CN112016621A - 分类模型的训练方法、颜色的分类方法及电子设备 - Google Patents

Abstract

分类模型的训练方法、颜色的分类方法及电子设备，该方法包括：获取样本数据，将所述样本数据输入至预置的颜色识别模型，确定所述样本数据中的目标颜色的第一类型值；将所述目标颜色的第一类型值输入到待训练的分类模型中进行训练，所述待训练的分类模型包括至少一个类簇；计算所述目标颜色的第一类型值与所述类簇的关联度；基于所述关联度，对所述目标颜色的第一类型值进行聚类；基于聚类结果更新所述类簇，以完成对所述待训练的分类模型的训练，通过训练好的模型可以对口红等颜色进行分类。

Description

分类模型的训练方法、颜色的分类方法及电子设备

技术领域

本申请涉及人工智能技术领域，尤其涉及分类模型的训练方法、颜色的分类方法及电子设备。

背景技术

唇部彩妆作为彩妆的核心品类，其线上消费额度不断提升，中国消费者对于唇部彩妆的需求也越来越高。发明人发现，品牌为了唇部彩妆的色号具有强识别度，对于不同颜色的产品有各种命名与定义，例如，不同品牌的某种口红实质上是一种颜色，但是却有着不同的叫法，因此，对于分析当前口红色流行趋势造成了一定的难度。口红色号流行趋势的研究能够进一步帮助品牌更好地把握口红色号的流行趋势，并且能够在研发新品、市场营销以及消费者定位上得到更精准的指导建议。

发明内容

本申请提供了一种分类模型的训练方法、颜色的分类方法及电子设备，本申请还提供一种计算机可读存储介质，以提供一种分类模型的训练方法，可以对不同品牌的各种口红颜色进行客观地、精准的分类，以方便进行后续分析。

第一方面，本申请提供了分类模型的训练方法，包括：

获取样本数据，将样本数据输入至预置的颜色识别模型，确定样本数据中的目标颜色的第一类型值；

将目标颜色的第一类型值输入到待训练的分类模型中进行训练，待训练的分类模型包括至少一个类簇；

计算目标颜色的第一类型值与类簇的关联度；

基于关联度，对目标颜色的第一类型值进行聚类；

基于聚类结果更新类簇，以完成对待训练的分类模型的训练。

进一步地，计算目标颜色的第一类型值与类簇的关联度，包括：

获取类簇的簇心；

计算目标颜色的第一类型值与每个类簇的簇心的第一距离度量，基于第一距离度量确定关联度，第一距离度量与关联度呈负相关。

进一步地，基于关联度，对目标颜色的第一类型值进行聚类，包括：

基于第一距离度量，确定第一距离度量中的最小距离度量；

基于最小距离度量，对目标颜色的第一类型值进行聚类。

进一步地，基于聚类结果更新类簇，包括：

将最小距离度量与预设阈值进行比较；

若最小距离度量大于预设阈值，增加类簇的数量。

进一步地，基于聚类结果更新类簇，包括：

将最小距离度量与预设阈值进行比较；

若最小距离度量小于或等于预设阈值，将目标颜色的第一类型值聚类到与最小距离度量对应的类簇。

进一步地，还包括：

获取类簇的簇心及类簇的每个第一类型值；

计算每个第一类型值与类簇的簇心的第二距离度量；

基于每个第二距离度量，获得第二距离度量的平均值；

基于第二距离的度量的平均值更新类簇的簇心。

第二方面，本申请提供了一种分类模型的训练装置，包括：

获取模块，用于获取样本数据，将样本数据输入至预置的颜色识别模型，确定样本数据中的目标颜色的第一类型值；

输入模块，用于将目标颜色的第一类型值输入到待训练的分类模型中进行训练，待训练的分类模型包括至少一个类簇；

计算模块，用于计算目标颜色的第一类型值与类簇的关联度；

聚类模块，用于基于关联度，对目标颜色的第一类型值进行聚类；

更新模块，用于基于聚类结果更新类簇，以完成对待训练的分类模型的训练。

第三方面，本申请提供了一种颜色的分类方法，包括：

获取待分类数据，将所述待分类数据输入至预置的颜色识别模型，确定所述待分类数据中的目标颜色的第一类型值；

将所述目标颜色的第一类型值输入到训练好的分类模型中，所述训练好的分类模型包括至少一个类簇；

获取所述类簇的簇心；

计算所述目标颜色的第一类型值与每个所述类簇的簇心的第一距离度量，基于所述第一距离度量确定所述关联度，所述第一距离度量与所述关联度呈负相关。

基于所述关联度，对目标颜色的第一类型值进行聚类；

其中，所述预置的分类模型是基于上述所述的训练方法训练获得

第四方面，本申请提供了一种电子设备，包括，

存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括指令，当所述移动电子设备从所述存储器中读取所述指令，以使得所述电子设备执行上述所述的方法

第五方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面所述的方法。

第六方面，本申请提供一种计算机程序，当所述计算机程序被计算机执行时，用于执行第一方面所述的方法。

在一种可能的设计中，第四方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。

附图说明

图1为本申请实施例提供的一种电子设备的结构示例图；

图2为本申请实施例提供的一种分类模型的训练方法的流程图；

图3为本申请实施例提供的另一种分类模型的训练方法的流程图；

图4为本申请实施例提供的获取的样本数据的示意图。

图5为本申请实施例提供的另一种分类模型的训练方法的流程图；

图6为本申请实施例提供的一种颜色的分类方法的流程图。

图7为本申请实施例提供的一种颜色的分类装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

唇部彩妆作为彩妆的核心品类，其线上消费额度不断提升，中国消费者对于唇部彩妆的需求也越来越高。随之而来的是唇部彩妆的产品的名称五花八门，品牌为了唇部彩妆的色号具有强识别度，对于不同颜色的产品有各种命名与定义，例如，不同品牌的某种口红实质上是一种颜色，但是却有着不同的叫法，因此，很难分析当前口红色流行趋势。口红色号流行趋势的研究能够进一步帮助品牌更好地把握口红色号的流行趋势，并且能够在研发新品、市场营销以及消费者定位上得到更精准的指导建议。

图1为本发明实施例提供的一种电子设备的示意图。如图1所示，该实施例的电子设备1包括：处理器11、存储器12以及存储在存储12中并可在处理器11上运行的计算机程序13，该计算机程序13被处理器11执行时实现实施例中的应用于分类模型的训练方法、颜色的分类方法，具体参见下文。

电子设备1包括，但不仅限于，处理器11、存储器12。本领域技术人员可以理解，图1仅仅是电子设备的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备1还可以包括输入输出设备、网络接入设备、总线等。

所称处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

存储器12可以是电子设备1的内部存储单元，例如电子设备1的硬盘或内存。存储器12也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12用于存储计算机程序以及电子设备1所需的其他程序和数据。存储器12还可以用于暂时地存储已经输出或者将要输出的数据。

参见图2，图2涉及本申请分类模型的训练方法一个实施例的流程图，该方法可用于上述电子设备，具体包括：

步骤202，获取样本数据，将样本数据输入至预置的颜色识别模型，确定样本数据中的目标颜色的第一类型值。

该样本数据包括但不限于包含目标颜色的图片、视频等等，该目标颜色为需要进行分类的颜色，例如口红色号等。

具体地，将包括口红色的图像输入到现有的颜色识别模型中，获得目标颜色的第一类型值，需要说明的是，该颜色的类型值包括但不限于RGB值、LAB值以及其他色彩空间的颜色值。

步骤204，将目标颜色的第一类型值输入到待训练的分类模型中进行训练，待训练的分类模型包括至少一个类簇；

步骤206，计算目标颜色的第一类型值与所述类簇的关联度。

步骤208，基于所述关联度，对目标颜色的第一类型值进行聚类；

步骤210，基于聚类结果更新所述类簇，以完成对所述待训练的分类模型的训练。

通过上述方法，可以最终得到能够对颜色进行分类的模型，该训练模型可以对目标颜色进行分类，例如，将某种口红色输入到该训练好的模型，该模型可以通过计算口红色的第一类型值与模型下类簇的关联度，基于关联度对口红色进行分类，解决了现有技术中口红颜色命名杂乱的问题。基于此，可以进一步地分析当前口红的流行趋势。

参见图3，图3涉及本申请分类模型的训练方法另一个实施例的流程图，该方法包括：

步骤302，获取样本数据，将样本数据输入至预置的颜色识别模型，确定样本数据中的目标颜色的第一类型值

上文已经示出该样本数据包括但不限于具有目标颜色的图片、视频等等，该目标颜色为需要进行分类的颜色，例如口红色，图像中包括多种口红色，也可以仅包括单个口红颜色。具体地，获取包含口红的图像的方法非常多样，在一个示例中，通过爬取的方式，在各口红的官网获取口红的颜色的种类，具体地，爬取线上主流彩妆品牌唇部彩妆产品的官方图片，例如，某品牌官网、天猫官方旗舰店、各大权威美妆平台，在获得上述图像后，建立唇部彩妆的产品库，包含唇膏、唇釉、唇蜜等细分品类。该获取的图像可以覆盖市面上大部分品牌，并且可阶段性的更新新产品，不断丰富产品数量，品牌覆盖高端线、大众线、国货线等。

参见图4，图4涉及从某种口红官网获得的包含口红颜色的图片，该图片中口红颜色主要分类在三处，口红的膏体402、与膏体402的颜色相对应的唇部颜色404以及与膏体402的颜色相对应的色块406的颜色。需要说明的是，膏体上的颜色、膏体涂在唇部的颜色以及商品色块的颜色虽然指示的是一种口红颜色，但是具体显示的颜色稍有不同，即显示的颜色可能并不一致，例如，将口红膏体涂抹在嘴唇上后，由于嘴唇本来具有一定的颜色，两种颜色可能会叠加，因此在视觉上，膏体上的颜色可能具有稍微差异。由此，为了从图片中获得口红色的类型值更为精准，可以将上述三处的颜色的类型值进行加权平均处理，以提高训练颜色分类模型的训练精度。

在一个实施中，可以直接获得上述第一类型值，通过现有的颜色识别模型来直接识别目标颜色的第一类型值。当然，也可以间接获得上述第一类型值，例如，将包括口红色的照片输入到现有的颜色识别模型中，获得该目标颜色的另一种类型值，然后将该目标颜色的另一种类型值转化为第一类型值，示例性地，该目标颜色的第一类型值为Lab值，该Lab可以直接获得，也可以由该另一种类型值转化获得，如通过将目标颜色的RGB值转化为目标颜色的Lab值。目前口红颜色大概200-300种，每一种口红颜色都具有相对应的RGB值和Lab值。

需要说明的是，RGB的是由红色通道(R)、绿色通道(G)、蓝色通道(B)组成的。RGB颜色空间以R(Red:红)、G(Green:绿)、B(Blue:蓝)三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模式。在大自然中有无穷多种不同的颜色，而人眼只能分辨有限种不同的颜色，RGB模式可表示一千六百多万种不同的颜色，在人眼看来它非常接近大自然的颜色，故又称为自然色彩模式。红绿蓝代表可见光谱中的三种基本颜色或称为三原色，每一种颜色按其亮度的不同分为256个等级。当色光三原色重叠时，由于不同的混色比例能产生各种中间色，

而LabLab颜色模型是由CIE(国际照明委员会)制定的一种色彩模式。自然界中任何一点色都可以在Lab空间中表达出来，它的色彩空间比RGB空间还要大。另外，这种模式是以数字化方式来描述人的视觉感应，与设备无关，所以它弥补了RGB和CMYK模式必须依赖于设备色彩特性的不足。Lab色彩空间(英语：Lab color space)是颜色-对立空间，带有维度L表示亮度，a和b表示颜色对立维度，基于了非线性压缩的CIE XYZ色彩空间坐标。不像RGB和CMYK色彩空间，Lab颜色被设计来接近人类视觉。它致力于感知均匀性，它的L分量密切匹配人类亮度感知。因此可以被用来通过修改a和b分量的输出色阶来做精确的颜色平衡，或使用L分量来调整亮度对比。这些变换在RGB或CMYK中是困难或不可能的——它们建模于物理设备的输出，而不是人类的视觉感知。

步骤304，将目标颜色的第一类型值输入到待训练的分类模型中进行训练，待训练的分类模型包括至少一个类簇。

具体地，本申请中每一个类簇表示一种目标颜色。以口红色为例，现有口红种类为200-300种，该待训练模型训练完毕后，训练好的模型会包括该200-300个类簇。在分类模型的训练过程中，每个类簇下的第一类型值的数量随着样本数据的输入而变大。需要说明的是，每个类簇包括一个簇心，当分类模型训练好时，每个类簇的簇心为该类簇中最为精准的点，最能够说明类簇所指示的目标颜色。

在一个实施例中，在初始训练时，可根据样本数据的数量，选择若干个目标颜色的第一类型值，作为簇心，示例性地，选择当前最热销的若干个口红色的Lab值作为初始的簇心。

步骤306，获取所述类簇的簇心，计算目标颜色的第一类型值与每个类簇的簇心的第一距离度量，基于所述第一距离度量确定关联度，所第一距离度量与所述关联度呈负相关。

该第一距离度量用于指示目标颜色的第一类型值与每个类簇的簇心的距离，换言之，该第一距离度量表示目标颜色和每个类簇的簇心所指示的颜色的接近程度。例如，颜色越接近，距离度量越小，反之，距离度量越大。

以口红颜色为目标颜色为例，样本数据中的一个口红色的第一类型值距离每个类簇的簇心距离越近，二者的关联程度越大。

需要说明的是，该距离度量包括欧式距离，计算该关联度并不限于该欧式距离，还可以通过其他度量，例如余弦距离等等，在此，不进行限定。

步骤308，基于第一距离度量，确定第一距离度量中的最小距离度量，基于所最小距离度量，对目标颜色的第一类型值进行聚类。

上文已经示出，第一距离度量用于指示目标颜色的第一类型值与每个类簇的簇心的距离，在该步骤中，确定目标颜色的第一类型值到每个类簇的簇心第一距离度量中的最小距离度量，该目标颜色的第一类型值就属于该最小距离度量对应的类簇。

以目标颜色为口红色，第一类型值为Lab值为例，该第一距离度量可通过下列公式计算，

L代表亮度，a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值)；b是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)，ΔE即为两个点之间的距离度量。

步骤310，将最小距离度量与预设阈值进行比较，若最小距离度量大于预设阈值，增加所述类簇的数量。

该步骤主要用于判断是否需要增加新的类簇，具体地，该步骤通过设定一个阈值来判断，该最小距离度量大于该预设阈值，说明该第一类型值不属于任何一个类簇，需要增加一个新的类簇，来对该第一类型值进行分类。

在一个实施例中，将不属于任何类簇的第一类型值，设为新的类簇的簇心。

参见图5，具体地涉及本申请分类模型的训练方法另一个实施例的流程图。

其中，步骤502-508与图3中的步骤302-308相同，在此不再赘述。

在步骤510中，将最小距离度量与预设阈值进行比较，若最小距离度量小于或等于预设阈值，将目标颜色的第一类型值聚类到与最小距离度量对应的类簇。

该步骤主要用于判断目标颜色的分类标准，即如何将第一类型值聚类到与最小距离度量对应的类簇。上文已经示出了计算距离度量ΔE的一种方法，通过Lab计算的ΔE可表示人眼对颜色的差值，其中，可以设置ΔE的范围，例如，ΔE范围0—1人眼色差感觉极微；ΔE范围1-3人眼能感受色差，但较为轻微；ΔE范围3—6人眼感觉色差比较明显；ΔE范围越大，感觉色差越强烈。此处的ΔE会根据人眼对颜色差别的明显区分作为参考取值，可以设定色差区间ΔE范围小于或等于6。

即当ΔE小于6时，就可以确定目标颜色所属的类簇，即上述预设阈值设置为6，目标颜色的第一类型值与其所属的类簇的簇心的最小距离度量小于或等于6时，将目标颜色的第一类型值聚类到与最小距离度量对应的类簇。

在一个实施例中，目标颜色(如图像中的口红颜色)的RGB值为(205,12,19)，判断与其最小距离度量对应的类簇的RGB值为(205,13,20)，通过上述公式可以计算出ΔE为0.33，肉眼颜色差异不强烈，则将目标颜色分类在RGB值为(205,13,20)颜色组内。具体的计算方法，可以将RGB转化为Lab计算，上文已经示出，在此，不进行限定。

在一个非限制实施例中，在上述所示的任意一个分类模型的训练方法的步骤中，还可以包括以下步骤：获取类簇的簇心及类簇的每个第一类型值，计算每个第一类型值与类簇的簇心的第二距离度量，基于每个所述第二距离度量，获得所述第二距离度量的平均值，基于所述第二距离的度量的平均值更新所述类簇的簇心。

该步骤的目的是调整簇心的精度，在每一次输入样本数据后，将样本数据分类给某一类簇，由于每次新增加的第一类型值距离簇心的最小距离度量不同，不调节簇心精度的话，会造成训练后的模型精确度不高，因此，可以在每一次将样本数据分类后，调节簇心的位置。具体地，单个类簇进行调节簇心的位置的方法可计算每个第一类型值与该类簇的簇心的第二距离度量，该第二距离度量与上述第一距离度量的计算方法一致，在此不在赘述，然后计算第二距离的度量的平均值，基于该第二距离的度量的平均值，该类簇重新确定簇心。

参照图6，本申请另一方面提出了一种分类方法，包括：

步骤602，获取待分类数据，将所述待分类数据输入至预置的颜色识别模型，确定所述待分类数据中的目标颜色的第一类型值；

步骤604，将所述目标颜色的第一类型值输入到训练好的分类模型中，所述训练好的分类模型包括至少一个类簇；

步骤606，获取所述类簇的簇心；

步骤608，计算所述目标颜色的第一类型值与每个所述类簇的簇心的第一距离度量，基于所述第一距离度量确定所述关联度，所述第一距离度量与所述关联度呈负相关。

步骤610，基于所述关联度，对所述目标颜色的第一类型值进行聚类。

需要说明的是，该模型的训练可以通过上述公开的训练方法训练。

另一方面，本申请还提供了一种分类模型的训练装置，

获取模块702，用于获取样本数据，将样本数据输入至预置的颜色识别模型，确定样本数据中的目标颜色的第一类型值；

输入模块704，用于将目标颜色的第一类型值输入到待训练的分类模型中进行训练，待训练的分类模型包括至少一个类簇；

计算模块706，用于计算目标颜色的第一类型值与类簇的关联度；

聚类模块708，用于基于关联度，对目标颜色的第一类型值进行聚类；

更新模块710，用于基于聚类结果更新类簇，以完成对待训练的分类模型的训练。

可以理解的是，上述电子设备等为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。

本申请实施例可以根据上述方法示例对上述电子设备等进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请实施例各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种分类模型的训练方法，其特征在于，包括：

获取样本数据，将所述样本数据输入至预置的颜色识别模型，确定所述样本数据中的目标颜色的第一类型值；

将所述目标颜色的第一类型值输入到待训练的分类模型中进行训练，所述待训练的分类模型包括至少一个类簇；

计算所述目标颜色的第一类型值与所述类簇的关联度；

基于所述关联度，对所述目标颜色的第一类型值进行聚类；

基于聚类结果更新所述类簇，以完成对所述待训练的分类模型的训练。

2.根据权利要求1所述的训练方法，其特征在于，所述计算所述目标颜色的第一类型值与所述类簇的关联度，包括：

获取所述类簇的簇心；

计算所述目标颜色的第一类型值与每个所述类簇的簇心的第一距离度量，基于所述第一距离度量确定所述关联度，所述第一距离度量与所述关联度呈负相关。

3.根据权利要求2所述的训练方法，其特征在于，基于所述关联度，对所述目标颜色的第一类型值进行聚类，包括：

基于所述第一距离度量，确定所述第一距离度量中的最小距离度量；

基于所述最小距离度量，对所述目标颜色的第一类型值进行聚类。

4.根据权利要求3所述的训练方法，其特征在于，所述基于聚类结果更新所述类簇，包括：

将所述最小距离度量与预设阈值进行比较；

若所述最小距离度量大于预设阈值，增加所述类簇的数量。

5.根据权利要求3所述的训练方法，其特征在于，所述基于聚类结果更新所述类簇，包括：

将所述最小距离度量与预设阈值进行比较；

若所述最小距离度量小于或等于所述预设阈值，将所述目标颜色的第一类型值聚类到与所述最小距离度量对应的类簇。

6.根据权利要求1-5任一项所述的训练方法，其特征在于，还包括：

获取所述类簇的簇心及所述类簇的每个所述第一类型值；

计算每个所述第一类型值与所述类簇的簇心的第二距离度量；

基于每个所述第二距离度量，获得所述第二距离度量的平均值；

基于所述第二距离的度量的平均值更新所述类簇的簇心。

7.一种颜色的分类方法，包括：

获取待分类数据，将所述待分类数据输入至预置的颜色识别模型，确定所述待分类数据中的目标颜色的第一类型值；

将所述目标颜色的第一类型值输入到预置的分类模型中，所述预置的分类模型包括至少一个类簇；

获取所述类簇的簇心；

计算所述目标颜色的第一类型值与每个所述类簇的簇心的第一距离度量，基于所述第一距离度量确定所述关联度，所述第一距离度量与所述关联度呈负相关；

基于所述关联度，对所述目标颜色的第一类型值进行聚类；

其中，所述预置的分类模型是基于权利要求1-6任一项所述的训练方法训练获得。

8.一种电子设备，其特征在于，包括：存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括指令，当所述电子设备从所述存储器中读取所述指令，以使得所述电子设备执行如权利要求1-6任一项所述的方法或者使得所述电子设备执行如权利要求7所述的方法。

9.一种计算机可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1-6任一项所述的方法或者使得所述电子设备执行如权利要求7所述的方法。

10.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-6任一项所述的方法或者使得所述计算机执行如权利要求7所述的方法。

Images