CN111325810A - 配色方法、装置及电子设备 - Google Patents

配色方法、装置及电子设备 Download PDF

Info

Publication number
CN111325810A
CN111325810A CN202010126192.6A CN202010126192A CN111325810A CN 111325810 A CN111325810 A CN 111325810A CN 202010126192 A CN202010126192 A CN 202010126192A CN 111325810 A CN111325810 A CN 111325810A
Authority
CN
China
Prior art keywords
color
closed
matching
color matching
preset
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
Application number
CN202010126192.6A
Other languages
English (en)
Other versions
CN111325810B (zh
Inventor
陈雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong 3vjia Information Technology Co Ltd
Original Assignee
Guangdong 3vjia Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong 3vjia Information Technology Co Ltd filed Critical Guangdong 3vjia Information Technology Co Ltd
Priority to CN202010126192.6A priority Critical patent/CN111325810B/zh
Publication of CN111325810A publication Critical patent/CN111325810A/zh
Application granted granted Critical
Publication of CN111325810B publication Critical patent/CN111325810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种配色方法、装置及电子设备，涉及图像配色技术领域，包括将待配色文件导入预设软件生成线框图和点线面数据；根据预先训练的GAN模型对线框图进行配色生成RGB图像；根据点线面数据对所述RGB图像进行区域分割，得到多个闭合区域；利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值；利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色；将多个闭合区域中相同的闭合区域按照对应颜色进行配色，生成待配色文件的效果图。本发明可以有效简化配色操作，提高工作效率和提升配色合理性。

Description

配色方法、装置及电子设备
技术领域
本发明涉及图像配色技术领域，尤其是涉及一种配色方法、装置及电子设备。
背景技术
现有技术中，在水刀图案设计时，设计师通常利用制图软件对绘制好图案中的区域进行手动材质配色，但是图案往往比较复杂，配色过程非常繁琐，且需要消耗大量时间。另外一些设计师经验不足，还会造成配色效果不理想的问题。
发明内容
本发明的目的在于提供了一种配色方法、装置及电子设备，可以有效简化配色操作，提高工作效率和提升配色合理性。
第一方面，本发明提供了一种配色方法，其中，包括：
将待配色文件导入预设软件生成线框图和点线面数据；
根据预先训练的GAN模型对所述线框图进行配色生成RGB图像；
根据所述点线面数据对所述RGB图像进行区域分割，得到多个闭合区域；
利用主成分分析法对所述多个闭合区域进行分析，得到每个闭合区域的RGB像素值；
利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色；
将所述多个闭合区域中相同的闭合区域按照所述对应颜色进行配色，生成所述待配色文件的效果图。
进一步的，所述根据预先训练的GAN模型将所述线框图进行配色生成RGB图像的步骤之前，还包括：
根据所述预设软件中的水刀黑白图片和配色方案图片进行训练，得到预先训练的GAN模型。
进一步的，所述利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色的步骤之前，还包括：
利用主成分分析法对所述预设软件中材质素材库进行分析，得到每种材质的RGB像素值；
利用K-means聚类算法对所述每种材质的RGB像素值进行分类，得到预设颜色素材种类。
进一步的，所述利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色的步骤，包括：
计算所述每个闭合区域的RGB像素值与预设颜色素材种类的平均像素值的欧氏距离；
将欧氏距离最小值的预设颜色素材种类的颜色作为闭合区域的对应颜色。
第二方面，本发明提供了一种配色装置，其中，包括：
导入单元，用于将待配色文件导入预设软件生成线框图和点线面数据；
配色单元，用于根据预先训练的GAN模型对所述线框图进行配色生成RGB图像；
分割单元，用于根据所述点线面数据对所述RGB图像进行区域分割，得到多个闭合区域；
分析单元，用于利用主成分分析法对所述多个闭合区域进行分析，得到每个闭合区域的RGB像素值；
匹配单元，用于利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色；
生成单元，用于将所述多个闭合区域中相同的闭合区域按照所述对应颜色进行配色，生成所述待配色文件的效果图。
进一步的，所述配色单元还用于根据所述预设软件中的水刀黑白图片和配色方案图片进行训练，得到预先训练的GAN模型。
进一步的，所述匹配单元还用于利用主成分分析法对所述预设软件中材质素材库进行分析，得到每种材质的RGB像素值；
利用K-means聚类算法对所述每种材质的RGB像素值进行分类，得到预设颜色素材种类。
进一步的，所述匹配单元还用于计算所述每个闭合区域的RGB像素值与预设颜色素材种类的平均像素值的欧氏距离；
将欧氏距离最小值的预设颜色素材种类的颜色作为闭合区域的对应颜色。
第三方面，本发明提供了一种电子设备，其中，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面所述的配色方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器运行时执行第一方面所述的配色方法的步骤。
本发明实施例带来了以下有益效果：
本发明提供了一种配色方法、装置及电子设备，通过将待配色文件导入预设软件生成线框图和点线面数据；然后根据预先训练的GAN模型对线框图进行配色生成RGB图像；再根据点线面数据对所述RGB图像进行区域分割，得到多个闭合区域；接着利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值；利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色；最终将多个闭合区域中相同的闭合区域按照对应颜色进行配色，生成待配色文件的效果图。在本实施例提供的上述方式中，通过将待配色文件导入预设软件生成线框图和点线面数据后，根据预先训练的GAN模型对线框图进行配色生成RGB图像；再根据点线面数据对所述RGB图像进行区域分割，得到多个闭合区域，再利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值；利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色，最终将多个闭合区域中相同的闭合区域按照对应颜色进行配色，生成待配色文件的效果图，实现了待配色文件的自动配色，与现有技术中对绘制好图案中的区域进行手动材质配色相比，可以有效简化配色操作，提高工作效率和提升配色合理性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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配色方法流程图；
图2为本发明实施例一提供的得到每个闭合区域的对应颜色的方法流程图；
图3为本发明实施例二提供的配色装置示意图；
图4为本发明实施例供的电子设备的结构示意图。
图标：301-导入单元；302-配色单元；303-分割单元；304-分析单元；305-匹配单元；306-生成单元；400-处理器；401-存储器；402-总线；403-通信接口。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
考虑到现有技术中对绘制好图案中的区域进行手动材质配色，造成配色过程非常繁琐，需要消耗大量时间，且配色效果不理想的问题。本发明提供了一种配色方法、装置及电子设备，通过将待配色文件导入预设软件生成线框图和点线面数据后，根据预先训练的GAN模型对线框图进行配色生成RGB图像；再根据点线面数据对所述RGB图像进行区域分割，得到多个闭合区域，再利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值；利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色，最终将多个闭合区域中相同的闭合区域按照对应颜色进行配色，生成待配色文件的效果图。本发明可以有效简化配色操作，提高工作效率和提升配色合理性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种配色方法进行详细介绍。
实施例一：
参照图1所示的一种配色方法流程图，可以由诸如计算机、处理器等电子设备执行，该方法主要包括步骤S101至步骤S106：
步骤S101，将待配色文件导入预设软件生成线框图和点线面数据。
其中，在本实施方式中，待配色文件包括通过CAD软件绘制的图像生成的文件，预设软件为预先设计的配色软件。将CAD文件保存为DWG格式或者DXF格式，之后将CAD文件导入预设软件进行解析，输出解析后的空白的黑白线框图，大小为512*512，如果是长方形或者是异型图案，先将最长边缩放到512，之后均匀补齐最短边到512，并且同时输出解析后的点线面数据，以及图形中所有多边形的轮廓点数据。其中解析的过程包括删除重叠线、求交点打断，寻找闭合多边形，对多边形区域的轮廓线进行离散，得到所有多边形区域的轮廓点信息。
步骤S102，根据预先训练的GAN模型对线框图进行配色生成RGB图像。
在一种具体的实施方式中，实例性的说明如下：预先训练的GAN模型包括采用GAN网络改进的pix2pix模型，训练的输入图片大小为512*512，输出图片大小为512*512，其中GAN网络的生成网络采用改进的Unet网络，该网络除了第一层的输入，其他所有层的输入都变为上一层的输入叠加上一层经过两层卷积之后的输出，同时为了改进后适应网络输入的增大，判别网络的patch大小也相应的变为128*128，训练数据共有5500份成对的黑白图和RGB图，其中5000份作为训练集，剩下的500份作为测试集，以验证网络生成图片的效果，网络训练的参数设置为，迭代次数为400次，学习率为0.0002。
步骤S103，根据点线面数据对RGB图像进行区域分割，得到多个闭合区域。
步骤S104，利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值。
在一种具体的实施方式中，利用图形对应的所有区域的轮廓点数据对RGB图像进行区域分割，分割得到每个对应的多边形区域，并截取每一个多边形的最小外接矩形，区域以外的像素点全部置为0，最终得到只包含多边形区域的图片，并利用颜色主成分分析，求解出每个多边形图片的非零主像素值。
步骤S105，利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色。
步骤S106，将多个闭合区域中相同的闭合区域按照对应颜色进行配色，生成待配色文件的效果图。
在本实施例提供的上述方式中，通过将待配色文件导入预设软件生成线框图和点线面数据后，根据预先训练的GAN模型对线框图进行配色生成RGB图像；再根据点线面数据对所述RGB图像进行区域分割，得到多个闭合区域，再利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值；利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色，最终将多个闭合区域中相同的闭合区域按照对应颜色进行配色，生成待配色文件的效果图，实现了待配色文件的自动配色，与现有技术中对绘制好图案中的区域进行手动材质配色相比，可以有效简化配色操作，提高工作效率和提升配色合理性。
在具体实施时，根据预先训练的GAN模型将线框图进行配色生成RGB图像的步骤之前，还包括以下步骤：根据预设软件中的水刀黑白图片和配色方案图片进行训练，得到预先训练的GAN模型。
在具体实施时，利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色的步骤之前，还包括以下步骤a～b：
步骤a，利用主成分分析法对所述预设软件中材质素材库进行分析，得到每种材质的RGB像素值；
步骤b，利用K-means聚类算法对每种材质的RGB像素值进行分类，得到预设颜色素材种类。
在一种具体的实施方式中，实例性的说明如下：对预设软件中瓷砖材质素材库的所有素材进行分类，首先采用颜色主成分分析法得到每张瓷砖材质的RGB像素值，之后利用k-means聚类算法，对所有的材质进行聚类，共分为100个小类，并分别求出这100个小分类的平均像素值，作为该分类的主要像素值，之后再次利用k-means聚类算法，对得到的100个大类分为10个中类，最后根据像素值的区间阈值分为5个大类。将得到的每一个区域的非零主像素值和100个小分类的平均像素值求欧式距离，求出与每一个区域欧氏距离最小的材质分类，作为该区域的颜色分类，并随机从该分类中选取一种材质作为该区域的配色材质，之后依照10个中分类将所有区域的配色材质进行二次分类，将属于同一个中分类的区域进行合并，最后，对合并后配色材质大于5种的水刀图案进行再次分类，依照种不同的颜色区间阈值，将属于同一区间阈值的区域再次合并，随机选取属于同一区间阈值的配色材质作为合并后的区域的配色材质，得到最终的每一个区域的配色材质。
在具体实施时，如图2所示的得到每个闭合区域的对应颜色的方法流程图，利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色的步骤，包括以下步骤S201～S202：
步骤S201，计算每个闭合区域的RGB像素值与预设颜色素材种类的平均像素值的欧氏距离。
步骤S202，将欧氏距离最小值的预设颜色素材种类的颜色作为闭合区域的对应颜色。
实施例二：
参照图3所示的一种配色装置示意图，包括：
导入单元301，用于将待配色文件导入预设软件生成线框图和点线面数据。
配色单元302，用于根据预先训练的GAN模型对线框图进行配色生成RGB图像。
分割单元303，用于根据点线面数据对RGB图像进行区域分割，得到多个闭合区域。
分析单元304，用于利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值。
匹配单元305，用于利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色。
生成单元306，用于将多个闭合区域中相同的闭合区域按照所述对应颜色进行配色，生成待配色文件的效果图。
在本实施例提供的上述装置中，通过将待配色文件导入预设软件生成线框图和点线面数据后，根据预先训练的GAN模型对线框图进行配色生成RGB图像；再根据点线面数据对所述RGB图像进行区域分割，得到多个闭合区域，再利用主成分分析法对多个闭合区域进行分析，得到每个闭合区域的RGB像素值；利用欧式距离法对每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色，最终将多个闭合区域中相同的闭合区域按照对应颜色进行配色，生成待配色文件的效果图，实现了待配色文件的自动配色，与现有技术中对绘制好图案中的区域进行手动材质配色相比，可以有效简化配色操作，提高工作效率和提升配色合理性。
在具体实施时，配色单元302还用于根据预设软件中的水刀黑白图片和配色方案图片进行训练，得到预先训练的GAN模型。
在具体实施时，匹配单元305还用于利用主成分分析法对预设软件中材质素材库进行分析，得到每种材质的RGB像素值；
利用K-means聚类算法对每种材质的RGB像素值进行分类，得到预设颜色素材种类。
在具体实施时，匹配单元305还用于计算每个闭合区域的RGB像素值与预设颜色素材种类的平均像素值的欧氏距离；
将欧氏距离最小值的预设颜色素材种类的颜色作为闭合区域的对应颜色。
本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现实施例一配色方法的步骤。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备包括：处理器400，存储器401，总线402和通信接口403，处理器400、通信接口403和存储器401通过总线402连接；处理器400用于执行存储器401中存储的可执行模块，例如计算机程序。
其中，存储器401可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线402可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器401用于存储程序，所述处理器400在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器400中，或者由处理器400实现。
处理器400可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器400读取存储器401中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其中，计算机程序被处理器运行时执行实施例一配色方法的步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种配色方法，其特征在于，包括：
将待配色文件导入预设软件生成线框图和点线面数据；
根据预先训练的GAN模型对所述线框图进行配色生成RGB图像；
根据所述点线面数据对所述RGB图像进行区域分割，得到多个闭合区域；
利用主成分分析法对所述多个闭合区域进行分析，得到每个闭合区域的RGB像素值；
利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色；
将所述多个闭合区域中相同的闭合区域按照所述对应颜色进行配色，生成所述待配色文件的效果图。
2.根据权利要求1所述的方法，其特征在于，所述根据预先训练的GAN模型将所述线框图进行配色生成RGB图像的步骤之前，还包括：
根据所述预设软件中的水刀黑白图片和配色方案图片进行训练，得到预先训练的GAN模型。
3.根据权利要求2所述的方法，其特征在于，所述利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色的步骤之前，还包括：
利用主成分分析法对所述预设软件中材质素材库进行分析，得到每种材质的RGB像素值；
利用K-means聚类算法对所述每种材质的RGB像素值进行分类，得到预设颜色素材种类。
4.根据权利要求3所述的方法，其特征在于，所述利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色的步骤，包括：
计算所述每个闭合区域的RGB像素值与预设颜色素材种类的平均像素值的欧氏距离；
将欧氏距离最小值的预设颜色素材种类的颜色作为闭合区域的对应颜色。
5.一种配色装置，其特征在于，包括：
导入单元，用于将待配色文件导入预设软件生成线框图和点线面数据；
配色单元，用于根据预先训练的GAN模型对所述线框图进行配色生成RGB图像；
分割单元，用于根据所述点线面数据对所述RGB图像进行区域分割，得到多个闭合区域；
分析单元，用于利用主成分分析法对所述多个闭合区域进行分析，得到每个闭合区域的RGB像素值；
匹配单元，用于利用欧式距离法对所述每个闭合区域的RGB像素值与预设颜色素材种类进行匹配，得到每个闭合区域的对应颜色；
生成单元，用于将所述多个闭合区域中相同的闭合区域按照所述对应颜色进行配色，生成所述待配色文件的效果图。
6.根据权利要求5所述的装置，其特征在于，所述配色单元还用于根据所述预设软件中的水刀黑白图片和配色方案图片进行训练，得到预先训练的GAN模型。
7.根据权利要求5所述的装置，其特征在于，所述匹配单元还用于利用主成分分析法对所述预设软件中材质素材库进行分析，得到每种材质的RGB像素值；
利用K-means聚类算法对所述每种材质的RGB像素值进行分类，得到预设颜色素材种类。
8.根据权利要求5所述的装置，其特征在于，所述匹配单元还用于计算所述每个闭合区域的RGB像素值与预设颜色素材种类的平均像素值的欧氏距离；
将欧氏距离最小值的预设颜色素材种类的颜色作为闭合区域的对应颜色。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的配色方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至4任一项所述的配色方法的步骤。
CN202010126192.6A 2020-02-20 2020-02-20 配色方法、装置及电子设备 Active CN111325810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010126192.6A CN111325810B (zh) 2020-02-20 2020-02-20 配色方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010126192.6A CN111325810B (zh) 2020-02-20 2020-02-20 配色方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111325810A true CN111325810A (zh) 2020-06-23
CN111325810B CN111325810B (zh) 2024-02-27

Family

ID=71169220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010126192.6A Active CN111325810B (zh) 2020-02-20 2020-02-20 配色方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111325810B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638026A (zh) * 2022-02-17 2022-06-17 广东时谛智能科技有限公司 鞋体设计过程中的区块划分方法和装置
CN116090163A (zh) * 2022-11-14 2023-05-09 深圳大学 一种马赛克瓷砖选色方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103326A (zh) * 2017-04-26 2017-08-29 苏州大学 基于超像素聚类的协同显著性检测方法
US20180150716A1 (en) * 2016-11-29 2018-05-31 Sap Se Object Detection In Image Data Using Color Segmentation
CN109598770A (zh) * 2018-12-07 2019-04-09 秦嘉艺 一种城市建筑物的智能配色方法及智能配色系统
CN110111362A (zh) * 2019-04-26 2019-08-09 辽宁工程技术大学 一种局部特征块相似匹配目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180150716A1 (en) * 2016-11-29 2018-05-31 Sap Se Object Detection In Image Data Using Color Segmentation
CN107103326A (zh) * 2017-04-26 2017-08-29 苏州大学 基于超像素聚类的协同显著性检测方法
CN109598770A (zh) * 2018-12-07 2019-04-09 秦嘉艺 一种城市建筑物的智能配色方法及智能配色系统
CN110111362A (zh) * 2019-04-26 2019-08-09 辽宁工程技术大学 一种局部特征块相似匹配目标跟踪方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638026A (zh) * 2022-02-17 2022-06-17 广东时谛智能科技有限公司 鞋体设计过程中的区块划分方法和装置
CN116090163A (zh) * 2022-11-14 2023-05-09 深圳大学 一种马赛克瓷砖选色方法及相关设备
CN116090163B (zh) * 2022-11-14 2023-09-22 深圳大学 一种马赛克瓷砖选色方法及相关设备

Also Published As

Publication number Publication date
CN111325810B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
US10803338B2 (en) Method and device for recognizing the character area in a image
CN108596184B (zh) 图像语义分割模型的训练方法、可读存储介质及电子设备
CN105528614B (zh) 一种漫画图像版面的识别方法和自动识别系统
CN110309824B (zh) 文字检测方法、装置以及终端
US11615515B2 (en) Superpixel merging
CN111325810A (zh) 配色方法、装置及电子设备
CN112102340A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN112257629A (zh) 一种建筑图纸的文本信息识别方法及装置
CN111540021A (zh) 毛发数据的处理方法、装置和电子设备
CN112651953A (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN112101323B (zh) 标题列表的识别方法、系统、电子设备及存储介质
CN114359545A (zh) 一种图像区域识别的方法及装置、电子设备
CN111476735A (zh) 人脸图像处理方法、装置、计算机设备及可读存储介质
CN113077469B (zh) 草图图像语义分割方法、装置、终端设备及存储介质
CN113112488B (zh) 一种道路中心线提取方法、装置、存储介质及终端设备
CN112465835B (zh) 用于翡翠图像分割的方法及模型训练方法
CN113724269A (zh) 实例分割方法、实例分割网络的训练方法及相关设备
CN114022434A (zh) 一种护栏上下边线自动化提取方法及提取系统
CN111476308A (zh) 基于先验几何约束的遥感影像分类方法、装置和电子设备
CN112749599A (zh) 图像增强方法、装置和服务器
Peng et al. A FPGA Verification of Improvement Edge Detection using Separation and Buffer Line
CN113781607B (zh) Ocr图像的标注数据的处理方法、装置、设备及存储介质
CN112399236B (zh) 一种视频查重方法、装置及电子设备
CN111723804B (zh) 图文分离装置、图文分离方法及计算机可读取记录介质
JP5648340B2 (ja) 画像処理装置およびプログラム

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