CN112328345B - 用于确定主题色的方法、装置、电子设备及可读存储介质 - Google Patents
用于确定主题色的方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112328345B CN112328345B CN202011202738.8A CN202011202738A CN112328345B CN 112328345 B CN112328345 B CN 112328345B CN 202011202738 A CN202011202738 A CN 202011202738A CN 112328345 B CN112328345 B CN 112328345B
- Authority
- CN
- China
- Prior art keywords
- color
- theme
- quantized
- sample
- image
- 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.)
- Active
Links
- 239000003086 colorant Substances 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013139 quantization Methods 0.000 claims abstract description 39
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000009877 rendering Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了用于确定主题色的方法、装置、电子设备及计算机可读存储介质，涉及计算机视觉和深度学习技术领域。该方法的一具体实施方式包括：获取待确定主题色的目标图像；提取该目标图像的量化色；利用预设的主题色确定模型确定与该量化色对应的主题色，该主题色确定模型用于表征图像的量化色和主题色至少在色彩特征上的关联关系。该实施方式利用量化色与主题色至少在色彩特征上的关联关系，来从多个量化色中选取出最适合作为目标图像的主题色，基于色彩特征上的关联关系，可以使得确定出的主题色更加准确，从而提升视觉效果和用户体验。
Description
技术领域
本申请涉及人工智能领域，具体涉及计算机视觉、深度学习技术领域，尤其涉及用于确定主题色的方法、装置、电子设备及计算机可读存储介质。
背景技术
为提升用户体验、增强用户对界面、呈现效果的自定义能力，多数应用都允许应用上传自己的自定义图像，并将其作为用户对外展示的头像或界面背景等。
如何使整体的应用界面环境与用户上传的自定义图像相匹配，从而为用户提供更好的视觉效果和使用体验，是本领域技术人员的研究重点。
发明内容
本申请实施例提出了一种用于确定主题色的方法、装置、电子设备及计算机可读存储介质。
第一方面，本申请实施例提出了一种用于确定主题色的方法，包括：获取待确定主题色的目标图像；提取目标图像的量化色；利用预设的主题色确定模型确定与量化色对应的主题色；其中，主题色确定模型用于表征图像的量化色和主题色至少在色彩特征上的关联关系。
第二方面，本申请实施例提出了一种用于确定主题色的装置，包括：目标图像获取单元，被配置成获取待确定主题色的目标图像；量化色提取单元，被配置成提取目标图像的量化色；主题色确定单元，被配置成利用预设的主题色确定模型确定与量化色对应的主题色；其中，主题色确定模型用于表征图像的量化色和主题色至少在色彩特征上的关联关系。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的用于确定主题色的方法。
第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的用于确定主题色的方法。
本申请实施例提供的用于确定主题色的方法、装置、电子设备及计算机可读存储介质，首先，获取待确定主题色的目标图像；然后，提取所述目标图像的量化色；最后，利用预设的用于表征图像的量化色和主题色至少在色彩特征上的关联关系的主题色确定模型，确定与该量化色对应的主题色。该实施例利用量化色与主题色至少在色彩特征上的关联关系，来从多个量化色中选取出最适合作为目标图像的主题色，基于色彩特征上的关联关系，可以使得确定出的主题色更加准确，从而提升视觉效果和用户体验。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构；
图2为本申请实施例提供的一种用于确定主题色的方法的流程图；
图3为本申请实施例提供的另一种用于确定主题色的方法的流程图；
图4为本申请实施例提供的又一种用于确定主题色的方法的流程图；
图5为本申请实施例提供的一种用于确定主题色的装置的结构框图；
图6为本申请实施例提供的一种适用于执行用于确定主题色的方法的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于确定主题色的方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如社交类应用、个人空间类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务，以可以提供基于用户上传的目标图像确定显示界面主题色服务的社交类应用为例，服务器105在运行该社交类应用时可实现如下效果：首先，通过网络104从终端设备101、102、103中接收传入的待确定主题色的目标图像；然后，提取该目标图像的量化色；接着，利用预设的用于表征图像的量化色和主题色至少在色彩特征上的关联关系的主题色确定模型，确定与该量化色对应的主题色；最后，基于确定出的主题色渲染显示该目标图像的显示界面的其它可变色区域。
需要指出的是，待确定主题色的目标图像除可以从终端设备101、102、103通过网络104获取到之外，也可以通过各种方式预先存储在服务器105本地。因此，当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理主题色确定任务)，可选择直接从本地获取这些数据，在此种情况下，示例性系统架构100也可以不包括终端设备101、102、103和网络104。
本申请后续各实施例所提供的用于确定主题色的方法一般由服务器105来执行，相应地，用于确定主题色的装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有同样的通过主题色确定模型确定出主题色的能力时，终端设备101、102、103也可以通过其上安装的应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下，但社交类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时，可以让终端设备来执行上述运算，从而适当减轻服务器105的运算压力，相应的，用于确定主题色的装置也可以设置于终端设备101、102、103中。在此种情况下，示例性系统架构100也可以不包括服务器105和网络104。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
请参考图2，图2为本申请实施例提供的一种用于确定主题色的方法的流程图，其中流程200包括以下步骤：
步骤201：获取待确定主题色的目标图像；
本步骤旨在由用于确定主题色的方法的执行主体(例如图1所示的服务器105)从存储有待确定主题色的目标图像的存储设备(例如图1所示的终端设备101、102、103)中获取该目标图像。
其中，该目标图像可以为用户选定的充当自身形象的图像(例如用户头像)，目标图像也可以为用户选定的作为界面呈现背景的图像，等等。目标图像除可由用户通过终端设备实时上传直接得到外，也可以由用户向上述执行主体发送可下载到该目标图像的网络存储地址间接得到。
步骤202：提取目标图像的量化色；
在步骤201的基础上，本步骤旨在由上述执行主体从目标图像上提取得到量化色。具体的，可通过八叉树、中位切分等量化算法，或K-means、fuzzy、C-means等聚类算法来实现量化色的提取。
在采用上述算法提取目标图像的量化色之前，为了提升提取出的量化色的效果，还可以对目标图像进行便于量化色提取的预处理，例如去噪点、滤波等手段。
由于用作主题色提取的目标图像很少为纯色图像或少数色图像，大多数均拥有至少5种以上的颜色，因此提取出的量化色数量通常也是多种。
步骤203：利用预设的主题色确定模型确定与量化色对应的主题色。
在步骤202的基础上，本步骤旨在利用表征图像的量化色和主题色至少在色彩特征上的关联关系的主题色确定模型，来确定适合作为目标图像的主题色的量化色。该主题色确定模型可采用多种模型框架来构建，例如线性拟合模型、非线性拟合模型、回归模型、深度学习算法模型中的任一种。
其中，色彩特征为多种与颜色相关的特征的统称，可包括色彩分布、色彩差异、色彩显著度等多种具体的色彩特征，由于主题色也是提取自目标图像的一种颜色，因此该主题色确定模型至少应能够表征量化色与主题色在色彩特征上的关联性，从而确定出哪种量化色更加接近主题色、最适合作为主题色。
当然，在该主题色确定模型具有表征量化色和主题色至少在色彩特征上的关联关系的基础上，考虑到用户查看按主题色渲染后的显示界面时的焦点位置往往是在中心，以及用户在选定目标图像时往往是首先看到其中心区域的部分内容，即图像不同区域的部分图像具有不同的区域显著度，因此，还可以使主题色确定模型在确定关联性时考虑区域显著度对关联性的影响。
具体的，在利用主题色确定模型确定目标图像的主题色时，可利用主题色确定模型分别输出每个量化色的实际评分，该实际评分的大小代表了该量化色与主题色的近似程度，然后将各实际评分中最高评分的量化色确定为主题色。当然，也可以选用诸如划分等级等其它方式来表示量化色与主题色的近似程度。
进一步的，在确定主题色之后，还可以根据主题色和目标图像的实际呈现场景，来调整目标图像周边区域的主题色呈现效果，从而为用户呈现与实际应用场景更匹配的主题色呈现效果，例如当目标图像为用户头像时，显示该用户图像的界面所选用的主题色的渲染效果就应区别于当目标图像为背景图像的情况。
本申请实施例提供的用于确定主题色的方法，利用量化色与主题色至少在色彩特征上的关联关系，来从多个量化色中选取出最适合作为目标图像的主题色，基于色彩特征上的关联关系，可以使得确定出的主题色更加准确，从而提升视觉效果和用户体验。
请参考图3，图3为本申请实施例提供的另一种用于确定主题色的方法的流程图，其中流程300包括以下步骤：
步骤301：分别获取样本图像的样本量化色和样本主题色；
本步骤旨在由上述执行主体分别从每张样本图像中，分别获取该样本图像的样本量化色和样本主题色。其中，样本量化色可通过诸如八叉树、K-means等算法直接提取得到，样本主题色则是由专业的设计师基于自身的主题色确定的相关知识结合长期的用户体验总结，给定的某一种颜色。
进一步的，还可以通过增加设计师数量、分别在不同应用场景下来确定主题色等方式来提升确定出的样本主题色的准确性。
步骤302：获取相同的样本图像的样本量化色与样本主题色的欧氏距离，并根据欧式距离换算得到近似度得分；
在步骤301的基础上，本步骤旨在由上述执行主体分别获取每张样本图像的样本量化色与样本主题色的欧式距离，并根据该欧式距离换算得到每种样本量化色与唯一的样本主题色之间的近似度得分。
其中，欧式距离是一种在向量描述空间下的向量差的描述方式，由于样本量化色和样本主题色都是颜色，因此可选用合适的颜色空间来分别以向量形式描述该样本量化色和样本主题色。
具体的，该欧式距离可由多个子向量构成，每个子向量分别表示样本量化色和样本主题色在颜色空间中的某中色彩特征，例如色相、饱和度、亮度等。
步骤303：从相同的样本图像的样本量化色和样本主题色中提取色彩分布参数、色彩差异参数、色彩显著度参数；
在步骤301的基础上，本步骤旨在由上述执行主体分别从每张样本图像的样本量化色和样本主题色中，分别提取到各自的色彩分布参数，色彩差异参数、色彩显著度参数，例如将从样本量化色中提取出的色彩分布参数、色彩差异参数、色彩显著度参数分别命名为第一色彩分布参数、第一色彩差异参数、第一色彩显著度参数，而将从样本量化中提取出的各参数区别的命名为第二色彩分布参数、第二色彩差异参数、第二色彩显著度参数。
其中，色彩分布参数用于描述使用量化色在原图的对应像素位置进行重新着色后，每种量化色在着色后的图像中的面积占比；色彩差异参数用于描述使用量化色在原图的对应像素位置进行重新着色后，着色后的图像与原图的色彩差异；色彩显著度参数则用于描述不同色彩对用户视觉角点的不同吸引程度。
步骤304：基于色彩分布参数、色彩差异参数、色彩显著度参数的差异，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征上的关联关系的主题色确定模型；
在步骤302和步骤303的基础上，本步骤旨在由上述执行主体基于上述三种具体的色彩特征的差异，来拟合相应的样本图像的样本主题色与样本量化色之间的近似度得分，以期通过拟合来寻找得到该近似度得分的普适性原因。
例如样本图像X的样本量化色得分A与样本主题色B之间的近似度得分为95分(百分制)，但是该样本图像X的样本量化色C与样本主题色B之间的近似度得分仅有50分，经上述拟合发现，近似度得分的分数较低主要是因为样本量化色A与样本主题色B的色彩分布参数的差异较小，且两种颜色拥有相近的色彩显著度参数。
步骤305：获取待确定主题色的目标图像；
步骤306：提取目标图像的量化色；
步骤307：利用预设的主题色确定模型确定与量化色对应的主题色。
以上步骤305-307与如图2所示的步骤201-203一致，相同部分内容请参见上一实施例的相应部分，此处不再进行赘述。
在上述实施例的基础上，本实施例通过步骤301-步骤304给出了一种具体的构建主题色确定模型的实现方案，该主题色确定模型使用了色彩分布、色彩差异和色彩显著度三种具体的色彩特征，来表征相同样本图像的样本量化色与样本主题色的关联关系，并通过拟合的过程找到得到偶然性结果的普适性原因，从而提升了确定出的主题色的准确性。
请参考图4，图4为本申请实施例提供的又一种用于确定主题色的方法的流程图，其中流程400包括以下步骤：
步骤401：分别获取样本图像的样本量化色和样本主题色；
步骤402：获取相同的样本图像的样本量化色和样本主题色的欧氏距离，并根据欧式距离换算得到近似度得分；
步骤403：从相同的样本图像的样本量化色和样本主题色中提取色彩分布参数、色彩差异参数、色彩显著度参数；
以上步骤401-403与如图3所示的步骤301-303一致，相同部分内容请参见上一实施例的相应部分，此处不再进行赘述。
步骤404：将样本图像划分为多个不同的样本图像区域；
本步骤旨在由上述执行主体将每个样本图像划分为多个不同的样本图像区域。本步骤实质上对样本图像进行完整的图像分割(即分割出的各样本图像区域之间不重叠)，并不限定图像分割方式的具体方式，可按照2×2的方式将样本图像分割为4个相同大小的样本图像区域，也可以按照2×3的方式将样本图像分割为6个大小不完全相同的样本图像区域，划分出的样本图像区域也不一定要是矩形，也可以是各种形状，只要能够满足图像分割的目的即可。
步骤405：分别为不同的样本图像区域设置不同的区域显著度权值；
在步骤404的基础上，本步骤旨在由上述执行主体分别为不同的样本图像区域设置不同的区域显著度权值，其中，不同的图像区域的区域显著度权值的大小与该图像区域被用户视觉焦点的注视程度相关。例如位于完整的样本图像的中心部分的中心图像区域通常获取到最多的用户注视，绝大多数用户的第一眼就是看向中心图像区域，因此中心图像区域理应被设置相对较高的区域显著度权值，反之左右两侧边缘的边缘图像区域则应被设置相对较低的区域显著度权值。
步骤406：基于色彩分布参数、色彩差异参数、色彩显著度的差异和区域显著度权值，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征和区域显著度特征上的关联关系的主题色确定模型；
在步骤403和步骤405的基础上，本步骤旨在由上述执行主体基于上述三种具体的色彩特征的差异和不同图像区域的区域显著度权值，来拟合相应的样本图像的样本主题色与样本量化色之间的近似度得分，以期通过拟合来寻找得到该近似度得分的普适性原因。
步骤407：获取待确定主题色的目标图像；
步骤408：提取目标图像的量化色；
步骤409：利用预设的主题色确定模型确定与量化色对应的主题色。
以上步骤407-409与如图2所示的步骤201-203一致，相同部分内容请参见上一实施例的相应部分，此处不再进行赘述。
区别于如图3所示的实施例，本实施例通过增加的步骤404和步骤405在色彩特征的基础上，还考虑到了每种量化色的分布在样本图像不同位置时的不同影响，从而更加符合用户实际的浏览体验，从而确定出用户更加满意的主题色。
在如图3和图4所示的两实施例的基础上，本申请还针对如何获取到样本量化色与样本主题色的欧式距离，给出了一种包括但不限于的具体实现方式：
获取样本量化色在HSV空间中的第一色相分量、第一饱和度分量和第一亮度分量；
获取样本主题色在HSV空间中的第二色相分量、第二饱和度分量和第二亮度分量；
根据相同的样本图像的第一色相分量与第二色相分量的子欧式距离、第一饱和度分量与第二饱和度分量的子欧式距离、第一亮度分量与第二亮度分量的子欧式距离，计算得到欧氏距离。
上述实现方式选择了在HSV(Hue Saturation Value，色相、饱和度、亮度)颜色空间来描述量化色和主题色分别在色相、饱和度和亮度特征，并分别以分向量来表示，最终通过计算各分量之间的欧式距离来得到最终的欧式距离。
另外，除上述给出的在HSV颜色空间下描述欧式距离的方式外，也可以根据实际应用场景下所有可能存在的特殊要求，换用RGB(Red、Green、Blue，红绿蓝)、XYZ、YUV颜色空间等其它颜色空间，也可以采用其它可实现相同效果的差异表示方式来代替欧式距离，此处不再一一赘述。
为加深理解，本申请还结合一个具体应用场景，给出了一种具体的实现方案。
为解决应采用图片中的哪种颜色作为主题色这个问题，主要采用视觉设计师指定的方式确定标准的主题色，即通过多位设计师对图片的理解，分别选出训练集图片的主题色；然后，对该图片进行色彩量化，从而得到图片的量化色作为主题色的候选集；接着，针对该图片训练集，计算每种量化色的相关特征以及得分(得分指的是量化色与设计师指定颜色的相关度)；最后，通过线性拟合的方式进行模型训练，获得预测模型，以期后续可以直接用于提取测试集图片，针对测试集图片的量化色进行主题色评判选取。
为实现上述目的，以下将展开说明各步骤的具体实现过程：
1、实验数据的构建
由于本实施例需要构建的主题色确定模型主要为了更好的适应工程页面的应用，因此需要更好的适应设计师的审美标准。为了收集提取主题色相关的数据集，寻找了6位资深的视觉设计师(3位男性、3位女性)分别针对100张图片(40张人物图像、30张视频或书籍封面、30张景色图，以尽可能的覆盖工程产品页面经常需要的数据图片)进行主题色提取，直接设定他们觉得最合理的图片主题色，将这个主题色作为图片的期望主题色。
经结果比较发现，不同的设计师选取的主题色在色相上差异不大，主要是在色彩饱和度和色彩亮度上存在差异，这与每个设计师的审美、设计习惯、日常的产品设计的不同都有关系。
2、色彩相关性判断标准
因为设计师比普通用户更加重视色彩的饱和度和亮度，本实施例将两个不同的主题色在HSV空间中色相、饱和度、亮度这三个分量的欧式距离作为这两个主题色的差异度。针对一个图片，算法模型提取出的主题色与全部设计师提取的主题色的距离的平均值用来衡量提取的差异性，计算公式为：
其中，p为给定的主题色，N为设计师从测试数据中提取主题色集合，n为集合中的其中一种主题色。distHSVp→n是主题色p和主题色n在HSV色彩空间中，三个色彩分量的欧式距离。distHSVmax上述欧式距离的最大值，因为色相的取值范围为0～360，饱和度和亮度的范围都为0～100，所以距离最大值为常量386.8。
3、色彩量化提取侯选色
通过八叉树、k-means等色彩量化方法，分别对图片进行色彩量化，获取N种量化色，将这N种量化色作为候选色，分别通过上述计算score的公式获取每个候选色与视觉设计师评定的颜色的相似程度，即颜色的得分。
4、特征提取与拟合
采用Lasso(Least absolute shrinkage and selection operator，套索算法)模型针对训练集进行线性模型拟合。在已经获得了色彩量化获取的候选色的分值score的基础上，后续需要针对每一种量化候选色提取相关特征，获取一组特征向量V，针对特征向量中的每一个特征vi会有一个参数ki来标示特征的重要性，计算表达式如下：
k1v1+k2v2+…+knvn+b＝score；
考虑到图片不同的区域受视觉的关注程度不一样，本文将特征图片按3×3的方式分为9个区域，分别用符号Di,i∈(1,2,…,9)表示这9个区域。
将图像中源色彩替换成相应量化后的颜色，以此为基础，在特征提取方面，发现主要有三个方面影响到：色彩分布、色彩差异、色彩显著度。针对这三个方面，分别计算在图片划分后的9个区域的特征值，并结合图片整体的特征值，获取每个方面的特征值的集合。下面将详细描述上述三个方向的提取规则：
4.1、色彩分布
本实施例所指的色彩分布的含义为：图片进行色彩量化获得量化色后，使用量化色在原图的对应像素位置进行重新着色，每种量化色在该图片区域的面积占比。主要分为子区域的分布和整体区域占比。其中子区域色彩分布的计算公式如下：
公式中，dstr(p,Di)代表量化色p区域Di的色彩分布，area(p,Di)代表量化色p在区域i的数量占比，maxArea(Di)代表区域Di的总像素数。
在计算完各个区域的色彩分布之后，针对某一种量化色在整张图片的色彩分布公式为：
dstr(p,D)代表量化色p在整个图片区域D的色彩分布，number代表色彩区域的数量，本文取值为9。
4.2、色彩差异
本实施例所指的色彩差异的含义为：图片完成量化后，量化色与原先色彩的差异度。色彩差异的主要包括颜色在HSV色彩空间中色彩整体差异度以及色相(H)、饱和度(S)、亮度(V)三个分量的差异度。针对差异度，我们同样针对前面划分的9个区域进行分别计算每个位置的色彩差异，然后对计算出的差异值进行从大到小排序，分别获取前5％、后5％的平均值，以及总体差异值的平均值作为特征值。相关计算公式如下：
式中，maxn|minn代表差异值较大或者较小的前百分之n，absDiffmax代表差异度绝对值的最大值，vorgn为原像素的值，vqtd为量化后像素对应的值。
4.3、色彩显著度
本实施例所指的色彩显著度的含义是：图片中不同颜色的“抓眼球”或“吸睛”的程度。通过提取输入图片的对数谱，计算图片在光谱域中的光谱残差，来分析图片的显著区域，计算的结果是和输入图片一样大小的矩阵，每个像素点位置取值[0,1]，值越大表示该像素点位置的颜色越显著。基于此方法，针对原图进行显著度计算，并根据色彩量化图，分别获取每个位置的量化色对应的显著度。针对每一种量化色，我们分别计算9个细分区域以及图片整体区域的总体平均值、前5％的平均值、后5％的平均值。计算公式如下：
式中，C表示量化算法生成的量化色集合，cluster(c)表示量化色c在像素集合，针对不同图片区域分别获取各个量化色的像素集合，count就是再像素集合中像素的数量。saliency(p)表示像素点p的显著度。
5、模型拟合
通过上述的方法提取到考虑到区域显著度的样本量化色与样本主题色在色彩特征上的关联性，并具体通过Lasso方法对关联性与得分进行训练拟合，最终得到主题色确定模型。后续即可直接利用该主题色确定模型对一张图片的主题色进行确定。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于确定主题色的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于确定主题色的装置500可以包括：目标图像获取单元501、量化色提取单元502、主题色确定单元503。其中，目标图像获取单元501，被配置成获取待确定主题色的目标图像；量化色提取单元502，被配置成提取目标图像的量化色；主题色确定单元503，被配置成利用预设的主题色确定模型确定与量化色对应的主题色；其中，主题色确定模型用于表征图像的量化色和主题色至少在色彩特征上的关联关系。
在本实施例中，用于确定主题色的装置500中：目标图像获取单元501、量化色提取单元502、主题色确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，该主题色确定模型可以包括线性拟合模型、非线性拟合模型、回归模型、深度学习算法模型中的一种。
在本实施例的一些可选的实现方式中，当该主题色确定模型为该线性拟合模型时，主题色确定单元503可以进一步被配置成：
利用预设的Lasso线性拟合模型确定与量化色对应的主题色。
在本实施例的一些可选的实现方式中，用于确定主题色的装置500中还可以包括被配置成得到主题色确定模型的主题色确定模型生成单元，该主题色确定模型生成单元可以包括：
样本获取子单元，被配置成分别获取样本图像的样本量化色和样本主题色；
欧式距离获取及近似度得分换算子单元，被配置成获取相同的样本图像的样本量化色和样本主题色的欧氏距离，并根据欧式距离换算得到近似度得分；
色彩特征提取子单元，被配置成从相同的样本图像的样本量化色和样本主题色中提取色彩分布参数、色彩差异参数、色彩显著度参数；
主题色确定模型生成子单元，被配置成基于色彩分布参数、色彩差异参数、色彩显著度参数的差异，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征上的关联关系的主题色确定模型。
在本实施例的一些可选的实现方式中，该欧式距离获取及近似度得分换算子单元可以包括被配置成获取相同的样本图像的样本量化色和样本主题色的欧氏距离的欧式距离获取模块，该欧式距离获取模块可以进一步被配置成：
获取样本量化色在HSV空间中的第一色相分量、第一饱和度分量和第一亮度分量；
获取样本主题色在HSV空间中的第二色相分量、第二饱和度分量和第二亮度分量；
根据相同的样本图像的第一色相分量与第二色相分量的子欧式距离、第一饱和度分量与第二饱和度分量的子欧式距离、第一亮度分量与第二亮度分量的子欧式距离，计算得到欧氏距离。
在本实施例的一些可选的实现方式中，该主题色确定模型生成单元还可以包括：
样本图像区域划分子单元，被配置成将样本图像划分为多个不同的样本图像区域；
区域显著度权值设置子单元，被配置成分别为不同的样本图像区域设置不同的区域显著度权值；以及
该主题色确定模型生成子单元可以进一步被配置成：
基于色彩分布参数、色彩差异参数、色彩显著度的差异和区域显著度权值，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征和区域显著度特征上的关联关系的主题色确定模型。
在本实施例的一些可选的实现方式中，主题色确定单元503可以进一步被配置成：
利用主题色确定模型分别输出每个量化色的实际评分；
将各实际评分中最高评分的量化色确定为主题色。
在本实施例的一些可选的实现方式中，用于确定主题色的装置500中还可以包括：
主题色呈现效果调整单元，被配置成根据主题色和目标图像的实际呈现场景，调整目标图像周边区域的主题色呈现效果。
本实施例作为对应于上述方法实施例的装置实施例存在，本申请实施例提供的用于确定主题色的装置，利用量化色与主题色至少在色彩特征上的关联关系，来从多个量化色中选取出最适合作为目标图像的主题色，基于色彩特征上的关联关系，可以使得确定出的主题色更加准确，从而提升视觉效果和用户体验。
根据本申请的实施例，本申请还提供了一种电子设备和一种计算机可读存储介质。
图6示出了一种适于用来实现本申请实施例的用于确定主题色的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于确定主题色的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于确定主题色的方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于确定主题色的方法对应的程序指令/模块(例如，附图5所示的目标图像获取单元501、量化色提取单元502、主题色确定单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于确定主题色的方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储该电子设备在执行用于确定主题色的方法所创建的各类数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至适用于执行用于确定主题色的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
适用于执行用于确定主题色的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生适用于执行用于确定主题色的方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。
本申请实施例利用量化色与主题色至少在色彩特征上的关联关系，来从多个量化色中选取出最适合作为目标图像的主题色，基于色彩特征上的关联关系，可以使得确定出的主题色更加准确，从而提升视觉效果和用户体验。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种用于确定主题色的方法，包括：
获取待确定主题色的目标图像；
提取所述目标图像的量化色；
利用预设的主题色确定模型确定与所述量化色对应的主题色；其中，所述主题色确定模型用于表征图像的量化色和主题色至少在色彩特征上的关联关系，得到所述主题色确定模型的方法包括：分别获取样本图像的样本量化色和样本主题色；获取相同的样本图像的样本量化色和样本主题色的欧氏距离，并根据所述欧式距离换算得到近似度得分；从相同的样本图像的样本量化色和样本主题色中提取色彩分布参数、色彩差异参数、色彩显著度参数，所述色彩分布参数用于描述使用相应的量化色在所述目标图像的对应像素位置进行重新着色后、每种量化色在着色后的图像中的面积占比，所述色彩差异参数用于描述使用相应的量化色在所述目标图像的对应像素位置进行重新着色后得到的着色后的图像与所述目标图像之间的色彩差异；基于所述色彩分布参数、所述色彩差异参数、所述色彩显著度参数的差异，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征上的关联关系的主题色确定模型。
2.根据权利要求1所述的方法，其中，所述主题色确定模型包括线性拟合模型、非线性拟合模型、回归模型、深度学习算法模型中的一种。
3.根据权利要求2所述的方法，其中，当所述主题色确定模型为所述线性拟合模型时，所述利用预设的主题色确定模型确定与所述量化色对应的主题色，包括：
利用预设的Lasso线性拟合模型确定与所述量化色对应的主题色。
4.根据权利要求1所述的方法，其中，所述获取相同的样本图像的样本量化色和样本主题色的欧氏距离，包括：
获取所述样本量化色在HSV空间中的第一色相分量、第一饱和度分量和第一亮度分量；
获取所述样本主题色在HSV空间中的第二色相分量、第二饱和度分量和第二亮度分量；
根据相同的样本图像的第一色相分量与第二色相分量的子欧式距离、第一饱和度分量与第二饱和度分量的子欧式距离、第一亮度分量与第二亮度分量的子欧式距离，计算得到所述欧氏距离。
5.根据权利要求1所述的方法，还包括：
将所述样本图像划分为多个不同的样本图像区域；
分别为不同的样本图像区域设置不同的区域显著度权值；以及
所述基于所述色彩分布参数、所述色彩差异参数、所述色彩显著度参数的差异拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征上的关联关系的主题色确定模型，包括：
基于所述色彩分布参数、所述色彩差异参数、所述色彩显著度的差异和所述区域显著度权值，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征和区域显著度特征上的关联关系的主题色确定模型。
6.根据权利要求1至5任一项所述的方法，其中，所述利用预设的主题色确定模型确定与所述量化色对应的主题色，包括：
利用所述主题色确定模型分别输出每个所述量化色的实际评分；
将各所述实际评分中最高评分的量化色确定为所述主题色。
7.根据权利要求6所述的方法，还包括：
根据所述主题色和所述目标图像的实际呈现场景，调整所述目标图像周边区域的主题色呈现效果。
8.一种用于确定主题色的装置，包括：
目标图像获取单元，被配置成获取待确定主题色的目标图像；
量化色提取单元，被配置成提取所述目标图像的量化色；
主题色确定单元，被配置成利用预设的主题色确定模型确定与所述量化色对应的主题色；其中，所述主题色确定模型用于表征图像的量化色和主题色至少在色彩特征上的关联关系，得到所述主题色确定模型的方法包括：分别获取样本图像的样本量化色和样本主题色；获取相同的样本图像的样本量化色和样本主题色的欧氏距离，并根据所述欧式距离换算得到近似度得分；从相同的样本图像的样本量化色和样本主题色中提取色彩分布参数、色彩差异参数、色彩显著度参数，所述色彩分布参数用于描述使用相应的量化色在所述目标图像的对应像素位置进行重新着色后、每种量化色在着色后的图像中的面积占比，所述色彩差异参数用于描述使用相应的量化色在所述目标图像的对应像素位置进行重新着色后得到的着色后的图像与所述目标图像之间的色彩差异；基于所述色彩分布参数、所述色彩差异参数、所述色彩显著度参数的差异，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征上的关联关系的主题色确定模型。
9.根据权利要求8所述的装置，其中，所述主题色确定模型包括线性拟合模型、非线性拟合模型、回归模型、深度学习算法模型中的一种。
10.根据权利要求9所述的装置，其中，当所述主题色确定模型为所述线性拟合模型时，所述主题色确定单元进一步被配置成：
利用预设的Lasso线性拟合模型确定与所述量化色对应的主题色。
11.根据权利要求8所述的装置，还包括：被配置成获取相同的样本图像的样本量化色和样本主题色的欧氏距离，并根据所述欧式距离换算得到近似度得分的欧式距离获取及近似度得分换算单元，所述欧式距离获取单元进一步被配置成：
获取所述样本量化色在HSV空间中的第一色相分量、第一饱和度分量和第一亮度分量；
获取所述样本主题色在HSV空间中的第二色相分量、第二饱和度分量和第二亮度分量；
根据相同的样本图像的第一色相分量与第二色相分量的子欧式距离、第一饱和度分量与第二饱和度分量的子欧式距离、第一亮度分量与第二亮度分量的子欧式距离，计算得到所述欧氏距离。
12.根据权利要求8所述的装置，所述主题色确定模型生成单元还包括：
样本图像区域划分子单元，被配置成将所述样本图像划分为多个不同的样本图像区域；
区域显著度权值设置子单元，被配置成分别为不同的样本图像区域设置不同的区域显著度权值；以及
所述主题色确定模型生成子单元进一步被配置成：
基于所述色彩分布参数、所述色彩差异参数、所述色彩显著度的差异和所述区域显著度权值，拟合对应的近似度得分，得到用于表征图像的量化色和主题色在色彩特征和区域显著度特征上的关联关系的主题色确定模型。
13.根据权利要求8至12任一项所述的装置，其中，所述主题色确定单元进一步被配置成：
利用所述主题色确定模型分别输出每个所述量化色的实际评分；
将各所述实际评分中最高评分的量化色确定为所述主题色。
14.根据权利要求13所述的装置，还包括：
主题色呈现效果调整单元，被配置成根据所述主题色和所述目标图像的实际呈现场景，调整所述目标图像周边区域的主题色呈现效果。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的用于确定主题色的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的用于确定主题色的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011202738.8A CN112328345B (zh) | 2020-11-02 | 2020-11-02 | 用于确定主题色的方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011202738.8A CN112328345B (zh) | 2020-11-02 | 2020-11-02 | 用于确定主题色的方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112328345A CN112328345A (zh) | 2021-02-05 |
| CN112328345B true CN112328345B (zh) | 2024-05-14 |
Family
ID=74324104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011202738.8A Active CN112328345B (zh) | 2020-11-02 | 2020-11-02 | 用于确定主题色的方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112328345B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112218006B (zh) * | 2020-09-25 | 2022-11-15 | 杭州网易再顾科技有限公司 | 一种多媒体数据处理方法、装置、电子设备及存储介质 |
| CN113259745B (zh) * | 2021-05-13 | 2022-11-15 | 北京百度网讯科技有限公司 | 视频播放页面的处理方法、装置、电子设备和存储介质 |
| CN113641429A (zh) * | 2021-07-14 | 2021-11-12 | 广州市玄武无线科技股份有限公司 | 一种主题配色客制化生成方法、系统、设备和存储介质 |
| CN115145442A (zh) * | 2022-06-07 | 2022-10-04 | 杭州海康汽车软件有限公司 | 一种环境图像的显示方法、装置、车载终端及存储介质 |
| CN115408552B (zh) * | 2022-07-28 | 2023-05-26 | 深圳市磐鼎科技有限公司 | 显示调整方法、装置、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722880A (zh) * | 2011-03-29 | 2012-10-10 | 阿里巴巴集团控股有限公司 | 图像主颜色的识别方法、装置及图像匹配方法和服务器 |
| CN103295253A (zh) * | 2013-06-09 | 2013-09-11 | 上海电机学院 | 一种点画效果图片的层次绘制方法 |
| JP2014140138A (ja) * | 2013-01-21 | 2014-07-31 | Kddi Corp | テーマ色の割当割合を調整可能な色変換処理プログラム、装置及び方法 |
| AU2015271906A1 (en) * | 2011-09-30 | 2016-01-21 | Ebay Inc. | Image feature data extraction and use |
| WO2016123977A1 (zh) * | 2015-02-05 | 2016-08-11 | 努比亚技术有限公司 | 一种图像色彩识别方法、装置及终端、存储介质 |
| CN109298912A (zh) * | 2018-09-29 | 2019-02-01 | Oppo广东移动通信有限公司 | 主题色彩的调节方法、装置、存储介质及电子设备 |
| CN109491739A (zh) * | 2018-10-30 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 一种主题色动态确定方法、装置、电子设备及存储介质 |
| CN109783182A (zh) * | 2019-02-15 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种页面主题色调的调整方法、装置、设备及介质 |
| CN110472083A (zh) * | 2018-05-08 | 2019-11-19 | 优酷网络技术（北京）有限公司 | 色域推荐方法及装置 |
| CN110648371A (zh) * | 2018-06-27 | 2020-01-03 | 阿里巴巴集团控股有限公司 | Rgb值与色号信息映射关系的确定方法及装置 |
| CN110969170A (zh) * | 2019-12-03 | 2020-04-07 | 北京奇艺世纪科技有限公司 | 一种图像主题色提取方法、装置及电子设备 |
| CN111191424A (zh) * | 2019-12-31 | 2020-05-22 | 北京华为数字技术有限公司 | 页面配色的方法、装置、存储介质和芯片 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7657100B2 (en) * | 2005-05-09 | 2010-02-02 | Like.Com | System and method for enabling image recognition and searching of images |
-
2020
- 2020-11-02 CN CN202011202738.8A patent/CN112328345B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722880A (zh) * | 2011-03-29 | 2012-10-10 | 阿里巴巴集团控股有限公司 | 图像主颜色的识别方法、装置及图像匹配方法和服务器 |
| AU2015271906A1 (en) * | 2011-09-30 | 2016-01-21 | Ebay Inc. | Image feature data extraction and use |
| JP2014140138A (ja) * | 2013-01-21 | 2014-07-31 | Kddi Corp | テーマ色の割当割合を調整可能な色変換処理プログラム、装置及び方法 |
| CN103295253A (zh) * | 2013-06-09 | 2013-09-11 | 上海电机学院 | 一种点画效果图片的层次绘制方法 |
| WO2016123977A1 (zh) * | 2015-02-05 | 2016-08-11 | 努比亚技术有限公司 | 一种图像色彩识别方法、装置及终端、存储介质 |
| CN110472083A (zh) * | 2018-05-08 | 2019-11-19 | 优酷网络技术（北京）有限公司 | 色域推荐方法及装置 |
| CN110648371A (zh) * | 2018-06-27 | 2020-01-03 | 阿里巴巴集团控股有限公司 | Rgb值与色号信息映射关系的确定方法及装置 |
| CN109298912A (zh) * | 2018-09-29 | 2019-02-01 | Oppo广东移动通信有限公司 | 主题色彩的调节方法、装置、存储介质及电子设备 |
| WO2020063030A1 (zh) * | 2018-09-29 | 2020-04-02 | Oppo广东移动通信有限公司 | 主题色彩的调节方法、装置、存储介质及电子设备 |
| CN109491739A (zh) * | 2018-10-30 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 一种主题色动态确定方法、装置、电子设备及存储介质 |
| CN109783182A (zh) * | 2019-02-15 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种页面主题色调的调整方法、装置、设备及介质 |
| CN110969170A (zh) * | 2019-12-03 | 2020-04-07 | 北京奇艺世纪科技有限公司 | 一种图像主题色提取方法、装置及电子设备 |
| CN111191424A (zh) * | 2019-12-31 | 2020-05-22 | 北京华为数字技术有限公司 | 页面配色的方法、装置、存储介质和芯片 |
Non-Patent Citations (9)
| Title |
|---|
| Color Spaces Advantages and Disadvantages in Image Color Clustering Segmentation;Edgar Chavolla;Advances in Soft Computing and Machine Learning in Image Processing;20050131;3-22 * |
| Evaluation of Automatic Image Color Theme Extraction Methods;Gianluigi Ciocca 等;International Workshop on Computational Color Imaging;20190327;165–179 * |
| Fusing generic objectness and visual saliency for salient object detection;KY chang;2011 International Conference on Computer Vision;20111130;914-921 * |
| Sharon Lin等.Modeling How People Extract Color Themes from Images.CHI'13：Proceedings of the SIGCHI Conference on Human Factors in Computing Systems.2013,3101-3110. * |
| Sparse Representation for Color Image Restoration;Julien Mairal;IEEE Transactions on Image Processing;20080229;第17卷(第1期);53 - 69 * |
| 利用色彩和谐模式辅助提取油画主题色;赵叶峰 等;计算机辅助设计与图形学学报;20141031;第26卷(第10期);1576-1582 * |
| 基于机器学习的风景园林智能化分析应用研究;包瑞清;风景园林;20190531;第26卷(第5期);29-34 * |
| 蒋寓文 等.选择性背景优先的显著性检测模型.电子与信息学报.2015,第37卷(第1期),130-136. * |
| 面向数据可视化的色彩计算;曾琼 等;计算机辅助设计与图形学学报;20201031;第32卷(第10期);1549-1559 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112328345A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112328345B (zh) | 用于确定主题色的方法、装置、电子设备及可读存储介质 | |
| JP7135125B2 (ja) | 近赤外画像の生成方法、近赤外画像の生成装置、生成ネットワークの訓練方法、生成ネットワークの訓練装置、電子機器、記憶媒体及びコンピュータプログラム | |
| CN109919869B (zh) | 一种图像增强方法、装置及存储介质 | |
| US9741137B2 (en) | Image-based color palette generation | |
| US9552656B2 (en) | Image-based color palette generation | |
| US9396560B2 (en) | Image-based color palette generation | |
| US9311889B1 (en) | Image-based color palette generation | |
| CN111783647B (zh) | 人脸融合模型的训练方法、人脸融合方法、装置及设备 | |
| US11568590B2 (en) | Cartoonlization processing method for image, electronic device, and storage medium | |
| CN111127476A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN111753908A (zh) | 图像分类方法和装置及风格迁移模型训练方法和装置 | |
| CN111709875B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111768356A (zh) | 一种人脸图像融合方法、装置、电子设备及存储介质 | |
| JP2017187994A (ja) | 画像処理装置、画像処理方法、画像処理システムおよびプログラム | |
| KR20210107566A (ko) | 이미지 처리 방법, 장치, 전자 기기 및 저장 매체 | |
| WO2022227547A1 (zh) | 用于图像处理的方法、装置、电子设备及存储介质 | |
| US9940543B2 (en) | Control of computer vision pre-processing based on image matching using structural similarity | |
| US20160140748A1 (en) | Automated animation for presentation of images | |
| CN110177216B (zh) | 图像处理方法、装置、移动终端以及存储介质 | |
| CN111754492A (zh) | 图像质量评估方法、装置、电子设备及存储介质 | |
| CN113724282A (zh) | 图像处理方法和相关产品 | |
| US10026201B2 (en) | Image classifying method and image displaying method | |
| WO2023273111A1 (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
| KR102334030B1 (ko) | 컴퓨터 장치를 이용한 헤어 염색 방법 | |
| CN114512094B (zh) | 屏幕色彩调节方法、装置、终端及计算机可读存储介质 |
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 |