CN110083430A - 一种系统主题色更换方法、装置及介质 - Google Patents

Abstract

本发明涉及了一种系统主题色更换方法、装置及介质。本发明采用了k‑means聚类的方法，对图像中的色值数据进行了聚类，标注出图像中的主要色值，应用计算每个像素点相似度的方法，对主要色值依照所归属像素点的多少进行排序归纳，节省了大量的人工设计标注时间，再利用神经网络对大量的图像数据进行训练得出模型，通过上传相应的主题图经过模型分析和导入就能迅速完成系统主题色库的更换。能够及时的响应用户及特殊场景下对系统风格的需求，同时节省了时间与人力等资源的消耗。

Description

一种系统主题色更换方法、装置及介质

技术领域

本发明涉及主题设置领域，尤其涉及一种系统主题色更换方法、装置及介质。

背景技术

随着电商节日的增多和系统用户量的增大，系统的主题需要搭配对应的特殊场景，以及满足用户的喜好。为了保证良好的用户体验与感官，需要根据当前情况不断的设计主题配色。

目前的系统主题配色更换方法主要有以下两种：

(1)根据场景重新设计，将重新设计的颜色写入系统样式。这种方法比较费时，无法在系统中直接更换，在场景需求多、用户量较大的情况下，难以在有限的人力与时间内完成设计。

(2)在设计完成系统配色后，将系统中的模块或组件配色进行所用色值的归纳，将同样的色值归纳为一个色号，以方便在下次更换主题配色时可以直接更换色号对应色值，减少一些重新设计的时间。这种方法虽然减少了重新考虑色值应用位置和修改系统样式的时间，但是，只能够在系统中选取已经设计好的系统主题色库进行及时的更换，如果需要满足不同场景和用户的个性化需求，则在配色阶段需要靠人工来完成，同时由于复杂场景本身包含的物体数量比较多，人工对最终生成的场景进行配色优化效率比较低，不能及时响应用户及场景个性化需求的问题。

发明内容

本发明为了解决传统系统主题色更换方法耗时、耗力不能及时响应用户及场景个性化需求的问题，提出了一种系统主题色更换方法、装置及介质，实现了能根据用户喜好、场景需求及时做出适合环境的主题配色，保证了用户的良好体验，并减少资源消耗。

第一方面，本申请提供了一种系统主题色更换方法，所述方法包括：

获取多张效果图及每张效果图对应的主题图；

对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中；

利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；

依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；

将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；

获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。

第二方面，提供一种系统主题色更换装置，所述装置包括：

获取模块，用于获取多张效果图及每张效果图对应的主题图；

预处理模块，用于对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图数据和主题图数据分别存入效果图数据集和主题图数据集中；

色值聚类模块，用于利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；

色值整理模块，用于依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；

网络模型训练模块，用于将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；

主题色更换模块，用于获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。

第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本发明实施例提供了一种系统主题色更换方法、装置及介质，所述方法包括：获取多张效果图及每张效果图对应的主题图；对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中；利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。本发明采用了k-means聚类的方法，对图像中的色值数据进行了聚类，标注出图像中的主要色值，应用计算每个像素点相似度的方法，对主要色值依照所归属像素点的多少进行排序归纳，节省了大量的人工设计标注时间，再利用卷积神经网络对大量的图像数据进行训练得出模型，通过上传相应的主题图经过模型分析和导入就能迅速完成系统主题色库的更换。能够及时的响应用户及特殊场景下对系统风格的需求，同时节省了时间与人力等资源的消耗。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的系统主题色更换方法流程示意图；

图2为本发明实施例一提供的图片转换矩阵示意图；

图3为本发明实施例一提供的神经网络模型结构示意图。

图4为本发明实施例二提供的系统主题色更换装置结构示意图；

图5为本发明实施例三提供的计算机可读存储介质的结构示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明为了解决传统系统主题色更换方法耗时、耗力不能及时响应用户及场景个性化需求的问题，提供了一种系统主题色更换方法、装置及介质，所述方法包括获取多张效果图及每张效果图对应的主题图；对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中；利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。因此本发明实现了能根据用户喜好、场景需求及时做出适合环境的主题配色，保证了用户的良好体验，并减少资源消耗。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例一

本实施例提供一种系统主题色更换方法，如图1所示，所述方法包括：

S101：获取多张效果图及每张效果图对应的主题图。

本步骤中，效果图可以隐藏系统中的图片资源后再截取，主题图一般可使用背景图或活动图片；也可同时搜集网络上优秀的系统效果图及主题图。

S102：对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中。

本步骤中，在系统效果图与主题图对应的条件下，保持所有效果图的比例不变，也可以等比例压缩效果图的宽高尺寸减少计算时的性能消耗。设效果图的宽为W，高为H，将效果图转换为W*H个包含RGB三通道值的像素矩阵，图片转换矩阵如图2所示。将所有主题图缩放至相同的宽高大小，例如按照1：1的比例缩放至32*32，或按照更加符合PC视觉的16：9的比例缩放至固定大小，以使每张主题图中所含有的像素点数量保持一致，每个像素点中包含RGB三个通道值的信息，所以图中所含的数据量一致。将处理后的两组图片分别存入效果图、主题图两个数据集中。

S103：利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列。

本步骤中，利用k-means聚类对像素矩阵进行聚类，设效果图数据集的簇为系统所需要的色值数量n，计算出系统所需要的n个色值C_i,i＝1,2...n，得到所有效果图的初始主色值序列,由于k-means聚类属于现有技术,因此,在这里不再赘述。

S104：依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调。

本步骤中设效果图中的像素点从左至右从上至下依次为P₁₁、P₁₂、P₁₃......P₂₁、P₂₂、P₂₃......P_hw,其中,h表示图片高也就是图像中所含像素点的行数，w表示图片宽度,也就是图像中所含像素点的列数，聚类得出的最初结果为C₁、C₂、C₃......C_n，依次计算P₁₁、P₁₂、P₁₃......P₂₁、P₂₂、P₂₃......P_hw与C₁、C₂、C₃......C_n每一个结果色值的相似度；

设当前像素点为P_x，则P_x当前RGB色值为R_px、G_px、B_px；

(1)若C₁、C₂、C₃......C_n色值RGB皆为(0,0,0)，则图片为纯黑色图片，不建议选用该图作为效果图，建议跳过；

(2)若当前像素P_x色值RGB为(0,0,0),则依次计算C₁～C_n与(0,0,0)色值的空间距离，距离越小的色值其相似度越高，计算方式为：

其中,R_ci、G_ci、B_ci表示聚类出的C_i色值对应的R、G、B通道值，D_ci表示C_i色值与当前像素点P_x的色值(0,0,0)的空间距离；

取D_ci中值最小的D_min，将D_min对应的色值C_min标记为像素点P_x的归属，并记录色值C_min的所属点数量；

(3)若当前像素P_x色值RGB不为(0,0,0),则依次计算C₁～C_n与P_x的色值相似度，取相似度最大的色值作为最相似色值，计算公式为：

其中,R_ci、G_ci、B_ci表示聚类出的C_i色值对应的R、G、B通道值，R_Px、G_Px、B_Px表示当前像素点P_x的R、G、B通道值，S_ci表示C_i色值与当前像素点P_x的色值的相似度；

取S_ci中值最大为S_max，将C_max对应的色值标记为像素点P_x的归属，并记录色值C_max的所属点数量；

根据色值所属点数量由多到少进行排列，重新确定主色值排列。

S105：将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型。

本步骤中，将主题图数据集中每个主题图像素点数据作为卷积神经网络的输入参数，卷积神经网络的输出标签为聚类后依照像素点包含数量排序后的n个色值，对卷积神经网络进行训练，得到训练好的网络模型。

本步骤的卷积神经网络使用深度学习库Tensorflow构建。其中，卷积神经网络为7层，如图3所示，设W表示图片宽度，H表示图片高度，n表示系统所需要色值数量。

第1层为卷积层conv1，输入数据设置为宽W、高H、深度为3(RGB通道)，数据值为缩放后主题图中每个像素点的RGB值除以255进行归一化后的结果(取值范围为[0,1])，使其满足训练时神经网络中激活函数的要求。卷积核大小为3×3，卷积核个数为96，步长为1，卷积核超出图像矩阵部分边缘统一作补0处理(参数padding为“SAME”模式)，防止数据丢失。该层的激活函数使用ReLU线性整流函数。ReLU函数相对其他函数收敛速度快；

卷积后输出图像大小：

Width＝[(W-F+2P)/S+1]；

Height＝[(H-F+2P)/S+1]；

Depth＝K；

其中,W:图像宽，H:图像高，F：卷积核宽高，K:卷积核(过滤器)个数,S:

步长,P:用零填充个数，[]：向上取整符号。

第2层为池化层max_pool。使用池化层的目的在尽量不丢失图像特征前提下，对图像进行向下采样，控制过拟合以及提高模型性能，节约计算力。池化层以上一步卷积层的输出作为输入(也就是上一层输出的宽Width、高Height，图像深度Depth的图像数据)，池化层的池化窗口大小设置为2×2，步长为2，池化窗口超出输入数据矩阵的部分边缘也统一作补0处理。

向下采样后输出图像大小：

Width＝[(W-F)/S+1]；

Height＝[(H-F)/S+1]；

Depth＝D；

其中,W:图像宽，H:图像高，D:图像深度，F：池化窗口宽高，S:步长，[]：向上取整符号。

第3层为卷积层conv2，输入维度为上一层池化层向下采样后的结果,也就是上一层采样后输出的宽Width、高Height，图像深度Depth的图像数据，卷积核个数为192，其余参数与第1层卷积层相同。

第4层为池化层max_pool，输入维度为上一层卷积层的输出维度，其余参数与第2层池化层相同。

第5层为卷积层conv3，输入维度为上一层池化层向下采样后的结果，其余参数与第3层卷积层相同。

第6层为池化层max_pool，输入维度为上一层卷积层的输出维度，其余参数与第2层池化层相同。

第7层为全连接层dense，连接上一层中池化层向下采样后的结果，激活函数设置为RuLE。

最后将上一步结果处理输出，定义每一个数据值为[0,255]范围的整数，输出数量为n×3，对应的n个标签为效果图经过k-means聚类后，计算出对应的依照所属点情况排序后的C₁、C₂、C₃......C_n色值数列的RGB三个通道的值。

模型训练时，损失函数设置为sigmoid_cross_entropy_with_logits，此函数对交叉熵的计算方式进行了优化，使得到的结果不至于溢出，并且适用于每个类别相互独立但互不排斥的情况,即每个主题图生成多个色值的情况。训练学习率learning_rate设置为0.001，每一批训练数据为64张主题图(batch为64)。

S106：获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值，根据主色值与主题图的对应关系，完成系统主题色更换。

本发明采用了k-means聚类的方法，对图像中的色值数据进行了聚类，标注出图像中的主要色值，应用计算每个像素点相似度的方法，对主要色值依照所归属像素点的多少进行排序归纳，节省了大量的人工设计标注时间，再利用卷积神经网络对大量的图像数据进行训练得出模型，通过上传相应的主题图经过模型分析和导入就能迅速完成系统主题色库的更换。能够及时的响应用户及特殊场景下对系统风格的需求，同时节省了时间与人力等资源的消耗。

基于同一发明构思，本申请提供了实施例一对应的装置，详见实施例二。

实施例二

相应于实施例一，本实施例提供了一种系统主题色更换装置，如图4所示，所述装置包括：

获取模块，用于获取多张效果图及每张效果图对应的主题图；

预处理模块，用于对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中；

色值聚类模块，用于利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；

色值整理模块，用于依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；

网络模型训练模块，用于将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；

主题色更换模块，用于获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。

由于本实施例所介绍的装置为实施本申请实施例一中一种系统主题色更换方法方法所采用的装置，故而基于本申请实施例一中所介绍的方法，本领域所属技术人员能够了解本实施例的装置的具体实施方式以及其各种变化形式，所以在此对于该装置如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。

基于同一发明构思，本申请提供了实施例一对应的存储介质，详见实施例三。

实施例三

如图5所示，本实施提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取多张效果图及每张效果图对应的主题图；

对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中；

利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；

依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；

将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；

获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。

在具体实施过程中，该计算机程序被处理器执行时，可以实现实施例一中任一实施方式。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

本发明实施例提供的系统主题色更换方法、装置及计算机设备能带来的有益效果至少是：本发明采用了k-means聚类的方法，对图像中的色值数据进行了聚类，标注出图像中的主要色值，应用计算每个像素点相似度的方法，对主要色值依照所归属像素点的多少进行排序归纳，节省了大量的人工设计标注时间，再利用卷积神经网络对大量的图像数据进行训练得出模型，通过上传相应的主题图经过模型分析和导入就能迅速完成系统主题色库的更换,能够及时的响应用户及特殊场景下对系统风格的需求，同时节省了时间与人力等资源的消耗。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种系统主题色更换方法，其特征在于，所述方法包括：

获取多张效果图及每张效果图对应的主题图；

对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中；

利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；

依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；

将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；

获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。

2.根据权利要求1所述的系统主题色更换方法，其特征在于，所述对所有所述效果图和主题图进行预处理,具体为：

所有所述效果图的比例保持不变，设效果图的宽为W，高为H，将效果图转换为W*H个包含RGB三通道值的像素矩阵；将所有所述主题图缩放至相同大小，以使每张主题图包含的像素点数量保持一致，且每个像素点中包含RGB三通道值的信息。

3.根据权利要求2所述的系统主题色更换方法，其特征在于，所述利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列,具体为：

利用k-means聚类对像素矩阵进行聚类，设效果图数据集的簇为系统所需要的色值数量n，计算出系统所需要的n个色值C_i,i＝1,2...n，得到所有效果图的初始主色值序列。

4.根据权利要求3所述的系统主题色更换方法，其特征在于，所述依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，具体为：

设效果图中的像素点从左至右从上至下依次为P₁₁、P₁₂、P₁₃......P₂₁、P₂₂、P₂₃......P_hw,其中,h表示图片高也就是图像中所含像素点的行数，w表示图片宽度,也就是图像中所含像素点的列数，聚类得出的初始主色值序列为C₁、C₂、C₃......C_n，依次计算P₁₁、P₁₂、P₁₃......P₂₁、P₂₂、P₂₃......P_hw与C₁、C₂、C₃......C_n每一个色值的相似度；

设当前像素点为P_x，则P_x当前RGB色值为R_px、G_px、B_px；

(1)若C₁、C₂、C₃......C_n色值RGB皆为(0,0,0)，则图片为纯黑色图片，不建议选用该图作为效果图，建议跳过；

(2)若当前像素P_x色值RGB为(0,0,0),则依次计算C₁～C_n与(0,0,0)色值的空间距离，距离越小的色值其相似度越高，计算方式为：

其中,R_ci、G_ci、B_ci表示聚类出的C_i色值对应的R、G、B通道值，D_ci表示C_i色值与当前像素点P_x的色值(0,0,0)的空间距离；

取D_ci中值最小的D_min，将D_min对应的色值C_min标记为像素点P_x的归属，并记录色值C_min的所属点数量；

(3)若当前像素P_x色值RGB不为(0,0,0),则依次计算C₁～C_n与P_x的色值相似度，取相似度最大的色值作为最相似色值，计算公式为：

其中,R_ci、G_ci、B_ci表示聚类出的C_i色值对应的R、G、B通道值，R_Px、G_Px、B_Px表示当前像素点P_x的R、G、B通道值，S_ci表示C_i色值与当前像素点P_x的色值的相似度；

取S_ci中值最大为S_max，将C_max对应的色值标记为像素点P_x的归属，并记录色值C_max的所属点数量；

根据色值所属点数量由多到少进行排列标号，从而得到新的主色值序列。

5.一种系统主题色更换装置，其特征在于，所述装置包括：

获取模块，用于获取多张效果图及每张效果图对应的主题图；

预处理模块，用于对所有所述效果图和主题图进行预处理，并将预处理后得到的效果图和主题图对应编号后分别存入效果图数据集和主题图数据集中；

色值聚类模块，用于利用k-means聚类对所述效果图数据集中的效果图数据进行聚类,得到所有效果图的初始主色值序列；

色值整理模块，用于依次计算效果图数据集中的每张效果图中的所有的像素点和效果图的初始主色值序列中的每个色值的相似度,根据相似度重新确定每个色值的标号,从而得到新的主色值序列，并将重新确定的主色值序列与其主题图相对应；所述主色值序列用于反映所述效果图的主色调；

网络模型训练模块，用于将主题图数据集作为神经网络的输入，重新确定的主色值序列作为神经网络的输出，对神经网络进行训练，得到训练好的网络模型；

主题色更换模块，用于获取需要的主题图，并将所述主题图通过所述训练好的网络模型计算出对应的主色值序列，根据主色值序列与主题图的对应关系，完成系统主题色更换。

6.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至4中任一项步骤。