一种智能化配色方法、系统、介质、设备及终端与流程

1.本发明属于图片配色技术领域，尤其涉及一种智能化配色方法、系统、介质、设备及终端。


背景技术：

2.目前，随着机器学习到深度学习的拓展，目前人工智能在各领域有了更多、更深入的纵向研究、发展。在服装设计行业大背景内，存在着设计师与甲方之间的沟通往往存在偏差的问题。在服装图像配色技术中，对图片进行处理时，往往涉及到人体、背景与服装的分割，服装配色规则等一系列的挑战。例如，在设计一款服装时，甲方想要看到服装穿在人身体上的效果图，需要设计师在ps等软件内对服装进行反复的抠图、配色、修改等操作，效率比较低。因此，亟需设计一种新的服装智能化配色方法，设定好一定的参数后，通过一键生成的功能，自动完成人体+背景的分割、智能多套配色方案的操作。
3.通过上述分析，现有技术存在的问题及缺陷为：由于服装设计师与服装厂商之间的沟通偏差，导致设计师需要进行大量配色设计需求和很多无意义的重复操作。


技术实现要素：

4.针对现有技术存在的问题，本发明提供了一种智能化配色方法、系统、介质、设备及终端，尤其涉及一种服装、家具智能配色方法。
5.本发明是这样实现的，一种智能化配色方法，所述智能化配色方法包括：
6.结合服装配色分析库、服装图像分割算法、家具图像分割算法及智能配色算法，将用户上传的图片经过服装、家具智能配色系统，生成不同配色的产品图片。
7.进一步，所述智能化配色方法包括以下步骤：
8.步骤一，分别获取服装数据集和家具数据集并对数据集进行预处理；生成服装配色库。
9.步骤二，调用服装分割或家具分割，将用户上传的图片分解成背景和主体两部分；
10.步骤三，针对主体部分进行智能配色；
11.步骤四，配色结束后，将生成的多张主体部分分别与背景部分相结合，生成多张智能配色图片。
12.进一步，所述步骤一中的服装数据集使用网络上公开的deepfashion时尚数据集，共计有8000张不同的服装图片和对应的标签内容。
13.进一步，所述家具数据集方面，使用fgvc5家具细粒度数据集。
14.进一步，所述步骤一中的数据预处理包括：
15.读取并调整所有图像，将图像的宽度和长度调整到一致；增加每个图像的采样像素，双线性插值，三次插值或最近邻插值对向上采样有用。
16.进一步，所述智能化配色方法还包括：
17.(1)获取图片主体区域的每个像素所对应的rgb三个通道的颜色值，将所述颜色值
转换为hsv的值，换算方式如下：
[0018][0019][0020]
v＝cmax；
[0021]
(2)提取系统预设权重，针对图像主体的每一个像素点的hsv值进行色系改变运算，得到运算结果；对相似颜色进行合并，生成新的智能配色图形。
[0022]
本发明的另一目的在于提供一种应用所述的智能化配色方法的智能化配色系统，所述智能化配色系统包括：
[0023]
数据获取模块，用于分别获取服装数据集和家具数据集，对这些数据集进行的分析使我们的模型具备对服装配色的敏感，可以迅速从用户上传的服装/家具主色调完成配色；
[0024]
数据预处理模块，用于对用户上传的图像进行预处理，使得图像的输入矩阵满足系统的需求；
[0025]
图片分解模块，用于服装分割或家具分割，将用户上传的图片分解成人体+背景和主体两部分；
[0026]
主色调提取模块，用于针对主体部分提取主色调，进行配色算法；
[0027]
智能配色图片生成模块，在配色结束后，用于将生成的多张主体部分分别与背景部分相结合，生成多张智能配色图片。
[0028]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的智能化配色方法。
[0029]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的智能化配色方法。
[0030]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的智能化配色系统。
[0031]
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
[0032]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0033]
本发明使用了网络上公开的deepfashion时尚数据集，共计有8000张不同的服装图片和对应的标签内容；家具数据集方面，使用了fgvc5家具细粒度数据集。本发明的数据预处理方面，读取并调整所有图像，将图像的宽度和长度调整到一致，方便后续运算，过滤掉不满足像素要求的图像；增加每个图像的采样像素，以增加图像的分辨率，双线性插值，三次插值或最近邻插值对之后的向上采样有用。本发明调用服装分割或者家具分割，将用户上传的图片分解成背景和主体两部分；针对主体部分提取主色调，进行配色算法，结束后再将生成的多张主体部分分别与背景部分相结合，生成多张智能配色图片。
[0034]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0035]
本发明将用户上传的图片，经过服装/家具智能配色系统，生成不同配色的产品图片，方便供应商调整产品配色方案，减轻产品设计的压力，提升用户的体验程度，这对服装、家具线上交易领域、服装、家具设计领域具有促进意义。同时，本发明还结合了服装图像分割算法、家具图像分割算法智能配色算法三个领域的技术，自动改变用户上传的图片中特定区域内的颜色。
[0036]
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0037]
(1)本发明的技术方案转化后的预期收益和商业价值为：
[0038]
在服装行业，设计师很多时候往往并不隶属于某一个公司，而是为多个公司进行服装的设计，而这种情况下，由于甲方不具有作图能力，甲方的设计需求通常以文字描述的形式传达给设计师，传达和理解上的偏差往往导致设计师要反复改稿，效率较低。借此技术，让无作图能力的甲方，通过智能配色系统后，程序在极短时间内生成海量方案，甲方只需挑选其中想要的方案，交给设计师来完善，避免了设计师的无效工作，缩减服装设计师与甲方之间沟通的时间，提升了工作效率。所以在本系统推出后，预计将受到广大服装设计师的欢迎，取得可观的商业价值。
[0039]
(2)本发明的技术方案填补了国内外业内技术空白：
[0040]
通过对deepfashion时尚数据集共计8000张不同的服装图片和对应的标签内容以及fgvc5家具细粒度数据集的分析，建立了成熟的配色规则，极大地减少了对设计师的依赖。并且根据生成的服装图像是否被用户下载，系统还可以对自己的设计库进行检验和扩充。丰富规则库，从而提升智能配色的表现效果。服装细分领域内的色彩设计规则库目前是本系统独有，国内外所未涉及的。
[0041]
(3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：
[0042]
服装行业具有大批量、快交期、多品种等特点，而随着工业化的进程，需要用在服
装生产环节的时间越来越少，更多的时间被用在了服装的设计上。而一款服装的设计需要大量的资料收集和设计规划。而且由于服装图像的特殊性区别于其他行业的图像，如汽车行业进行配色或者修改算法只需要将汽车这个主体进行分割即可，但服装/家具图像的要求却是将人体连同背景与服装进行区分，与现有的主流的人体分割差别巨大，所以服装细分行业的人工智能一直发展缓慢。本发明的出现解决了这一难题，后台自动将用户上传的图片中的人物+背景分割，并针对剩下的服装/家具进行配色，显著缩短了服装设计环节内服装配色的时间，而且经过本系统生成的服装配色套数可由设计师选择，越多的套数代表色彩细粒度越小。配色完成后设计师只需要从这些图片中挑选一张/几张下载即可。
附图说明
[0043]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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。
[0044]
图1是本发明实施例提供的智能化配色方法流程图；
[0045]
图2是本发明实施例提供的智能化配色方法流程原理图；
[0046]
图3是本发明实施例提供的具体应用的效果图。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0048]
针对现有技术存在的问题，本发明提供了一种智能化配色方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
[0049]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
[0050]
如图1所示，本发明实施例提供的智能化配色方法包括以下步骤：
[0051]
s101，分别获取服装数据集和家具数据集并对数据集进行预处理；
[0052]
s102，调用服装分割或家具分割，将用户上传的图片分解成背景和主体两部分；
[0053]
s103，针对主体部分提取主色调，进行配色算法；
[0054]
s104，配色结束后，将生成的多张主体部分分别与背景部分相结合，生成多张智能配色图片。
[0055]
本发明实施例提供的服装数据集使用网络上公开的deepfashion时尚数据集，共计有8000张不同的服装图片和对应的标签内容。
[0056]
本发明实施例提供的家具数据集方面，使用fgvc5家具细粒度数据集。
[0057]
本发明实施例提供的数据预处理包括：读取并调整所有图像，将图像的宽度和长度调整到一致；增加每个图像的采样像素，双线性插值，三次插值或最近邻插值对向上采样有用。
[0058]
本发明实施例提供的智能化配色方法还包括：
[0059]
(1)获取图片主体区域的每个像素所对应的rgb三个通道的颜色值，将所述颜色值转换为hsv的值，换算方式如下：
[0060][0061][0062]
v＝cmax；
[0063]
(2)根据配色规则系统预设权重，针对图像主体的每一个像素点的hsv值进行色系改变运算，得到运算结果；对相似颜色进行合并，生成新的智能配色图形。
[0064]
本发明实施例提供的智能化配色系统包括：
[0065]
数据获取模块，用于分别获取服装数据集和家具数据集；
[0066]
数据预处理模块，用于对数据集进行预处理；
[0067]
图片分解模块，用于调用服装分割或家具分割，将用户上传的图片分解成背景和主体两部分；
[0068]
主色调提取模块，用于针对主体部分提取主色调，进行配色算法；
[0069]
智能配色图片生成模块，在配色结束后，用于将生成的多张主体部分分别与背景部分相结合，生成多张智能配色图片。
[0070]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0071]
本发明实施例提供的方法已经进行了应用，如图3所示。某针织云网站的服装人工智能设计模块，某针织云是集企业服务、人才招聘、资源共享、产业资讯等为一体的数字化平台。该平台于某年正式启动运营，至今为止，超百家平台入驻该平台，服务超数千人。
[0072]
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0073]
配色精度公式：
[0074]
f(x)＝1/(δa+k)
[0075]
公式解析:δa为本系统配色算法预测的颜色与设计师调整后的标准样本颜色之间的色差值，δa越小，f(x)越大，说明个体的适应能力越强；k是为了避免被0整除而设置的一个常数，我们将其设为10
－6
。
[0076]
期望色差度实验步骤：
[0077]
将deepfashion数据集中用于测试的数据图像随机抽取，在生成的图像中由设计师进行挑选，挑中的设计图再由设计师进行色彩上的微调，以达到工业应用级别的效果，对于调整前后的两张图像记录rgb三原色的色差。期望色差度实验结果：
[0078][0079]
[0080][0081]
由表2可知，最终实验获得的图像样本和设计师调整后的色差值整体小于0.5，平均色差值为0.245。通过表3所显示的色差分布来看，δa《0.4的情况已经包含了绝大部分(93.3％)，实验色差完全在可接受范围内，这表明色差计算结果与目视评判具有良好的一致性，所建立的服装智能配色预测模型实用性优良，整个服装智能配色系统具有良好的实际应用价值。
[0082]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0083]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。