CN110443860A - 一种利用人工智能实现颜色对结构色设计的方法 - Google Patents
一种利用人工智能实现颜色对结构色设计的方法 Download PDFInfo
- Publication number
- CN110443860A CN110443860A CN201910714250.4A CN201910714250A CN110443860A CN 110443860 A CN110443860 A CN 110443860A CN 201910714250 A CN201910714250 A CN 201910714250A CN 110443860 A CN110443860 A CN 110443860A
- Authority
- CN
- China
- Prior art keywords
- color
- schemochrome
- parameter
- network
- realized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013461 design Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 239000002086 nanomaterial Substances 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 15
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 10
- 229910052710 silicon Inorganic materials 0.000 claims description 10
- 239000010703 silicon Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明公开了一种利用人工智能实现颜色对结构色设计的方法，直接由所需要的颜色给出能够实现该颜色的微观结构，具体包括以下步骤：S1、输入所需要的颜色或颜色组合；S2、对各像素点的颜色进行分析得到颜色参数；S3、各点的颜色参数依次输入到训练好的串联神经网络中，串联神经网络通过已知的结构颜色联系给出能够获得该颜色的微纳结构的各参数。直接由所需要的颜色给出能够实现该颜色的微观结构，从而实现结构色的直接设计；生成足够数量能够支撑实际应用的结构色；实现简便、快捷、同时准确地得出微观结构所对应的颜色，克服实验、仿真方法耗费大量资源的缺点。
Description
技术领域
本发明属于人工智能图像识别领域，具体涉及一种利用人工智能实现颜色对结构色设计的方法。
背景技术
结构色，来源于周期性的有序纳米结构，广泛存在于自然界中，是许多生物重要的功能组成部分。结构色是可见光与微观结构相互作用（衍射、反射或散射等）产生的颜色。相比于染料色彩，人工微结构材料具有可回收利用，易于制造和耐久性好等特点。同时，其次级衍射局域效应可以突破衍射极限，大大提高成像分辨率。通过改变材料表面的微结构可实现对光与材料相互作用的调控，从而产生所需要的结构色，实现超高分辨率图像的制作，并且可应用于制作用于安全性，信息隐写技术，纳米级光学滤波器和高密度光谱编码光学数据存储等的微图像。
目前微观结构所对应的具体颜色没有实用的数值方法可解，只能通过实验或者仿真方法得出。现有技术不仅无法直接由颜色直接设计结构，只能由结构测试得出颜色，并且该过程需要耗费数小时乃至数天。而有限次的实验或仿真只能得出有限的颜色，并且实验以及仿真的过程需要耗费大量的时间以及其他资源，因此目前已实现的结构色仅有数百种，难以支持实际使用。
发明内容
为解决上述技术问题，本发明提供一种利用人工智能实现颜色对结构色设计的方法。
本发明提供如下技术方案：
一种利用人工智能实现颜色对结构色设计的方法，直接由所需要的颜色给出能够实现该颜色的微观结构，具体包括以下步骤：
S1、输入所需要的颜色或颜色组合；
S2、对各像素点的颜色进行分析得到颜色参数；
S3、各点的颜色参数依次输入到训练好的串联神经网络中，串联神经网络通过已知的结构颜色联系给出能够获得该颜色的微纳结构的各参数。
进一步的，微纳结构采用硅纳米圆盘周期结构，改变结构的周期P，硅圆盘之间的间距G以及单个硅圆盘的直径D和高度H可得到不同结构色。
进一步的，颜色信息采用CIE 1931 颜色空间描述，包括x,y,Y三个参数。
进一步的，在步骤S2中，颜色参数的获得，利用图片读取程序可得到各像素点的RGB值，将RGB值带入色彩空间转换程序中，即可将相应的RGB值转换到CIE色彩空间，得到颜色参数x，y，Y，其中主要转换关系可表示如下：
。
进一步的，在步骤S3中，将步骤S2得到的各点的颜色参数x, y, Y组成一个三行一列的矩阵作为神经网络的输入层数据，网络采用全连接结构，包含输入层、中间层以及输出层，各层各结点之间由权值联系，利用训练过程中所确定的权值计算下一层输出，
O = Relu（W·I + B）
式中，O表示输出，I表示输入，Relu为所用的激活函数，W为权重，B为偏置，每一层的输出为下一层的输入，最终可计算出输出层矩阵的值，即为所需要的微纳结构参数。
进一步的，步骤S3中神经网络训练，采用深度学习的方法，将已有的结构色数据集输入到神经网络进行训练，利用网络来模拟微观结构的成色过程，通过深度学习得出结构与颜色之间的精确联系，并且通过串联网络实现直接由颜色对结构的设计。
进一步的，训练过程通过均方误差评估网络性能，网络加载数据集，输入颜色参数并计算网络所得的结构参数和实际对应的结构的差距，然后通过反向传播的方法修正每一层的权值以使得网络计算所得结构尽可能接近实际结构，通过不断迭代这一过程最终得到最适宜的权值并保存为后面预测所用。
与现有技术相比，本发明的有益效果是：
1、实现了大量的结构色的产生，数量能够支持实际使用。理论上通过深度学习的方法能够实现无数种结构色的设计，即将任意结构色的参数输入到网络中都可得出对应结构。但实际由于精确度以及结构本身的限制，网络能够实现的结构色数量在百万级别。
2、通过神经网络实现对结构色的设计，每种颜色的设计时间在毫秒级别。本发明大大简便了结构色的设计过程，提高了设计效率，减少了资源占用。
附图说明
图1为本发明的流程示意图。
图2为硅纳米圆盘周期结构示意图。
图3为图2中A处放大示意图。
图4为本发明输入数据类型的逻辑图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示，本发明的一种利用人工智能实现颜色对结构色设计的方法，直接由所需要的颜色给出能够实现该颜色的微观结构，具体包括以下步骤：
S1、输入所需要的颜色或颜色组合，这里所说的颜色组合可以是图片或者实物；
S2、对各像素点的颜色进行分析得到颜色参数；
S3、各点的颜色参数依次输入到训练好的串联神经网络中，神经网络通过已知的结构颜色联系给出能够获得该颜色的微纳结构的各参数。
在上述技术方案中，产生结构色的微纳结构采用目前研究得到的能实现颜色种类最多、颜色效果最好的硅纳米圆盘周期结构，结构图如图2和图3。
其中通过改变结构的周期P，硅圆盘之间的间距G以及单个硅圆盘的直径D和高度H可得到不同结构色。此处颜色信息采用CIE 1931 颜色空间描述，包括x,y,Y三个参数。
在步骤S2中，颜色参数的获得，利用图片读取程序可得到各像素点的RGB值，将RGB值带入色彩空间转换程序中，即可将相应的RGB值转换到CIE色彩空间，得到颜色参数x，y，Y，其中主要转换关系可表示如下：
。
在步骤S3中，将步骤S2得到的各点的颜色参数x, y, Y组成一个三行一列的矩阵作为神经网络的输入层数据，网络采用全连接结构，包含输入层、中间层以及输出层，各层各结点之间由权值联系，利用训练过程中所确定的权值计算下一层输出，
O = Relu（W·I + B）
式中O表示输出，I表示输入，Relu为所用的激活函数，W为权重，B为偏置，每一层的输出为下一层的输入，最终可计算出输出层矩阵的值，即为所需要的微纳结构参数。
在步骤S1中，图4所示，输入所需要的颜色或颜色组合，也就是说根据所输入的数据类型进行判定：（1）若已有所需的结构色颜色参数，则直接输入到神经网络中得出对应的微纳结构；（2）若已有相关图片，需要将该图片以结构色制作出，则首先通过内部相关程序分析出图片中每个像素点处的颜色信息，将各点的颜色参数依次按照（1）步骤实施；（3）若提供的信息为实物，根据实物色彩设计对应结构色，则首先通过计算机扫描实物，得出包含实物颜色信息的图片，按照（2）步骤继续进行。
在步骤S3中，采用深度学习的方法，将已有的结构色数据集（微纳结构以及其对应的结构色）输入到神经网络进行训练，利用网络来模拟微观结构的成色过程，通过深度学习得出结构与颜色之间的精确联系，并且通过串联网络实现直接由颜色对结构的设计。
训练过程通过均方误差（MSE）评估网络性能。网络加载数据集，输入颜色参数并计算网络所得的结构参数（输出）和实际对应的结构的差距，然后通过反向传播的方法修正每一层的权值以使得网络计算所得结构尽可能接近实际结构，通过不断迭代这一过程最终得到最适宜的权值并保存为后面预测所用。
本发明只需要将所需颜色参数输入至网络，网络自动加载已训练好的权值，即可自动运算得出微纳结构参数。每一点计算完成则自动运行下一像素点的预测，得出下一像素点颜色的对应微纳结构。
通过这种人工智能方法由颜色得到纳米结构，给出的结构数据可以在实际制作中生成突破衍射极限的高分辨率图像。
以下举例说明：
1、颜色设计例
将所需要的颜色参数输入到神经网络，得出对应的微纳结构参数，并通过对得出的微纳结构进行仿真，得出该结构的结构色，验证设计效果。
2、图片设计例
将所需设计为结构色的图片输入程序进行颜色参数分析，输入网络得出每个像素点对应的微纳结构。以梵高作品《沙滩上的渔船》为例进行分析，由于所有像素点对应的结构信息有上万条，因此此处不一一列出。
改变传统的通过改变微观结构参数从而得出对应不同颜色的（由结构得出颜色）流程，实现直接由所需要的颜色给出能够实现该颜色的微观结构（由颜色设计结构），从而实现结构色的直接设计；生成足够数量能够支撑实际应用的结构色；实现简便、快捷、同时准确地得出微观结构所对应的颜色，克服实验、仿真方法耗费大量资源的缺点。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种利用人工智能实现颜色对结构色设计的方法，其特征在于：直接由所需要的颜色给出能够实现该颜色的微观结构，具体包括以下步骤：
S1、输入所需要的颜色或颜色组合；
S2、对各像素点的颜色进行分析得到颜色参数；
S3、各点的颜色参数依次输入到训练好的串联神经网络中，串联神经网络通过已知的结构颜色联系给出能够获得该颜色的微纳结构的各参数。
2.根据权利要求1所述的一种利用人工智能实现颜色对结构色设计的方法，其特征在于：微纳结构采用硅纳米圆盘周期结构，改变结构的周期P，硅圆盘之间的间距G以及单个硅圆盘的直径D和高度H可得到不同结构色。
3.根据权利要求1所述的一种利用人工智能实现颜色对结构色设计的方法，其特征在于：颜色信息采用CIE 1931 颜色空间描述，包括x,y,Y三个参数。
4.根据权利要求1所述的一种利用人工智能实现颜色对结构色设计的方法，其特征在于：在步骤S2中，颜色参数的获得，利用图片读取程序可得到各像素点的RGB值，将RGB值带入色彩空间转换程序中，即可将相应的RGB值转换到CIE色彩空间，得到颜色参数x，y，Y，其中主要转换关系可表示如下：
。
5.根据权利要求1所述的一种利用人工智能实现颜色对结构色设计的方法，其特征在于：在步骤S3中，将步骤S2得到的各点的颜色参数x, y, Y组成一个三行一列的矩阵作为神经网络的输入层数据，网络采用全连接结构，包含输入层、中间层以及输出层，各层各结点之间由权值联系，利用训练过程中所确定的权值计算下一层输出，
O = Relu（W·I + B）
式中，O表示输出，I表示输入，Relu为所用的激活函数，W为权重，B为偏置，每一层的输出为下一层的输入，最终可计算出输出层矩阵的值，即为所需要的微纳结构参数。
6.根据权利要求1所述的一种利用人工智能实现颜色对结构色设计的方法，其特征在于：步骤S3中神经网络训练，采用深度学习的方法，将已有的结构色数据集输入到神经网络进行训练，利用网络来模拟微观结构的成色过程，通过深度学习得出结构与颜色之间的精确联系，并且通过串联网络实现直接由颜色对结构的设计。
7.根据权利要求6所述的一种利用人工智能实现颜色对结构色设计的方法，其特征在于：训练过程通过均方误差评估网络性能，网络加载数据集，输入颜色参数并计算网络所得的结构参数和实际对应的结构的差距，然后通过反向传播的方法修正每一层的权值以使得网络计算所得结构尽可能接近实际结构，通过不断迭代这一过程最终得到最适宜的权值并保存为后面预测所用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910714250.4A CN110443860B (zh) | 2019-08-03 | 2019-08-03 | 一种利用人工智能实现颜色对结构色设计的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910714250.4A CN110443860B (zh) | 2019-08-03 | 2019-08-03 | 一种利用人工智能实现颜色对结构色设计的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110443860A true CN110443860A (zh) | 2019-11-12 |
| CN110443860B CN110443860B (zh) | 2023-11-24 |
Family
ID=68433024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910714250.4A Active CN110443860B (zh) | 2019-08-03 | 2019-08-03 | 一种利用人工智能实现颜色对结构色设计的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443860B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793656A (zh) * | 2021-11-10 | 2021-12-14 | 山东大学 | 微纳米颗粒体系结构色的正向预测和反向设计方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105817758A (zh) * | 2016-05-17 | 2016-08-03 | 中国科学技术大学 | 一种飞秒激光加工多彩结构色的方法、加工系统及采集系统 |
| CN106189631A (zh) * | 2016-07-11 | 2016-12-07 | 复旦大学 | 一种基于微纳米涂层的飞机机翼转捩延迟方法 |
| CN109102457A (zh) * | 2018-06-12 | 2018-12-28 | 杭州米绘科技有限公司 | 一种基于卷积神经网络的智能化变色系统及方法 |
| CN109859117A (zh) * | 2018-12-30 | 2019-06-07 | 南京航空航天大学 | 一种采用神经网络直接校正rgb值的图像颜色校正方法 |
| CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
-
2019
- 2019-08-03 CN CN201910714250.4A patent/CN110443860B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105817758A (zh) * | 2016-05-17 | 2016-08-03 | 中国科学技术大学 | 一种飞秒激光加工多彩结构色的方法、加工系统及采集系统 |
| CN106189631A (zh) * | 2016-07-11 | 2016-12-07 | 复旦大学 | 一种基于微纳米涂层的飞机机翼转捩延迟方法 |
| CN109102457A (zh) * | 2018-06-12 | 2018-12-28 | 杭州米绘科技有限公司 | 一种基于卷积神经网络的智能化变色系统及方法 |
| CN109859117A (zh) * | 2018-12-30 | 2019-06-07 | 南京航空航天大学 | 一种采用神经网络直接校正rgb值的图像颜色校正方法 |
| CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| DIANJING LIU ET AL: ""Training Deep Neural Networks for the Inverse Design of Nanophotonic Structures"", 《ACS PHOTONICS》 * |
| 练坤玉 等: ""基于B_S结构的色选机远程运维系统设计与实现"", 《西安工程大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793656A (zh) * | 2021-11-10 | 2021-12-14 | 山东大学 | 微纳米颗粒体系结构色的正向预测和反向设计方法及系统 |
| CN113793656B (zh) * | 2021-11-10 | 2022-02-18 | 山东大学 | 微纳米颗粒体系结构色的正向预测和反向设计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110443860B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685072B (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
| CN107833183A (zh) | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 | |
| CN107609638A (zh) | 一种基于线性解码器和插值采样优化卷积神经网络的方法 | |
| CN109886121A (zh) | 一种遮挡鲁棒的人脸关键点定位方法 | |
| CN109949214A (zh) | 一种图像风格迁移方法及系统 | |
| CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
| CN109285162A (zh) | 一种基于局部区域条件随机场模型的图像语义分割方法 | |
| CN108846473A (zh) | 基于方向和尺度自适应卷积神经网络的光场深度估计方法 | |
| CN109741341A (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
| CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
| CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN112163401A (zh) | 基于压缩与激励的gan网络的汉字字体生成方法 | |
| CN108921932A (zh) | 一种基于卷积神经网络的黑白人物图片实时生成多种合理着色的方法 | |
| CN103268484A (zh) | 用于高精度人脸识别的分类器设计方法 | |
| CN111709443B (zh) | 一种基于旋转不变卷积神经网络的书法字风格分类方法 | |
| CN109543749A (zh) | 基于深度学习的绘画情感分析方法 | |
| CN110443860A (zh) | 一种利用人工智能实现颜色对结构色设计的方法 | |
| CN109389170B (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
| CN108961270A (zh) | 一种基于语义分割的桥梁裂缝图像分割模型 | |
| CN115206455B (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
| CN110610508A (zh) | 一种静态视频分析方法及系统 | |
| CN204479931U (zh) | 实木地板油漆计算机配色系统 | |
| KR102340387B1 (ko) | 뇌 연결성 학습 방법 및 이를 위한 시스템 | |
| CN107358200A (zh) | 一种基于稀疏学习的多摄像机非重叠视域行人匹配方法 |
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 |