人工智能配色系列（二）智能擴充

騰訊DeepOcean原創文章：dopro.io/artificial-…

隨着人工智能的高速發展，經過算法學習設計師的設計方法，並由機器自動生成Banner，尤爲是電商類Banner，以減小設計師的低創意、重複性的工做，已然成爲人工智能時代的大勢所趨。而智能配色又是生成Banner中的難點之一。本文承接前文《人工智能配色系列（一）方案與規則》，將進一步探討經過機器學習完善配色方案的方法，即如何自動學習Dribble等設計網站的配色風格，以擴充配色規則，豐富配色效果。

規則庫

在前文中，基於LCH 的色彩空間模型構建規則，創立了配色規則庫。由設計師建立基礎的配色規則，從而應用於最終Banner的顏色替換環節。在實踐過程當中，請設計師建立了數十條較爲通用的配色方案，每條方案都可適用於絕大多數色相的顏色中，以知足Banner的配色須要。然而，如前文所述，互聯網中存在着海量的調色盤，若是能利用這些調色盤來自動擴充配色規則庫，則能夠極大減小對設計師的依賴，豐富規則庫，從而提高智能配色的表現效果。

網絡色板

首先咱們觀察互聯網中的色板，一般由一組圖像中提取出的諸多和諧色彩構成。然而咱們並不能肯定其中各個顏色之間的搭配關係，即主、輔、對比的關係。其中的色彩沒法直接使用。

然而，咱們能夠經過對已有的規則進行分析其中規律，進而使用該規律從上圖色板中提取顏色。

規則風格

如前文所述，規則中包含主色、輔助色和對比色，這些是由設計師根據本身的專業美學感知，給這三種關係提供的具體顏色。經過LCH顏色空間進行拆解：主色{l_0,c_0,h_0 }, 輔色{l_1,c_1,h_1 }，對比色{l_2,c_2,h_2 }. 造成一種配色規則。在規則使用時，保持亮度L、和飽和度C不變，色相H旋轉相同的角度，便可生成相同風格，不一樣色彩的一組色板。以下圖所示，其中，一個長方形和兩個小正方行組成的大正方形，爲一個色板，分別爲主色(MA)、輔色(SU)、對比色(CO)。經過改變H，行造成如下不一樣顏色但相同風格的色板組。

更換爲另外一個規則，同理能夠生成如下色板組：

相同的規則，保持了相同的L 與C，故而表現風格一致。若是可以爲相同的h關係，提供更多不一樣的L與C組合，就能夠提供更多不一樣的風格。

色相關係

經過對設計專家提供的數十種具備表明性的基礎配色規則，咱們進行分析。以肯定其主色、輔助色及對比色的h在色輪上的相關關係。經過以H色相環圖像化的結果，咱們能夠看到，肯定主色後，輔助色和對比色的H聚斂在了必定的區域內。

因此，能夠利用這數十種基礎配色規則中H的規律，從互聯網（如Dribble）的海量色板中，找到與該H規律一致的一組顏色，提取其L與C的值，也就是學習色板中的風格，以擴充規則。

提取顏色

經過以上分析，可使用以下流程：

• 輸入已有規則。在LCH顏色空間表示爲：主色{l_0,c_0,h_0 }, 輔色{l_1,c_1,h_1 }，對比色{l_2,c_2,h_2 }，L、C、H分別刻畫了明度、色彩飽和度、色調。其中色調值h_0、h_一、h_2決定了主色，輔色，對比色的關係和差異。對三個色調值旋轉，也就是疊加同一個值，咱們生成另外一種配色。
• 輸入Dribble圖片。https://dribbble.com/是一個設計網站，提供了不少美觀的圖片， 咱們爬取了40000張圖片，每張圖片顏色成分在8種之內。
• 獲取色帶。每張Dribble圖片提供了色帶，可是色帶上成分很小的顏色對圖片色彩的搭配影響很小，因此對每一個Dribble圖片提取3種成分最大的顏色，使用了K-means提取方法。將Dribble圖片提取的三種顏色進行6種排列，分別對應主色、輔色、對比色，這同樣每張Dribble獲得6種排列的色帶。
• 匹配。每一個Dribble色帶轉換到LCH空間，將其中包含的3個H值{h_0,h_1,h_2 }和21種規則進行匹配。具體而言，第i個規則包含3個H值{h_i0,h_i1,h_i2 }，計算偏差 將其中最小的偏差值入庫。

經過上述流程，取匹配偏差最小的前2000條數據，也就是Dribble色帶和最佳匹配的規則H值相差不到1°。2000條數據是新的規則，蘊含着和以前已有21條規則不一樣的L、C值組合，而且經常使用的L、C值組合也被獲取。如下爲最小偏差的計算方法：

更進一步

以上數據由Dribble中提取後，能夠進一步由設計師進行打分和訓練。經過如下步驟：

(a)由專業設計師對此規則打分，獲得N條美觀的規則入庫。

(b) H空間旋轉規則，訓練。將N條規則的H值依次旋轉24°的整數倍，共生成20N條規則，由設計師打分，一共得到M條有效規則。

(c) 規則入庫，創建索引，輸出配色。將經過的規則入庫，做爲最後擴充獲得的規則。給定輸入的主色H值，匹配獲得主色最近的10個規則，分別計算偏差角度，並由此修正每一個規則的輔助色、對比色的角度，輸出10種配色，做爲後續使用。

(d)配色美學模型的構建與訓練。所獲得的M條配色規則，每條配色數據包括了主色、輔色、對比色的RGB色值，而且每條配色的可用性由專家進行標註：0爲不可用，1爲可用。能夠認爲M條配色數據表明了經常使用的顏色分佈，所以能夠用機器學習模型進行訓練分類，所得模型也能夠很好的實際應用。

機器學習測試

實際操做中，上段中N爲2000，M爲2600。採用了2300條數據用來訓練，300條用來測試，剩餘規則用於負樣本，按 2600:2300 比例用作訓練和測試。使用對應的LCH數值做爲特徵輸入，在特徵各個維度上，須要歸一化到 -0.5 和 0.5 之間。嘗試sklearn庫中的多種機器學習算法模型函數，包括logistic regression，support vector machine，fully-connected network，其中fully-connected network在測試集上獲得了最好的準確度。所用fully connected network配置以下，分別爲units 10的隱層和softmax二分類的輸出層。訓練時候配置採用sklearn的默認配置。

在測試數據集上，對於可用的Banner集合，能夠篩選出其中的67%，對於不可用的Banner集合，本技術能夠檢測到其中的93%; 所以該步驟輸出的可用性的機率數值的高低，能夠做爲配色美觀度的一個衡量標準。

以上爲生成的配色規則對Banner 背景、前景、文字的配色。

結語

本文闡述了配色規則的擴充，隨着對Dribble等網絡色板的自動學習，轉化了設計師的設計成果，並極大地減小設計師的參與，同時豐富了配色的表現結果。經過對學習後的規則打分訓練，並經過深度學習，能夠衡量配色的美觀程度，以提升設計結果的可用性。人工智能已經以迅雷不及掩耳之勢，在方方面面影響着現代生活，經過智能配色，已然體現出了其獨特的優點。將來，人工智能提升人類的生產效率，減小人類的工做時長，已經在慢慢實現。讓咱們滿懷信念一塊兒期待。

歡迎關注"騰訊DeepOcean"微信公衆號,每週爲你推送前端、人工智能、SEO/ASO等領域相關的原創優質技術文章：

看小編搬運這麼辛苦，關注一個唄：)