CN113470125A - 一种对图案进行颜色搭配的方法及*** - Google Patents
一种对图案进行颜色搭配的方法及*** Download PDFInfo
- Publication number
- CN113470125A CN113470125A CN202110826078.9A CN202110826078A CN113470125A CN 113470125 A CN113470125 A CN 113470125A CN 202110826078 A CN202110826078 A CN 202110826078A CN 113470125 A CN113470125 A CN 113470125A
- Authority
- CN
- China
- Prior art keywords
- color
- area
- block
- dominant
- researched
- 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
- 239000003086 colorant Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011160 research Methods 0.000 claims abstract description 70
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 54
- 230000001788 irregular Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种对图案进行颜色搭配的方法及***,包括:对待研究图像进行预处理以分类得到多种颜色类型;根据每种颜色类型的第一单颜色面积得到主色;将主色中符合预设研究条件的色块作为待研究色块,进而获取研究区域;获取研究区域中的每种颜色类型的第二单颜色面积,并根据研究区域中的每种颜色类型对应的第二单颜色面积筛选得到第二预设数量的第二主色;输出包含有所有第二主色的每个色块的关联结果的搭配结果;将研究区域作为待研究图像,并执行主色筛选步骤,获取待配色图像的至少一个搭配图案的搭配属性,根据搭配图案的搭配属性获取对应的搭配结果,以根据搭配结果对待配色图像进行搭配。有益效果:快捷、方便地推荐花形设计。
Description
技术领域
本发明涉及智能图像识别技术领域,尤其涉及一种对图案进行颜色搭配的方法及***。
背景技术
随着时代的进步和消费者对视觉美感的不断追求,颜色搭配越来越受到消费者的重视,如今,颜色搭配在服装、纺织、室内、环境等各个领域均起到举足轻重的作用,颜色搭配咨询已成为一种行业,颜色搭配师更成为一种高度专业化的职业。由于颜色具有多样性,其搭配***,导致无法在配色阶段就能合理配出满足消费者喜好的颜色搭配,再发现不合适时往往造成资源的浪费。
为解决上述问题,现有技术中提出了一些解决方案,例如:在计算机上输入一款颜色的特征值,由计算机按照预定的搭配规则计算并提供预定数量的可选搭配颜色,用户选择搭配颜色后,计算机再进行审美评分及提供建议调整方案。此技术方案存在以下弊端∶仅针对用户输入的颜色的各种属性进行颜色搭配,不能对图像进行智能识别,需要输入者具有一定的颜色理论基础,并且没有考虑到图案的面积要素。
例如获取图像区域,然后通过智能识别获取其颜色特征,再根据预定的颜色搭配标准对获取的颜色搭配进行评价并输出评价结果。此技术方案存在以下弊端∶仅对图像区域进行颜色特征的识别,并且根据各个颜色像素点数量获取各个颜色的权重,并没有将颜色搭配和色块面积相结合,即没有考虑到图案的面积要素。
因此,目前需要提供一种高效、方便、快捷、客观的关联与图案或花色的颜色搭配方法。
发明内容
本发明针对现有技术中的缺点,提供了一种对图案进行颜色搭配的方法及***。
一种对图案进行颜色搭配的方法,其中,包括以下步骤:
预处理步骤:对待研究图像进行预处理,以对待研究图像进行颜色分类,以分类得到多种颜色类型;
主色筛选步骤:获取关联与每种颜色类型的每个色块,根据预设的面积算法计算色块的色块面积,并将每个色块对应的颜色类型、色块面积和位置信息进行关联设置,以得到对应的关联结果;
获取每种颜色类型的第一单颜色面积;
于颜色类型的种类数量小于或等于预设主色数量时,将每个颜色类型设置为主色;
于颜色类型的种类数量大于预设主色数量时,根据每种颜色类型对应的第一单颜色面积筛选得到主色;
将主色中符合预设研究条件的色块作为待研究色块,并根据待研究色块的位置信息获取研究区域;
获取研究区域中的每种主色的第二单颜色面积,输出包含有研究区域中的每种主色的每个色块的关联结果的搭配结果;
配色步骤:获取待配色图像的至少一个搭配图案的搭配属性,根据搭配图案的搭配属性获取对应的搭配结果,以根据搭配结果对待配色图像进行搭配;
其中,搭配属性包括颜色,或颜色和位置。
优选的,对图案进行颜色搭配的方法,其中,主色筛选步骤中的获取待研究色块,具体包括以下步骤:
根据色块的位置信息获取色块的最小矩形面积;
根据色块的色块面积和色块的最小矩形面积的比例,获取符合预设研究条件的色块作为待研究色块。
优选的,对图案进行颜色搭配的方法,其中,预设研究条件包括:
于色块的色块面积和色块的最小矩形面积的比例大于或等于第一预设研究阈值时,将色块设置为待研究色块;
于待研究色块的数量小于第一预设研究数量时,根据色块的色块面积和色块的最小矩形面积的比例的大小顺序依次选择第二预设研究数量的色块作为待研究色块;
第一预设研究数量为待研究色块的数量与第二预设研究数量的和。
优选的,对图案进行颜色搭配的方法,其中,主色筛选步骤中的获取研究区域,具体包括以下步骤:
根据待研究色块的位置信息获取待研究色块的最小矩形面积;
根据待研究色块的最小矩形面积获取待研究色块的周围范围,并将获取得到的待研究色块的周围范围作为研究区域。
优选的,对图案进行颜色搭配的方法,其中,主色筛选步骤中的于颜色类型的种类数量大于预设主色数量时,根据每种颜色类型对应的第一单颜色面积筛选得到预设主色数量的主色,具体包括以下步骤:
于颜色类型的种类数量大于预设主色数量时,并根据颜色类型的第一单颜色面积的大小顺序进行叠加,直到至少一种颜色类型的第一单颜色面积相叠加后得到的第一面积总和与待研究图像的图像面积之间的比例大于或等于第一预设主色阈值时,将第一面积总和对应的每种颜色类型作为主色。
优选的,对图案进行颜色搭配的方法,其中,主色筛选步骤中的获取每种颜色类型的第一单颜色面积,具体包括以下步骤:
于待研究图像中获取对应于颜色类型的所有色块,并将获取得到的色块对应的色块面积进行相加,以得到颜色类型的第一单颜色面积;和
主色筛选步骤中的获取第二单颜色面积,具体包括以下步骤:
于研究区域中获取对应于颜色类型的所有色块,并将获取得到的色块对应的色块面积进行相加,以得到颜色类型的第二单颜色面积。
优选的,对图案进行颜色搭配的方法,其中,获取色块的位置信息具体包括以下步骤:
建立坐标系,获取色块的坐标集合,坐标集合包括色块的最大纵坐标、最小纵坐标、最大横坐标和最小横坐标;
将色块的坐标集合作为位置信息。
优选的,对图案进行颜色搭配的方法,其中,预处理步骤具体包括:
获取待研究图像中各像素点的颜色特征值,根据预设颜色分类条件和颜色特征值对待研究图像进行颜色分类,以分类得到多种颜色类型。
优选的,对图案进行颜色搭配的方法,其中,主色筛选步骤中的获取关联与每种颜色类型的每个色块,具体包括以下步骤:
根据颜色类型和颜色特征值,对待研究图像进行色块分割处理,得到每个颜色类型下的每个色块。
还提供一种对图案进行颜色搭配的***,其中,包括:
预处理模块,对待研究图像进行预处理,以对待研究图像进行颜色分类,以分类得到多种颜色类型;
主色筛选模块,包括:
关联设置单元,获取关联与每种颜色类型的每个色块,根据预设的面积算法计算色块的色块面积,并将每个色块对应的颜色类型、色块面积和位置信息进行关联设置,以得到对应的关联结果;
主色获取单元,获取每种颜色类型的第一单颜色面积;
于颜色类型的种类数量小于或等于预设主色数量时,将每个颜色类型设置为主色;
于颜色类型的种类数量大于预设主色数量时,根据每种颜色类型对应的第一单颜色面积筛选得到主色;
研究区域设置单元,将主色中符合预设研究条件的色块作为待研究色块,并根据待研究色块的位置信息获取研究区域;
颜色搭配获取单元,获取研究区域中的每种主色的第二单颜色面积,输出包含有研究区域中的每种主色的每个色块的关联结果的搭配结果;
配色模块,获取待配色图像的至少一个搭配图案的搭配属性,根据搭配图案的搭配属性获取对应的搭配结果,以根据搭配结果对待配色图像进行搭配;
其中,搭配属性包括颜色,或颜色和位置。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
通过预处理步骤对待研究图像进行颜色分类,以分类得到多种颜色类型,即在对待研究图像进行区域划分之前就分类得到多种颜色类型,避免现有技术中在每个划分区域中都对颜色进行分类导致的每个划分区域的颜色分类的标准不同,并且减少了颜色分类步骤,进而提高了获取搭配结果的效率。
通过将每个色块对应的颜色类型、色块面积和位置信息进行关联设置以得到关联结果,并且搭配结果包括所述研究区域中的所有主色的每个色块的关联结果,从而实现了搭配结果中将图案的颜色类型、色块面积和位置信息相结合,进而通过搭配结果对待配色图像进行搭配,即通过搭配结果对待配色图像中的每个搭配图案对应的颜色、面积和位置进行搭配组合。
通过主色筛选步骤中根据每种颜色类型对应的第一单颜色面积进行第一次筛选得到待研究图像的主色,并且获取研究区域后,对研究区域内的颜色类型进行第二次筛选得到研究区域内的主色,并且输出包含有所有研究区域内的主色的每个色块的关联结果的搭配结果,从而避免会出现将不规范的颜色类型设置为主色等问题导致的搭配结果不够准确,进而提高搭配结果的精确度。
通过配色步骤,使得用户只需要上传待配色图像的需要搭配的搭配图案,就能简单、快捷和方便地完成图案搭配。不需要用户学习大量的颜色搭配知识花型配色技能,也不需要用户进行复杂的操作,就能快捷、方便地将合适花形型设计推荐给用户。
说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明一种图案进行颜色搭配的方法的实施例的待研究图像的示意图;
图2为本发明一种图案进行颜色搭配的方法的实施例的色块B24的位置信息的示意图;
图3为本发明一种图案进行颜色搭配的方法的实施例的色块B24的研究区域的示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种对图案进行颜色搭配的方法,包括以下步骤:
预处理步骤:对待研究图像进行预处理,以对待研究图像进行颜色分类,以分类得到多种颜色类型;
主色筛选步骤:获取关联与每种颜色类型的每个色块,根据预设的面积算法计算色块的色块面积,并将每个色块对应的颜色类型、色块面积和位置信息进行关联设置,以得到对应的关联结果;
获取每种颜色类型的第一单颜色面积;
于颜色类型的种类数量小于或等于预设主色数量时,将每个颜色类型设置为主色;
于颜色类型的种类数量大于预设主色数量时,根据每种颜色类型对应的第一单颜色面积筛选得到主色;
将主色中符合预设研究条件的色块作为待研究色块,并根据待研究色块的位置信息获取研究区域;
获取研究区域中的每种主色的第二单颜色面积,输出包含有研究区域中的每种主色的每个色块的关联结果的搭配结果;
配色步骤:获取待配色图像的至少一个搭配图案的搭配属性,根据搭配图案的搭配属性获取对应的搭配结果,以根据搭配结果对待配色图像进行搭配;
其中,搭配属性包括颜色,或颜色和位置。
在上述实施例中,通过预处理步骤对待研究图像进行颜色分类,以分类得到多种颜色类型,即在对待研究图像进行区域划分之前就分类得到多种颜色类型,避免现有技术中在每个划分区域中都对颜色进行分类导致的每个划分区域的颜色分类的标准不同,并且减少了颜色分类步骤,进而提高了获取搭配结果的效率。
在上述实施例中,通过将每个色块对应的颜色类型、色块面积和位置信息进行关联设置以得到关联结果,并且搭配结果包括所有色块的关联结果,从而实现了搭配结果中将图案的颜色类型、色块面积和位置信息相结合,进而通过搭配结果对待配色图像进行搭配,即通过搭配结果对待配色图像中的每个搭配图案对应的颜色、面积和位置进行搭配组合。
在上述实施例中,在主色筛选步骤中判断颜色类型的种类数量是否小于或等于预设主色数量,若是,将每个颜色类型设置为主色;若否,根据每种颜色类型对应的第一单颜色面积筛选得到主色;从而使得获取得到的主色面积之和与整幅图形面积之比大于预设比例为止。
随后根据预设的研究条件,选取待研究色块,并且根据待研究色块的位置信息获得相对应的研究区域。
在上述实施例中,通过配色步骤,使得用户只需要上传待配色图像的需要搭配的搭配图案,就能简单、快捷和方便地完成图案搭配。不需要用户学习大量的颜色搭配知识和花型搭配知识,也不需要用户进行复杂的操作,就能快捷、方便地设计搭配出符合条件的花型颜色,快速准确地将合适的花型设计推荐给用户。
进一步地,在上述实施例中,主色筛选步骤中的获取待研究色块,具体包括以下步骤:
根据色块的位置信息获取色块的最小矩形面积;
根据色块的色块面积和色块的最小矩形面积的比例,获取符合预设研究条件的色块作为待研究色块。
在上述实施例中,为了避免可能会出现将不规范的色块设置为待研究色块的情况,不规范的色块例如面积占比特别小的色块,从而使得搭配结果不够准确;为了排除这一干扰,提高搭配结果的精确度,可以分析色块的面积的空间分布规律。空间分布规律为色块的色块面积和最小矩形面积的面积占比,面积占比指色块面积占最小矩形面积的百分比;最小矩形面积指计算出的色块宽度和高度的乘积。
进一步地,作为优选的实施方式,如何得到待研究色块,对此预设研究条件包括以下方式:
于色块的色块面积和色块的最小矩形面积的比例大于或等于预设研究阈值时,将色块设置为待研究色块;
于待研究色块的数量小于第一预设研究数量时,根据色块的色块面积和色块的最小矩形面积的比例的大小顺序依次选择第二预设研究数量的色块作为待研究色块,以此类推;
在上述实施方式中,分析主色中的色块面积的空间分布规律,并将色块的色块面积和色块的最小矩形面积的比例大于或等于预设研究阈值对应的色块直接作为待研究色块;
也就是说,需要获取得到第一预设研究数量的待研究色块,当待研究色块不足时,可以根据色块的面积占比的大小顺序进行补充。
通过获取第一预设研究数量的待研究色块,以实现后续获取第一预设研究数量的研究区域,从而避免由于研究区域的数量导致的搭配结果不够准确的问题。
进一步地,在上述实施例中,主色筛选步骤中的获取研究区域,具体包括以下步骤:
根据待研究色块的位置信息获取待研究色块的最小矩形面积;
根据待研究色块的最小矩形面积获取待研究色块的周围范围,并将获取得到的待研究色块的周围范围作为研究区域。
在上述实施例中,确定了待研究色块的最小矩形面积,然后将待研究色块的最小矩形面积作为研究区域的核心区域,将待研究色块的周围范围作为研究区域。
进一步地,在上述实施例中,主色筛选步骤中的筛选得到主色,具体包括以下步骤:
于颜色类型的种类数量小于或等于预设主色数量时,将每个颜色类型设置为主色,并根据每种颜色类型对应的第一单颜色面积对主色进行排序;
例如,待研究图像中颜色分类得到有n种颜色类型,例如黄色类型、黑色类型、米色类型……和粉色类型,n≤预设主色数量,此时直接将待研究图像中获取得到的颜色类型设置为主色,并根据每个主色对应的第一单颜色面积(也就是每种颜色类型对应的第一单颜色面积)从大到小对主色进行排序,例如,当黄色类型对应的第一单颜色面积大于黑色类型对应的第一单颜色面积大于米色类型对应的第一单颜色面积大于……粉色类型对应的第一单颜色面积,此时将黄色类型记为第一主色,黑色类型记为第二主色,米色类型记为第三主色……,粉色类型记为第n主色;
例如,待研究图像中颜色分类得到有n种颜色类型,例如黄色类型、黑色类型、米色类型……和粉色类型,n≤预设主色数量,其中,黄色类型的第一单颜色面积为SC1,黑色类型的第一单颜色面积为SC2,米色类型的第一单颜色面积为SC3,粉色类型的第一单颜色面积为SC4,红色类型的第一单颜色面积为SC5,其他颜色类型的第一单颜色面积为SCn,SC1>SC2>SC3>SC4>SC5>SCn,可以根据第一单颜色面积的大小顺序依次进行叠加,其面积叠加之和为:SC1+SC2+SC3+SC4+SC5+……+SCn=SC,则把所有颜色类型依次作为主色进行研究。
于颜色类型的种类数量大于预设主色数量时,并根据颜色类型的第一单颜色面积的大小顺序进行叠加,直到至少一种颜色类型的第一单颜色面积相叠加后得到的第一面积总和与待研究图像的图像面积之间的比例大于或等于第一预设主色阈值时,将第一面积总和对应的每种颜色类型作为主色;
例如,待研究图像中颜色分类得到有n种颜色类型,例如黄色类型、黑色类型、米色类型……和粉色类型,n>预设主色数量,此时根据颜色类型的第一单颜色面积的大小顺序进行叠加,例如,当黄色类型对应的第一单颜色面积大于黑色类型对应的第一单颜色面积大于米色类型对应的第一单颜色面积大于……粉色类型对应的第一单颜色面积时,将黄色类型对应的第一单颜色面积与黑色类型对应的第一单颜色面积进行叠加,记为第一叠加面积,判断第一叠加面积与待研究图像的图像面积之间的比例是否大于或等于第一预设主色阈值,若是,将黄色类型记为第一主色和黑色类型记为第二主色,若否,继续将米色类型对应的第一单颜色面积与第一叠加面积进行叠加,记为第二叠加面积,判断第二叠加面积与待研究图像的图像面积之间的比例是否大于或等于第一预设主色阈值,以此类推,直到至少一种颜色类型的第一单颜色面积相叠加后得到的第一面积总和与待研究图像的图像面积之间的比例大于或等于第一预设主色阈值时,将第一面积总和对应的每种颜色类型作为主色。
例如,黄色类型的单颜色面积为SC1,黑色类型的单颜色面积为SC2,米色类型的单颜色面积为SC3,粉色类型的单颜色面积为SC4,红色类型的单颜色面积为SC5,其他颜色类型的单颜色面积为SCn,SC1>SC2>SC3>SC4>SC5>SCn,可以根据单颜色面积的大小顺序依次进行叠加,判断SC1+SC2与待研究图像的图像面积之间的比例大于或等于第一预设主色阈值,不是,则继续叠加下一个,SC1+SC2+SC3与待研究图像的图像面积之间的比例大于或等于第一预设主色阈值,直到(SC1+SC2+SC3+SC4+SC5+……+SCn)/SC大于或等于预设阈值时为止,则将C1、C2、C3、C4、C5、……Cn作为主色进行研究。
在上述实施例中,可以避免选取预设主色数量的颜色类型后,其面积总和仍然很小的情况,从而提高整幅图色彩搭配分析的精确度。
在上述实施例中,没有判断每个颜色类型的第一单颜色面积是否符合主色的面积标准,这是因为本实施例需要获取的是至少一个搭配图案(即不同颜色类型对应的不同色块面积的色块)之间的关联关系,因此本实施例直接一次性获取多个主色。
进一步地,作为优选的实施方式,获取色块的位置信息,具体包括以下步骤:
建立坐标系,获取色块的坐标集合,坐标集合包括色块的最大纵坐标、最小纵坐标、最大横坐标和最小横坐标;
将色块的坐标集合作为位置信息。
在上述实施方式中,通过建立坐标系获取色块的坐标集合作为色块的位置信息,其中坐标集合包括色块的最小横坐标、最大横坐标、最小纵坐标和最大纵坐标,不需要获取色块的所有像素点的坐标,以导致色块的坐标集合过大;
也没有仅通过色块的单独一两个坐标作为色块的位置信息,以导致无法准确表示色块的位置信息;
在上述实施方式中,通过色块的最小横坐标、最大横坐标、最小纵坐标和最大纵坐标设置色块的位置信息,避免了上述的问题,从而实现保证色块的坐标集合数据不多的前提下能提高色块的位置信息的定位精度。
在上述实施方式中,通过色块的最大纵坐标、最小纵坐标来计算出色块的高度;通过最大横坐标和最小横坐标来计算得到色块的宽度,从而得到各个色块的最小矩形面积。
进一步地,在上述实施例中,预处理步骤具体包括:
获取待研究图像中各像素点的颜色特征值,根据预设颜色分类条件和颜色特征值对待研究图像进行颜色分类,以分类得到多种颜色类型。
在上述实施例中,预设颜色分类条件可以为颜色特征值的范围。
作为优选的实施方式,颜色类型可以包括:黑,黄,米,粉,蓝,棕,灰,绿,橙,紫,红,白等;每个颜色类型对应的预设颜色分类条件均不相同,例如,将a-b范围内的颜色特征值对应的像素点划分为黑色,将c-d范围内的颜色特征值对应的像素点划分为黄色,以此类推。
进一步地,作为优选的实施方式,颜色特征值包括灰度值和RGB值中的一种。
进一步地,在上述实施例中,主色筛选步骤中的获取关联与每种颜色类型的每个色块,具体包括以下步骤:
根据颜色类型和颜色特征值,对待研究图像进行色块分割处理,得到每个颜色类型下的每个色块。
在上述实施例中,色块指由像素点的颜色特征值在一定的范围内相同或相近的一组像素点集合所构成的几何块。
作为具体的实施方式,待研究图像如图1所示,
首先,对待研究图像进行预处理,以对待研究图像进行颜色分类,以分类得到了黄、黑、米和粉等颜色类型,并给每个颜色类型设置唯一的颜色编号,例如,黄色类型设置为C1,黑色类型设置为C2,米色类型设置为C3,粉色类型设置为C4,其他颜色类型设置为Cn;
接着,执行主色筛选步骤,获取关联与每种颜色类型的每个色块,并且给每个色块设置唯一的色块编号,例如,黄色类型的第一个色块设置为B11,黄色类型的第二个色块设置为B12,黄色类型的第三个色块设置为B13,以此类推,黄色类型的第m个色块设置为B1m;黑色类型的第一个色块设置为B21,黑色类型的第二个色块设置为B22,黑色类型的第三个色块设置为B23,以此类推,黑色类型的第m个色块设置为B2m;米色类型、粉色类型和其他颜色类型的色块编号不做赘述。
根据预设的面积算法计算得到色块的色块面积,例如,黄色类型的第一个色块B11的色块面积记为S11,黄色类型的第二个色块B12的色块面积记为S12,黄色类型的第三个色块B13的色块面积记为S13,以此类推,黄色类型的第m个色块B1m的色块面积记为S1m;黑色类型的第一个色块B21的色块面积记为S21,黑色类型的第二个色块B22的色块面积记为S22,黑色类型的第三个色块B23的色块面积记为S23,以此类推,黑色类型的第m个色块B2m的色块面积记为S2m;米色类型、粉色类型和其他颜色类型的色块的色块面积编号不做赘述;
将每个色块对应的颜色类型、色块面积和位置信息进行关联设置,以得到关联结果,关联结果可以以矩阵或表格的形式展示;
其中以黄色和黑色的关联结果以表格的形式展示为例,请参考下表1-表2所示;
表1
表2
在上表1中,黄色类型的第一个色块B11的关联结果包括:颜色类型、色块面积和位置信息;
其中X11用于表示色块B11的最小横坐标,X11’用于表示色块B11的最大横坐标,Y11用于表示色块B11的最小纵坐标,Y11’用于表示色块B11的最大纵坐标。
以此类推,其他的色块不做赘述。
然后,于待研究图像中获取对应于颜色类型的所有色块,并将获取得到的色块对应的色块面积进行相加,以得到颜色类型的第一单颜色面积,例如,根据下述公式获取黄色类型的第一单颜色面积;
其中,在上述公式(1)中,S(C1′)用于表示黄色类型的第一单颜色面积;
j用于表示色块编号,例如,色块B11的编号为1,色块B12的编号为2;
例如,根据下述公式获取黑色类型的第一单颜色面积;
其中,在上述公式(2)中,S(C2′)用于表示黑色类型的第一单颜色面积;
j用于表示色块编号,例如,色块B21的编号为1,色块B22的编号为2;
以此类推获取其他颜色类型的第一单颜色面积,其他的色块不做赘述。
随后,根据第一单颜色面积的大小顺序依次对颜色类型的单颜色面积相叠加,以得到单颜色面积总和,并对第一单颜色面积排序,例如S(C1′)>S(C2′)>S(C3′)>…>S(Cn′);
根据颜色类型的第一单颜色面积的大小顺序依照下述公式获取前i个颜色类型的第一单颜色面积相叠加后的面积总和;
其中,在上述公式(3)中,S(Cij)用于表示颜色类型的第一面积总和;
i用于表示颜色类型的编号;
j用于表示色块编号;
根据下述公式判断所取的第一面积总和与待研究图像的图像面积之间的比例是否大于或等于第一预设主色阈值;
其中,在上述公式(4)中,S用于表示待研究图像的图像面积;
α用于表示第一预设主色阈值,其中第一预设主色阈值可以由用户自设定,在此可以将第一预设主色阈值设置为90%;
于所取面积总和与待研究图像的图像面积之间的比例大于或等于第一预设主色阈值时,将所取面积总和对应的每种颜色类型作为研究的主色;
此时输出的主色分别为黄色类型、黑色类型、米色类型和粉色类型。
紧接着,在确定主色的情况下,可以筛选某一个主色的中符合预设研究条件的至少一个色块作为待研究色块;
如图2所示,此处以黑色类型的第四编号的色块B24为例进行说明;
根据色块B24的位置信息(X24,X24’,Y24,Y24’)获取色块的最小矩形面积,如下述公式所示:
S24′=△X24×△Y24=(X24′-X24)×(Y24′-Y24); (5)
其中,在上述公式(5)中,S24’用于表示色块B24的最小矩形面积;
判断色块的色块面积和色块的最小矩形面积的比例是否大于或等于预设研究阈值,并将色块的色块面积和色块的最小矩形面积的比例大于或等于预设研究阈值对应的色块直接作为待研究色块;如下述公式所示:
在上述公式(6)中,η用于表示预设研究阈值,其中预设研究阈值可以由用户自设定,在此可以将预设研究阈值设置为90%;
S24用于表示色块B24的色块面积;
在上述公式可看出色块B24可以直接作为待研究色块;
紧接着,如图3所示,根据待研究色块的最小矩形面积获取待研究色块的周围范围,并将获取得到的待研究色块的周围范围作为研究区域,获取得到的研究区域的位置信息可以为:
(X24-(X24′-X24)×c,X24+(X24′-X24)×c,Y24-(Y24′-Y24)×c,Y24+(Y24′-Y24)×c);
其中,c用于表示变量参数,与颜色类型的位置和形状有关;
输出包含有所有主色的每个色块的关联结果的搭配结果;
配色步骤:获取待配色图像的至少一个搭配图案的搭配属性,根据搭配图案的搭配属性获取对应的搭配结果,以根据搭配结果对待配色图像进行搭配;
其中,搭配属性包括颜色,或颜色和位置。
还提供预处理模块,对待研究图像进行预处理,以对待研究图像进行颜色分类,以分类得到多种颜色类型;
主色筛选模块,包括:
关联设置单元,获取关联与每种颜色类型的每个色块,根据预设的面积算法计算色块的色块面积,并将每个色块对应的颜色类型、色块面积和位置信息进行关联设置,以得到对应的关联结果;
主色获取单元,获取每种颜色类型的第一单颜色面积;
于颜色类型的种类数量小于或等于预设主色数量时,将每个颜色类型设置为主色;
于颜色类型的种类数量大于预设主色数量时,根据每种颜色类型对应的第一单颜色面积筛选得到主色;
研究区域设置单元,将主色中符合预设研究条件的色块作为待研究色块,并根据待研究色块的位置信息获取研究区域;
颜色搭配获取单元,获取研究区域中的每种主色的第二单颜色面积,输出包含有研究区域中的每种主色的每个色块的关联结果的搭配结果;
配色模块,获取待配色图像的至少一个搭配图案的搭配属性,根据搭配图案的搭配属性获取对应的搭配结果,以根据搭配结果对待配色图像进行搭配;
其中,搭配属性包括颜色,或颜色和位置。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种对图案进行颜色搭配的方法,其特征在于,包括以下步骤:
预处理步骤:对待研究图像进行预处理,以对所述待研究图像进行颜色分类,以分类得到多种颜色类型;
主色筛选步骤:获取关联与每种所述颜色类型的每个色块,根据预设的面积算法计算所述色块的色块面积,并将每个所述色块对应的所述颜色类型、所述色块面积和位置信息进行关联设置,以得到对应的关联结果;
获取每种所述颜色类型的第一单颜色面积;
于所述颜色类型的种类数量小于或等于预设主色数量时,将每个所述颜色类型设置为主色;
于所述颜色类型的种类数量大于预设主色数量时,根据每种所述颜色类型对应的所述第一单颜色面积筛选得到主色;
将所述主色中符合预设研究条件的所述色块作为待研究色块,并根据所述待研究色块的所述位置信息获取研究区域;
获取所述研究区域中的每种所述主色的第二单颜色面积,输出包含有所述研究区域中的每种所述主色的每个色块的关联结果的搭配结果;
配色步骤:获取待配色图像的至少一个搭配图案的搭配属性,根据所述搭配图案的搭配属性获取对应的所述搭配结果,以根据所述搭配结果对所述待配色图像进行搭配;
其中,所述搭配属性包括颜色,或颜色和位置。
2.如权利要求1所述的对图案进行颜色搭配的方法,其特征在于,所述主色筛选步骤中的获取所述待研究色块,具体包括以下步骤:
根据所述色块的所述位置信息获取所述色块的最小矩形面积;
根据所述色块的色块面积和所述色块的最小矩形面积的比例,获取符合所述预设研究条件的色块作为所述待研究色块。
3.如权利要求2所述的对图案进行颜色搭配的方法,其特征在于,所述预设研究条件包括:
于所述色块的色块面积和所述色块的最小矩形面积的比例大于或等于第一预设研究阈值时,将所述色块设置为所述待研究色块;
于所述待研究色块的数量小于第一预设研究数量时,根据所述色块的色块面积和所述色块的最小矩形面积的比例的大小顺序依次选择第二预设研究数量的色块作为所述待研究色块;
所述第一预设研究数量为所述待研究色块的数量与所述第二预设研究数量的和。
4.如权利要求1所述的对图案进行颜色搭配的方法,其特征在于,所述主色筛选步骤中的获取所述研究区域,具体包括以下步骤:
根据所述待研究色块的所述位置信息获取所述待研究色块的最小矩形面积;
根据所述待研究色块的最小矩形面积获取所述待研究色块的周围范围,并将获取得到的所述待研究色块的周围范围作为所述研究区域。
5.如权利要求1所述的对图案进行颜色搭配的方法,其特征在于,所述主色筛选步骤中的于所述颜色类型的种类数量大于预设主色数量时,根据每种所述颜色类型对应的所述第一单颜色面积筛选得到所述预设主色数量的主色,具体包括以下步骤:
于所述颜色类型的种类数量大于预设主色数量时,并根据所述颜色类型的所述第一单颜色面积的大小顺序进行叠加,直到至少一种所述颜色类型的第一单颜色面积相叠加后得到的第一面积总和与所述待研究图像的图像面积之间的比例大于或等于第一预设主色阈值时,将所述第一面积总和对应的每种所述颜色类型作为主色。
6.如权利要求1所述的对图案进行颜色搭配的方法,其特征在于,所述主色筛选步骤中的获取每种所述颜色类型的第一单颜色面积,具体包括以下步骤:
于所述待研究图像中获取对应于所述颜色类型的所有所述色块,并将获取得到的所述色块对应的所述色块面积进行相加,以得到所述颜色类型的所述第一单颜色面积;
所述主色筛选步骤中的获取第二单颜色面积,具体包括以下步骤:
于所述研究区域中获取对应于所述颜色类型的所有所述色块,并将获取得到的所述色块对应的所述色块面积进行相加,以得到所述颜色类型的所述第二单颜色面积。
7.如权利要求1所述的对图案进行颜色搭配的方法,其特征在于,获取所述色块的位置信息具体包括以下步骤:
建立坐标系,获取所述色块的坐标集合,所述坐标集合包括所述色块的最大纵坐标、最小纵坐标、最大横坐标和最小横坐标;
将所述色块的坐标集合作为位置信息。
8.如权利要求1所述的对图案进行颜色搭配的方法,其特征在于,所述预处理步骤具体包括:
获取待研究图像中各像素点的颜色特征值,根据预设颜色分类条件和所述颜色特征值对所述待研究图像进行颜色分类,以分类得到多种颜色类型。
9.如权利要求1所述的对图案进行颜色搭配的方法,其特征在于,所述主色筛选步骤中的获取关联与每种所述颜色类型的每个色块,具体包括以下步骤:
根据所述颜色类型和所述颜色特征值,对所述待研究图像进行色块分割处理,得到每个所述颜色类型下的每个色块。
10.一种对图案进行颜色搭配的***,其特征在于,包括:
预处理模块,对待研究图像进行预处理,以对所述待研究图像进行颜色分类,以分类得到多种颜色类型;
主色筛选模块,包括:
关联设置单元,获取关联与每种所述颜色类型的每个色块,根据预设的面积算法计算所述色块的色块面积,并将每个所述色块对应的所述颜色类型、所述色块面积和位置信息进行关联设置,以得到对应的关联结果;
主色获取单元,获取每种所述颜色类型的第一单颜色面积;
于所述颜色类型的种类数量小于或等于预设主色数量时,将每个所述颜色类型设置为主色;
于所述颜色类型的种类数量大于预设主色数量时,根据每种所述颜色类型对应的所述第一单颜色面积筛选得到主色;
研究区域设置单元,将所述主色中符合预设研究条件的所述色块作为待研究色块,并根据所述待研究色块的所述位置信息获取研究区域;
颜色搭配获取单元,获取所述研究区域中的每种所述主色的第二单颜色面积,输出包含有所述研究区域中的每种所述主色的每个色块的关联结果的搭配结果;
配色模块,获取待配色图像的至少一个搭配图案的搭配属性,根据所述搭配图案的搭配属性获取对应的所述搭配结果,以根据所述搭配结果对所述待配色图像进行搭配;
其中,所述搭配属性包括颜色,或颜色和位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110826078.9A CN113470125B (zh) | 2021-07-21 | 2021-07-21 | 一种对图案进行颜色搭配的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110826078.9A CN113470125B (zh) | 2021-07-21 | 2021-07-21 | 一种对图案进行颜色搭配的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470125A true CN113470125A (zh) | 2021-10-01 |
CN113470125B CN113470125B (zh) | 2024-01-12 |
Family
ID=77881639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110826078.9A Active CN113470125B (zh) | 2021-07-21 | 2021-07-21 | 一种对图案进行颜色搭配的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470125B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861055A (zh) * | 2022-11-24 | 2023-03-28 | 湖北帅锐服装贸易有限公司 | 基于图像识别处理技术的服装设计版面拼接分析方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001003439A1 (en) * | 1999-07-03 | 2001-01-11 | Lg Electronics Inc. | Method for dominant color setting of video region and data structure and method of confidence measure extraction |
JP2011129994A (ja) * | 2009-12-15 | 2011-06-30 | Canon Inc | 画像処理装置、撮像装置、画像処理方法、及び画像処理プログラム、並びに記録媒体 |
CN103177259A (zh) * | 2013-04-11 | 2013-06-26 | 中国科学院深圳先进技术研究院 | 色块识别方法及装置 |
CN104175732A (zh) * | 2014-09-03 | 2014-12-03 | 杭州万事利丝绸文化股份有限公司 | 一种应用于织物的热转印方法 |
CN104200249A (zh) * | 2014-08-26 | 2014-12-10 | 重庆邮电大学 | 一种衣物自动搭配的方法,装置及*** |
CN104290525A (zh) * | 2014-09-09 | 2015-01-21 | 杭州万事利丝绸文化股份有限公司 | 一种丝绸手绘画的制作方法 |
CN105761283A (zh) * | 2016-02-14 | 2016-07-13 | 广州神马移动信息科技有限公司 | 一种图片主色提取方法及装置 |
CN106033547A (zh) * | 2015-03-12 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 颜色搭配评价方法、服饰搭配推荐方法及装置 |
US20170026552A1 (en) * | 2015-07-24 | 2017-01-26 | Fujifilm Corporation | Image processing device, image processing method and recording medium |
CN106485231A (zh) * | 2016-10-21 | 2017-03-08 | 上海未来伙伴机器人有限公司 | 一种目标色块提取方法及装置 |
CN108960382A (zh) * | 2018-05-07 | 2018-12-07 | 广东数相智能科技有限公司 | 一种彩色条码及其颜色校准方法 |
CN110276360A (zh) * | 2019-06-20 | 2019-09-24 | 杭州时趣信息技术有限公司 | 生成服饰搭配方案的计算机装置、设备、存储介质及方法 |
CN110458202A (zh) * | 2019-07-18 | 2019-11-15 | 东莞弓叶互联科技有限公司 | 图片处理方法、装置、设备及计算机可读存储介质 |
CN112598761A (zh) * | 2020-12-30 | 2021-04-02 | 东华大学 | 一种纺织服装色彩搭配协同设计与智能推荐方法 |
-
2021
- 2021-07-21 CN CN202110826078.9A patent/CN113470125B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001003439A1 (en) * | 1999-07-03 | 2001-01-11 | Lg Electronics Inc. | Method for dominant color setting of video region and data structure and method of confidence measure extraction |
JP2011129994A (ja) * | 2009-12-15 | 2011-06-30 | Canon Inc | 画像処理装置、撮像装置、画像処理方法、及び画像処理プログラム、並びに記録媒体 |
CN103177259A (zh) * | 2013-04-11 | 2013-06-26 | 中国科学院深圳先进技术研究院 | 色块识别方法及装置 |
CN104200249A (zh) * | 2014-08-26 | 2014-12-10 | 重庆邮电大学 | 一种衣物自动搭配的方法,装置及*** |
CN104175732A (zh) * | 2014-09-03 | 2014-12-03 | 杭州万事利丝绸文化股份有限公司 | 一种应用于织物的热转印方法 |
CN104290525A (zh) * | 2014-09-09 | 2015-01-21 | 杭州万事利丝绸文化股份有限公司 | 一种丝绸手绘画的制作方法 |
CN106033547A (zh) * | 2015-03-12 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 颜色搭配评价方法、服饰搭配推荐方法及装置 |
US20170026552A1 (en) * | 2015-07-24 | 2017-01-26 | Fujifilm Corporation | Image processing device, image processing method and recording medium |
CN105761283A (zh) * | 2016-02-14 | 2016-07-13 | 广州神马移动信息科技有限公司 | 一种图片主色提取方法及装置 |
CN106485231A (zh) * | 2016-10-21 | 2017-03-08 | 上海未来伙伴机器人有限公司 | 一种目标色块提取方法及装置 |
CN108960382A (zh) * | 2018-05-07 | 2018-12-07 | 广东数相智能科技有限公司 | 一种彩色条码及其颜色校准方法 |
CN110276360A (zh) * | 2019-06-20 | 2019-09-24 | 杭州时趣信息技术有限公司 | 生成服饰搭配方案的计算机装置、设备、存储介质及方法 |
CN110458202A (zh) * | 2019-07-18 | 2019-11-15 | 东莞弓叶互联科技有限公司 | 图片处理方法、装置、设备及计算机可读存储介质 |
CN112598761A (zh) * | 2020-12-30 | 2021-04-02 | 东华大学 | 一种纺织服装色彩搭配协同设计与智能推荐方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861055A (zh) * | 2022-11-24 | 2023-03-28 | 湖北帅锐服装贸易有限公司 | 基于图像识别处理技术的服装设计版面拼接分析方法 |
CN115861055B (zh) * | 2022-11-24 | 2023-12-01 | 武汉所见科技有限公司 | 基于图像识别处理技术的服装设计版面拼接分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113470125B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5721673B2 (ja) | 塗色データベース作成方法、作成システム、作成プログラム及び記録媒体 | |
WO2019031503A1 (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
US8064691B2 (en) | Method for identifying color in machine and computer vision applications | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
Paschos et al. | Histogram ratio features for color texture classification | |
CN103164687B (zh) | 一种色情图像侦测的方法和*** | |
US11852591B2 (en) | Inspection device and method | |
US8559714B2 (en) | Post processing for improved generation of intrinsic images | |
CN113470125A (zh) | 一种对图案进行颜色搭配的方法及*** | |
CN111222530A (zh) | 一种细粒度图像分类方法、***、装置和存储介质 | |
CN112122175A (zh) | 一种色选机的物料增强特征识别剔选方法 | |
RU2510935C2 (ru) | Способ индексации и поиска цифровых изображений | |
JP4909479B2 (ja) | ターゲット画像中で色およびパターンが一致する領域を突き止めるためのシステムおよび方法 | |
CN108932457A (zh) | 图像识别方法及相关装置 | |
CN117372332A (zh) | 一种基于改进YOLOv7模型的织物瑕疵检测方法 | |
CN107977961B (zh) | 基于峰值覆盖值和混合特征的纺织品瑕疵检测方法 | |
Charoensawan et al. | Comparison of fabric color naming using rgb and hsv color models | |
US8553979B2 (en) | Post processing for improved generation of intrinsic images | |
KR102242011B1 (ko) | 딥러닝 기반의 축산물 이미지 등급 분류 장치 | |
Martínez et al. | Supervised learning models for control quality by using color descriptors: A study case | |
Choi et al. | Optimal color correction based on image analysis for color vision deficiency | |
US8849018B2 (en) | Log-chromaticity clustering pipeline for use in an image process | |
CN111598418A (zh) | 基于均衡度的项目排序方法、装置、设备和存储介质 | |
Tangwannawit et al. | Feature extraction to predict quality of segregating sweet tamarind using image processing | |
Nascimento et al. | Feature point detection in HDR images based on coefficient of variation |
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 |