CN111754589A - 配色方法、装置、计算机设备及存储介质 - Google Patents
配色方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111754589A CN111754589A CN201910230724.8A CN201910230724A CN111754589A CN 111754589 A CN111754589 A CN 111754589A CN 201910230724 A CN201910230724 A CN 201910230724A CN 111754589 A CN111754589 A CN 111754589A
- Authority
- CN
- China
- Prior art keywords
- color
- training
- image
- network
- matched
- 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 44
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 160
- 230000006870 function Effects 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 25
- 230000003042 antagnostic effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000009987 spinning Methods 0.000 description 5
- 210000002268 wool Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004043 dyeing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种配色方法、装置、计算机设备及存储介质，包括：获取待配色图像；基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
Description
技术领域
本发明涉及测色配色技术领域，尤其涉及一种配色方法、装置、计算机设备及存储介质。
背景技术
目前，测色配色是众多行业会涉及到的需求，尤其是毛纺行业，根据用户提供的颜色进行测色配色是毛纺行业每个工厂面临的基本需求，在实际生产过程中，每个用户对面料/布匹的颜色都有各自定制化的需求。
目前已知的测色配色方式，是根据每个用户来样采集色彩后，一方面，将采集色彩和厂内的标准色库进行比较，如标准色库内没有匹配的颜色，则从指定的供销商采购新的颜色并入标准库；另一方面，把用户来样颜色和标准库进行匹配，如果标准库内没有匹配颜色，则进行人工配色，根据人工经验选择若干种颜色进行混合调色配色，该方式中，获得配色方案完全依赖于人工经验，不仅人工成本较高，且得到的配色方案可能存在不精确的问题。
发明内容
有鉴于此，本发明的主要目的在于提供一种配色方法、装置、计算机设备及存储介质，能够减少人工成本、且能够高效精确的确定配色方案。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例第一方面，提供了一种配色方法，所述方法包括：
获取待配色图像；
基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
本发明实施例的第二方面，提供了一种配色装置，所述装置包括：
获取模块，用于获取待配色图像；
处理模块，用于基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
本发明实施例的第三方面，提供了一种计算机设备，包括：第一处理器和用于存储能够在第一处理器上运行的计算机程序的第一存储器；
其中，所述第一处理器用于运行所述计算机程序时，实现本发明应用于物品陈列管理设备端的任一实施例所述的配色方法。
本发明实施例的第四方面，提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明任一实施例所述的配色方法。
本发明实施例提供的一种配色方法、装置、计算机设备及存储介质，获取待配色图像；根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。如此，通过训练后的神经网络根据标准色块库确定配色方案，基于获取的待配色图像自动生成配色方案，避免了依靠目视判断来确定配色方案的方式中所存在的人为误差和高人力成本，且通过引入对配色方案对应的输出色块与待配色图像的色差的判断，通过确保色差满足设置范围来确定与所述待配色图像对应的目标配色方案，大大提高了配色的高效率和精确度，便于自动化生产规模的进一步扩大，具有广阔的市场应用前景。
附图说明
图1为本发明一实施例提供的配色方法的流程示意图；
图2为本发明一实施例提供的样本A的LAB值示意图；
图3为本发明一实施例提供的颜色M、N和L的LAB值示意图；
图4为本发明一实施例提供的配色装置的结构示意图；
图5为本发明一实施例提供的计算机设备的结构示意图；
图6为本发明另一实施例提供的配色方法的流程示意图；
图7为本发明一实施例提供的CGAN网络训练的流程示意图。
具体实施方式
以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)待配色图像，本文中指用于生成配色方案的图像，例如JPEG等各种数字格式的图像。
2)标准色块，本文中指标准色块库中包含的颜色的图像；
3)训练色块，用于训练神经网络的色块样本图像，可以根据用户的历史配色方案的历史数据获得，所述色块样本图像包括训练色块及与该训练色块对应的配色方案。
4)损失函数(loss function)也叫代价函数(cost function)，是神经网络优化的目标函数。
5)神经网络(Neural Networks,NN)，是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。
本发明的应用场景可以是：毛纺或其它行业内针对用户指定的颜色进行测色配色，以得到获得该指定的颜色的配色方案。以毛纺工厂为例，根据用户提供的颜色进行测色配色，如果针对用户来样的颜色A，从标准色库中选取若干标准颜块，若干比例进行混合调色B，通过CIEDE2000算法比对A和B的色差满足设置范围，如此获的满足用户需求的目标配色方案。
如图1所示，本发明一实施例提供了一种配色方法，该方法包括如下步骤：
步骤101：获取待配色图像；
这里，待配色图像可以是用户提供的来样颜色的图片，也可以是针对用户来样的样品通过高分辨率的工业摄像头拍摄获取的图像。
步骤102：基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
标准色块指标准色块库中包含的颜色的图像，通常，标准色块库中包含合成任意颜色的基本颜色，如标准色值的红色色块、黄色色块、蓝色色块等；基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案是指将待配色图像输入训练后的神经网络，得到与待配色图像对应的标准色块及所述标准色块对应的比例。
根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块是指将输出色块和待配色图像进行色差比较，判断所述色差是否满足设置的范围，例如色差采用LAB颜色模型值为例，当输出色块对应的LAB值为第一LAB值，待配色图像的LAB值为第二LAB值，两者的差值小于设置的范围，则确定该配色方案为目标配色方案，从而得到对应的标准色块及比例。
以一可选的具体实施例为例，用户来样样本A，测量该来样样本A对应的LAB值，请参阅图2；基于训练后的神经网络根据标准色块库确定与来样样本A对应的配色方案为颜色M、颜色N和艳色L，对应的比例为52％、18％和30％；请参阅图3，为三种颜色的LAB值。
这里，通过标准色块及所述标准色块的比例确定颜色值可以使用CIEDE2000算法，即使用CIEDE2000算法计算配色方案中包含的标准色块以对应的比例混合后的颜色和客户来样颜色A进行色差对比，比较后的色差为0.296，并可以预先设定一个色差允许范围，若设置范围为0.6，当比较后的色差小于设置范围0.6时，表示符合要求，即该配色方案可以作为用户来样样本A的目标配色方案。
本发明实施例提供的配色方法，获取待配色图像；根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。如此，通过训练后的神经网络根据标准色块库确定配色方案，基于获取的待配色图像自动生成配色方案，避免了依靠目视判断来确定配色方案的方式中所存在着的人为误差和高人力成本，且通过引入对配色方案对应的输出色块与待配色图像的色差的判断，通过确保色差满足设置范围来确定与所述待配色图像对应的目标配色方案，大大提高了配色的高效率和精确度，便于自动化生产规模的进一步扩大，具有广阔的市场应用前景。
在一实施方式中，所述神经网络为生成对抗网络，所述生成对抗网络包括生成网络和对抗网络；所述基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块，包括：
将所述待配色图像输入训练后的生成对抗网络，通过生成网络获得所述输出色块以及与所述待配色图像对应的配色方案；
将所述待配色图像和所述输出色块输入对抗网络，确定所述待配色图像和所述输出色块的判别结果，基于所述判别结果确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块。
这里，生成对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生输出，这里，生成网络对应是指生成对抗网络中的生成模型，对抗网络对应是指生成对抗网络中的对抗模型。
将所述待配色图像输入训练后的生成对抗网络，通过生成网络获得所述输出色块以及与所述待配色图像对应的配色方案是指将待配色图像输入生成对抗网络，这里，通过生成网络生成所述输出色块以及与所述待配色图像对应的配色方案，其中，输出色块包括至少一个标准色块，配色方案包括输出色块及对应的比例组成。
将所述待配色图像和所述输出色块输入对抗网络，确定所述待配色图像和所述输出色块的判别结果，是指基于输出色块和待配色图像输入对抗网络，判断待配色图像和所述输出色块的色差是否在设置范围，若是，则确定输出色块为目标输出色块，对应的配色方案为目标配色方案。
判别方式可以是指通过根据配色方案对应的标准色块及对应的比例得到的输出色块的LAB值与待配色图像的LAB值的差值，进行色差对比，若差值满足设置条件，则确定配色方案为目标配色方案。
在上述实施方式中，基于生成对抗网络，将待配色图像输入训练后的生成对抗网络，基于生成网络生成与待配色图像对应的配色方案，基于对抗网络进行判断，从而获得与待配色图像对应的目标配色方案，如此，避免了依靠目视判断存在着的人为误差和高人力成本，同时通过色差确定与所述待配色图像对应的目标配色方案，大大提高了染色配色的准确度，便于自动化生产规模的进一步扩大，具有广阔的市场应用前景。
在一实施方式中，所述获取待识别图像之前，包括：
获取包含多个训练色块的色块训练集，所述训练色块包括与所述训练色块对应的配色方案；
将所述训练色块输入初始的生成对抗网络，通过生成网络获得对应的训练输出色块及其配色方案；
将所述训练色块和所述训练输出色块输入所述对抗网络，确定所述训练色块和所述训练输出色块的判别结果，这里，基于生成网络生成的训练输出色块的配色方案和训练色块进行色差计算，判断是否满足设置条件。
这里，训练色块，用于色块训练的样本图像，具有与该训练色块对应的配色方案。以毛纺行业为例，训练色块可以根据工厂曾经生产过的具有对应的配色方案的历史数据获得。
通过生成网络获得对应的训练输出色块及其配色方案是指将训练色块输入初始的生成对抗网络，初始的生成对抗网络是指还未训练的。基于训练色块包含的配色方案，生成网络输出训练输出色块及配色方案，这里的配色方案是生成网络基于训练色块输出的标准色块及其比例。
将所述训练色块和所述训练输出色块输入所述对抗网络，确定所述训练色块和所述训练输出色块的判别结果是指将训练输出色块和训练色块输入对抗网络，经由对抗网络对两种色块的色差进行判别，判断是否在设置范围内。
这里，损失函数(loss function)也叫代价函数(cost function)，是神经网络优化的目标函数，神经网络训练或者优化的过程就是最小化损失函数的过程，损失函数值越小，对应预测的结果和真实结果的值就越接近。
基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得训练后的所述生成对抗网络是指利用神经网络后向传播算法，迭代更新生成网络和对抗网络各参数的取值，具体地，先更新对抗网络的参数，然后通过再采样得到的训练色块更新生成网络的参数，直至所述设置的损失函数满足收敛条件，获得训练后的生成对抗网络。
本申请实施例中，采用生成对抗网络来确定待配色图像对应的配色方案以及对配色方案进行判别，直至得到与待配色图像的色差满足设置范围内的目标配色方案，通过生成对抗网络中的生成网络与对抗网络的独立模型，彼此单独交替迭代训练，利用对抗网络对生成网络所生成的配色方案的反向约束判断来提高生成网络所得到的配色方案的精确度，通过生成网络获得精确度更高的配色方案来提高对抗网络对配色方案是否为符合精度要求的目标配色方案的判断精准性，从而能够获得更加符合高精度要求的配色方案。
在上述实施方式中，通过获取多个与所述训练色块对应的配色方案的训练色块作为色块训练集，对生成对抗网络进行训练，构造用于实现图像生成配色方案的训练后的所述生成对抗网络，避免了依靠目视判断存在着的人为误差和高人力成本，大大提高了染色配色的准确度。
在一实施方式中，所述基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得所述训练后的生成对抗网络，包括：
确定所述训练色块和所述训练输出色块的色差是否满足设置范围，若否，则交替迭代执行通过生成网络获得对应的训练输出色块及其配色方案、以及将所述训练色块和所述训练输出色块输入所述对抗网络，直至所述设置的损失函数满足收敛条件，获得所述训练后的生成网络和所述训练后的对抗网络。
这里，损失函数(loss function)也叫代价函数(cost function)，是神经网络优化的目标函数，神经网络训练或者优化的过程就是最小化损失函数的过程，损失函数值越小，对应预测的结果和真实结果的值就越接近。
确定所述训练色块和所述训练输出色块的色差不在设置的范围内，则交替迭代执行通过生成网络获得对应的训练输出色块及其配色方案是指通过再采样得到的训练色块更新生成网络的参数，重新获得训练输出色块及其配色方案，再将所述训练输出色块和所述训练色块输入对抗网络，直至所述设置的损失函数满足收敛条件，获得所述训练后的生成网络和所述训练后的对抗网络。具体地，利用神经网络后向传播算法，迭代更新生成网络和对抗网络各参数的取值，先更新对抗网络的参数，然后通过再采样得到的训练色块更新生成网络的参数，直至所述设置的损失函数满足收敛条件，获得训练后的生成对抗网络。如此，通过交替迭代训练获得训练后的生成网络和训练后的对抗网络，实现了对待配色图像的配色方案，避免了依靠目视判断存在着的人为误差和高人力成本，大大提高了染色配色的准确度。
在一实施方式中，所述将所述训练色块输入生成网络之前，包括：
根据设置的色差值作为标准损失函数的惩罚项，得到所述设置的损失函数。
这里，条件生成式对抗网络(CGAN)是对原始GAN的一个扩展，生成器和判别器都增加额外信息y为条件，y可以是任意信息，例如类别信息、或者其他模态的数据。在生成模型中，先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。以一可选的具体实施例为例，条件GAN的目标函数是带有条件概率的二人极小极大值博弈(two-player minimaxgame)，参见公式(1)；
其中，所述生成模型也可以称为生成器(Generator)或生成网络，可以表示为G；所述判别模型也可以称为判别器(Discriminator)或对抗网络，可以表示为D。一般地，G可以接收一个随机的特征向量(z|y)，即附加条件y，通过这个特征生成数据(如图像)，记为G(z|y)。D可以接收G(z|y)或接收真实图像，以判断所接收的图像为真实图像的概率，假设D所接收的图像表示为(x|y)，则D的输出可以表示为D(x|y)。这里，x～pdata(x)和z～pz(z)分别表示真实图像的分布和G的生成图像的分布。固定判别模型D，调整G的参数使得log(1-D(G(z|y)))的期望最小化；固定生成模型G，调整D的参数使得
的期望最大化。
需要说明的是，在本申请实施方式中，待配色图像可以作为一个连续的三维数值，这里的y作为一个约束条件或条件变量，是一个连续值，为了使得训练后的生成对抗网络在测试集上有效地收敛在阈值范围内，可以对损失loss函数进行优化，将设置的色差值作为标准损失函数的惩罚项，通过针对loss函数增加一个惩罚项，当色差范围在设置范围内，惩罚项较小；当色差超出设置范围，惩罚项较大，调整生成网络的模型参数，使网络朝着在可控阈值内的高斯分布优化。参见公式(2)，在CGAN标准误差公式上增加的惩罚项，其中ε是色差值。
在上述实施方式中，根据设置的色差值作为标准损失函数的惩罚项，得到所述设置的损失函数，如此，使得生成对抗网络朝着在可控阈值内的高斯分布优化，得到训练后的生成对抗网络。
在一实施方式中，所述根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，包括：
根据所述输出色块和所述待配色图像分别确定对应的第一颜色模型值和第二颜色模型值，基于色差公式确定所述第一颜色模型值和所述第二颜色模型值的色差是否满足设置范围。
这里，输出色块和待配色图像的颜色值通过LAB值来定义，当输出色块对应的LAB值为第一LAB值，待配色图像的LAB值为第二LAB值，两者的差值小于设置的范围，则确定该配色方案为目标配色方案，从而得到对应的标准色块及比例。这里，通过标准色块及所述标准色块的比例确定LAB值可以使用CIEDE2000算法。如此，基于色差公式确定色差是否满足设置范围，从而确定输出色块对应的的配色方案为待配色图像的目标配色方案。
在另一实施方式中，如图4所示，还提供了一种配色装置，包括：
获取模块22，用于获取待配色图像；
处理模块23，用于基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
在本申请上述实施方式中，获取待配色图像；基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，如此，基于训练好的神经网络对待配色图像快速识别，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。如此，基于获取的待配色图像自动生成配色方案，避免了依靠目视判断存在着的人为误差和高人力成本，同时通过色差确定与所述待配色图像对应的目标配色方案，大大提高了染色配色的准确度，便于自动化生产规模的进一步扩大，具有广阔的市场应用前景。
可选地，所述神经网络为生成对抗网络，所述生成对抗网络包括生成网络和对抗网络；所述处理模块23还用于将所述待配色图像输入训练后的生成对抗网络，通过生成网络获得所述输出色块以及与所述待配色图像对应的配色方案；将所述待配色图像和所述输出色块输入对抗网络，确定所述待配色图像和所述输出色块的判别结果，基于所述判别结果确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块。
可选地，还包括：训练模块21，用于获取包含多个训练色块的色块训练集，所述训练色块包括与所述训练色块对应的配色方案；将所述训练色块输入初始的生成对抗网络，通过生成网络获得对应的训练输出色块及其配色方案；将所述训练色块和所述训练输出色块输入所述对抗网络，确定所述训练色块和所述第一输出色块的判别结果；基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得训练后的所述生成对抗网络。
可选地，所述训练模块21，还用于确定所述训练色块和所述训练输出色块的色差是否满足设置范围，若否，则交替迭代执行通过生成网络获得对应的训练输出色块及其配色方案、以及将所述训练色块和所述训练输出色块输入所述对抗网络，直至所述设置的损失函数满足收敛条件，获得所述训练后的生成网络和所述训练后的对抗网络。
可选地，所述训练模块21，还用于根据设置的色差值作为标准损失函数的惩罚项，得到所述设置的损失函数。
可选地，所述处理模块23，还用于根据所述输出色块和所述待配色图像分别确定对应的第一颜色模型值和第二颜色模型值，基于色差公式确定所述第一颜色模型值和所述第二颜色模型值的色差是否满足设置范围。
在另一实施方式中，如图5所示，还提供了一种计算机设备，包括：至少一个处理器210和用于存储能够在处理器210上运行的计算机程序的存储器211；其中，图5中示意的处理器210并非用于指代处理器的个数为一个，而是仅用于指代处理器相对其他器件的位置关系，在实际应用中，处理器的个数可以为一个或多个；同样，图5中示意的存储器211也是同样的含义，即仅用于指代存储器相对其他器件的位置关系，在实际应用中，存储器的个数可以为一个或多个。
其中，所述处理器210用于运行所述计算机程序时，执行如下步骤：
获取待配色图像；基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时，执行如下步骤：
将所述待配色图像输入训练后的生成对抗网络，通过生成网络获得所述输出色块以及与所述待配色图像对应的配色方案；将所述待配色图像和所述输出色块输入对抗网络，确定所述待配色图像和所述输出色块的判别结果，基于所述判别结果确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时，执行如下步骤：
获取包含多个训练色块的色块训练集，所述训练色块包括与所述训练色块对应的配色方案；将所述训练色块输入初始的生成对抗网络，通过生成网络获得对应的训练输出色块及其配色方案；将所述训练色块和所述训练输出色块输入所述对抗网络，确定所述训练色块和所述训练输出色块的判别结果；基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得训练后的所述生成对抗网络。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时，执行如下步骤：
确定所述训练色块和所述训练输出色块的色差是否满足设置范围，若否，则交替迭代执行通过生成网络获得对应的训练输出色块及其配色方案、以及将所述训练色块和所述训练输出色块输入所述对抗网络，直至所述设置的损失函数满足收敛条件，获得所述训练后的生成网络和所述训练后的对抗网络。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时，执行如下步骤：
根据设置的色差值作为标准损失函数的惩罚项，得到所述设置的损失函数。
在一个可选的实施例中，所述处理器210还用于运行所述计算机程序时，执行如下步骤：
根据所述输出色块和所述待配色图像分别确定对应的第一颜色模型值和第二颜色模型值，基于色差公式确定所述第一颜色模型值和所述第二颜色模型值的色差是否满足设置范围。
该计算机设备还可以包括：至少一个网络接口212。发送端中的各个组件通过总线系统213耦合在一起。可理解，总线系统213用于实现这些组件之间的连接通信。总线系统213除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统213。
其中，存储器211可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器211旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器211用于存储各种类型的数据以支持发送端的操作。这些数据的示例包括：用于在发送端上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还提供了一种计算机存储介质，例如包括存储有计算机程序的存储器211，上述计算机程序可由发送端中的处理器210执行，以完成前述方法所述步骤。计算机存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如智能手机、平板电脑、笔记本电脑等。一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程被处理器运行时，执行如下步骤：
其中，所述处理器210用于运行所述计算机程序时，执行如下步骤：
获取待配色图像；基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
在一个可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
将所述待配色图像输入训练后的生成对抗网络，通过生成网络获得所述输出色块以及与所述待配色图像对应的配色方案；将所述待配色图像和所述输出色块输入对抗网络，确定所述待配色图像和所述输出色块的判别结果，基于所述判别结果确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块。
在一个可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
获取包含多个训练色块的色块训练集，所述训练色块包括与所述训练色块对应的配色方案；将所述训练色块输入初始的生成对抗网络，通过生成网络获得对应的训练输出色块及其配色方案；将所述训练色块和所述训练输出色块输入所述对抗网络，确定所述训练色块和所述训练输出色块的判别结果；基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得训练后的所述生成对抗网络。
在一个可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
确定所述训练色块和所述训练输出色块的色差是否满足设置范围，若否，则交替迭代执行通过生成网络获得对应的训练输出色块及其配色方案、以及将所述训练色块和所述训练输出色块输入所述对抗网络，直至所述设置的损失函数满足收敛条件，获得所述训练后的生成网络和所述训练后的对抗网络。
在一个可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
根据设置的色差值作为标准损失函数的惩罚项，得到所述设置的损失函数。
在一个可选的实施例中，所述计算机程序被处理器运行时，还执行如下步骤：
根据所述输出色块和所述待配色图像分别确定对应的第一颜色模型值和第二颜色模型值，基于色差公式确定所述第一颜色模型值和所述第二颜色模型值的色差是否满足设置范围。
请参阅图6，以LAB值定义图像的颜色，神经网络为条件对抗生成网络为例，以一个更详尽的例子，结合附图，对本申请的配色方法的工作过程作进一步详细的说明。该配色方法包括如下步骤：
S11：获取包含多个训练色块的色块训练集，将所述训练色块输入初始的生成对抗网络，通过生成网络获得对应的训练输出色块及其配色方案；
这里，训练色块可以根据是工厂曾经生产过的具有对应的配色方案的历史数据获得；请结合参阅图7，从色块训练集(LAB1、LAB2、LAB3、LAB4、...LABn)中提取参数权重，可以理解为将训练色块输入CGAN，由CGAN针对输入数据的一个参数调整过程，可以是对色块训练集进行特征参数提取；色块训练集中所包含的训练色块包括与所述训练色块对应的配色方案。
S12：将所述训练色块和所述训练输出色块输入对抗网络，确定所述训练色块和所述训练输出色块的判别结果；
这里，再次结合参阅图7，从色块训练集(LAB1、LAB2、LAB3、LAB4、...LABn)中提取参数权重后，输入所述生成网络后得到训练输出色块，再将对应的训练输出色块和训练色块输入所述对抗网络，通过所述对抗网络分别对所述训练色块和所述训练输出色块的矩阵进行特征提取，得到对应于训练色块和训练输出色块的特征向量；
判别方式可以是指通过根据配色方案对应的标准色块及对应的比例得到的输出色块的LAB值与待配色图像的LAB值的差值，进行色差对比，若差值满足设置条件，则确定配色方案为目标配色方案，如图7所示，可以是基于CIDDE2000进行色差计算。
S13：基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得训练后的所述生成对抗网络。
这里，请参阅图7，针对损失函数增加一个惩罚项，当色差范围在设置范围内，惩罚项较小；当色差超出设置范围，惩罚项较大，调整生成网络的模型参数，使网络朝着在可控阈值内的高斯分布优化。如，可以将设置的色差值作为标准损失函数，即CGAN标准误差公式的惩罚项，如公式(2)所示，其中ε是色差值。
这里，迭代是指基于步骤S12的所述判别结果，通过生成对抗网络中的生成网络与对抗网络的独立模型，彼此单独交替迭代训练，利用对抗网络对生成网络所生成的配色方案的反向约束判断来提高生成网络所得到的配色方案的精确度，通过生成网络获得精确度更高的配色方案来提高对抗网络对配色方案是否为符合精度要求的目标配色方案的判断精准性，直至所述设置的损失函数满足收敛条件，获得训练后的条件生成对抗网络。
S14：获取待配色图像；基于训练后的所述神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块。
本申请上述实施例中，通过训练后的神经网络根据标准色块库确定配色方案，基于获取的待配色图像自动生成配色方案，避免了依靠目视判断来确定配色方案的方式中所存在的人为误差和高人力成本，且通过引入对配色方案对应的输出色块与待配色图像的色差的判断，通过确保色差满足设置范围来确定与所述待配色图像对应的目标配色方案，大大提高了配色的高效率和精确度。进一步的，神经网络采用对抗网络对生成网络所生成的配色方案的反向约束判断来提高生成网络所得到的配色方案的精确度，通过生成网络获得精确度更高的配色方案来提高对抗网络对配色方案是否为符合精度要求的目标配色方案的判断精准性，从而能够获得更加符合高精度要求的配色方案。相对于本申请背景技术中所提供的方案，本申请实施例至少解决了以下问题：
(1)对标准色块库内的色块数量要求降低。无需对工厂的标准色块库进行扩充，更加易于对标准色块库的管理；
(2)针对用户提供的来样颜色，能够获得符合高精度要求的配色方案，满足用户需求，无需为了满足一个客户的要求进行定制采购，大大减少了生产陈本；
(3)避免了依靠目视判断来确定配色方案的方式中所存在的人为误差和高人力成本，且通过引入对配色方案对应的输出色块与待配色图像的色差的判断，通过确保色差满足设置范围来确定与所述待配色图像对应的目标配色方案，大大提高了配色的高效率和精确度，减少了人工成本，大大便于自动化生产规模的进一步扩大，具有广阔的市场应用前景。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (14)
1.一种配色方法，其特征在于，包括：
获取待配色图像；
基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
2.如权利要求1所述的配色方法，其特征在于，所述神经网络为生成对抗网络，所述生成对抗网络包括生成网络和对抗网络；所述基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块，包括：
将所述待配色图像输入训练后的生成对抗网络，通过生成网络获得所述输出色块以及与所述待配色图像对应的配色方案；
将所述待配色图像和所述输出色块输入对抗网络，确定所述待配色图像和所述输出色块的判别结果，基于所述判别结果确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块。
3.如权利要求2所述的配色方法，其特征在于，所述获取待识别图像之前，包括：
获取包含多个训练色块的色块训练集，所述训练色块包括与所述训练色块对应的配色方案；
将所述训练色块输入初始的生成对抗网络，通过生成网络获得对应的训练输出色块及其配色方案；
将所述训练色块和所述训练输出色块输入所述对抗网络，确定所述训练色块和所述训练输出色块的判别结果；
基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得训练后的所述生成对抗网络。
4.如权利要求3所述的配色方法，其特征在于，所述基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得所述训练后的生成对抗网络，包括：
确定所述训练色块和所述训练输出色块的色差是否满足设置范围，若否，则交替迭代执行通过生成网络获得对应的训练输出色块及其配色方案、以及将所述训练色块和所述训练输出色块输入所述对抗网络，直至所述设置的损失函数满足收敛条件，获得所述训练后的生成网络和所述训练后的对抗网络。
5.如权利要求3所述的配色方法，其特征在于，所述将所述训练色块输入生成网络之前，包括：
根据设置的色差值作为标准损失函数的惩罚项，得到所述设置的损失函数。
6.如权利要求1所述的配色方法，其特征在于，所述根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，包括：
根据所述输出色块和所述待配色图像分别确定对应的第一颜色模型值和第二颜色模型值，基于色差公式确定所述第一颜色模型值和所述第二颜色模型值的色差是否满足设置范围。
7.一种配色装置，其特征在于，所述装置包括：
获取模块，用于获取待配色图像；
处理模块，用于基于训练后的神经网络根据标准色块库确定与所述待配色图像对应的配色方案，并根据所述配色方案对应的输出色块与所述待配色图像的色差是否满足设置范围，确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块；其中，所述配色方案包括标准色块及所述标准色块对应的比例。
8.如权利要求7所述的配色装置，其特征在于，所述神经网络为生成对抗网络，所述生成对抗网络包括生成网络和对抗网络；所述处理模块还用于将所述待配色图像输入训练后的生成对抗网络，通过生成网络获得所述输出色块以及与所述待配色图像对应的配色方案；将所述待配色图像和所述输出色块输入对抗网络，确定所述待配色图像和所述输出色块的判别结果，基于所述判别结果确定与所述待配色图像对应的目标配色方案以及所述目标配色方案对应的目标输出色块。
9.如权利要求8所述的配色装置，其特征在于，所述装置还包括：训练模块，用于获取包含多个训练色块的色块训练集，所述训练色块包括与所述训练色块对应的配色方案；将所述训练色块输入初始的生成对抗网络，通过生成网络获得对应的训练输出色块及其配色方案；将所述训练色块和所述训练输出色块输入所述对抗网络，确定所述训练色块和所述第一输出色块的判别结果；基于所述判别结果对所述生成对抗网络进行单独交替迭代直至设置的损失函数满足收敛条件，获得训练后的所述生成对抗网络。
10.如权利要求8所述的配色装置，其特征在于，所述训练模块还用于确定所述训练色块和所述训练输出色块的色差是否满足设置范围，若否，则交替迭代执行通过生成网络获得对应的训练输出色块及其配色方案、以及将所述训练色块和所述训练输出色块输入所述对抗网络，直至所述设置的损失函数满足收敛条件，获得所述训练后的生成网络和所述训练后的对抗网络。
11.如权利要求8所述的配色装置，其特征在于，所述训练模块还用于根据设置的色差值作为标准损失函数的惩罚项，得到所述设置的损失函数。
12.如权利要求7所述的配色装置，其特征在于，所述处理模块还用于根据所述输出色块和所述待配色图像分别确定对应的第一颜色模型值和第二颜色模型值，基于色差公式确定所述第一颜色模型值和所述第二颜色模型值的色差是否满足设置范围。
13.一种计算机设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至6任一项所述的配色方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述配色方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910230724.8A CN111754589B (zh) | 2019-03-26 | 2019-03-26 | 配色方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910230724.8A CN111754589B (zh) | 2019-03-26 | 2019-03-26 | 配色方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754589A true CN111754589A (zh) | 2020-10-09 |
| CN111754589B CN111754589B (zh) | 2024-03-01 |
Family
ID=72671969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910230724.8A Active CN111754589B (zh) | 2019-03-26 | 2019-03-26 | 配色方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754589B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113542593A (zh) * | 2021-06-16 | 2021-10-22 | 深圳市景阳科技股份有限公司 | 一种图像处理方法、装置及终端设备 |
| CN114330147A (zh) * | 2022-03-10 | 2022-04-12 | 深圳市玄羽科技有限公司 | 模型训练方法、色彩配方的预测方法、系统、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130307866A1 (en) * | 2012-05-16 | 2013-11-21 | Kanon Kabushiki Kaisha | Color processing apparatus and color processing method |
| US20140168253A1 (en) * | 2012-12-18 | 2014-06-19 | Canon Kabushiki Kaisha | Color processing apparatus and method |
| CN107437265A (zh) * | 2017-08-04 | 2017-12-05 | 苏州大学 | 基于相似度量与权重衡量的彩色提花cad中的配色方法 |
| CN107945133A (zh) * | 2017-11-30 | 2018-04-20 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| WO2018113587A1 (zh) * | 2016-12-19 | 2018-06-28 | 北京市商汤科技开发有限公司 | 图像渲染方法、装置和系统 |
| CN108596984A (zh) * | 2018-03-21 | 2018-09-28 | 李荣陆 | 一种基于神经网络生成的自动配色装置 |
| CN108681991A (zh) * | 2018-04-04 | 2018-10-19 | 上海交通大学 | 基于生成对抗网络的高动态范围反色调映射方法及系统 |
| CN108875766A (zh) * | 2017-11-29 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理的方法、装置、系统及计算机存储介质 |
| 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 |
| CN109417586A (zh) * | 2016-06-30 | 2019-03-01 | 株式会社隆创 | 颜色变换系统、颜色变换装置以及颜色变换方法 |
-
2019
- 2019-03-26 CN CN201910230724.8A patent/CN111754589B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130307866A1 (en) * | 2012-05-16 | 2013-11-21 | Kanon Kabushiki Kaisha | Color processing apparatus and color processing method |
| US20140168253A1 (en) * | 2012-12-18 | 2014-06-19 | Canon Kabushiki Kaisha | Color processing apparatus and method |
| CN109417586A (zh) * | 2016-06-30 | 2019-03-01 | 株式会社隆创 | 颜色变换系统、颜色变换装置以及颜色变换方法 |
| WO2018113587A1 (zh) * | 2016-12-19 | 2018-06-28 | 北京市商汤科技开发有限公司 | 图像渲染方法、装置和系统 |
| CN107437265A (zh) * | 2017-08-04 | 2017-12-05 | 苏州大学 | 基于相似度量与权重衡量的彩色提花cad中的配色方法 |
| CN108875766A (zh) * | 2017-11-29 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理的方法、装置、系统及计算机存储介质 |
| CN107945133A (zh) * | 2017-11-30 | 2018-04-20 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| CN108596984A (zh) * | 2018-03-21 | 2018-09-28 | 李荣陆 | 一种基于神经网络生成的自动配色装置 |
| CN108681991A (zh) * | 2018-04-04 | 2018-10-19 | 上海交通大学 | 基于生成对抗网络的高动态范围反色调映射方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 张倩;宁芳;王斌;陈博慧;: "用户参与式Web品牌化色彩设计方法研究", 包装工程, no. 04 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113542593A (zh) * | 2021-06-16 | 2021-10-22 | 深圳市景阳科技股份有限公司 | 一种图像处理方法、装置及终端设备 |
| CN113542593B (zh) * | 2021-06-16 | 2023-04-07 | 深圳市景阳科技股份有限公司 | 一种图像处理方法、装置及终端设备 |
| CN114330147A (zh) * | 2022-03-10 | 2022-04-12 | 深圳市玄羽科技有限公司 | 模型训练方法、色彩配方的预测方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754589B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950638B (zh) | 基于模型蒸馏的图像分类方法、装置和电子设备 | |
| CN110399825B (zh) | 面部表情迁移方法、装置、存储介质及计算机设备 | |
| KR20200031163A (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
| CN113822284B (zh) | 一种基于边界注意力的rgbd图像语义分割方法 | |
| CN113129425B (zh) | 一种人脸图像三维重建方法、存储介质及终端设备 | |
| CN103778598B (zh) | 视差图改善方法和装置 | |
| CN110689136B (zh) | 一种深度学习模型获得方法、装置、设备及存储介质 | |
| CN112581593B (zh) | 神经网络模型的训练方法及相关设备 | |
| CN110852385B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN111754589A (zh) | 配色方法、装置、计算机设备及存储介质 | |
| CN105654460A (zh) | 点云拼接系统及方法 | |
| CN106504265A (zh) | 运动估计优化方法、设备和系统 | |
| CN114549291A (zh) | 图像处理方法、装置、设备以及存储介质 | |
| CN113156473B (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
| Li et al. | Data-driven ranking and selection: High-dimensional covariates and general dependence | |
| CN112927143A (zh) | 图像拼接方法、装置、电子设备及存储介质 | |
| CN112183603A (zh) | 痘痘类型识别模型训练方法及相关装置 | |
| CN113326832B (zh) | 模型训练、图像处理方法、电子设备及存储介质 | |
| CN112614197A (zh) | 图像生成方法、装置、计算机设备和存储介质 | |
| CN116050557A (zh) | 电力负荷预测方法、装置、计算机设备和介质 | |
| Zhang et al. | Mean field game for linear–quadratic stochastic recursive systems | |
| Shklyar et al. | On the conic section fitting problem | |
| Erdogan et al. | Comparison of convex combination and affine combination of adaptive filters | |
| CN111783711B (zh) | 基于身体部件层面的骨架行为识别方法及装置 | |
| CN116030150B (zh) | 虚拟形象生成方法、装置、电子设备和介质 |
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 |