基于色彩均匀编码的智能配色方法及系统

技术领域

本发明涉及图像检测技术领域，具体涉及一种基于色彩均匀编码的智能配色方法及系统。

背景技术

目前的配色方法多是基于标准三原色的，但是实际生产过程中不同厂家生产的颜料具有一定的差异，配色方法并不能很好的根据实际的原料颜色来判断比例。且人眼对不同颜色的敏感程度不同，调制不同颜色对应的难度和准确度也不同，在调配颜料的颜色时应更关注差异较小的颜色。

现有的配色方法在对颜色分布并不均匀的情况下并不能很好的解决配色较难的情况，也很难着重关注到差异较小的颜色的配色，使人工按照现有配色方法进行配色时效率低下。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于色彩均匀编码的智能配色方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于色彩均匀编码的智能配色方法。方法包括：构建色彩均匀编码器，输入各颜色对应的HSV通道值，输出色彩均匀编码；

所述色彩均匀编码的训练过程包括：随机获得预定数量的颜色组成待对比颜色组，人为判断各待对比颜色组的差异等级，统计各差异等级的被选次数；获得待对比颜色组的差异等级的被选次数与所有差异等级的被选次数之和的比例：将待对比颜色组差异等级与对应的比例的乘积进行求和得到待对比颜色组的综合差异程度，获得各待对比颜色组的综合差异程度；利用损失函数监督孪生网络训练，同时利用孪生网络训练色彩均匀编码器；根据待对比颜色组的综合差异程度和色彩均匀编码的差异程度获得孪生网络的损失函数；

获得原料的颜色和目标颜色对应的色彩均匀编码，输入色彩配比推理网络，输出各原料的配比。

优选地，随机获得预定数量的颜色组成待对比颜色组，人为判断各待对比颜色组的差异等级包括：利用待对比颜色组中的颜色生成纯色对比图像，图像包含预定数量的颜色，且各颜色在图像中所占面积相等；基于人眼观察纯色对比图像中颜色的差异确定待对比颜色组的差异等级。

优选地，在获得待对比颜色组的差异等级的被选次数与所有差异等级的被选次数之和的比例之前还包括：将当前被选的差异等级的被选次数与所有差异等级的被选次数之和的比值记为第一比值；将当前被选的差异等级与被选次数最大的差异等级的差值记为第一差值；利用第一比值和第一差值获得差异等级的当前被选次数的异常程度；设定异常数据去除阈值，将异常程度大于异常数据去除阈值的差异等级的当前被选次数去除。

优选地，色彩均匀编码器的结构为全连接网络结构，其输入神经元和输出神经元数量与HSV通道数量相等。

优选地，在根据待对比颜色组的综合差异程度和色彩均匀编码差异程度获得孪生网络的损失函数之前还包括：利用待对比颜色组的综合差异程度与最大差异等级的比值获得待对比颜色组的关注度系数，所述关注度系数与比值为负相关关系。

优选地，获取色彩均匀编码差异程度包括：计算各色彩均匀编码的空间距离，色彩均匀编码的空间距离与色彩均匀编码器的最大编码范围的比值为待对比颜色组中颜色的色彩均匀编码差异程度。

优选地，损失函数为：

其中，e表示损失函数；N表示待对比颜色组的数量；

优选地，色彩配比推理网络的训练过程为：将原料颜色的色彩编码和目标颜色的色彩编码作为训练数据，将实际得到目标颜色时原料的配比作为训练数据的标签，利用带有标签的训练数据训练色彩配比推理网络。

第二方面，本发明另一个实施例提供了一种基于色彩均匀编码的智能配色系统。系统包括：色彩均匀编码器构建模块，用于构建色彩均匀编码器，输入各颜色对应的HSV通道值，输出色彩均匀编码；

色彩均匀编码器训练模块，用于训练色彩均匀编码器，训练过程为：随机获得预定数量的颜色组成待对比颜色组，人为判断各待对比颜色组的差异等级，统计各差异等级的被选次数；获得待对比颜色组的差异等级的被选次数与所有差异等级的被选次数之和的比例：将待对比颜色组差异等级与对应的比例的乘积进行求和得到待对比颜色组的综合差异程度，获得各待对比颜色组的综合差异程度；利用损失函数监督孪生网络训练，同时利用孪生网络训练色彩均匀编码器；根据待对比颜色组的综合差异程度和色彩均匀编码的差异程度获得孪生网络的损失函数；

颜色配比获取模块，用于获得原料的颜色和目标颜色对应的色彩均匀编码，输入色彩配比推理网络，输出各原料的配比。

色彩均匀编码器训练模块，还用于利用损失函数监督孪生网络训练，所述损失函数为：

其中，e表示损失函数；N表示待对比颜色组的数量；

本发明实施例至少具有如下有益效果：本发明利用色彩均匀编码器模拟人眼对颜色进行均匀编码，使颜色具有了均匀的分布，在将颜色统一以人眼对颜色的感知为标准的同时着重关注到了差异较小的颜色，得到各颜色的均匀编码后利用配比推理网络，获得调配各种目标颜色的作为原料的颜料的配比，降低了调配颜色时的难度，辅助人工提高了调配颜色的效率。

附图说明

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和优点，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的介绍，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它附图。

图1为基于色彩均匀编码的智能配色方法流程图。

图2为均匀色彩编码器结构图。

图3为孪生神经网络结构图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于色彩均匀编码的智能配色方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

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。

下面结合附图具体的说明本发明所提供的一种基于色彩均匀编码的智能配色方法及系统的具体方案。

实施例1

本发明的主要应用场景为：已知当前需要配制的目标颜料的颜色，且已知几种作为原料的颜料的颜色，需要得到几种原料配制得到目标颜料的混合比例。

请参阅图1，其示出了本发明一个实施例提供的一种基于色彩均匀编码得到智能配色方法流程图，该方法包括以下步骤：

步骤一：构建色彩均匀编码器，输入各颜色对应的HSV通道值，输出色彩均匀编码。

本实施例需要先用相机来采集各颜料的图像，需要采集目标颜色和已有颜色的图像，即现有可使用的颜色和待配制的目标颜色。

对采集的图像中颜料区域进行提取获得图像中相应的纯色颜色，并给出颜色的类别，而后对纯色颜色进行RGB空间到HSV空间的转换，得到各颜色的HSV编码信息。通过采集的颜色图像中获取的颜色包括作为原料的颜料的颜色和目标颜色，至此得到了可使用的原料颜色、和目标颜色的HSV编码信息。

本发明的目的是配制出和目标颜料颜色一致的颜料，此处的一致是指在人眼观察上的一致，并非严格意义上的波长一致。而人眼对不同颜色的感知的敏感程度是不同的，即人眼对相应颜色变化的感应范围是不同的，当颜色在人眼对颜色的感应范围内变化时，人眼会认为颜色没有变化是一样的，如对于蓝色，可能其HSV色调分量的3个像素值变化，人眼就能感觉到颜色的变化，而对于绿色，可能其HSV色调分量的5个像素值变化时，人眼才能感受到颜色的变化。

现有技术总是不断构建各种颜色空间，希望获得颜色分布更加均匀的描述，例如从1931CIE-XYZ到CIE 1964再到CIE 1976。而本发明通过大量的训练数据来训练神经网络进行编码，来使得神经网络能够模拟人眼识别结果，从而对颜色进行符合人体视觉的编码，而非用三维坐标转换的方式来获得颜色均匀空间。且利用三维的颜色空间来区分不同程度的颜色，该方式都是在通过线性的手段来分隔各颜色区间，而神经网络的方式能够通过高维非线性的方式来获得颜色的区别知识。

而利用三维的颜色空间来区分不同的程度的颜色，对调配目标颜色时是极不方便的，故本发明构建色彩均匀编码器，使其学习到通过人眼对颜色区分的知识，能够对已知颜色以人眼的标准使颜色分布在均匀空间。本发明所述均匀空间指：人眼观察下色差与空间距离一致的空间。人眼对不同颜色的敏感程度不同，所以若想要人眼感知到不同色彩发生了变化，相应的像素变化程度是不同的，也就是不均匀的。色彩均匀空间能够确保人眼感知的色差与空间距离的一致，使得颜色配比的结果能加符合人眼的观察。

构建色彩均匀编码器，该编码网络的结构采用全连接神经网络结构，输入神经元的数量为3，分别对应颜色的HSV三个通道的值，输出神经元的数量依旧为3，表示该颜色在均匀空间中的三维表示；其色彩均匀编码器的结构如图3均匀色彩编码器结构图所示，其中H、S和V表示颜色的HSV三个通道的值，U、V和W表示颜色在均匀空间的三维表示，即颜色的色彩均匀编码。色彩均匀编码器实现了不均匀的颜色空间（HSV）到均匀的颜色空间（UVW）0的转换。获得原料颜色和目标颜色的色彩均匀编码后，以色彩均匀编码代表颜色的信息进行配比获取目标颜色，因此后续需要对色彩均匀编码器进行训练。

步骤二：对色彩均匀编码器进行训练，使其学习到通过人眼对颜色区分的知识；所述色彩均匀编码的训练过程包括：随机获得预定数量的颜色组成待对比颜色组，人为判断各待对比颜色组的差异等级，统计各差异等级的被选次数；获得待对比颜色组的差异等级被选次数与所有差异等级被选次数的比例：将待对比颜色组差异等级与对应的比例的乘积进行求和得到待对比颜色组的综合差异程度，获得各待对比颜色组的综合差异程度；利用损失函数监督孪生网络训练，同时利用孪生网络训练色彩均匀编码器；根据待对比颜色组的综合差异程度和色彩均匀编码的差异程度获得孪生网络的损失函数。

在HSV空间中的随机取三个通道分量得到一种颜色，得到预设数量的待对比颜色组成待对比颜色组，优选地，本实施例中取两个待对比颜色组成待对比颜色组，并根据要对比的颜色生成对应的纯色对比图像，图像中两种颜色在图像中所占面积相等且独立分布。本实施例需要通过观察纯色对比图像得到待对比颜色组的差异程度，因此以调查问答的方式获得相应的数据，即待对比颜色组中颜色的差异由人为判断差异及差异等级；本实施中定义人眼观察到的颜色的差异等级可分为10个等级，范围为[0-9]，在采集差异等级的被选次数时由参与问答的人给出他的观察判断结果，为了减小个人因素造成的误差，所以同一待对比颜色组需要多人给出观察结果。

由于采集到的差异等级的被选次数存在一定数量的噪声数据，因此需要数据进行去噪处理，获得当前被选的差异等级的被选次数与所有差异等级的被选次数之和的比值

其中，

设定异常数据去除阈值

其中，CY表示待对比颜色组的综合差异程度；m表示差异等级，

获得各颜色在人眼观察下的差异后，需要训练一个神经网络来模拟人眼的观察效果，上述采用的颜色为颜色空间中部分离散的数据，为了得到HSV颜色及对应均匀编码的映射关系，特通过神经网络的方式来学习内部知识。

本实施中采用孪生网络训练色彩均匀编码器，其中孪生网络的结构如图3所示，其中HSV1和HSV2表示一组待对比颜色组中的两个颜色分别对应的HSV的三个通道值；图4中左右两个色彩均匀编码器内部的权值是相同的同步的；图中UVW1和UVW2表示 Loss表示损失函数，用来监督孪生网络的训练，同时用于衡量两个色彩均匀编码的差异，来确保编码的均匀性。

孪生网络的训练所用数据为各组待对比颜色组中的颜色分别对应的HSV的三个通道值，标签数据为待对比颜色组中颜色的综合差异程度CY。

获得各组待对比颜色组的关注度系数：

其中，

现有的孪生网络的失函数仅用于衡量相同和不同两类数据。而本实施例需要网络能根据得到的待对比颜色组的综合差异程度来调整进行色彩均匀编码后编码的差异，所以对Loss函数进行如下改进：

其中，e为Loss函数值，采用均方误差的形式来衡量输入数据的差异和输出数据的差异的一致程度。

待对比颜色组中颜色的色彩均匀编码差异程度BM的计算公式如下：

式中，

其中孪生网络左边分支色彩均匀编码为

其中，

至此，得到色彩均匀编码器，输入各颜色对应的HSV通道值，输出色彩均匀编码，编码为均匀的UVW描述，可以确保各种颜色的差异程度是均匀一致的。

步骤三：获得原料的颜色和目标颜色对应的色彩均匀编码，输入色彩配比推理网络，输出各原料的配比。

本发明最终的目的是实现原料颜色到目标颜色的混合比例推理，之所以需要均匀编码空间，是为了让色彩的混合更加简单。因为不均匀编码时，需要精确推理出配制（20，30，20）的比例，但是现在，人眼观察中（20-22，28-32，18-20）的范围都和目标颜色无差异，推理比例的难度就会降低。

训练相应的色彩配比推理网络，其网络结构为：色彩配比推理网络同样采用全连接的结构，输入神经元的数量为3*(T+1)+3*M，T为当前原料颜色总数量，例如3种原料合成1种颜色，则T=3，加的1表示目标颜色。M为容错调配次数，即不一定第一遍便可根据推理出的配比得到目标颜色，此时配制出的颜色需要作为原料之一。M的值可在神经网络训练前由人为设定，优选地本实施例M为3。输出神经元的数量为T+M，即各对应原料的配比。颜色数量不够时，空缺的原料数据补0。

所以输入数据的形式为：

输出数据的形式为：

其中pb即为各原料的配比。

在进行网络训练时，通过实际实验进行配色实验获得调配目标颜色时原料颜色的配比；将原料颜色的色彩编码和目标颜色的色彩编码作为训练数据，原料颜色的配比作为训练数据的标签，利用训练数据对色彩配比网络进行训练；损失函数网络进行回归任务，则采用均方误差损失函数。

色彩配比推理网络训练好后，输入原料的颜色和目标颜色对应的色彩均匀编码，输出各原料的配比。

实施例2

本实施例提供了一种系统实施例。一种基于色彩均匀编码的智能配色系统，该系统包括：色彩均匀编码器构建模块，用于构建色彩均匀编码器，输入各颜色对应的HSV通道值，输出色彩均匀编码；

色彩均匀编码器训练模块，用于训练色彩均匀编码器，训练过程为：随机获得预定数量的颜色组成待对比颜色组，人为判断各待对比颜色组的差异等级，统计各差异等级的被选次数；获得待对比颜色组的差异等级的被选次数与所有差异等级的被选次数之和的比例：将待对比颜色组差异等级与对应的比例的乘积进行求和得到待对比颜色组的综合差异程度，获得各待对比颜色组的综合差异程度；利用损失函数监督孪生网络训练，同时利用孪生网络训练色彩均匀编码器；根据待对比颜色组的综合差异程度和色彩均匀编码的差异程度获得孪生网络的损失函数；

颜色配比获取模块，用于获得原料的颜色和目标颜色对应的色彩均匀编码，输入色彩配比推理网络，输出各原料的配比。

色彩均匀编码器训练模块，还用于利用损失函数监督孪生网络训练，所述损失函数为：

其中，e表示损失函数；N表示待对比颜色组的数量；

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。