CN110458173A - 用于生成物品颜色值的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成物品颜色值的方法和装置。该方法的一具体实施方式包括：获取目标物品的图像；从目标物品的图像中分割出待取色区域；获取待取色区域中像素的颜色值；根据所获取的像素的颜色值生成目标物品的颜色值。该实施方式提高了生成物品颜色值的效率。

Description

用于生成物品颜色值的方法和装置

技术领域

本申请实施例涉及计算机技术领域，尤其涉及用于生成物品颜色值的方法和装置。

背景技术

随着互联网技术的不断发展，网络信息呈***性增长，如何高效、准确地获取需要的信息成为了一个巨大的挑战。对于电子商务类网站，每日都会更新大量的物品，例如，化妆品、服饰等，预先获取这些物品的颜色值可以帮助用户快速找到其所需的物品。

发明内容

本申请实施例提出了用于生成物品颜色值的方法和装置。

第一方面，本申请的一些实施例提供了一种用于生成物品颜色值的方法，该方法包括：获取目标物品的图像；从目标物品的图像中分割出待取色区域；获取待取色区域中像素的颜色值；根据所获取的像素的颜色值生成目标物品的颜色值。

在一些实施例中，从目标物品的图像中分割出待取色区域，包括：将目标物品的图像输入至预先训练的图像分割模型，得到所待取色区域。

在一些实施例中，图像分割模型，包括编码部分和解码部分，其中，编码部分包括卷积层、深度可分离卷积层、批规范化层和激活函数层，解码部分包括上采样层、深度可分离卷积层、卷积层和激活函数层。

在一些实施例中，图像分割模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和样本图像对应的待取色区域标注结果；将训练样本集合中的训练样本包括的样本图像作为输入，将输入的样本图像对应的待取色区域标注结果作为输出，训练得到图像分割模型。

在一些实施例中，训练样本集合经由以下步骤：获取原始样本集合，原始样本集合中的原始样本包括原始图像和原始图像对应的待取色区域标注结果；对原始样本集合中的原始样本进行以下至少一项增广操作，得到训练样本集合：随机旋转，随机偏移，颜色扰动。

在一些实施例中，根据所获取的颜色值生成目标物品的颜色值，包括：根据所获取的颜色值生成待取色区域颜色值分布的直方图；获取直方图的峰值作为目标物品的颜色值。

第二方面，本申请的一些实施例提供了一种用于生成物品颜色值的装置，该装置包括：第一获取单元，被配置成获取目标物品的图像；分割单元，被配置成从目标物品的图像中分割出待取色区域；第二获取单元，被配置成获取待取色区域中像素的颜色值；生成单元，被配置成根据所获取的像素的颜色值生成目标物品的颜色值。

在一些实施例中，分割单元，进一步被配置成：将目标物品的图像输入至预先训练的图像分割模型，得到所待取色区域。

在一些实施例中，图像分割模型，包括编码部分和解码部分，其中，编码部分包括卷积层、深度可分离卷积层、批规范化层和激活函数层，解码部分包括上采样层、深度可分离卷积层、卷积层和激活函数层。

在一些实施例中，装置还包括训练单元，训练单元，包括：第一获取子单元，被配置成获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和样本图像对应的待取色区域标注结果；训练子单元，被配置成将训练样本集合中的训练样本包括的样本图像作为输入，将输入的样本图像对应的待取色区域标注结果作为输出，训练得到图像分割模型。

在一些实施例中，装置还包括增广单元，增广单元，包括：第二获取子单元，被配置成获取原始样本集合，原始样本集合中的原始样本包括原始图像和原始图像对应的待取色区域标注结果；增广子单元，被配置成对原始样本集合中的原始样本进行以下至少一项增广操作，得到训练样本集合：随机旋转，随机偏移，颜色扰动。

在一些实施例中，生成单元，包括：生成子单元，被配置成根据所获取的颜色值生成待取色区域颜色值分布的直方图；第三获取子单元，被配置成获取直方图的峰值作为目标物品的颜色值。

第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于生成物品颜色值的方法和装置，通过获取目标物品的图像，并从目标物品的图像中分割出待取色区域，而后获取待取色区域中像素的颜色值，最后根据所获取的像素的颜色值生成目标物品的颜色值，提高了生成物品颜色值的效率。

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是本申请的一些可以应用于其中的示例性***架构图；

图2是根据本申请的用于生成物品颜色值的方法的一个实施例的流程图；

图3是根据本申请的用于生成物品颜色值的方法的一个实施例中对物品的图像进行分割的一个示意图；

图4是根据本申请的用于生成物品颜色值的方法的一个实施例中图像分割模型的一个示意图；

图5是根据本申请的用于生成物品颜色值的方法的又一个实施例的流程图；

图6是根据本申请的用于生成物品颜色值的装置的一个实施例的结构示意图；

图7是适于用来实现本申请的一些实施例的服务器或终端的计算机***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生成物品颜色值的方法或用于生成物品颜色值的装置的实施例的示例性***架构100。

如图1所示，***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上可以安装有各种客户端应用，例如图像采集类应用、图像处理类应用、电子商务类应用、社交类应用等。

终端设备101、102、103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。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器，服务器105可以获取目标物品的图像；从目标物品的图像中分割出待取色区域；获取待取色区域中像素的颜色值；根据所获取的像素的颜色值生成目标物品的颜色值。

需要说明的是，本申请实施例所提供的用于生成物品颜色值的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于生成物品颜色值的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

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。

继续参考图2，示出了根据本申请的用于生成物品颜色值的方法的一个实施例的流程200。该用于生成物品颜色值的方法，包括以下步骤：

步骤201，获取目标物品的图像。

在本实施例中，用于生成物品颜色值的方法执行主体(例如图1所示的服务器或终端)可以首先获取目标物品的图像。对于电商网站，目标物品可以是SKU(Stock KeepingUnit，库存量单位)相同的物品，作为示例，目标物品可以包括化妆品，如口红、腮红、眉笔。目标物品的图像可以是上述执行主体获取的其他终端上传的图像，也可以是在目标物品的销售页面或其他展示目标物品的页面自动抓取的。

步骤202，从目标物品的图像中分割出待取色区域。

在本实施例中，上述执行主体可以从步骤201中获取的目标物品的图像中分割出待取色区域。图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割方法可以包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。在深度学习领域，可以使用多层神经网络模型，例如深度神经网络、卷积神经网络等来进行图像的分割。待取色区域可以包括可以表征目标物品特性的区域，即目标物品的主体区域，或非包装物的区域，例如口红的膏体，眉笔的笔芯。如图3所示，口红的图像301经过图像分割，分割出了口红膏体的区域即待取色区域302。

在本实施例的一些可选实现方式中，从目标物品的图像中分割出待取色区域，包括：将目标物品的图像输入至预先训练的图像分割模型，得到所待取色区域。图像分割模型可以采用全卷积网络(Fully Convolutional Networks，FCN)等。作为示例，图像分割模型可以采用第二版移动网络(Mobilenet_V2)与U型网络(Unet)的结合，通过Mobilenet_V2网络进行特征的提取，结合Unet网络编码解码的架构实现图像的分割。

MobileNet_V2的结构是基于第一版移动网络(Mobilenet_V1)的改进。MobileNet_V1模型中中主要是引入了深度可分离卷积代替传统的卷积操作，达到模型加速的目的。和MobileNet_V1相比，MobileNet_V2主要的改进包括：线性瓶颈层(Linear Bottlenecks)，也就是去掉了小维度输出层后面的非线性激活层，目的是为了保证模型的表达能力。倒置的残差模块(Inverted Residual block)，该结构和传统残差模块(residual block)中维度先缩减再扩增正好相反。

在MobileNet_V1中除了引入深度可分离卷积代替传统的卷积，还做了一个实验是用宽度乘数(width multiplier)来做模型通道的缩减，相当于给模型“瘦身”，这样特征信息就能更集中在缩减后的通道中，但是如果此时加上一个非线性激活层，比如线性整流函数(Rectified Linear Unit,ReLU)，就会有较大的信息丢失，因此为了减少信息丢失，就设置了linear bottleneck，意思就是瓶颈层(bottleneck)的输出不接非线性激活层。bottleneck的输出就是维度缩减那一层的输出。

残差结构(residual structure)解决了深度神经网络随着网络层数的加深带来的梯度消失/***，模型不收敛的问题，使深度神经网络可以有上百甚至更多的层，提高了准确率。这种结构使用一个快捷链接(shortcut)链接了模块(block)的输入与输出，block内部是常规卷积，一般block内部数据的维度低于block边缘，即bottleneck的数据维度。倒置的残差颠倒的正是block内数据维度与bottleneck数据维度的大小。这种颠倒过程中bottleneck层包含了所有的必要信息，扩展的层做的仅仅是非线性变换的细节实现，实际上这种翻转能节省内存。

Unet网络是在全卷积网络基础上进行改进得到的。Unet包括两部分，第一部分，特征提取部分。第二部分，上采样部分。由于网络结构像U型，所以叫Unet网络。特征提取部分，每经过一个池化层就一个尺度，包括原图尺度一共有5个尺度；上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，但是融合之前要将其裁剪(crop)。这里的融合也是拼接。Unet网络输入和输出都是图像，没有全连接层，因此它是一种端对端的网络。较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题。对于全卷积网络的改进，Unet主要进行了以下两个方面：多尺度和适合超大图像的分割。

在本实施例的一些可选实现方式中，图像分割模型，包括编码部分和解码部分，其中，编码部分包括卷积层、深度可分离卷积(Depthwise separable convolution)层、批规范化(Batchnorm，BN)层和激活函数层，解码部分包括上采样层、深度可分离卷积层、卷积层和激活函数层。其中，BN层的主要作用加快收敛，激活函数层可以包括ReLU等。参见图4，图像分割模型可以包括3×3的卷积层401，3×3的深度可分离卷积层、第一BN层、第一激活函数层、1×1的卷积层、第二BN层、第二激活函数层组成的模块402，上采样层403、405、407，3×3的深度可分离卷积层、1×1的卷积层、激活函数层组成的模块404、406、408，以及1×1的卷积层和softmax函数组成的模块409。

在本实施例的一些可选实现方式中，图像分割模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和样本图像对应的待取色区域标注结果；将训练样本集合中的训练样本包括的样本图像作为输入，将输入的样本图像对应的待取色区域标注结果作为输出，训练得到图像分割模型。

在本实施例的一些可选实现方式中，训练样本集合经由以下步骤：获取原始样本集合，原始样本集合中的原始样本包括原始图像和原始图像对应的待取色区域标注结果；对原始样本集合中的原始样本进行以下至少一项增广操作，得到训练样本集合：随机旋转，随机偏移，颜色扰动。通过增广操作可以进一步丰富样本数据，以提高训练出的模型的准确度。

步骤203，获取待取色区域中像素的颜色值。

在本实施例中，上述执行主体可以获取步骤202中分割出的待取色区域中像素的颜色值。上述执行主体可以获取待取色区域中每个像素的颜色值，也可以按照预设规则选取部分像素的颜色值进行获取，例如，每隔若干个像素获取一次颜色值。颜色值可以根据实际需要进行选择，例如是RGB值或灰度值。

步骤204，根据所获取的像素的颜色值生成目标物品的颜色值。

在本实施例中，上述执行主体可以根据步骤203中获取的像素的颜色值生成目标物品的颜色值。作为示例，上述执行主体可以将获取的像素值的均值作为目标物品的颜色值，也可以使用其他统计方法以生成目标物品的颜色值。

本申请的上述实施例提供的方法通过获取目标物品的图像；从目标物品的图像中分割出待取色区域；获取待取色区域中像素的颜色值；根据所获取的像素的颜色值生成目标物品的颜色值，与现有技术中人工在口红区域随机取几点，然后求取这几个点的平均颜色值，作为最后目标物品的颜色值相比，提高了生成物品颜色值的效率。

进一步参考图5，其示出了用于生成物品颜色值的方法的又一个实施例的流程500。该用于生成物品颜色值的方法的流程500，包括以下步骤：

步骤501，获取目标物品的图像。

在本实施例中，用于生成物品颜色值的方法执行主体(例如图1所示的服务器或终端)可以首先获取目标物品的图像。

步骤502，从目标物品的图像中分割出待取色区域。

在本实施例中，上述执行主体可以从步骤501中获取的目标物品的图像中分割出待取色区域。

步骤503，获取待取色区域中像素的颜色值。

在本实施例中，上述执行主体可以获取步骤502中分割出的待取色区域中像素的颜色值。

步骤504，根据所获取的颜色值生成待取色区域颜色值分布的直方图。

在本实施例中，上述执行主体可以根据步骤503中获取的颜色值生成待取色区域颜色值分布的直方图。以目标物品为口红，待取色区域为口红区域，颜色值为RGB值为例，由于口红区域是由多个像素点构成，且每个像素点由于亮度、光照等不同，从而R、G、B值不同。图像直方图是反映一个图像像素分布的统计表，其横坐标可以代表图像像素的种类，可以是灰度的，也可以是彩色的。纵坐标可以代表每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。图像是由像素构成，因此反映像素分布的直方图往往可以作为图像一个很重要的特征。

步骤505，获取直方图的峰值作为目标物品的颜色值。

在本实施例中，上述执行主体可以根据步骤503中获取的像素的颜色值生成目标物品的颜色值。从直方图可以看出每个通道的像素分布，直方图峰值代表该区域出现次数最多的像素，因此将直方图峰值作为该区域的颜色值输出。统计口红区域所有像素点的R、G、B值，然后对所有像素点的R、G、B值做加权平均，将加权平均值作为最后的输出值的统计方法对光照特别敏感，精度较差。引入直方图峰值的概念，将口红区域的直方图峰值作为最后的输出可以提高生成的颜色值的精度。

在本实施例中，步骤501、步骤502、步骤503的操作与步骤201、步骤202、步骤203的操作基本相同，在此不再赘述。

从图5中可以看出，与图2对应的实施例相比，本实施例中的用于生成物品颜色值的方法的流程500中通过直方图的峰值确定目标物品的颜色值，由此，本实施例描述的方案进一步提高了生成的目标物品颜色值的准确度。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成物品颜色值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6所示，本实施例的用于生成物品颜色值的装置600包括：第一获取单元601、分割单元602、第二获取单元603、生成单元604。其中，第一获取单元，被配置成获取目标物品的图像；分割单元，被配置成从目标物品的图像中分割出待取色区域；第二获取单元，被配置成获取待取色区域中像素的颜色值；生成单元，被配置成根据所获取的像素的颜色值生成目标物品的颜色值。

在本实施例中，用于生成物品颜色值的装置600的第一获取单元601、分割单元602、第二获取单元603、生成单元604的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选实现方式中，分割单元，进一步被配置成：将目标物品的图像输入至预先训练的图像分割模型，得到所待取色区域。

在本实施例的一些可选实现方式中，图像分割模型，包括编码部分和解码部分，其中，编码部分包括卷积层、深度可分离卷积层、批规范化层和激活函数层，解码部分包括上采样层、深度可分离卷积层、卷积层和激活函数层。

在本实施例的一些可选实现方式中，装置还包括训练单元，训练单元，包括：第一获取子单元，被配置成获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和样本图像对应的待取色区域标注结果；训练子单元，被配置成将训练样本集合中的训练样本包括的样本图像作为输入，将输入的样本图像对应的待取色区域标注结果作为输出，训练得到图像分割模型。

在本实施例的一些可选实现方式中，装置还包括增广单元，增广单元，包括：第二获取子单元，被配置成获取原始样本集合，原始样本集合中的原始样本包括原始图像和原始图像对应的待取色区域标注结果；增广子单元，被配置成对原始样本集合中的原始样本进行以下至少一项增广操作，得到训练样本集合：随机旋转，随机偏移，颜色扰动。

在本实施例的一些可选实现方式中，生成单元，包括：生成子单元，被配置成根据所获取的颜色值生成待取色区域颜色值分布的直方图；第三获取子单元，被配置成获取直方图的峰值作为目标物品的颜色值。

本申请的上述实施例提供的装置，通过获取目标物品的图像；从目标物品的图像中分割出待取色区域；获取待取色区域中像素的颜色值；根据所获取的像素的颜色值生成目标物品的颜色值，提高了生成物品颜色值的效率。

下面参考图7，其示出了适于用来实现本申请实施例的服务器或终端的计算机***700的结构示意图。图7示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件可以连接至I/O接口705：包括诸如键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、分割单元、第二获取单元、生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取目标物品的图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标物品的图像；从目标物品的图像中分割出待取色区域；获取待取色区域中像素的颜色值；根据所获取的像素的颜色值生成目标物品的颜色值。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种用于生成物品颜色值的方法，包括：

获取目标物品的图像；

从所述目标物品的图像中分割出待取色区域；

获取所述待取色区域中像素的颜色值；

根据所获取的像素的颜色值生成所述目标物品的颜色值。

2.根据权利要求1所述的方法，其中，所述从所述目标物品的图像中分割出待取色区域，包括：

将所述目标物品的图像输入至预先训练的图像分割模型，得到所待取色区域。

3.根据权利要求2所述的方法，其中，所述图像分割模型，包括编码部分和解码部分，其中，所述编码部分包括卷积层、深度可分离卷积层、批规范化层和激活函数层，所述解码部分包括上采样层、深度可分离卷积层、卷积层和激活函数层。

4.根据权利要求1所述的方法，其中，所述图像分割模型通过如下步骤训练得到：

获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本图像和样本图像对应的待取色区域标注结果；

将所述训练样本集合中的训练样本包括的样本图像作为输入，将输入的样本图像对应的待取色区域标注结果作为输出，训练得到所述图像分割模型。

5.根据权利要求4所述的方法，其中，所述训练样本集合经由以下步骤：

获取原始样本集合，所述原始样本集合中的原始样本包括原始图像和原始图像对应的待取色区域标注结果；

对所述原始样本集合中的原始样本进行以下至少一项增广操作，得到所述训练样本集合：随机旋转，随机偏移，颜色扰动。

6.根据权利要求1-5中任一项所述的方法，其中，所述根据所获取的颜色值生成所述目标物品的颜色值，包括：

根据所获取的颜色值生成所述待取色区域颜色值分布的直方图；

获取所述直方图的峰值作为所述目标物品的颜色值。

7.一种用于生成物品颜色值的装置，包括：

第一获取单元，被配置成获取目标物品的图像；

分割单元，被配置成从所述目标物品的图像中分割出待取色区域；

第二获取单元，被配置成获取所述待取色区域中像素的颜色值；

生成单元，被配置成根据所获取的像素的颜色值生成所述目标物品的颜色值。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。