可以得到主要色彩的比重,取高比例的前几个主要成分颜色,即分析得到主成分颜色。
通过采用前述技术方案,本发明的有益效果是:如上所述设计的基于神经网络生成的自动配色装置,可以不局限于使用场景,基于图片的色彩,经过像素色彩分析后,使用神经网络自动生成合适的配色方案,可以将配色解决方案独立于工具的依赖,独立完成自动配色任务,简化了配色操作,提高了配色设计效率。
附图说明
图1是本发明实施例步骤(2)生成网络模型的网络结构示意图。
具体实施方式
现结合具体实施例对本发明进一步说明。
本发明实施例揭示的是,一种基于神经网络生成的自动配色装置,其特征在于,包括如下处理步骤:
步骤(1)、将图片的色彩分布进行K-means统计分析,得到图片的主成分颜色,具体为:
采用HIS颜色模型对目标区块的色彩进行颜色特征描述;
将图片转化为的像素点矩阵区块,区块中的每个像素点表示为,其中,,;
随机取样区块面积中的5个像素样点,并使用表示其中一个像素样点,;
分别计算与5个像素样点之间的最短距离,
表示像素点的H颜色数值,表示像素点的S颜色数值,表示像素点的I颜色数值, ,,依此类推;
选取其中与的最短距离最小的像素样点,求这二者之间的新中心点的HIS色彩,
;
当区块内所有的像素点全部完成前述计算后,可以得到其最新的5个质心点,统计每个质心点的点数,可以得到主要色彩的比重,取高比例的前几个主要成分颜色,即分析得到主成分颜色。
步骤(2)、基于Adobe color的训练数据,利用对抗生成神经网络模型,以训练配色,生成配色网络模型(参考图1):
左侧输入256*256*3的图片色块;
使用64个2*2的过滤核心来进行卷积,得到第二层128*128*64的网路层;
再使用2个2*2的过滤核心来进行卷积,得到第三层64*64*128的网路层;
再使用2个2*2的过滤核心来进行卷积,得到第四层32*32*256的网路层;
再使用2个2*2的过滤核心来进行卷积,得到第五层16*16*512的网路层;
再使用1个2*2的过滤核心来进行卷积,得到第六层8*8*512的网路层;
再使用1个2*2的过滤核心来进行卷积,得到第七层4*4*512的网路层;
再使用1个2*2的过滤核心来进行卷积,得到第八层2*2*512的网路层;
再使用1个2*2的过滤核心来进行卷积,得到第九层1*1*512的网路层;
然后进行反卷积,原理同上,使用1个2*2的过滤核心进行反卷积,得到右侧输出第八层的2*2*512的网路层;
以此类推,输出得到256*256*3的图片色块;
步骤(3)、将步骤(1)分析获得的主成分颜色参数输入至步骤(2)训练完成的配色网络模型作为参数,配色网络模型将会自动生成合适的配色方案;其中,输入色彩表达为一组长度固定为5数组,通过配色网络模型返回的也是一组长度固定为5的HIS建议配色结果,例如:输入色彩[[44,43,44],[90,83,82],‘N’, ‘N’, ‘N’],其中,N的颜色会使用黑色作为输入值,预期通过配色网络模型返回结果为[[44,42,43],[90,83,81],[182,160,147],[231,213,174], [162,144,93]]。
综上所述设计的基于神经网络生成的自动配色装置,可以不局限于使用场景,基于图片的色彩,经过像素色彩分析后,使用神经网络自动生成合适的配色方案,可以将配色解决方案独立于工具的依赖,独立完成自动配色任务,简化了配色操作,提高了配色设计效率。
以上所记载,仅为利用本创作技术内容的实施例,任何熟悉本项技艺者运用本创作所做的修饰、变化,皆属本创作主张的专利范围,而不限于实施例所揭示者。
Claims (2)
1.一种基于神经网络生成的自动配色装置,其特征在于,包括如下处理步骤:
步骤(1)、将图片的色彩分布进行K-means统计分析,得到图片的主成分颜色;
步骤(2)、基于Adobe color的训练数据,利用对抗生成神经网络模型,以训练配色,生成配色网络模型;
步骤(3)、将步骤(1)分析获得的主成分颜色参数输入至步骤(2)训练完成的配色网络模型作为参数,配色网络模型将会自动生成合适的配色方案。
2.根据权利要求1所述的基于神经网络生成的自动配色装置,其特征在于,步骤(1)的统计分析方法为:
采用HIS颜色模型对目标区块的色彩进行颜色特征描述;
将图片转化为的像素点矩阵区块,区块中的每个像素点表示为,其中,,;
随机取样区块面积中的5个像素样点,并使用表示其中一个像素样点,;
分别计算与5个像素样点之间的最短距离,
表示像素点的H颜色数值,表示像素点的S颜色数值,表示像素点的I颜色数值, ,,依此类推;
选取其中与的最短距离最小的像素样点,求这二者之间的新中心点的HIS色彩,
;
当区块内所有的像素点全部完成前述计算后,可以得到其最新的5个质心点,统计每个质心点的点数,可以得到主要色彩的比重,取高比例的前几个主要成分颜色,即分析得到主成分颜色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810235951.5A CN108596984A (zh) | 2018-03-21 | 2018-03-21 | 一种基于神经网络生成的自动配色装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810235951.5A CN108596984A (zh) | 2018-03-21 | 2018-03-21 | 一种基于神经网络生成的自动配色装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596984A true CN108596984A (zh) | 2018-09-28 |
Family
ID=63627069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810235951.5A Pending CN108596984A (zh) | 2018-03-21 | 2018-03-21 | 一种基于神经网络生成的自动配色装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596984A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584326A (zh) * | 2018-11-07 | 2019-04-05 | 厦门欢乐逛科技股份有限公司 | 海报自动配色方法、介质、计算机设备及装置 |
CN110083430A (zh) * | 2019-04-30 | 2019-08-02 | 成都市映潮科技股份有限公司 | 一种系统主题色更换方法、装置及介质 |
CN111754589A (zh) * | 2019-03-26 | 2020-10-09 | 北京沃东天骏信息技术有限公司 | 配色方法、装置、计算机设备及存储介质 |
CN114820863A (zh) * | 2022-07-01 | 2022-07-29 | 锐创软件技术(启东)有限公司 | 基于色彩均匀编码的智能配色方法及系统 |
-
2018
- 2018-03-21 CN CN201810235951.5A patent/CN108596984A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584326A (zh) * | 2018-11-07 | 2019-04-05 | 厦门欢乐逛科技股份有限公司 | 海报自动配色方法、介质、计算机设备及装置 |
CN111754589A (zh) * | 2019-03-26 | 2020-10-09 | 北京沃东天骏信息技术有限公司 | 配色方法、装置、计算机设备及存储介质 |
CN111754589B (zh) * | 2019-03-26 | 2024-03-01 | 北京沃东天骏信息技术有限公司 | 配色方法、装置、计算机设备及存储介质 |
CN110083430A (zh) * | 2019-04-30 | 2019-08-02 | 成都市映潮科技股份有限公司 | 一种系统主题色更换方法、装置及介质 |
CN110083430B (zh) * | 2019-04-30 | 2022-03-29 | 成都映潮科技股份有限公司 | 一种系统主题色更换方法、装置及介质 |
CN114820863A (zh) * | 2022-07-01 | 2022-07-29 | 锐创软件技术(启东)有限公司 | 基于色彩均匀编码的智能配色方法及系统 |
CN114820863B (zh) * | 2022-07-01 | 2022-09-09 | 锐创软件技术(启东)有限公司 | 基于色彩均匀编码的智能配色方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596984A (zh) | 一种基于神经网络生成的自动配色装置 | |
CN104657468B (zh) | 基于图像与文本的视频的快速分类方法 | |
Goulas et al. | The strength of weak connections in the macaque cortico-cortical network | |
CN108229591A (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
Vazquez-Corral et al. | Perceptual color characterization of cameras | |
CN104634451A (zh) | 基于多通道成像系统的光谱重建方法及系统 | |
CN110400275A (zh) | 一种基于全卷积神经网络和特征金字塔的颜色校正方法 | |
Li et al. | DrawerPipe: A reconfigurable pipeline for network processing on FPGA-based SmartNIC | |
CN103793888A (zh) | 一种基于参照图像的主要颜色的图像增强方法 | |
Brosh-Nissimov et al. | Syphilis outbreak among men who have sex with men, Tel Aviv, Israel, 2008–2009 | |
DE112021004377T5 (de) | Systeme zum aufbau von datenstrukturen mit hoch skalierbaren algorithmen für eine verteiltelpm-implementierung | |
CN104742517B (zh) | 一种颜色自由采集配色装置 | |
CN104835121B (zh) | 基于无穷范数约束与最大熵原则的色调映射方法 | |
DE112022000142T5 (de) | Intelligenter pod-basierter kühlkreislauf mit trockenkühler für mobile rechenzentrumskühlsysteme | |
CN103679709B (zh) | 光谱图像处理方法 | |
DE112022002290T5 (de) | Energieeffiziente flüssigkeitsgekühlte rechenzentren | |
Ichinose et al. | Pipeline-based processing of the deep learning framework caffe | |
CN108304916A (zh) | 结合注意机制与深度可分解卷积的卷积神经网络优化方法 | |
Janvier | Led by the nose | |
CN103854294B (zh) | 一种基于色偏分析的印刷品自动专色分色方法及系统 | |
Bonelli et al. | Enif-lang: A specialized language for programming network functions on commodity hardware | |
TWI762562B (zh) | 影像辨識方法及影像辨識裝置 | |
CN108596986A (zh) | 一种基于视网膜生理机制的多光源颜色恒常方法 | |
CN114285955B (zh) | 基于动态偏差图神经网络的颜色色域映射方法 | |
CN104766301B (zh) | 一种基于图像的单色采集算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190116 Address after: Room J37, Room 108, 1st Floor, Building 6988, North Jiasong Road, Anting Town, Jiading District, Shanghai, 201800 Applicant after: Shanghai Muchuan Industrial Design Co., Ltd. Address before: 200050 No. 900 Yan'an West Road, Changning District, Shanghai Applicant before: Li Ronglu |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180928 |