机器学习+颜色=智能配色，解读Brandmark的解决方案color-wheel

↑ 点击加入mixlab社区

15000+跨学科人群，机器学习、量化交易、物联网、区块链、产品、建筑设计、服装设计、珠宝设计、音乐、艺术等。

本篇是人工智能设计师指南v1.0的补充内容。

1

照片 VS 扁平风格设计图

当我们提起机器学习和颜色的时候，首先想到的可能是黑白照片着色和风格迁移2类应用。虽然这些像素级技术适用于照片，但它们对于艺术的插画风格的图片效果并不是很好。Brandmark称此类图片为flat的图，于是开发了一款子产品color-wheel，专门用于此类图片的风格迁移。

用户通过上传设计图，机器自动改变颜色搭配，生成多种配色方案。可以达到的效果见下图：

有一些前提条件需留意：

• grayscale 设计图需是灰度图
• flat 设计图需要是扁平的风格，颜色最好在10个以内
• color schemes 用户需自行设置色相、饱和度等参数

2

如何描述色彩风格？

color-wheel已经内置了几种配色模版：

• dribbble
• 8 bit NES games
• Soviet posters
• anime
• classic animation
• pixel art
• vintage posters
• oil paintings

色彩风格包括3个维度的信息：value, color, and style。value指的是颜色的深浅；color描述颜色的色相、饱和度、亮度；style包括了纹理、渐变、特效等。如下图:

3

调色板 VS 无向色彩节点图

然而一般我们常见的调色板都忽略了色彩之间的比例及相对位置信息，仅仅给出了色彩的色值value、颜色信息color。以至于同样的色板，应用到不同的图片上，往往感觉都是不一样的。

如上图，我们常见的忽略了色彩比例及位置信息的调色板。

Brandmark提出了一种更自然的方式（无向色彩节点图）表达色彩之间的比例及位置信息：

在下面这个蒙德里安的画作的照片中，黑色节点与所有其他节点都有连接。即使它不是最大的面积，我们可以认为它对于作品的颜色组成更重要：

再看另一个例子：

4

用矩阵表达色彩风格

这种图示的方法，颜色空间还是非常大，我们可以把颜色空间缩小，并固定维度，Brandmark采用的是4x4的矩阵：

转化之后，该矩阵可应用于：

• 通过颜色图相似性对风格相似的图像进行聚类
• 将一个图像的颜色转移到另一个图像
• 用于深度学习中作为其中一个输入

调色板是给设计师看的

VS

矩阵是给机器看的

——机器学习做智能配色的正解。

以上为全文。

近期活动推荐：

快！TensorFlow、黑客马拉松、DevFest千人大会 ，GDG DevFest 2018在召唤你

--------------------------------------

mixlab 无界社区 是一所面向未来的实验室，它提倡“跨界创新，开放成长”的理念。

——跨界 开放 互助 学习 思维 创新。

目前社区汇集了1500+跨学科人群，主要来自GoogleBrain、微软、华为、阿里鲁班、腾讯、旷视、三角兽、物灵科技、众安保险、美团、360等科技人才、设计师及CEO和投资人；高校分布MIT、Oxford、Cambridge、CMU、UoM、清华、上交大、同济等学生及教师群体；学科跨越机器学习、自然语言处理、量化交易、物联网、区块链、前端、后端、产品经理、UI设计、建筑设计、服装设计、珠宝设计、音乐、艺术等。

社区典型的用户技能为： ML00：小程序开发、AI+设计 ML04: 算法作曲 ML05：AI变脸 ML07：WebGL+Three.js数据可视化 ML14：增长黑客 ML16：机器学习 ML37：AR ML41：人工智能+音乐 ML44：珠宝设计+参数化设计 ML83：量化交易、数字货币交易 ML109：Arduino、processing ML113：人工智能+服装设计 ML206：VR/AR ML245：建筑设计智能化

详细介绍点击以下卡片：

mixlab期待您的加入！