由至少一个数字颜色图像确定代表性颜色的方法与流程

由至少一个数字颜色图像确定代表性颜色的方法
发明领域
1.本发明涉及一种由至少一个数字颜色图像确定一种或多种代表性颜色的方法。特别地，本发明涉及确定代表至少一个数字颜色图像的一种或多种漆颜色。更特别地，本发明涉及由情绪板生成个性化调色板。
2.发明背景
3.希望选择一种或多种漆颜色，例如用于装饰房间的消费者会有大量颜色选项可供选择。此外，选择彼此协调的多种漆颜色，或者选择与例如一件家具的颜色协调的漆颜色，是非常主观的，可能是一项艰巨的任务。漆生产商通常提供可能不反映消费者偏好的预先安排的调色板。因此，本发明旨在通过基于消费者选择的一个或多个彩色图像向消费者提供个性化调色板来促进选择过程。
4.在室内设计中，情绪板是一个创造性的第一步，可有助于在项目启动之前探索想法。情绪板的颜色可以代表关于设想的室内设计的重要信息。尽管传统的情绪板由泡沫板制成，并用各种物理物体如贴纸、胶带、艺术品、照片、杂志剪纸和织物装饰，但情绪板的数字等效物(数字情绪板)可以包括一个或多个数字图像。
5.所述一个或多个图像可以组成反映消费者个人偏好的“情绪板”。例如，消费者可以提供消费者喜欢的若干彩色图像，例如自然场景或室内的彩色图像。基于情绪板，本发明旨在为消费者提供颜色的调色板，其代表编译的情绪板中的颜色。
6.与其周围环境形成强烈对比的颜色被人类很好地感知，即使对比颜色仅占据图像的一小部分区域。因此，特别需要在所述一个或多个图像中识别“代表性不足的颜色”，即具有低像素计数的视觉显著颜色(或者，换言之，仅占据图像中的一个小区域但仍能很好地感知的颜色)，并将这些包括在调色板中。
7.从数字颜色图像中提取主导颜色通常是已知的，并且通常涉及将数字颜色图像中类似颜色值的像素分组在一起的聚类例程。每组像素颜色值，即每个聚类，可以通过该组的代表性颜色表示，例如该组中像素的平均或中值颜色值。多个聚类的代表性颜色一起可以形成输入图像的调色板。
8.用于生成该调色板的广泛使用的聚类方法是基于质心的算法，例如k均值聚类或类似算法，其将图像的像素颜色值划分为多个聚类，其中每个像素颜色值被分配给最近的聚类质心，使得每个聚类的距离度量值最小化。k均值聚类算法的该使用示例由g.ciocca，p.napoletano，r.schettini描述于“evaluation of automatic image color theme extraction methods”，computational color imaging workshop(2019)中。该方法通过首先从图像中选择k种随机颜色，表示为初始质心而工作。然后，对于图像中的所有其他像素，确定最接近的初始质心，并将像素分配给该质心，从而产生全部分配给其最接近质心的像素组(聚类)。接下来，通过计算每个聚类中所有像素的平均值来重新校准质心。重复该过程直至收敛，即直至所有新质心不再与旧质心显著不同。尽管ciocca等(2019)的早期结果表明，与其他更复杂的方法相比，k均值方法在提取适当的调色板方面非常准确，但其对初始质心的随机选择的依赖性使得该方法不可重复，这限制了其在实践中的应用，因为在同一
输入图像上多次运行相同的方法将导致不同的调色板。为了克服这一问题，ciocca等(2019)提出了一种方法，通过在一组从最亮到最暗排序的颜色上均匀采样初始质心来固定初始化。遗憾的是，这并没有带来更好的性能。由于初始质心在这种情况下是所有灰色色调，最终调色板的颜色将偏向中性。
9.已知颜色聚类例程的一个缺点是，它们被设计为识别数字颜色图像中最主导的颜色，并且不能提取如上所定义的代表性不足的颜色。
10.例如，wo 2014/070168a1描述了使用k均值聚类例程由图像生成调色板，其中该例程涉及多个聚类质心的伪随机播种。这种随机或伪随机初始化的缺点是输出的调色板很大程度上取决于质心的初始种子。特别地，输入图像中相对较少代表性的颜色，例如小尺寸的孤立聚类，可能不会被聚类例程识别，并且可能不会最终出现在生成的调色板中。此外，对于给定的输入图像，由于算法的随机初始化，输出的调色板的再现性较差。
11.ep 2526683a1还描述了使用k均值型聚类算法来确定样本图像中存在的主要颜色，其中聚类的数量自适应地增加。聚类算法通过将图像中的所有像素分配给具有单个聚类质心的单个聚类来初始化，此处是所有像素值的平均值。在每次迭代中，在质心的预定范围内的像素数低于预定阈值的情况下，添加另一聚类。尽管该算法不是随机初始化的，但其被设计用于识别图像中的主要颜色，并且不适于识别代表性相对较少的颜色，例如小尺寸的孤立聚类。因此，这些代表性较少的颜色不可能最终出现在输出的调色板中。
12.ep 1274228a2描述了一种由数字颜色图像生成减小的颜色组的方法，用于在诸如lcd屏幕的缩小位深度的颜色输出设备上呈现该图像。所述方法增强了图像中重要的代表性不足的颜色，特别是肤色，使得它们最终出现在输出的调色板中。尽管在该方法中考虑了代表性不足的颜色，但对于许多应用来说，代表性不足的颜色是什么是先验未知的。
13.发明概述
14.本发明的目的是提供一种由一个或多个数字颜色图像确定一种或多种代表性颜色的方法，其中所述一个或多种彩色图像中不太主要的颜色可能被识别为代表性颜色。进一步目的是提供一种由一个或多个数字颜色图像确定一种或多种代表性颜色的方法，其给出了可再现的结果。
15.因此，在第一方面中，提供了一种由至少一个数字颜色图像确定预定数量的k种代表性颜色的计算机执行的方法，其包括以下步骤：
16.a)获得至少一个数字颜色图像，其具有像素数p，每个像素具有处于n维色空间内的颜色值；
17.b)定义预定数量的k个聚类中心，所述聚类中心以预定模式分布在色空间中，优选地表示不同的颜色，其中k》k；
18.c)通过将每个像素的颜色值与最近的聚类中心相关联，形成聚类；
19.d)通过删除聚类中心和/或合并聚类，将聚类数量减少至k；
20.e)由所得的k个聚类中的每一个定义各自的代表性颜色。
21.删除包括为每个聚类确定与该聚类关联的像素数量，并在关联像素数量小于或等于预定义修剪阈值时删除聚类中心。合并包括确定至少两个聚类中心之间的距离，并合并距离小于预定义合并阈值的聚类(例如，然后可以用新的聚类中心表示)。
22.生成的代表性颜色可以共同形成所述至少一个数字颜色图像的代表性颜色的调
色板。由于该方法是由预定义数量k的聚类中心初始化的，超过了生成的代表性颜色的数量k，因此可能会在色空间中靠近代表性不足颜色的像素颜色值处播种聚类中心。因此，这种代表性不足的颜色可通过该方法进行识别，因此可最终形成一组代表性颜色。例如，初始聚类中心可在色空间中像素值相对较小且孤立的组的附近播种，所述像素值将与最近的聚类中心相关联以形成聚类。一小组孤立的像素值通常与所述至少一个数字颜色图像中的代表性不足的颜色有关，并且由于其孤立性，其可与图像中更主导或主要的颜色形成对比。所述聚类中心可能不被被删除或与其他聚类中心合并，因为其是孤立的，并且例如具有比修剪阈值更多的关联像素。因此，即使在所述至少一个数字颜色图像中，该聚类表示代表性相对不足的颜色，其也可以用代表性颜色来识别和表示。
23.由于k个初始聚类中心是预定义的，并以预定模式分布在色空间中，因此步骤b)中的初始化是非随机的，并且该方法为给定的数字颜色图像提供了可再现的结果。换言之，对同一数字颜色图像重复执行该方法会产生相同的生成代表性颜色集。应理解的是，初始聚类中心在色空间中的分布模式是独立于具体数字颜色图像而确定的，即预先确定的。否则的话，预先确定的初始播种模式与具体的数字颜色图像无关。应理解的是，可以对不同类别的图像使用不同的模式。
24.由此生成的代表性颜色集可以构成调色板，用于选择用于装饰例如房间的漆颜色。然而，很明显，该方法可以用于各种其他图像处理应用，例如计算机视觉、自动特征检测、文件压缩等。
25.预定数量的k个初始聚类中心以预定模式分布在色空间中。预定模式包括表示不同彩色和任选的非彩色的初始聚类中心。优选地，预定模式包括表示不同彩色和任选的非彩色的初始聚类中心，以及不同亮度值。在rgb色空间中，亮度可以被认为是红色、绿色和蓝色坐标的算术平均值(尽管这三个分量中的某些分量可以使光对人类感知而言看起来比其他分量更亮)。预定模式可包括代表蓝色、青色、绿色、黄色、红色和品红色中的一种或多种的初始聚类中心，并且优选地代表其全部。
26.在一些实施方案中，可能优选的是，k个初始聚类中心在色空间中分散，使得初始聚类中心覆盖尽可能多的色空间。聚类中心优选均匀地(以规则方式)分布在色空间中，即彼此在相同距离内。换言之，初始聚类中心优选均匀地分布在n维色空间中。以此方式，该方法更可能在所述至少一个数字颜色图像中识别代表不足的颜色，即小尺度和/或孤立的聚类。
27.在一些实施方案中，k个初始聚类中心优选地分布在色空间中的一个或多个平面中。
28.任选地，k个初始聚类中心沿色空间中的直线分布，例如，延伸穿过色空间。初始聚类中心可沿rgb空间中从黑到白延伸的消色差线分布。消色差线在立方体rgb空间中的两个相对对角线之间延伸。k个初始聚类中心可沿该线规则分布(即，在最近聚类中心之间的相同距离内)。k个初始聚类可位于沿着该线的预定义位置。
29.在一些实施方案中，可优选的是，k个初始聚类中心沿着色空间中的多条线(例如直线)分布，例如，每条线延伸穿过色空间。线可以在色空间中形成网格，使得k个初始聚类中心(规则地)分散在色空间上。线可以在立方体rgb空间中的相对对角线、相对肋和/或相对平面之间延伸。任选地，k个初始聚类中心位于沿着色空间中的多条直线的预定位置，例
如，每条直线延伸穿过色空间。
30.优选地，k个初始聚类中心沿色空间中的多条相交线分布，其中任选地，线的交点位于色空间的中心。多条相交线可以在立方体rgb色空间中延伸，其中任选地，线的交点位于立方体rgb色空间的中心。通过这种星形初始化，k个初始聚类中心在色空间中良好(均匀)地分散，并有效地跨越人眼观察到的色空间。任选地，k个初始聚类中心位于沿着色空间中的多条相交线的预定义(规则)位置，其中任选地，线的交点位于色空间的中心。
31.因此，可以沿着多个彩色方向(例如所有主要彩色方向)选择k个初始聚类中心，以覆盖广泛的彩色范围，而不是在从亮到暗(即非彩色)的线上均匀地采样k个初始聚类中心。然而，当将初始聚类中心的采样从一个方向(从亮到暗)扩展到多个方向(例如，所有主要彩色方向)时，可以引入初始聚类中心，而不需要任何关联像素(“空聚类”)。鉴于此，并且为了增加颜色选择性，初始聚类中心的数量被选择为大于要获得的代表性颜色的预定数量。
32.除了在多个彩色方向上的采样点之外，本方法在以下两个方面也不同于k均值算法。代替用精确的k点进行的初始化算法，本方法可以用任意数量k的点来初始化，例如，在所有主要彩色方向上均匀采样的点。此外，该方法包括计算聚类中心之间的色差的步骤，如果它们的色差小于合并阈值，则合并聚类。此外，如果聚类中的像素数小于或等于修剪阈值，则删除(几乎)空聚类。这意味着应用本方法将不会产生预定义数量的聚类，但最终调色板中颜色的确切数量将取决于输入图像。可以提供该方法的迭代变体，从而允许计算具有预定义数量的颜色的调色板，这通过迭代地调整合并阈值和/或修剪阈值来操作，直至获得具有期望数量的颜色的调色板为止。
33.修剪阈值可例如设置为零像素，使得删除空聚类(即其中没有像素的聚类)的聚类中心。
34.此处使用的术语“距离”是指色空间中元素之间的相似性或不相似性。应理解的是，在该方法的范围内可以使用任何距离度量值来确定色空间中的元素之间的相似性或距离，例如1-范数、2-范数、3-范数、∞-范数等。例如，色空间中两个颜色值之间的距离可以表示为欧几里德距离，即2-范数距离。就此而言，与像素的特定颜色值“最近”的聚类中心是该颜色值与任何聚类中心之间的距离度量值最小的特定聚类中心。
35.同样就此而言，聚类之间的距离是指聚类之间的相似性或不相似性。例如，两个聚类之间的距离可以定义为它们各自的聚类中心之间的距离，或者它们各自的聚类边界之间的距离。
36.通过例如从彼此相似的聚类组中移除一个或多个聚类中心来合并聚类。例如，两个相似的聚类可以通过删除聚类中心中的任一个，例如具有与之相关联的最小或最大像素数的聚类中心，合并为单个聚类。任选地，删除最小的彩色聚类中心，以避开色空间中的基本上非彩色的颜色(即黑色、白色和灰色色调)。已经发现，彩色图像中的相对高的彩色尤其被人类观察者注意到。因此，通过选择与相对高的比色值相关联的聚类中心(例如，删除与最低比色值相关联的聚类中心)来合并聚类，这将导致类似于人类感知的该显著的高彩色值的方法。可使用比色准则来确定哪个聚类中心与最小彩色值相关联，例如，通过使用非彩色值(例如黑色、灰色或白色)为每个聚类中心确定欧几里得距离。因此，合并可包括(使用合并阈值)从一组相似的聚类中心中删除最小彩色聚类中心。与删除的聚类中心相关联的像素值可以与任何剩余的聚类中心重新关联。还可以通过删除旧聚类中心并基于相似聚类
和/或旧聚类中心的颜色值定义新聚类中心来合并相似聚类。新的聚类中心可以例如设置为相似聚类和/或它们各自的中心的平均值或加权平均值。应理解的是，在组中的聚类中心之间的相互距离小于预定义合并阈值的情况下，可以合并任何聚类组，例如2个、3个、4个或更多个聚类的聚类组。这样，合并阈值可以用作控制变量来控制从k到k的聚类的减少或减少速率。
37.应理解的是，聚类中心可由聚类的平均值、中值、中心点、质心或任何其他颜色值来定义。
38.任选地，该方法包括在步骤c)之后执行步骤c1)：对于每个聚类，重新确定聚类中心。在通过将每个像素的颜色值与最近的(预定义的)聚类中心相关联来形成聚类之后，可以重新确定聚类中心的位置。聚类的重新确定的聚类中心例如可以是使聚类中的方差最小化的颜色值，例如该聚类中的颜色值的平均值。用于重新确定聚类的聚类中心的其他选项包括将聚类中心设置为该聚类中颜色值的中值、中心点或其他值。重新确定的聚类中心可以是聚类的组成颜色值，即聚类颜色值的成员，但不一定是这样。在重新确定聚类中心之后，可以通过将每个像素的颜色值与最近的聚类中心相关联来重复该形成聚类的步骤。然后，可以在步骤d)中再次删除例如空聚类的聚类中心，并且可以合并类似聚类以获得k个聚类。代表性颜色可以基于重新确定的聚类中心。
39.任选地，该方法包括迭代步骤c)、c1)、d)。所述步骤可以迭代预定次数。任选地，迭代步骤c)、c1)和d)直至满足收敛准则。因此，在步骤b)的初始化之后，可以迭代以下步骤：
40.c)通过将每个像素的颜色值与最近的聚类中心相关联，形成聚类；
41.c1)对每个聚类，重新确定聚类中心；
42.d)通过删除聚类中心和/或合并聚类将聚类的数量减少到k，
43.其中删除包括：
[0044]-对于每个聚类，确定与该聚类相关联的像素数量，和
[0045]-在关联像素的数量小于或等于预定义的修剪阈值的情况下，删除聚类中心，
[0046]
并且其中合并包括：
[0047]-确定至少两个聚类和/或聚类中心之间的距离，
[0048]-合并那些距离小于预定义合并阈值的聚类。
[0049]
以此方式，该方法收敛到局部最优，其中生成k个聚类，每个聚类都具有聚类中心。此外，聚类中心以类似于基于质心的聚类方法(例如k均值聚类或类似方法)的方式收敛到色空间中的颜色值。在步骤c)、c1)和d)的迭代之后，可以在步骤e)中确定代表性颜色。最终确定的聚类中心可例如定义步骤e)中的代表性颜色。
[0050]
任选地，该方法包括在步骤d)之后执行以下步骤：
[0051]
d1)确定聚类的数量，并且如果所确定的聚类的数量不等于k：
[0052]
d2)基于所确定的聚类数量调整合并阈值和/或修剪阈值。
[0053]
例如，先验地定义合并阈值和修剪阈值。在步骤a)中获得所述至少一个数字颜色图像并在步骤b)中初始化聚类中心之后，可以在步骤c)中(第一次)形成k个聚类。所形成的聚类的聚类中心可以任选地在步骤c1)中重新确定，但该步骤可以省略。随后，在步骤d)中通过基于合并和修剪阈值删除聚类中心和/或合并聚类来减少k个聚类的数量。如果在减少聚类的数量之后得到的聚类的数量不等于k，调整合并阈值和修剪阈值以获得k个聚类。可
以优选地将修剪阈值设置为零，即在步骤d)中仅删除空聚类的聚类中心，并且仅调整合并阈值。
[0054]
聚类的数量例如可以通过计算聚类中心的数量来确定。
[0055]
也可以在步骤b)之后，迭代步骤c)、c1)和d)，并且在数次迭代之后，例如直至收敛，执行步骤d1)、d2)和e)。
[0056]
任选地，步骤d2)包括：
[0057]-在聚类的数量高于k的情况下：提高合并阈值和/或修剪阈值；和
[0058]-在聚类的数量低于k的情况下：降低合并阈值和/或修剪阈值。
[0059]
任选地，所述方法包括迭代步骤d1)、d2)、c)、任选地c1)、d)，直至得到的聚类数量等于k。例如，先验地定义合并阈值和修剪阈值。在步骤a)中获得所述至少一个数字颜色图像并在步骤b)中初始化聚类中心之后，可在步骤c)中形成k个聚类。所形成的聚类的聚类中心可任选地在步骤c1)中重新确定，但该步骤可以省略。随后，在步骤d)中通过基于合并和修剪阈值删除聚类中心和/或合并聚类来减少k个聚类的数量。如果在减少聚类数量之后，得到的聚类数量不等于k，则调整合并阈值和修剪阈值。例如，如果聚类的数量高于k，则可以提高合并阈值和/或修剪阈值。如果聚类的数量低于k，则可减小合并阈值和(或)修剪阈值。合并阈值和/或修剪阈值例如可以线性地(即通过固定的增量)调整，或者非线性地(即，通过递增或递减的增量)调整。优选将修剪阈值设置为零，而不在步骤d2)中调整修剪阈值。以此方式，在步骤d)中仅删除空聚类的聚类中心。在调整合并和/或修剪阈值之后，可以基于调整的合并和/或修剪阈值来重新执行该方法。因此，步骤d1)、d2)、c)、任选地c1和d)可以迭代数次，直至例如在步骤d)中聚类的数量从k减少到k。在步骤e)中，可以由得到的k个聚类确定k种代表性颜色。k种代表性颜色例如是最终聚类中心或相应聚类的平均值。
[0060]
也可以在步骤b)之后迭代步骤c)、c1)和d)，并且在数次迭代之后，例如直至收敛，执行步骤d1)和d2)。如果在数次迭代之后，聚类的数量不等于k，则可以在步骤d1)和d2)中调整合并阈值和/或修剪阈值。该程序可以重复数次，即，在步骤d2)中的调整之后，该方法可以再次包括迭代步骤c)、c1)、d)，直至聚类的数量从k减少到k。然后，可以在步骤e)中使用得到的k个聚类来确定k种代表性颜色。例如，k个聚类的相应聚类中心可以定义代表性颜色。
[0061]
任选地，代表性颜色是所述至少一个数字颜色图像的代表性组成颜色。对于一些应用，优选确定数字颜色图像中的代表性颜色，该代表性颜色是彩色图像的p个像素值的成员。在这种情况下，例如可以在步骤e)中通过选择聚类中值或中心点来确定代表性颜色。也可以选择最接近其聚类平均值的组成颜色值作为该聚类的代表性颜色。
[0062]
任选地，所述n维色空间是rgb空间。典型的数字颜色图像由红色、绿色和蓝色通道表示。例如，24位数字图像的每个通道具有8位。因此，rgb空间可以定义为三维矢量空间，其中rgb空间的三个轴定义红色、绿色和蓝色值。rgb空间例如是256
×
256
×
256颜色值。应理解的是，色空间也可以是其他色空间，例如cmyk空间、cielab空间或ciexyz空间。
[0063]
任选地，将代表性颜色与标准漆颜色集合进行比较。可以从该标准漆颜色集合中选择与代表性颜色最相似的漆颜色。
[0064]
任选地，可以使用任何一种代表性颜色制备漆。例如，可以使用漆混合设备进行此操作。漆混合设备可以采用一种或多种代表性颜色，即调色板作为输入，并混合调色剂以获
得所需的颜色。漆混合机还可以采用一个或多个数字颜色图像作为输入，例如情绪板，其中例如漆混合机的专用处理单元执行本文所述的方法。用户可以选择一种代表性颜色，漆混合设备将调色剂混合在一起，以获得具有所选颜色的漆。
[0065]
根据第二方面，提供了一种确定漆颜色的计算机执行的方法，包括通过执行第一方面的方法，由至少一个数字颜色图像确定预定数量的k种代表性颜色，并且进一步包括将k种代表性颜色中的每一种与标准漆颜色库中的标准漆颜色进行比较，并为每种代表性颜色分配标准漆颜色库中相应的匹配标准漆颜色。
[0066]
根据第三方面，提供了一种用于由至少一个数字颜色图像确定预定数量的k种代表性颜色的系统，该系统包括：
[0067]-接收器，其用于接收至少一个数字颜色图像，该数字颜色图像具有p个像素，所述像素具有n维色空间内的颜色值；
[0068]-初始化器，其用于初始化分布在色空间中的，例如以预定模式分布的，例如预定数量k的，例如预定义的聚类中心，其中k》k；
[0069]-分配器，其用于通过将每个像素的颜色值与其最近的种子中心相关联来形成聚类；
[0070]-减少单元，其用于将聚类的数量减少到k，其中减少单元包括用于删除聚类中心的修剪单元和/或用于合并聚类的合并单元，
[0071]
其中修剪单元被布置为删除具有小于或等于预定义修剪阈值的多个关联像素数的聚类中心，并且其中合并单元被布置用于合并距离小于预定义合并阈值的那些聚类；
[0072]-定义器，其用于为所得的k个聚类中的每一个定义各自的代表性颜色。
[0073]
该系统可布置成执行第一方面的方法。
[0074]
任选地，该系统包括包含一种或多种标准漆颜色的数据库，以及用于将k种代表性颜色中的每一种与所述一种或多种标准漆颜色进行比较的比较器。
[0075]
任选地，该系统包括用户界面，其被设置用于从用户接收一个或多个数字颜色图像，并输出k种代表性颜色的调色板。
[0076]
任选地，该系统包括编译器，其用于将一个或多个数字颜色图像编译为单个情绪板图像。
[0077]
应理解的是，就该方法提及的所有特征和选项同样适用于该系统和计算机程序产品，反之亦然。还将清楚的是，可以组合上述方面、特征和选项中的任何一个或多个。
[0078]
本文所述的方法可以在计算设备上执行，例如销售点计算机系统或移动计算系统，例如智能电话、平板电脑、膝上型计算机等。该方法还可以由计算机程序产品提供，例如在通用计算机或移动计算系统上加载和执行的应用程序或基于网络的软件。
[0079]
附图简述
[0080]
现在将参考附图详细描述本发明的实施方案，其中：
[0081]
图1-7分别显示了一种方法的示意性流程图；
[0082]
图8a和8b显示了预定数量的k个预定义聚类中心的示意性实例，它们以预定模式分布在色空间中。
[0083]
发明详述
[0084]
由数字颜色图像确定代表性颜色集合可用于许多应用。例如，为了促进漆颜色选
择，本文所述的方法可以基于用户提供的一个或多个数字颜色图像提供具有代表性颜色的调色板。用户可以例如收集并输入他喜欢的一个或多个数字颜色图像集合，并基于输入图像中的颜色提供调色板。数个彩色图像可以单独输入，或者构成单个情绪板图像或拼贴画。图像集合中的每个图像可以被不同地加权以表达图像集合中某些偏好。例如，构成情绪板的图像的某些图像可以放大以增大该特定图像中的颜色的权重。
[0085]
由于相对于其周围环境具有强烈对比度的颜色对人类观察者来说非常突出，即使颜色仅占据情绪板的一个小区域，也需要考虑这些代表性不足的颜色，并确保这些颜色被识别为代表性颜色。例如，情绪板可以由数个室内设计图像组成，其中蓝色和灰色色调最为普遍。然而，在构成情绪板的一些图像中，可能会出现描绘的一些小的亮黄色特征，这些特征在以深蓝色和灰色为主的环境中突出。总之，这种明亮的黄色仅覆盖情绪板的一小部分，即只有少数像素是黄色的，但是用户可以清楚地感知到它的存在，并且可能因此而出现在情绪板中。为了能够识别这种次要颜色，提供了一种计算机执行的方法，用于由至少一个数字颜色图像确定预定数量的k种代表性颜色，如图1所示。
[0086]
代表性颜色的数量k可以先验地定义为任何期望的数量。
[0087]
图1显示了一种方法的示意性流程图，其中步骤a)包括：
[0088]
a)获得至少一个具有像素数p的数字颜色图像，每个像素具有n维色空间内的颜色值。
[0089]
该至少一个数字颜色图像可以是单个图像或图像集合。单个图像例如可以是多个彩色图像的合成，例如构成反映用户个人偏好的情绪板。典型地，数字颜色图像由红、绿和蓝通道表示，其中每个像素具有分配给它的红、绿、蓝颜色值。在24位数字图像中，每个通道具有8位，使得每个像素可以具有256种不同的红色、256种不同的绿色和256种不同的蓝色值，例如在从0到255的标度上。因此，n维色空间可以是三维rgb空间，其中rgb空间的三个轴定义了红色、绿色和蓝色值。每个像素的颜色值可以用256
×
256
×
256rgb矢量空间中的矢量表示。应理解的是，色空间也可以是其他色空间，例如cmyk空间、cielab空间或ciexyz空间。
[0090]
该方法的后续步骤是如下步骤：
[0091]
b)定义以预定模式分布在色空间中的预定数量的k个聚类中心，其中k》k。
[0092]
初始聚类中心的数量k可以分散在色空间中。图8a和8b显示了k个初始聚类可如何在色空间中播种的两种可选模式。图8a显示了k个预定义的聚类中心的特定分布，此处是21个聚类中心，它们沿rgb色空间中的消色差线分布，呈对角线地在两个相对的角之间横跨rgb空间。图8b显示了k个预定义的聚类中心的特定分布，它们沿着rgb色空间中的多条直线(例如13)分布，其例如在rgb空间的相对角、肋中点和平面中心之间延伸。所述线在rgb空间中的中心点相交，并创建了预定义聚类中心的星形配置。在这种配置中，色空间密集地播种有预定义的聚类中心，这些聚类中心跨越整个色空间。因此，k个预定义聚类的数量超过k种代表性颜色的数量。
[0093]
在步骤b)中初始化之后，该方法包括执行：
[0094]
c)通过将每个像素的颜色值与最近的聚类中心相关联来形成聚类。离像素最近的聚类中心可以基于欧几里得距离或任何其他距离度量值。聚类由与单个聚类中心相关联的像素集合的颜色值定义。当聚类中心没有与其相关联的像素颜色值时，一些聚类可以是空
的。
[0095]
下一方法步骤包括：
[0096]
d)通过删除聚类中心和/或合并聚类将聚类的数量减少到k，
[0097]
其中删除包括：
[0098]-对于每个聚类，确定与该聚类相关联的像素的数量，和
[0099]-在关联像素的数量小于或等于预定义修剪阈值的情况下，删除聚类中心，并且其中合并包括：
[0100]-确定至少两个聚类之间的距离，和
[0101]-合并那些距离小于预定义合并阈值的聚类。
[0102]
为了获得代表性颜色的预定数量k，期望将聚类和聚类中心的数量从k减少到k。这通过合并聚类和/或删除聚类中心来实现。可以优选地将修剪阈值设置为零，从而仅删除在聚类中没有像素的空聚类的聚类中心。在一些实施方案中，当移除非空聚类的聚类中心时，先前分配给该聚类的像素可以被标记为未分配或分配给具有最近聚类中心的聚类。如果它们被标记为未分配的，那么在下一次迭代中，可以将它们分配给不同的新聚类。中心彼此接近的聚类可以合并，因为这些聚类可能代表相似的颜色。聚类之间的相似性可以由它们各自的聚类中心之间的距离来定义。合并阈值可以定义为距离，其中在两个聚类之间的距离小于该阈值距离的情况下合并两个聚类。可以调整合并和/或修剪阈值，使得聚类的数量从k减少到k。
[0103]
在步骤d)中减少聚类的数量之后，该方法的最后步骤包括：
[0104]
e)由所得的k个聚类的每一个定义各自的代表性颜色。
[0105]
代表性颜色例如可以是聚类的相应平均颜色值。代表性颜色也可以是组成颜色，即，作为原始数字颜色图像中的p个像素的成员的颜色值。在这种情况下，可以选择最接近聚类的平均颜色值的像素颜色值，或者，聚类的中值或中心点值可以定义该聚类的代表性颜色。
[0106]
图2显示了一种方法的示意性流程图，其中在步骤c)之后执行步骤c1)，步骤c1包括：
[0107]
c1)对于每个聚类，重新确定聚类中心。聚类的重新确定的聚类中心例如可以是使聚类中的方差最小化的颜色值，例如该聚类中的颜色值的平均值。用于重新确定聚类的聚类中心的其他选项包括将聚类中心设置为该聚类中颜色值的中值、中心点或其他值。重新确定的聚类中心可以是聚类的组成颜色值，即聚类颜色值的成员，但不一定是这样。
[0108]
图3显示了一种方法的示意性流程图，其中将步骤c)、c1)和d)迭代。因此，在步骤d)完成后，该方法继续步骤c)而不是步骤e)。在满足某个收敛准则之后，该方法在步骤d)之后继续步骤e)。收敛准则可以是预定义的迭代次数和/或收敛度量值。迭代步骤c)和c1)类似于在通常已知的聚类技术中采取的步骤，例如k均值聚类和类似技术，其中聚类中心收敛到局部最优。在迭代中包括步骤d)提供了从k个预定义聚类到k个聚类的聚类中心数量的收敛。通过在步骤c1)中重新定位聚类中心，将聚类从k迭代地减少到k。聚类中心可以从它们的预定义位置重新定位(步骤b))，使得一些聚类中心之间的距离在每次迭代中变得更小。例如，一些聚类中心收敛到相同的局部最优值，并且在某一点，定义了小于预定义的合并阈值的它们之间的距离。在步骤d)中合并这些聚类，直至得到k个聚类。该方法可能不会收敛
到k个聚类。在这种情况下，修剪阈值和/或合并阈值可能需要设置为不同的值(例如手动)。
[0109]
图4显示了一种方法的示意性流程图，其中在步骤d)减少聚类数量之后，执行步骤d1)和d2)，其中：
[0110]
d1)确定聚类的数量，并且如果所确定的聚类的数量不等于k：
[0111]
d2)基于所确定的聚类数量调整合并阈值和/或修剪阈值。步骤c1)在图4的方法中是任选的，如虚线所示。
[0112]
聚类的数量可以基于聚类中心的数量来确定。例如，可以通过确定聚类中心的数量来确定聚类的数量，其中，如果所确定的聚类中心的数量不等于k，则执行步骤d2)。
[0113]
特别地，在聚类和/或聚类中心的数量高于k的情况下，可以提高合并阈值和/或修剪阈值。类似地，在聚类的数量小于k的情况下，可以减小合并阈值和(或)修剪阈值。可以优选地将修剪阈值设置为零，使得仅删除空聚类的聚类中心，而不调整修剪阈值。这确保了即使是非常小的聚类，即高度代表性不足的颜色，也可以通过该方法识别。
[0114]
图5显示了一种方法的示意性流程图，其中将步骤c)、c1)和d)迭代。如图3所示的方法所述，步骤c)、c1)和d)的迭代允许聚类中心收敛到局部最优，类似于基于质心的聚类算法中所采取的步骤，其中步骤d)允许将聚类数量(迭代)减少到k。
[0115]
图6显示了一种方法的示意性流程图，其中将步骤c)、d)、d1)、d2)迭代，或者将步骤c)、c1)、d)、d1)、d2)迭代。换言之，如虚线所示，步骤c1)，即对于每个聚类，重新确定聚类中心是任选的。合并阈值和/或修剪阈值可以在步骤d1)和d2)中基于缩减步骤d)后的聚类数量进行调整。例如，在步骤b)中初始化初始聚类中心后，在步骤c)中形成聚类，在步骤d)中基于合并和修剪阈值的设置减少聚类的数量。如果减少后的聚类数量不等于k，则步骤d1)和d2)能够调整合并和/或修剪阈值，以便可以从步骤c)开始基于调整的阈值部分重新执行该方法。例如，如果聚类数量大于k，则每次迭代都可以提高合并阈值和/或修剪阈值。类似地，如果聚类数量小于k，则可减小合并阈值和/或修剪阈值。每次迭代都可以增量调整阈值，以使聚类数量从k收敛到k。在该方法中，步骤c1)的重新定位聚类中心并不是必要的，可以省略以降低计算成本。如果步骤d)中减少后的聚类数量等于k，则该方法将中断循环并继续执行步骤e)。
[0116]
图7显示了一个方法的示意性流程图，其中进行了两次迭代。首先，内部循环由迭代步骤c)、c1)和d)组成，如图3和5显示的就该方法所解释的那样，其次是外部循环，如图6显示的就该方法所解释的那样。该方法包括在步骤a)中获得数字颜色图像，并在步骤b)中初始化预定义的聚类中心后，迭代步骤c)、c1)和d)的内部循环，例如，直至收敛。在内部循环的该迭代之后，该方法继续执行步骤d1)和d2)，其中，如果聚类和/或聚类中心的数量不等于k，则调整合并阈值和/或修剪阈值。在调整阈值后，该方法循环回到步骤c)，重新开始内部循环迭代，例如，直至收敛。如果在步骤d)之后，聚类的数量等于k，则不调整阈值，该方法将中断外循环并继续执行步骤e)。
[0117]
在执行了如图1-7中的任何一个所解释的方法步骤之后，用户可以看到代表性颜色集合。代表性颜色可以是标准漆颜色，或者可以与标准漆颜色库中的标准漆颜色进行比较，并且例如通过已知算法转换为最接近的标准漆颜色。然后，可在例如漆混合机中制备具有代表性颜色或接近代表性颜色的标准漆颜色的漆。漆混合设备可例如具有用户界面，其中用户可以输入由本文所述的方法产生的代表性颜色或最接近的标准颜色，其中漆混合设
备例如通过混合漆调色剂来输出该特定颜色的漆。漆混合设备还可以将一个或多个数字颜色图像作为输入，例如情绪板，其中设备的处理单元执行用于确定代表性颜色集合的方法。例如，用户可以通过用户界面选择他喜欢的颜色之一，基于该颜色，漆混合机制备期望颜色的漆。
[0118]
然而，其他修改、变化和替代也是可能的。因此，说明书、附图和实例应视为说明性的，而不是限制性的。
[0119]
为了清楚和简明描述的目的，本文将特征描述为相同或单独实施方案的一部分，然而，应理解的是，本发明的范围可以包括具有所描述的全部或一些特征的组合的实施方案。
[0120]
在权利要求中，置于括号之间的任何附图标记不应被解释为限制权利要求。措辞“包括”不排除权利要求中所列特征或步骤以外的其他特征或步骤的存在。此外，措辞“一个”和“一种”不应被解释为仅限于“一个(种)”，而是用于意指“至少一个”，并且不排除多个。在相互不同的权利要求中列举了某些措施这一事实并不表明这些措施的组合不能用于有利的目的。