CN110097070A - 一种基于人眼视觉感知的中国画特征色集获取方法 - Google Patents
一种基于人眼视觉感知的中国画特征色集获取方法 Download PDFInfo
- Publication number
- CN110097070A CN110097070A CN201910195682.9A CN201910195682A CN110097070A CN 110097070 A CN110097070 A CN 110097070A CN 201910195682 A CN201910195682 A CN 201910195682A CN 110097070 A CN110097070 A CN 110097070A
- Authority
- CN
- China
- Prior art keywords
- color
- chinese painting
- feature
- collection
- painting
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开一种基于人眼视觉感知的中国画特征色集获取方法。本发明包括以下步骤:步骤1:设计专门用于中国画特征色提取算法评价的测试标版;步骤2:通过主客观相结合的方法,评价颜色量化算法提取精度,取最优算法;步骤3:对大量中国画样本进行颜色量化,形成中国画候选特征色集;步骤4:进行多维度与多目的需求的数学建模分析,构建出符合人眼视觉感知的中国画特征色集。本发明在中国画高保真数字化采集过程中起到了标定参考的作用,大大提高中国画数字化颜色采集精度与保真度,有效解决了中国画数字化展览的精度缺陷问题;二是中国画特征色集对于中国风的文创产品设计提供了配色方案,对推动文创产品产业化起到了助力。
Description
技术领域
本发明涉及图像采集与获取技术,属于计算机视觉领域。更具体 地,涉及一种基于人眼视觉感知评判的中国画色彩特征定性描述结果 的获取方法。
背景技术
近年来,世界数字博物馆,数字化文博展示兴起,文化正是国家 重要软实力的一个标志,越来越多的文化典藏品展示已成为体现国家 文化精髓和传播文化精神的重要手段和方法。而研究文化典藏品的数 字化高精度与高保真采集已经成为各个学科跨学科融合研究的热点 问题。但当前的颜色采集精度与准确性仍有待提高。本发明以极具体 现中国传统文化优秀载体——中国画为样本,拟通过理论、技术与方 法研究来构建中国画特征色集获取方法,提出适合中国文化特征的中 国画高保真颜色提取技术。
发明内容
针对现有技术存在的上述不足,本发明的目的在于提供一种基于 人眼视觉感知的中国画特征色集获取方法。
该方法通过对大量的中国画样本进行多种方式的颜色量化,分析 中国画的颜色特征与数字化采集需求,设计标版专用于主客观相结合 评价算法准确性,提高了颜色获取精度,得到中国画候选特征色集, 进一步进行多维度与多目的的颜色数据分析,得到最终的中国画特征 色集。
为实现上述发明目的,本发明采用的技术方案是,一种基于人眼 视觉感知的中国画特征色集获取方法,包括以下步骤:
步骤1:设计专门用于中国画特征色提取算法评价的测试标版;
设计的两张测试标版,是借鉴CPIQ图像质量评价中颜色评价测 试标板的设计原理,以及中国画的种类和颜色特征。一张主要针对水 墨画,即低彩度的中国画;一张主要针对彩墨画,即中国画画面中高 彩度的颜色且为主体。除却在类别上的设计考虑,针对每一张测试标 版,还有以下几点需要考虑:
1).因为颜色量化算法是针对整个画面的所有像素,为了增加最 终颜色提取结果的可靠性,要尽可能避免或减少测试标版画面中的留 白,即测试标版画面中不存在留白区域。
2).中国画测试标版边上都附有色块条,这是为了用于验证所提 取颜色正确性,因为所有后设计添加上的颜色块的颜色数据都是已知 的。
3).色块条上的颜色选择,主要是依据三个需求选择的:一是中 性灰颜色,原因是在颜色复现过程中,中性灰是衡量色偏的敏感色, 同时也是中国画中的常见色;二是有阶调过度的色块组合,本文主要 选择的是中性灰的阶调过度色块组合,原因在于,水墨画的墨色层次 包含多种多样的灰色;三是国画中常见的高频次彩色,例如暗红色, 多出现在于中国画中的印章;低饱和度的青绿色,多出现在山水题材 的中国画中。
步骤2:通过主客观相结合的方法,评价颜色量化算法提取精度, 取最优算法;
将各量化算法测试标版提取的结果,与测试标版做两方面的比 较。一是与测试标版中的中国画整体的人眼视觉色彩感觉的相似度做 主观比较,先让人眼直观感知色彩情况,若是感觉差异性大,则直接 评定提取效果差,若是感觉差异性几乎没有,则需要进行另一方面客 观定量法评价;二是与测试标版中的色块值做颜色特征相似度比较, 即如式(1):
R1、G1、B1是测试标版经过颜色量化算法所提取的三通道颜色值。 R2、G2、B2是测试标版的三通道颜色值。H是两个待比较相似度颜色 点的色差。但为了简化计算,提高运算效率,引入容差V来代替表 示。容差可以由以下的公式得到,即如式(2):
V=max(|R1-R2|,|G1-G2|,|B1-B2|) (2)
有了颜色差异性的定量表达,便只需设定阈值A,基于此来判定 RGB空间中两种颜色的是否为相似,即如(3):
本文通过对颜色量化算法主客观相结合的正确率比较,选用效果 较优的颜色量化算法,来实现对每一幅单一图像的特征色提取,形成 中国画候选特征色集合。
步骤3:对大量中国画样本进行颜色量化,形成中国画候选特征 色集;
本发明选取三种主流的颜色量化算法:中位切分算法、八叉树算 法和颜色聚类算法,对其进行准确性比较分析,即将这三种算法的特 征色提取结果与被提取的中国画进行颜色特征相似性比较,得到颜色 聚类算法最优。因此直接选用颜色聚类算法形成中国画候选特征色 集;筛选出100幅典型绘画主题的中国画样本通过颜色聚类算法进行 颜色量化,将特征颜色数目聚集到15个,形成颜色数量为1500个的 中国画候选特征色集。
步骤4:进行多维度与多目的需求的数学建模分析,构建出符合 人眼视觉感知的中国画特征色集;
为来进一步精准确定更具代表性的更少量的特征色,构建出符合 人眼视觉感知的中国画特征色集。对已经获取的中国画候选特征色 集,进行数学建模分析,针对颜色信息数据的特点,设计了三种数据 分析方法。
⑴分块频次统计分析
中国画候选特征色集中所有颜色的RGB数据信息是已知的, RGB色空间是一个立方体,而候选颜色集中的颜色均在这个色立体 中分布。分块频次统计分析的具体步骤是:
(1-1)将RGB色空间,分成边长为8的323个小立体;
(1-2)将中国画候选特征色集中的颜色,放入这323小立方体中, 统计每个立方体中候选特征色集中的颜色点出现频次;
(1-3)在这323个小立方体中,肯定有颜色点未出现的小色块直接 剔除,针对颜色点出现频次高的小立方体,对其继续进行细分,统计 局部细分后个小立方体的颜色点出现的频次;
(1-4)对统计得到的频次数据设定阈值,将超过设定阈值的频次 数据所对应的小立方体或颜色点(假设存在无限切分后,小立方体将 变为颜色点)的保留下,低于设定阈值的舍去;
(1-5)最终留下15个颜色点时,即得到中国画特征色集。
⑵监督式聚类分析
中国画候选特征色集中的每个颜色,都是一个包含RGB三维信 息的数据。而中国画候选特征色集合有包含了1500个颜色,这是一 个3×1500的数据量。直接进行整体聚类分析,方法是可实现的,但 是数据结果是存在很大的随机性,因为聚类分析本身就是一种无监督 的机器学习方式。
在颜色量化提取候选特征色时,每一幅画的颜色量化都是基于颜 色的出现频次来选取的,每一幅画取出的15个颜色也均是依据出现 频次由高到低来取的。由此,便可得到一维颜色重要性排序数据信息, 即存在于候选特征色集合中的所有颜色它们的重要性是不一样的。
将每一幅国画样本颜色量化提取出来的首位的颜色点先进行聚 类,获得20个点颜色点,作为全数候选特征色集合的聚类的起始中 心,最终得到的聚类结果,即为中国画特征色集。
⑶分类聚类分析
因为100幅典型绘画主题的中国画样本中,涵盖了很多题材,如 山水画、花鸟画及人物画;也包括使用不同绘画材质的,诸如水墨画、 彩墨画、纸本画、绢本画等。不同绘画主题,不同的绘画材料,不同 的绘画技法,形成的不同类别的中国画色彩感觉。
为了使最后的中国画特征色的选取结果,能兼顾各种不同类型中 国画的颜色特征,同时也为了规避不同类型中国画用色在进行聚类分 析的时候相互影响。具体的分析步骤如下:
(3-1)在对中国画候选特征色集做聚类分析之前,先对中国画候选 特征色集进行分类,按不同的色彩感觉,即色彩感觉的主基调分类, 通过人眼视觉感知的手段来实现;
(3-2)针对步骤(3-1)将中国画候选特征色集分成的各个小类集合, 进行聚类分析,每一小类,目标聚类的簇设定基于中国画色彩丰富性 来确定,小类集合包括水墨山水画、彩墨山水画、水墨花鸟画、彩墨 花鸟画、水墨人物画及彩墨人物画等;
(3-3)将各个小类的颜色聚类结果合在一个集合中,最后针对这个 集合进行系统聚类;
(3-4)得到最终中国画候选特征颜色集的分类聚类结果,即中国 画特征色集。
综上三种分析方法,考虑到每一种数据分析方法都存在各自的局 限性,但又期望最终获得的中国画特征色集是具有高度代表性的。故 本发明设计将三种数据分析方法的结果进行综合取交集部分,最终得 到中国画特征色集合。
本发明有益效果如下:
一是中国画特征色集在中国画高保真数字化采集过程中起到了 标定参考的作用,大大提高中国画数字化颜色采集精度与保真度,有 效解决了中国画数字化展览的精度缺陷问题;为数字博物馆,数字文 博展览及中国传统文化的传播起到关键作用。二是中国画特征色集对 于中国风的文创产品设计提供了配色方案,对推动文创产品产业化起 到了助力。
附图说明
图1为本发明具体实施方式中一种基于人眼视觉感知的中国画 特征色集获取方法的基本流程图。
图2(a)、2(b)、2(c)、2(d)、2(e)、2(f)分别为本发明 具体实施方式中六类不同中国画主题三种颜色量化的结果图。
图3为本发明具体实施方式中自主设计的彩墨测试标版示意图。
图4为本发明具体实施方式中自主设计的水墨测试标版示意图。
图5为本发明具体实施方式中彩墨测试标版颜色量化后的实验 结果图。
图6为本发明具体实施方式中水墨测试标版颜色量化后的实验 结果图。
图7为本发明具体实施方式中真实中国样本颜色量化后的实验 结果图。
图8为本发明具体实施方式中的中国画候选特征色集示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,并使本发明的 上述目的、特征和优点能够更加明显易懂,下面结合实施例及实施例 附图对本发明作进一步详细的说明。
图1为本发明的一种基于人眼视觉感知的中国画特征色集获取 方法的基本流程图。包括以下步骤:
步骤1:取六幅不同绘画主题的中国画样本,用中位切分算法、 聚类算法以及八叉树三种颜色量化算法进行颜色提取,实验结果如图 2所示。发现不容的颜色量化算法对于不同绘画主题的中国画样本提 取结果差异较大。
步骤2:设计专门用于中国画特征色提取算法评价的测试标版;
设计的两张测试标版,是借鉴CPIQ图像质量评价中颜色评价测 试标板的设计原理,以及中国画的种类和颜色特征。一张主要针对水 墨画,即低彩度的中国画;一张主要针对彩墨画,即中国画画面中高 彩度的颜色且为主体。除却在类别上的设计考虑,针对每一张测试标 版,还有以下几点需要考虑:
1).因为颜色量化算法是针对整个画面的所有像素,为了增加最 终颜色提取结果的可靠性,要尽可能避免或减少测试标版画面中的留 白,即测试标版画面中不存在留白区域。
2).中国画测试标版边上都附有色块条,这是为了用于验证所提 取颜色正确性,因为所有后设计添加上的颜色块的颜色数据都是已知 的。
3).色块条上的颜色选择,主要是依据三个需求选择的:一是中 性灰颜色,原因是在颜色复现过程中,中性灰是衡量色偏的敏感色, 同时也是中国画中的常见色;二是有阶调过度的色块组合,本文主要 选择的是中性灰的阶调过度色块组合,原因在于,水墨画的墨色层次 包含多种多样的灰色;三是国画中常见的高频次彩色,例如暗红色, 多出现在于中国画中的印章;低饱和度的青绿色,多出现在山水题材 的中国画中。
设计的标版如图3,图4所示。三种颜色量化算法对于两张标版 的颜色量化结果如图5,图6所示。
步骤3:通过主客观相结合的方法,对三种颜色量化算法进行提 取结果与中国画颜色特征相似性比较;评价颜色量化算法提取精度, 取最优算法;
将各量化算法测试标版提取的结果,与测试标版做两方面的比 较。一是与测试标版中的中国画整体的人眼视觉色彩感觉的相似度做 主观比较,先让人眼直观感知色彩情况,若是感觉差异性大,则直接 评定提取效果差,若是感觉差异性几乎没有,则需要进行另一方面客 观定量法评价;二是与测试标版中的色块值做颜色特征相似度比较, 即如式(1):
R1、G1、B1是测试标版经过颜色量化算法所提取的三通道颜色值。 R2、G2、B2是测试标版的三通道颜色值。H是两个待比较相似度颜色 点的色差。但为了简化计算,提高运算效率,引入容差V来代替表 示。容差可以由以下的公式得到,即如式(2):
V=max(|R1-R2|,|G1-G2|,|B1-B2|) (2)
有了颜色差异性的定量表达,便只需设定阈值A,基于此来判定 RGB空间中两种颜色的是否为相似,即如(3):
本文通过对颜色量化算法主客观相结合的正确率比较,选用效果 较优的颜色量化算法,来实现对每一幅单一图像的特征色提取,形成 中国画候选特征色集合。
步骤4:对大量中国画样本进行颜色量化,形成中国画候选特征 色集;
本发明选取三种主流的颜色量化算法:中位切分算法、八叉树算 法和颜色聚类算法,对其进行准确性比较分析,即将这三种算的特征 色提取结果与被提取的中国画进行颜色特征相似性比较,得到颜色聚 类算法最优。筛选出100幅典型绘画主题的中国画样本进行颜色量 化,将特征颜色数目聚集到15个,形成颜色数量为1500个的中国画 候选特征色集,结果如图7所示。
步骤5:进行多维度与多目的需求的数学建模分析,构建出符合 人眼视觉感知的中国画候征色集;
为来进一步精准确定更具代表性的更少量的特征色,构建出符合 人眼视觉感知的中国画特征色集。对已经获取的中国画候选特征色 集,进行数学建模分析,针对颜色信息数据的特点,设计了三种数据 分析方法。
⑴分块频次统计分析
中国画候选特征色集中所有颜色的RGB数据信息是已知的, RGB色空间是一个立方体,而候选颜色集中的颜色均在这个色立体 中分布。分块频次统计分析的具体步骤是:
(1-1)将RGB色空间,分成边长为8的323个小立体;
(1-2)将中国画候选特征色集中的颜色,放入这323小立方体中, 统计每个立方体中候选特征色集中的颜色点出现频次;
(1-3)在这323个小立方体中,肯定有颜色点未出现的小色块直接 剔除,针对颜色点出现频次高的小立方体,对其继续进行细分,统计 局部细分后个小立方体的颜色点出现的频次;
(1-4)对统计得到的频次数据设定阈值,将超过设定阈值的频次 数据所对应的小立方体或颜色点(假设存在无限切分后,小立方体将 变为颜色点)的保留下,低于设定阈值的舍去;
(1-5)最终留下15个颜色点时,即得到中国画特征色集。
⑵监督式聚类分析
中国画候选特征色集中的每个颜色,都是一个包含RGB三维信 息的数据。而中国画候选特征色集合有包含了1500个颜色,这是一 个3×1500的数据量。直接进行整体聚类分析,方法是可实现的,但 是数据结果是存在很大的随机性,因为聚类分析本身就是一种无监督 的机器学习方式。
在颜色量化提取候选特征色时,每一幅画的颜色量化都是基于颜 色的出现频次来选取的,每一幅画取出的15个颜色也均是依据出现 频次由高到低来取的。由此,便可得到一维颜色重要性排序数据信息, 即存在于候选特征色集合中的所有颜色它们的重要性是不一样的。
将每一幅国画样本颜色量化提取出来的首位的颜色点先进行聚 类,获得20个点颜色点,作为全数候选特征色集合的聚类的起始中 心,最终得到的聚类结果,即为中国画特征色集。
⑶分类聚类分析
因为100幅典型绘画主题的中国画样本中,涵盖了很多题材,如 山水画、花鸟画及人物画;也包括使用不同绘画材质的,诸如水墨画、 彩墨画、纸本画、绢本画等。不同绘画主题,不同的绘画材料,不同 的绘画技法,形成的不同类别的中国画色彩感觉。
为了使最后的中国画特征色的选取结果,能兼顾各种不同类型中 国画的颜色特征,同时也为了规避不同类型中国画用色在进行聚类分 析的时候相互影响。具体的分析步骤如下:
(3-1)在对中国画候选特征色集做聚类分析之前,先对中国画候选 特征色集进行分类,按不同的色彩感觉,即色彩感觉的主基调分类, 通过人眼视觉感知的手段来实现;
(3-2)针对步骤(3-1)将中国画候选特征色集分成的各个小类集合, 进行聚类分析,每一小类,目标聚类的簇设定基于中国画色彩丰富性 来确定,小类集合包括水墨山水画、彩墨山水画、水墨花鸟画、彩墨 花鸟画、水墨人物画及彩墨人物画等;
(3-3)将各个小类的颜色聚类结果合在一个集合中,最后针对这个 集合进行系统聚类;
(3-4)得到最终中国画候选特征颜色集的分类聚类结果,即中国 画特征色集。
综上三种分析方法,考虑到每一种数据分析方法都存在各自的局 限性,但又期望最终获得的中国画特征色集是具有高度代表性的。故 本发明设计将三种数据分析方法的结果进行综合取交集部分,最终得 到中国画特征色集合,结果如图8所示。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不 用于限制本发明,尽管按照前述实施例对本发明进行了详细的说明, 对于本领域的技术人员来说,依然可以对前述实施例所记载的技术方 案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的 精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在 本发明的保护范围之内。
以上描述了本发明的基本原理和主要特征以及本发明的优点。本 行业技术人员应该了解,本发明不受上述实施例的限制,上述实施例 和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范 围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入 要求保护的本发明范围内。
Claims (4)
1.一种基于人眼视觉感知的中国画特征色集获取方法,其特征在于包括以下步骤:
步骤1:设计专门用于中国画特征色提取算法评价的测试标版;
步骤2:通过主客观相结合的方法,评价颜色量化算法提取精度,取最优算法;
步骤3:对大量中国画样本进行颜色量化,形成中国画候选特征色集;
步骤4:进行多维度与多目的需求的数学建模分析,构建出符合人眼视觉感知的中国画特征色集;
步骤1所述的具体实现如下:
借鉴CPIQ图像质量评价中颜色评价测试标板的设计原理、以及中国画的种类和颜色特征,设计两张测试标版,两张测试标版分别对应低彩度的中国画水墨画和彩墨画,且设计时参照以下约束:
⑴测试标版画面中不存在留白区域;
⑵中国画测试标版边上都附有色块条,且色块条的颜色数据均为已知;
⑶色块条上的颜色选择遵循三点要求:
1)中性灰颜色;2)有阶调过度的色块组合;3)国画中常见的高频次彩色。
2.根据权利要求1所述的一种基于人眼视觉感知的中国画特征色集获取方法,其特征在于步骤2所述的通过主客观相结合的方法,评价颜色量化算法提取精度,取最优算法,具体实现如下;
将各量化算法测试标版提取的结果与测试标版做比较:首先与测试标版中的中国画整体的人眼视觉色彩感觉的相似度做主观比较,即通过人眼直观感知色彩情况,若是直观感知差异性大,则直接评定提取效果差;若是直观感知无差异性,则进一步与测试标版中的色块值做颜色特征相似度比较,即如式(1):
其中,R1、G1、B1是测试标版经过颜色量化算法所提取的三通道颜色值;R2、G2、B2是测试标版的三通道颜色值;H是两个待比较相似度颜色点的色差,引入容差V来代替表示;容差由以下的公式得到,即如式(2):
V=max(|R1-R2|,|G1-G2|,|B1-B2|) (2)
有了颜色差异性的定量表达,便只需设定阈值A,基于此来判定RGB空间中两种颜色的是否为相似,即如(3):
3.根据权利要求1或2所述的一种基于人眼视觉感知的中国画特征色集获取方法,其特征在于步骤3所述的对大量中国画样本进行颜色量化,形成中国画候选特征色集,具体实现如下:
选用颜色聚类算法形成中国画候选特征色集;筛选出100幅典型绘画主题的中国画样本通过颜色聚类算法进行颜色量化,将特征颜色数目聚集到15个,形成颜色数量为1500个的中国画候选特征色集。
4.根据权利要求3所述的一种基于人眼视觉感知的中国画特征色集获取方法,其特征在于步骤4所述的进行多维度与多目的需求的数学建模分析,构建出符合人眼视觉感知的中国画特征色集,具体实现如下:
对已经获取的中国画候选特征色集,进行数学建模分析,针对颜色信息数据的特点,设计有分块频次统计分析、监督式聚类分析和分类聚类分析三种数据分析方法,并将三种数据分析方法的结果进行综合取交集部分,最终得到中国画特征色集合;
⑴分块频次统计分析
中国画候选特征色集中所有颜色的RGB数据信息是已知的,RGB色空间是一个立方体,而候选颜色集中的颜色均在这个色立体中分布;分块频次统计分析的具体步骤是:
(1-1)将RGB色空间,分成边长为8的323个小立体;
(1-2)将中国画候选特征色集中的颜色,放入这323小立方体中,统计每个立方体中候选特征色集中的颜色点出现频次;
(1-3)在这323个小立方体中,肯定有颜色点未出现的小色块直接剔除,针对颜色点出现频次高的小立方体,对其继续进行细分,统计局部细分后个小立方体的颜色点出现的频次;
(1-4)对统计得到的频次数据设定阈值,将超过设定阈值的频次数据所对应的小立方体或颜色点的保留下,低于设定阈值的舍去;
(1-5)最终留下15个颜色点时,即得到中国画特征色集;
⑵监督式聚类分析
中国画候选特征色集中的每个颜色,都是一个包含RGB三维信息的数据;而中国画候选特征色集合有包含了1500个颜色,这是一个3×1500的数据量;在颜色量化提取候选特征色时,每一幅画的颜色量化都是基于颜色的出现频次来选取的,每一幅画取出的15个颜色也均是依据出现频次由高到低来取的;由此,便可得到一维颜色重要性排序数据信息,即存在于候选特征色集合中的所有颜色它们的重要性是不一样的;
将每一幅国画样本颜色量化提取出来的首位的颜色点先进行聚类,获得20个点颜色点,作为全数候选特征色集合的聚类的起始中心,最终得到的聚类结果,即为中国画特征色集;
⑶分类聚类分析
(3-1)在对中国画候选特征色集做聚类分析之前,先对中国画候选特征色集进行分类,按不同的色彩感觉,即色彩感觉的主基调分类,通过人眼视觉感知的手段来实现;
(3-2)针对步骤(3-1)将中国画候选特征色集分成的各个小类集合,进行聚类分析;
(3-3)将各个小类的颜色聚类结果合在一个集合中,最后针对这个集合进行系统聚类;
(3-4)得到最终中国画候选特征颜色集的分类聚类结果,即中国画特征色集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195682.9A CN110097070B (zh) | 2019-03-15 | 2019-03-15 | 一种基于人眼视觉感知的中国画特征色集获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195682.9A CN110097070B (zh) | 2019-03-15 | 2019-03-15 | 一种基于人眼视觉感知的中国画特征色集获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097070A true CN110097070A (zh) | 2019-08-06 |
CN110097070B CN110097070B (zh) | 2021-01-05 |
Family
ID=67443226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910195682.9A Active CN110097070B (zh) | 2019-03-15 | 2019-03-15 | 一种基于人眼视觉感知的中国画特征色集获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097070B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837332A (zh) * | 2021-01-13 | 2021-05-25 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质及处理器 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063562A (zh) * | 2014-07-14 | 2014-09-24 | 南京大学 | 一种基于色彩聚类的乱针绣铺底绣稿生成方法 |
CN104091353A (zh) * | 2014-06-20 | 2014-10-08 | 浙江大学 | 一种图像颜色标签的提取方法 |
CN104281849A (zh) * | 2013-07-03 | 2015-01-14 | 广州盖特软件有限公司 | 一种布料图像颜色特征提取方法 |
US20150049366A1 (en) * | 2013-08-19 | 2015-02-19 | Fujifilm Corporation | Quantization method, image processing apparatus, and recording medium |
CN104392443A (zh) * | 2014-11-18 | 2015-03-04 | 浙江工商大学 | 用于检测二维24位彩色图像的主要特征色的方法 |
CN104952084A (zh) * | 2015-05-26 | 2015-09-30 | 深圳市万普拉斯科技有限公司 | 颜色量化方法及系统 |
CN107578451A (zh) * | 2017-09-20 | 2018-01-12 | 太原工业学院 | 一种面向自然图像的自适应主色提取方法 |
WO2018022966A1 (en) * | 2016-07-29 | 2018-02-01 | Represent Holdings, LLC | Systems and methods for creating colour separations for use in multi-stage printing processes to produce an acceptable facsimile of a user-selected colour artwork on a substrate |
-
2019
- 2019-03-15 CN CN201910195682.9A patent/CN110097070B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281849A (zh) * | 2013-07-03 | 2015-01-14 | 广州盖特软件有限公司 | 一种布料图像颜色特征提取方法 |
US20150049366A1 (en) * | 2013-08-19 | 2015-02-19 | Fujifilm Corporation | Quantization method, image processing apparatus, and recording medium |
CN104091353A (zh) * | 2014-06-20 | 2014-10-08 | 浙江大学 | 一种图像颜色标签的提取方法 |
CN104063562A (zh) * | 2014-07-14 | 2014-09-24 | 南京大学 | 一种基于色彩聚类的乱针绣铺底绣稿生成方法 |
CN104392443A (zh) * | 2014-11-18 | 2015-03-04 | 浙江工商大学 | 用于检测二维24位彩色图像的主要特征色的方法 |
CN104952084A (zh) * | 2015-05-26 | 2015-09-30 | 深圳市万普拉斯科技有限公司 | 颜色量化方法及系统 |
WO2018022966A1 (en) * | 2016-07-29 | 2018-02-01 | Represent Holdings, LLC | Systems and methods for creating colour separations for use in multi-stage printing processes to produce an acceptable facsimile of a user-selected colour artwork on a substrate |
CN107578451A (zh) * | 2017-09-20 | 2018-01-12 | 太原工业学院 | 一种面向自然图像的自适应主色提取方法 |
Non-Patent Citations (1)
Title |
---|
张彪: "基于颜色聚类的刺绣图案底稿生成方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837332A (zh) * | 2021-01-13 | 2021-05-25 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质及处理器 |
CN112837332B (zh) * | 2021-01-13 | 2024-01-19 | 杭州水母智能科技有限公司 | 创意设计的生成方法、装置、终端、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110097070B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Aesthetic visual quality assessment of paintings | |
CN104636759B (zh) | 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统 | |
CN106682108A (zh) | 一种基于多模态卷积神经网络的视频检索方法 | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
CN101213576A (zh) | 影集制作装置、影集制作方法及程序 | |
CN109920012A (zh) | 基于卷积神经网络的图像着色系统及方法 | |
CN101706780A (zh) | 一种基于视觉注意力模型的图像语义检索方法 | |
CN101231757A (zh) | 一种图片主色调分析方法、装置及其在图片搜索中的应用 | |
CN107016415A (zh) | 一种基于全卷积网络的彩色图像色彩语义分类方法 | |
CN106934386A (zh) | 一种基于自启发式策略的自然场景文字检测方法及系统 | |
Liu | Animation special effects production method and art color research based on visual communication design | |
CN108345624A (zh) | 生成页面的方法及装置 | |
CN110166851A (zh) | 一种视频摘要生成方法、装置和存储介质 | |
CN104574307A (zh) | 一种绘画作品图像的主要颜色提取方法 | |
CN111462162A (zh) | 一种特定类别图片的前景分割算法 | |
CN107506362A (zh) | 基于用户群优化的图像分类仿脑存储方法 | |
CN109063781B (zh) | 一种仿自然色彩功能和形式的模糊意象织物设计方法 | |
CN108647696A (zh) | 图片颜值确定方法及装置、电子设备、存储介质 | |
CN110889718A (zh) | 方案筛选方法、方案筛选装置、介质以及电子设备 | |
CN110163855A (zh) | 一种基于多路深度卷积神经网络的彩色图像质量评价方法 | |
CN110097070A (zh) | 一种基于人眼视觉感知的中国画特征色集获取方法 | |
CN108986103A (zh) | 一种基于超像素以及多超图融合的图像分割方法 | |
Solli et al. | Color emotions for image classification and retrieval | |
CN106354838A (zh) | 一种基于语义共鸣色彩的数据可视化方法 | |
US20170061642A1 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210429 Address after: Room 405, 6-8 Jiaogong Road, Xihu District, Hangzhou City, Zhejiang Province, 310013 Patentee after: Hangzhou Taoyi Data Technology Co.,Ltd. Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street Patentee before: HANGZHOU DIANZI University |
|
TR01 | Transfer of patent right |