[go: up one dir, main page]

CN114144813B - 机器图像颜色提取和使用提取的颜色的机器图像构造 - Google Patents

机器图像颜色提取和使用提取的颜色的机器图像构造 Download PDF

Info

Publication number
CN114144813B
CN114144813B CN202080046007.0A CN202080046007A CN114144813B CN 114144813 B CN114144813 B CN 114144813B CN 202080046007 A CN202080046007 A CN 202080046007A CN 114144813 B CN114144813 B CN 114144813B
Authority
CN
China
Prior art keywords
color
image
colors
clusters
extracted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202080046007.0A
Other languages
English (en)
Other versions
CN114144813A (zh
Inventor
艾瑞克·埃尔莫斯尼诺
帕汉姆·阿拉比
玉泽·张
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ba Lioulaiya
Original Assignee
Ba Lioulaiya
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ba Lioulaiya filed Critical Ba Lioulaiya
Publication of CN114144813A publication Critical patent/CN114144813A/zh
Application granted granted Critical
Publication of CN114144813B publication Critical patent/CN114144813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Electronic shopping [e-shopping] utilising user interfaces specially adapted for shopping
    • G06Q30/0643—Electronic shopping [e-shopping] utilising user interfaces specially adapted for shopping graphically representing goods, e.g. 3D product representation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/10—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

提供了用于从样本图像执行颜色提取和使用提取的颜色定义新图像的系统和方法。可以使用深度学习网络(例如，CNN)对源图像进行分类，以指示颜色表示的强度并驱动颜色提取。训练聚类分类器以使用由网络提取的特征向量。另外，像素集群在提取颜色时是有用的。集群计数可以根据分类而变化。在另一种方式中，启发法(有或没有分类)在提取时是有用的。根据(有序的)期望颜色集对所得集群进行评估，以确定匹配。可以使用图像处理从模板样本图像和相应提取的颜色定义标准化样本图像的实例。提取的颜色可以呈现在增强现实GUI中，例如虚拟试用应用，并使用图像处理应用于诸如自拍的用户图像。

Description

机器图像颜色提取和使用提取的颜色的机器图像构造
技术领域
以下涉及诸如用于机器的图像处理，更具体地，涉及从诸如样本的图像中提取颜色，以及使用提取的颜色的彩色图像构造。
背景技术
样本是产品的小样品，旨在显示产品的外观。可能是感兴趣的外观的一个特征是颜色。
在机器环境中，样本通常以图像的形式呈现。在一些示例中，图像可以完全由样本组成，并且在一些示例中，图像的一部分可以包含样本，例如在感兴趣区域中。
尽管视力正常的人通常可以很容易地从任意样本中识别颜色，但对机器以编程方式识别颜色是一项艰巨的任务，至今仍未解决。除了提取颜色之外，可能需要应用或以其他方式使用提取的颜色来构造新图像。在一些示例中，例如，通过将提取的颜色应用于新图像中的对象的表面来构造新图像。
发明内容
提供了用于从样本图像执行颜色提取和使用提取的颜色定义新图像的系统和方法。可以使用深度学习网络(例如，CNN)对源图像进行分类，以指示颜色表示强度并驱动颜色提取。训练聚类分类器以使用网络提取的特征向量。另外，像素聚类在提取颜色时很有用。集群计数可以根据分类而变化。在另一种方式中，启发式(有或没有分类)在提取时是有用的。根据(有序的)期望颜色集对所得聚类进行评估，以确定匹配。可以使用图像处理从模板样本图像和相应提取的颜色定义标准化样本图像的实例。提取的颜色可以呈现在增强现实GUI中，例如虚拟试用应用，并使用图像处理应用于诸如自拍的用户图像。
在实践中，对于同一类型的产品有不同的样本图像风格或类型，这导致不同风格的颜色以不同的方式呈现。因此，在一些样本图像风格中，在特定样本图像中识别产品颜色可能更具有挑战性。可以使用应用于图像的特征向量的聚类技术来处理不同的图像(同一产品类型的)。特征向量聚类技术可用于分类器以确定特定样本图像代表产品颜色的强度。分类器可以将特定样本图像分配(标记)为3个类中的一个，例如强、弱和忽略。可以使用包括图像像素聚类技术的颜色提取操作分别处理标记样本图像。那些被标记为忽略的可能被忽略。那些被标记为强的可以被处理以识别单一的产品颜色。被标记为弱的图像可以使用图像像素聚类技术来处理，以识别候选产品颜色，例如三种候选颜色。手动选择可以从候选颜色中分辨出单个产品颜色。
可以通过使用图像处理从模板样本图像和相应提取的颜色定义标准化样本图像的实例。提取的颜色可以呈现在增强现实图形用户界面(GUI)中，例如虚拟试用应用，并使用图像处理应用于诸如自拍的用户图像。
在一个方面，提供了一种方法，包括：对示出感兴趣项目的颜色的源彩色图像进行分类，以指示源彩色图像中颜色的表示的强度，该分类使用深度学习网络模型来提取用于确定强度的图像特征；响应于该分类，通过根据像素的相应颜色对源彩色图像的像素进行聚类，并响应于像素的聚类，将至少一个候选颜色识别为提取的颜色，从源彩色图像提取颜色信息；以及使用图像处理提供提取的颜色以定义新图像。
分类可以将源彩色图像识别为强地表示颜色。因此，提取颜色信息响应地从由像素的聚类识别的主颜色中产生一个候选颜色。分类可以将源彩色图像识别为弱地表示颜色。因此，提取颜色信息响应地产生通过像素的聚类识别的多个候选颜色。
分类可以使用响应于由深度学习网络模型提取的图像特征向量的基于集群的分类。
对像素进行聚类可以定义多个集群集群k，从多个集群中确定至少一个候选颜色，其中数量k响应于分类而变化。
分类可以执行基于集群的分类，其：针对多个图像特征集群测量由深度学习网络模型产生的源彩色图像的图像特征向量；以及作为源彩色图像的分类，提供与最接近用于源彩色图像的图像特征向量的多个图像特征集群中的一个相关联的相应类，该相应类指示颜色表示的强度。多个图像特征集群可以从训练数据生成，该训练数据包括表示由深度神经网络模型处理的颜色的训练图像，以产生用于定义多个图像特征集群的图像特征向量。因此，每个训练图像分别被分配给指示颜色表示强度的相应类中的一个。
网络模型可以包括卷积神经网络(CNN)，其预训练以处理对象的图像以定义对象的图像的特征向量。
该方法可以包括获取用于定义新图像的起始图像，以及使用提取的颜色从起始图像定义新图像，以应用于在新图像内显示的对象。起始图像可以包括第一自拍图像，新图像包括包含对象的新自拍图像，并且对象包括用于在第一自拍图像上进行模拟的产品。该产品可以包括使用增强现实来进行虚拟试用的化妆产品，并且源彩色图像包括化妆产品的样本图像。该方法可以包括在图形用户界面(GUI)中呈现新图像，图形用户界面(GUI)提供使用增强现实体验来进行虚拟试用的化妆产品，GUI进一步被配置为：接收用户的自拍图像和对新图像的选择，并将提取的颜色应用于自拍图像的一部分，以虚拟试用由新图像表示的化妆产品。
在一个方面，提供了一种计算机器，包括耦接到存储设备的处理器，该存储设备存储指令，当由处理器执行时，该指令配置该计算机器以：获得包括像素的源彩色图像，该源彩色图像具有要提取的颜色的区域；在不考虑强度的情况下将像素聚类成多个集群，该多个集群中的每个集群由相应的特征颜色特征化；针对颜色期望集来评估多个集群，该颜色期望包括将存在于图像中的各个期望颜色，使用期望颜色来搜索用于颜色匹配的多个集群以定义提取的颜色；以及使用图像处理提供提取的颜色以定义新图像。
对像素进行聚类可以包括在不考虑强度的情况下将k均值聚类应用于像素。
该像素可以被定义在第一颜色空间中，并且指令可以配置计算机器以将像素转换到与强度无关的第二颜色空间。第一颜色空间可以包括红、绿、蓝(RGB)颜色空间或等效物。第二颜色空间可以包括亮度(L)、绿-红(a)、蓝-黄(b)(LAB)颜色空间或等效物。
搜索颜色匹配可以包括确定多个集群中的一个的相应特征颜色与颜色期望集中的一个的相应期望颜色的相似性。当相应特征颜色在亮度和方向上与相应期望颜色相似时，搜索可以根据用于相应期望颜色的相应阈值要求定位颜色匹配。该指令可以配置计算机以通过以下方式确定颜色匹配：(a)计算特征颜色的亮度与相应期望颜色的亮度之间的亮度差，并将亮度差与用于相应期望颜色的相应阈值要求的亮度差阈值进行比较；以及(b)计算特征颜色的方向的余弦角与相应期望颜色的方向的余弦角之间的方向差，并将方向差与用于相应期望颜色的相应阈值要求的方向差阈值进行比较。
计算机器可以将颜色期望集定义为根据优先顺序的有序集。评估可以包括根据优先顺序使用多个集群搜索颜色期望集，当颜色匹配被定位时停止。
该指令可以配置计算机器以：响应于搜索，如果两个或更多个集群中的每一个提供颜色匹配，则将k个集群中的两个或更多个集集群合成组合集群；并使用组合集群定义提取的颜色。
该指令可以配置计算机器以获取用于定义新图像的起始图像，以及使用提取的颜色从起始图像定义新图像，以应用于在新图像内显示的对象。起始图像可以包括第一自拍图像，并且新图像可以包括包含对象的新自拍图像。对象可以包括用于在第一自拍图像上进行模拟的产品。计算机器可以包括移动设备，并且产品可以包括化妆产品，以使用增强现实来进行虚拟试用。
源彩色图像可以包括化妆产品的样本图像。
新图像可以包括从模板图像和提取的颜色定义的标准化样本图像。指令可以配置计算机器以在GUI中呈现新图像，该GUI提供化妆产品以使用增强现实体验来进行虚拟试用。GUI可进一步被配置为：接收用户的自拍图像和对新图像的选择，并将提取的新图像的颜色应用于自拍图像的一部分，以虚拟试用由新图像表示的化妆产品。
对于方法方面中的任何一个，计算机器和计算机程序产品方面将是显而易见的。类似地，对于任何计算机器方面，方法和计算机程序产品方面将是显而易见的。其他方面也将显而易见。
附图说明
图1是根据示例的用于颜色提取和使用提取的颜色生成彩色图像的机器环境的框图。
图2是代表性计算机器的框图。
图3A和3B是根据示例的用于机器颜色提取和使用提取的颜色生成彩色图像的操作的流程图，并且还示出了数据结构。
图4A示出了第一颜色的模板涂抹图像，并且图4B示出了来自图4A的图像以第二颜色更新的标准化样本图像的实例。
图5A-5C、6A-6C和7A-7B示出了根据产品颜色表示的强度分类的不同样本图像，其中：图5A、5B和5C被分类为示出强的产品颜色表示；图6A、6B和6C被分类为示出弱的产品颜色表示；并且图7A和7B被分类为示出可以忽略的产品颜色表示。
图8是计算机器的类驱动颜色提取器(例如，在存储器或其他存储设备中)的部件的框图。
图9是用于类驱动颜色提取的操作的流程图。
本发明的概念通过其某些实施例来最好地描述，这些实施例在本文中参考附图进行描述，其中相似的附图标记始终指代相似的特征。应当理解，当在本文中使用术语发明时，其旨在暗示下面描述的实施例的基础上的发明概念而不仅仅是实施例本身。应进一步理解，整体发明概念不限于下面描述的说明性实施例，并且应根据这样的观点阅读下面的描述。可以示出和描述一个以上的发明概念，并且除非另有说明，每个发明概念可以独立或与一个或多个其他发明概念组合。
具体实施方式
在机器环境中，数字图像包括通常与光栅图像中的物理点相关的像素形式的数据。每个像素的强度是可变的，并且在彩色图像中，根据颜色模型(例如，数据方案)，颜色通常由三个或四个分量的强度来表示。像素数据通常使用RGB(红、绿、蓝)颜色模型来定义。RGB是一种加色模型。RGB通常用于来自RGB输入设备和RGB输出设备的图像。RGB输入设备包括相机、图像扫描仪和数码相机。RGB输出设备包括各种显示屏幕设备(例如，电视屏幕，以及包括各种技术的计算机监测器和移动电话显示器(例如，CRT、LCD、等离子、OLED)、视频投影仪等)的监测器。其他颜色模型包括CMYK(青色、品红色、黄色、键(黑色))，其是减色颜色模型，并且更经常用于彩色印刷，例如将墨水沉积在纸张等基材上。因此，在机器环境中，通常从大多数源获取用于处理的图像至少最初是根据RGB颜色模型定义的。
RGB颜色模型具有替代的颜色表示，例如HSL(色调、饱和度、亮度)和HSV(色调、饱和度和值)颜色空间。其他颜色空间包括CIELAB(国际照明委员会(CIE)亮度(L)、绿-红(A)和蓝-黄(B))颜色空间。CIELAB也被称为CIE L*a*b*，有时缩写为LAB或Lab。
在包括美容行业在内的各种行业中，样本图像在在线商店中普遍存在，并且通常是顾客对产品外观的唯一视觉指示。基于机器的颜色提取，即通过程序从任意样本中提取颜色来识别颜色，是一项困难的任务。
在某些应用中，从样本图像中编程颜色提取是有用的。使用提取的颜色机器构造新图像就是这样一个示例。例如，增强现实使用构造的图像来给出一个或多个对象的虚拟视图。
随着增强现实技术的发展，虚拟试妆在在线美容商店中变得非常流行。虚拟化妆的渲染方法需要一些关于目标产品的信息，其中最重要的是它的颜色。目前，通过手动创建产品及其相应颜色的大型数据库，并调整这些颜色值，直到虚拟渲染结果与真实结果足够相似，来解决这一问题。这个处理有几个缺陷。首先，手动调整颜色值既耗时又主观。第二，该处理可能需要虚拟试用软件的开发人员和化妆品品牌之间的广泛协调，如果虚拟试用软件要嵌入销售第三方零售商产品的在线商店，这可能是不可行的。相反，本文所示的是一种解决方案，其利用每个产品已经存在的样本图像，以无偏见和客观的方式直接从它们中以编程方式提取颜色。
样本颜色提取的另一个普遍应用是在数据采集中。从在线样本图像或应用于现实世界中的人的化妆图像中以编程方式提取化妆颜色的能力可能有许多好处。所收集的数据可用于时尚趋势分析、广告流行色调、基于用户选择的图像中的“外观”的产品推荐、用于更准确的在线搜索的元数据等。
在自动提取颜色中的其他用途可以包括使用提取的颜色作为代理，用于定位和跟踪一系列帧中的对象(或多个对象)。在有大量的数据训练神经网络对象跟踪是不可用的情况下，这可能是有用的。然而，对象图像越复杂(例如，不是简单的样本)，这种方法成功的可能性就越小，因为它假设只有少数几种主要颜色用于这样的对象，从下面描述的方法中可以看出。
挑战
尽管有许多潜在的好处，但由于多种原因，从样本中提取化妆品颜色仍然是尚未解决的问题。(注意，该问题不限于化妆品，而是可以应用于其他产品，例如用于家居或汽车的油漆颜色、用于装饰的织物颜色等。当构造2D或3D房间时，可以使用从油漆或织物样本中提取的颜色，其中使用提取的颜色或从其衍生的颜色对表面进行着色。由此衍生的颜色可以是互补色。
近年来，尝试解决困难的计算机视觉任务的最流行的方法是使用深度学习。然而，深度学习的一个主要陷阱是需要大量的注释数据。构造这样的数据集是资源密集型的。在化妆环境中，不存在用于从化妆样本图像中自动提取颜色的公共数据集。此外，带注释的数据集往往是静态的和过时的，除非定期更新，如采用新的颜色。
机器学习方法的另一个重大挑战，也是任何方法的一个挑战，是样本数据分布的极大差异。例如，仅在口红中样本图像的分布就包括将口红涂在一张纸上的图像、涂在一块皮肤上的图像、涂在嘴唇上的图像、与其贴合并且帽被摘下的图像、以及在其盒子中覆盖的无效图像，仅举几个例子。每个口红品牌都有自己风格的样本图像，这意味着差异随着在线商店销售的品牌数量而增加，并且风格也会随着时间的推移而变化。这种巨大的差异使得开发在大多数情况下可靠工作的单一解决方案变得非常困难。
不仅图像风格之间的差异很大，而且图像内部颜色分布的差异也很大。样本很少由平坦的背景上的纯色组成。相反，它们通常包含分布在图像上的多个颜色，其中许多可以是可能的颜色(例如，口红化妆图像中可能的口红颜色)。因此，成功的机器颜色提取方法不仅要在图像中识别主要的调色板，而且要有稳健的方法在图像中的颜色中选择正确的颜色。例如，可以想象有口红的样本，该口红的样本由图像组成，该图像包括帽被摘下的口红外壳和背景上的一些文字(文本)。在这个样本中找到调色板可能会产生四种颜色：口红的颜色、外壳的颜色、文字的颜色和背景的颜色。图像中的这四种原色可以定义图像的调色板。在提取了四种调色板后，找到口红颜色的问题还没有解决，因为仍然不知道哪种颜色对应于实际的口红。解决第二个问题的目标是有一种稳健的方法在调色板颜色中选择正确的颜色，其中“正确”一词表示感兴趣对象的颜色(例如，口红，不是外壳)。
最后，样本几乎总是真实世界的图像，这意味着拍摄它们的光照条件永远不会被完全控制。因此，在光线充足的区域和阴影中的区域之间，图像中的颜色在强度上有很大的变化。这使得指定正确的颜色强度和首先定位该颜色变得更加困难，因为没有单一的RGB值来识别图像中的化妆品。
图1是根据示例的用于颜色提取和使用提取的颜色生成彩色图像的机器环境的框图。与用户104相关联地示出了移动设备102(计算机器的示例)。移动设备102(参考图2进一步描述)可以例如经由浏览器或使用Web技术的本地应用程序与一个或多个(例如，N)在线商店(商店1(108A)……商店N(108B))通信。各个商店(商店1(108A)……商店N(108B))被示为计算机器，例如与存储Web数据和样本图像的各个在线商店数据存储器(例如分别为数据库110A和110B)相关联的一个或多个服务器。应当理解，这些电子商务环境被简化了。N个商店可以从多个(例如，M)产品源接收产品和包括样本数据的其他数据。在本示例中，产品源是表示为诸如一个或多个服务器的计算机器的化妆品源1(112A)……化妆品源M(112B)。每个产品源(化妆源1(112A)……化妆源M(112B))与存储诸如产品相关数据(描述等)和样本图像等数据的相应数据存储器(例如分别为数据库114A和114B)相关联。M个产品源可以生成它们各自的产品数据，包括诸如来自各自相机116A、116B或其他图像生成设备的样本数据。典型地，如所描述的，图像存储在RGB颜色空间中。应当理解，这些产品源也被简化了。
每个在线商店和产品源可以与经营相应业务的法律实体相关联。相应计算机器可以由这样的实体或由其他人在其各自的设备上操作(例如，服务联系人)。N个在线商店通常出售他人的产品，但也可能出售自己的产品或白色标签的产品。相应的M个产品源与出售其产品的相应在线商店共享(通信)相应的产品数据。N个在线商店中的每一个可以提供不同的产品数据，并且可以具有与另一个在线商店相同的一些产品数据。在线商店还可以产生他们自己的产品数据，包括样本图像(未示出)，或者从其他人(第三方)获得相同的数据。
用户设备102包括显示屏118，例如用于呈现应用程序的GUI。该应用程序可以被配置为虚拟试妆。GUI使得自拍图像120的拍摄和呈现以及化妆(例如，口红)的颜色(例如，由图标、GUI控件类型表示)122A、122B、122C和122D的选择能够虚拟地应用于自拍图像120。在一些示例中，自拍图像是诸如来自视频的实时图像，以允许用户转动他们的头(或移动相机或这两个动作)以从不同的角度和/或不同的光观看外观。与图标122A、122B、122C和122D相关联的相应颜色可以从来自相应在线商店或其他源的样本图像中确定。
在本示例中，显示屏118是基于手势(例如触摸屏)启用的I/O设备，并且可以通过触摸/滑动表示颜色的图标来选择要试用的相应颜色。可以使用语音控制或其他接口(一起使用或替代使用)。可以虚拟试用其他化妆品、指甲护理、头发或其他产品。
图2是用户设备102的框图。用户设备102包括一个或多个处理器202(例如，一个或多个CPU、GPU)、ASIC、FPGA等)、包括相机的输入设备204、一个或多个通信单元206(例如，用于有线或无线通信)、一个或多个输出设备208(例如，扬声器、灯等)以及基于手势的I/O设备，例如触摸屏(显示屏118)以接收输入并可视地呈现输出。用户设备102还包括用于存储数据的一个或多个存储设备210(例如，存储器、磁盘等)，包括用于基于Web的通信的浏览器212、用于虚拟试妆的化妆模拟应用程序214和诸如用于促进有线和/或无线通信的通信模块216的较低级别功能以及操作系统218。还存储用户数据，例如颜色和图像数据，例如用于自拍图像、样本图像、web数据、从样本中提取的颜色等。
尽管示出为独立或本地应用程序，化妆模拟应用程序214可以以其他方式配置，例如基于web的应用程序。例如，在用户计算设备的浏览器环境中运行。化妆模拟应用程序214被配置为在虚拟试用应用中接收与相应产品相关联的样本图像并提取用于在自拍图像上模拟相应产品的颜色。虽然自拍是典型的，但也可以使用其他图像。化妆模拟应用程序214接收第一图像(例如自拍)，确定要为此应用的产品和颜色，并使用第一图像、产品和颜色生成(例如，使用图像处理技术)第二图像，以虚拟试用产品。
机器颜色提取方法
可以参考图3A和3B，其中，根据一个方面，方法操作300在不使用任何训练数据或机器学习的情况下从样本图像提取化妆颜色。本方法特别针对口红图像进行了开发和测试，尽管它可以扩展或修改，以适用于其他类型的化妆品和其他类型的产品。在高层次上，该方法通过寻找强度无关的颜色集群，然后根据从先前期望设计的优先启发式选择最有可能与产品(例如口红)对应的颜色集群来工作。
操作最初在步骤302获得具有像素(例如，Pi,j)的样本图像(例如，I)，并将图像像素从RGB空间转换到与强度无关的颜色空间(在304)以定义图像I'。如果图像不是用RGB定义的并且已经定义在强度无关的颜色空间中，则可能无法执行转换。
候选样本图像具有少量的颜色。这是因为这里的操作指定期望颜色的数量，该数量对应于执行k均值聚类时指定的集群的数量。感兴趣的产品的颜色必须实际存在于图像中(即，它不能被遮挡)。将很容易理解，提取一种颜色，其首先必须在图像中。考虑到这两个约束条件，操作处理的样本类型非常多样：例如，样本的类型可能包括一张纸上的污迹，涂抹在脸上的产品(尽管当裁剪到嘴唇(例如涂抹产品的区域)时更有可能起作用，减少了颜色的数量)，暴露产品容器(例如，管)的图像等。在没有预处理的情况下，操作可能不成功的示例可以包括一个人的全身图片，其中显示了他们所有的衣服、头发和背景，因为这只会向源图像增加太多的颜色以能够自信地识别唇色。在这种情况下，可以指示对图像进行预处理，以将图像限制在要提取的颜色所在的部分，并且使其他颜色最小化。本领域技术人员将意识到，预处理操作可用于定位感兴趣的对象，例如面部上的嘴唇。
因此，可以考虑关于源图像的一些假设来定义操作300。在本示例中，不进行预处理，并且假定数据源在绝大多数情况下将满足约束条件(例如，基于输入到操作的源图像对应于来自电子商务网站的口红产品图片，因此它们(几乎)都是简单样本)。
由于样本图像是在真实的光照条件下拍摄的，图像中的单个对象在颜色强度上可能会有很大的变化。出于这个原因，试图直接在RGB空间中对颜色进行聚类通常会导致相同的对象颜色被分离多个不正确的集群。例如，在一张纸上涂有红色口红的简单样本图像中，在RGB空间中的集群可能会从阴影部分产生不正确的暗红色集群，并且从有入射光和镜面反射的部分产生另一个不正确的亮红色集群。这将使得很难确定哪个集群更接近真正的口红颜色，而它们之间的平均值通常更接近真正的颜色。为了解决这一问题，并以更加独立于光照的方式找到集群，将RGB颜色空间中的图像转换为LAB颜色空间，并且忽略编码强度(亮度)的L通道。
虽然LAB用特定的强度(亮度)通道定义其颜色空间，但操作不需要使用LAB。另一个选择是简单地将RGB分成两个分量：1)将颜色比率归一化为恒定的总和，这将是强度独立的部分；2)所有分量的总和，这将是强度部分。因此，简而言之，LAB本身不是必需的，可以使用另一个颜色空间，该空间允许在不考虑强度的情况下进行检查(例如，颜色分量可以与强度分开检查)。
在306处的操作使用带有随机中心初始化的k均值聚类(例如，使用用于这种k均值聚类的标准技术)对颜色进行聚类。k均值聚类是矢量量化方法，其旨在将n个观察值划分为k个集群，其中每个像素被分配到具有最近均值的相应集群。在当前示例中，当在LAB颜色空间中表示图像时，可以仅使用a和b颜色数据值而不考虑L强度/亮度值来划分图像的i×j＝n个像素Pi,j中的每一个。
一旦根据聚类技术将每个像素分配给k个集群中的一个(例如，在收敛之后)，计算每个集群的中心(平均值)和权重，其中权重是在集群中的图像像素的比例(例如，在集群中的像素计数/n)(步骤308)。该平均值用作为该集群提供特征颜色(CC)的集群中心(例如，相应像素集群的原型或特征像素)。通过对颜色进行聚类，图像的主要颜色分量可以以无监督的方式定位，并且几乎总是这些分量中的一个对应于正确的口红颜色的情况。k均值聚类是利用起始中心然后逐渐改进它们的迭代过程。首先，通过取k个随机像素来初始化中心。其他聚类方法可以作为替代。根据文献，k均值通常是最稳定的，并且是相对较快的。一个缺点是，它需要指定期望集群的数量，这是操作300目标样本图像的原因之一，该图像通常具有很少的颜色。在本示例中，k＝3。
此外，在309处的操作基于背景颜色不太可能是真正的口红颜色而从考虑中移除典型的背景图像颜色。操作检查k种颜色，搜索接近RGB＝(255，255，255)的“白色”集群，如果找到它，将其作为产品的候选颜色删除。这种方法是基于在典型的样本图像中通常存在背景，并且几乎可以肯定是白色的。白色是非典型的口红颜色。因此，几乎在所有情况下，即使操作提取k＝3个集群，在过滤掉白色背景后，删除一个颜色以留下两个集群。然而，这种策略(集群的数量和要过滤掉的内容)是在考虑口红样本的情况下设计的，并且可以针对其他类型的产品样本(例如，油漆)及其典型特征进行调整或配置。下面进一步描述不使用启发式的类驱动颜色提取方法。
最后的通用步骤是预测哪个集群中心对应于正确的颜色。这通常是不适定问题；然而，利用先前对产品(例如，口红)颜色的期望是非常有效的启发式方法。口红不是以随机的，均匀分布的颜色生产的。相反，有不同的图案，其中某些颜色或多或少是常见的。为此，在步骤310，定义1…q个颜色期望(例如，其可被称为“期望颜色”(EC))的优先级列表(例如，集)。在312处，评估该列表/集(例如，顺序遍历)，如果EC被进一步描述的一个或多个集群中心匹配，则停止。下面的描述提供了关于颜色期望的定义和集群中心满足该期望的条件的详细信息。
颜色期望值只是RGB值的范围。颜色可以分为两种分量的组合：1)亮度/强度和2)各个通道的相对幅度。亮度由RGB向量的长度描述，而相对幅度由向量的方向描述。亮度的定性解释是不言自明的，而矢量方向可以被认为是对颜色的编码。例如，蓝色在RGB空间中具有[0,0,1]的方向，而红色具有[1,0,0]的垂直方向，并且这两种颜色可以具有变化程度的亮度。
对于满足给定颜色期望的颜色集群中心，它既满足亮度相似性的要求，又满足方向相似性的要求。亮度差被简单地计算为集群中心向量和颜色期望向量之间的幅度差，而方向差被计算为两个向量之间的余弦角差。每个颜色期望对于这两个分量都具有不同的阈值要求，例如亮度差阈值(B)和方向差阈值(D)。例如，红色口红的色调范围很广，而紫色口红往往更接近特定的色调，因此红色期望具有更宽松的亮度和方向阈值。
在本操作300中，依次逐个评估颜色期望，并且一旦来自图像的一个或多个集群中心满足颜色期望的阈值要求，操作就结束。颜色期望列表是静态的，并按照口红市场中流行程度的降序排列，以最大限度地减少误差。例如，颜色期望“红色”在颜色期望“绿色”之前被探测，因为红色口红更有可能在图像的其他地方带有一些绿色(因为绿色口红一开始是非常罕见的)。
当单个集群中心匹配(例如，满足颜色期望的阈值要求)时，该颜色被用作提取的颜色来表示样本颜色，并且可以如进一步描述的那样使用。
同样值得注意的是，在某些情况下，对于给定的颜色期望，多个颜色集群中心可能满足相同的阈值要求。在这种情况下，根据它们在图像内的相对像素量，以加权平均值组合集群中心(例如，步骤314)(这些权重值也在步骤308中计算)。因此，将每个集群中心与正在评估的颜色期望进行比较。一个以上的集群中心可能匹配(如前所述)，并且这些一个以上的集群中心可以根据它们的相对像素量以加权平均值组合，以定义提取的颜色。
最后，在没有颜色集群中心满足任何颜色期望的阈值要求并且列表已用尽的情况下，尽管预测的置信度一定很低(未示出)，但假设最接近“红色”的集群中心是口红颜色。
在本示例中，可以经由移动设备(或其他计算机器)提供GUI，以使用增强现实方法在自拍或其他图像上呈现化妆的虚拟试用或模拟(步骤316)。
结果
该示例方法在来自选定在线商店的在线零售商产品页面的160个样本图像的测试集上实现了高度的准确性。测试集由100张“简单”图像(其是随机选择的并代表了在线商店样本的真实分布)和60张“困难”图像组成(其是专门针对它们的不寻常的口红颜色而寻找的)。
通过在口红区域上手动注释边界框并对内部的像素值进行平均来创建图像的地面真实RGB值。分别对预测的颜色向量的方向和强度进行了准确性评估。对于颜色向量方向，将预测的颜色与地面真实向量的余弦相似度在8度以内定义为成功的提取。对于颜色向量强度，将在灰度颜色空间255尺度上，预测颜色与地面真实颜色之间的差值小于20定义为成功的提取。表1示出了各种精度测量：
在代表在线商店样本真实分布的“简单”测试集上，准确性极高。在代表极端情况和异常口红颜色的“困难”测试集中，准确性下降，但仍然很高。几乎在所有情况下都能正确检测到真实颜色(方向和强度)。事实上，大多数错误来自于无法提取正确颜色的图像，例如口红在盒子里，口红有帽，或者图像中有多个不同颜色的口红。
多样化样本图像-(产品)颜色表示的强度
样本图像可以以各种方式或风格示出感兴趣项目(例如，产品)。每个相应图像代表产品颜色的强度可能有助于改进颜色提取。在识别产品和提取颜色方面，某些风格可能比其他风格更具挑战性。
在执行执行颜色提取的操作之前，可以训练网络来处理各个样本图像，对颜色表示的强度进行分类。例如，样本图像可以被初始分类(例如，使用深度学习分类器)。响应于分类，分别执行颜色提取操作以从样本图像中提取颜色信息。颜色操作使用图像像素聚类技术(可以是k均值或类似的聚类技术)来提取颜色信息，但不使用启发式。
深度学习分类器可以被配置为使用响应于由图像特征向量表示的图像特征进行聚类的(单独的)聚类技术。这些特征向量可以通过应用深度学习技术来生成，例如经过训练以识别图像特征的卷积神经网络(CNN)。下面进一步描述分类器。
使用启发式的颜色提取可能不能很好地适用于所有产品类型：例如，在应用启发式的同时将颜色信息限制或偏向产品的一组可能的候选颜色可能不适用于所有产品类型，特别是那些具有广泛和均匀颜色分布的产品类型。与许多其他类型的产品相比(其可能在光谱的任何颜色中，并且分布更均匀)，口红的颜色通常局限于小的调色板范围，以红色为主。与基于启发式的方法相比，没有启发式的更可扩展性的处理支持更多的类别(产品类型)。在化妆领域，其他类别可能包括“唇线笔”、“粉底”、“遮瑕膏”、“腮红”、“高光”、“轮廓”、“眼影”、“眼线”、“睫毛膏”、“眉笔”。原则上，该方法可以扩展以支持不同类型的产品，而HE只专门支持口红，因为启发式需要手工设计。
可以为所有类型的项目(例如，所有产品类型)定义单个分类器(例如，可以训练相应的深度学习神经网络)。任何相应的产品可以由不同的样本图像类型来表示，并且可以使用不同的图像来训练分类器以将图像标记(分类)到多个类中的一个。可以响应于样本图像对产品颜色的表示强度来定义这些类。单个分类器可能更方便，而不是定义和/或使用产品特定的(单独的)分类器。以这种方式，可以定义和/或跨不同产品使用单个分类器和颜色提取工具或功能。
该方法不假设特定产品的颜色启发式(即，它没有对看起来最有可能是口红颜色的颜色进行排名)。
使用深度学习方法识别相应图像中的特征并对其进行聚类。可以响应于产品颜色的表示对相应集群进行排序。因此，分类器被训练以响应于识别和聚类的特征向量对每个样本图像进行排序或标记。在这里的示例中，分类器被训练以将样本图像分类为“强”、“弱”或“忽略”。
分类器定义与训练
用于对不同样本图像类型进行分类的分类器包括为性能目标配置和训练的深度学习模型(例如，神经网络，如CNN)。使用现有的基于CNN的模型通常可以方便地开始定义新的网络，该模型是先前定义和预先训练的，以处理图像，其中许多模型是公开可用的。一个示例是ResNet-152，用于图像识别的深度残差学习网络(即，Res网络)，其可具有高达152层的深度。ResNet-152由K.He，X.Zhang，S.Ren，和J.Sun在“Deep residual learning forimage recognition”中描述。ABS/1512.03385，2015，其通过引用并入本文，并可从康奈尔大学的arXIV:1512.03385获得。ResNet是在公开可用的图像数据集上进行训练的，例如从斯坦福大学和普林斯顿大学运营的Image-Net.org提供的ImageNet。
为了进一步细化用于根据图像代表产品颜色的强程度对样本图像进行分类的建议目标的网络模型，可以利用起始网络模型来生成特征信息(特征向量，包括在神经网络分析图像之后生成的数据)。每个向量表示相应图像的特征，类似于指纹。在训练时，收集随机产品样本样品(图像)的数据集。为了训练(定义)单个分类器，训练数据可以包括来自多个产品类型的样品，以确保数据的广度或多样性。ResNet(即，起始模型)应用于随机产品样本图像的数据集，以根据网络模型应用的深度学习生成相应的特征向量。即，图像通过预先训练的ResNet-152模型运行，以获得每个图像的特征向量。
提取每个训练图像的特征向量，类似于指纹，可以使使用聚类技术定义最终分类器比通过其他技术更容易，例如将ResNet配置和训练为用于此目标的端到端分类器。
所得到的特征向量被聚类(例如，使用k均值聚类技术)到特定数量(n)的集群中。在本示例中，n＝50。这里要重复的是，该聚类过程不同于为颜色提取所描述的聚类处理。这个分类器阶段的聚类是对图像特征向量进行聚类。颜色提取阶段的聚类是对图像像素进行聚类。
执行手动检查和分类。操作者手动检查每个集群，并将每个集群分类为三个类：强、弱和忽略，这些类有助于驱动颜色提取操作。
图5A-5C、6A-6C和7A-7B示出了根据产品颜色表示的强度分类的不同样本图像，其中：图5A、5B和5C被分类为示出强的产品颜色表示；图6A、6B和6C被分类为示出弱的产品颜色表示；并且图7A和7B被分类为示出可以忽略的产品颜色表示。
强集群通常具有产品颜色预览功能的图像。该图像通常只有白色背景，并以易于提取的形式显示产品颜色。根据图5A、5B和5C中的示例500、502和504，它可以描绘产品包装，但颜色预览突出并且没有被遮挡。
根据图6A、6B和6C中的示例600、602和604，弱集群通常具有仍然显示产品颜色的图像，但它可以包含更多的包装，这些包装可以遮挡部分颜色预览。
被忽略的集群通常包括不能轻易用于颜色提取目的的任何内容。根据图7A和7B中的示例700和702，一些示例包括不显示颜色的产品包装、法律免责声明或文本的显示以及示出穿着产品的模型的图像。
在对特征向量进行聚类和排序之后，为每个集群定义相应的集群中心，以及它们的相应类别(强、弱、忽略(或类似的分类，特定术语/词或代码本身并不重要))。集群中心是分组观察的集群的平均值(在本示例中，观察是特征向量)，并且它作为集群的原型观察。根据均值测量未来的观察(例如，来自在推断时分析的样本图像的特征向量)，确定最近的均值(例如，基于欧几里得距离)，并由此与相应集群相关联。
图8示出了根据实施例的用于相同产品类型的样本图像的类驱动颜色提取器800的框图。类驱动颜色提取器800包括具有深度学习特征向量生成器804的深度学习分类器802和使用特征向量的基于集群的分类部件806。类驱动颜色提取器800还包括使用图像像素的基于集群的颜色提取器部件808。应当理解，虽然部件被单独示出，但可能不存在亮线区分，并且一些部件可以被配置为执行多种功能。类驱动颜色提取器800本身可以被分成更多不同的部件，例如分类器和使用图像像素的基于集群的颜色提取器。基于集群的颜色提取器部件808可以响应于深度学习分类器802生成的分类而操作或响应于深度学习分类器802生成的分类而使用。即，可以向基于集群的颜色提取器部件808提供分类并响应于分类返回颜色信息。可替代地，基于集群的颜色提取器部件808可以仅提供图像(源彩色图像)并返回候选提取的颜色信息，其可以被排序(例如，通过最强匹配)，并且其他操作响应于类确定提取的颜色。对于为图像生成的忽略类，不能提取提取的颜色。预计对于商业或实际环境中的大多数实施方式，提取的颜色是产品颜色。
基于集群的颜色提取器部件808可以类似于参考图3A和3B所描述的操作。在图3A和图3B的示例中，使用启发式，并且在步骤310和随后评估有序的颜色集。在图8的当前示例中，不需要执行将聚类的颜色与有序集进行比较的操作。基于集群的颜色提取器部件808可以被配置为使用少量集群用于颜色，使用强表示颜色的图像将具有产品颜色作为其主颜色的理解。当定义类驱动颜色提取示例中的颜色集群的数量时，在k均值集群中，对于被分类为强的图像，k可以等于2，并且当被分类为弱时，k可以等于5，然而，可以使用其他值。
分类器可以使用每个集群的像素计数作为主颜色的度量。在弱类图像中，产品颜色可能是第二甚至第三种颜色。基于集群的颜色提取器部件808可以生成并提供多于一个的候选颜色，特别是用于弱分类图像。
就对图3A和3B的操作300的修改而言，由分类驱动的颜色提取可以类似地进行，但可以替换到操作310-312。图9示出用于相应源彩色图像(例如，样本图像)的类驱动颜色提取的操作900。下面进一步描述当多个图像可用于同一项目和颜色时的操作。
在902，使用深度学习分类器(例如，802)对图像进行分类。获得强、弱或忽略类。如前所述，可以使用其他标签。在904，基于类做出决定(例如，操作分支)。经由到904的强分支，执行来自图3A的操作302-308和可选的309以处理图像以聚类像素，优选地不考虑强度。集群的数量(k)可以是2，以帮助选择主颜色。在步骤906，使用像素计数提取主颜色并返回。
经由来自904的弱分支，在步骤910，执行来自图3A的操作302-308和可选的309以处理图像以聚类像素，优选地不考虑强度。集群的数量(k)可以是5，以帮助选择主颜色。在912，返回使用像素计数提取的至少3个主颜色。经由到914的忽略分支，这些操作不返回颜色。
尽管图9中未示出，但如果希望批量分类，则操作可被配置为接收用于相同项目和相同颜色的多个样本图像。如使用操作900所示执行颜色提取。如果对多个强图像进行处理和分类，则对每个强图像的主颜色进行平均并返回。来自同一分支的弱图像可以被忽略。
如果没有对强图像进行分类而对弱图像进行分类，则返回多个主颜色(例如，候选颜色集)。由于每个图像可以生成多个候选颜色，可以使用来自多个图像的相似颜色，例如基于共性来对颜色进行排序或减少颜色计数。在弱情况下可以使用手动处理来解析提取的颜色(例如，呈现多个颜色并接收选择)，或者可以利用其他方法。
如上所述，所处理的源彩色图像可以是其中感兴趣项目是产品并且其颜色是产品颜色的图像。因此，提取的颜色或多个候选颜色是产品颜色。可以使用提取的颜色，例如使用图像处理技术来定义包含该颜色的新图像。产品可能是化妆产品，并且新图像可能是产品使用的模拟。
化妆模拟-增强现实
如上所述，化妆模拟应用程序214接收诸如自拍的第一图像，从样本图像确定要虚拟试用的产品及其颜色。可以诸如从与用户设备102通信的计算机器提取颜色数据并将其提供给化妆模拟应用程序，或者用户设备102可以被配置为确定颜色数据。产品样本可以被提供给类驱动颜色提取器(例如，800)，并且返回的颜色或产品样本可以由部件使用基于聚类的方法和启发式来分析(例如在图3A和3B的操作中所示)以获得颜色。
化妆模拟应用程序214使用第一图像、产品和颜色生成(例如，使用图像处理技术)第二图像，以虚拟试用产品。例如经由显示屏118呈现第二图像。在另一示例中，用户设备可以被配置为将图像连同产品和颜色的选择一起传送到远程计算机器，并接收第二图像(示出产品的虚拟应用)作为返回。用于诸如平板电脑、智能手机(移动设备)等用户设备的化妆模拟应用程序的示例是可从ModiFace Inc获得的ModiFace LiveTM。
定义标准化颜色样本图像
在另一个使用示例中，可能希望以标准化的方式呈现不同的产品颜色，例如，将候选口红颜色呈现为涂抹，其中每个涂抹被表示为具有相同纹理、亮度和其他特征的口红涂抹的模板图像。可以使用由从各个样本图像提取样本颜色确定的相应颜色从模板图像生成口红涂抹图像的不同实例。以这种方式，来自不同生产线和/或不同产品生产者等的不同样本(作为示例)可以以标准或一致的方式呈现。在一种方式中，计算设备的操作可以执行样本颜色提取，如参考图3A和3B所描述的，以确定提取的颜色。在一种方式中，图8的部件可以基于类驱动颜色提取来使用。
可以获得模板图像。可以执行图像处理以使用用提取的颜色更新的模板图像(例如，在适用的情况下替换模板中的任何颜色)来定义标准化样本的实例。图4A示出了第一颜色(例如，红色)的模板涂抹图像400，并且图4B示出了从第二颜色(蓝色)的图像400更新的标准化样本图像402的实例。图像400和402是代表性的，并且在本文中以灰度描述。它们实际上不是以颜色显示的，但其效果将被本领域技术人员所理解。实例402可以在诸如图1的122A处的GUI中或以另一种方式使用。实例402可以被存储(例如，到数据存储器3.g.110A、110B或另一个(未示出))或为GUI“动态”生成。用于生成实例的操作可以由设备102执行或代表设备102执行。
除了计算设备方面之外，普通技术人员将理解，公开了计算机程序产品方面，其中指令存储在非暂时性存储设备(例如存储器、CD-ROM、DVD-ROM、光盘等)中，以配置计算设备以执行本文存储的任何方法方面。
实际实施方式可以包括本文所描述的任何或全部特征。这些和其他方面、特征和各种组合可以表示为用于执行功能的方法、装置、系统、构件，程序产品，以及以其他方式组合本文描述的特征。已经描述了许多实施例。然而，将理解，在不脱离本文所描述的处理和技术的精神和范围的情况下，可以进行各种修改。此外，可以从所描述的处理中提供其他步骤，或者可以取消步骤，并且可以将其他部件添加到所描述的系统中，或者从所描述的系统中移除。因此，其他实施例在所附权利要求的范围内。
就上面描述的本发明的实施例而言，可以至少部分地使用软件控制的可编程处理设备来实施，例如通用处理器或专用处理器、数字信号处理器、微处理器或其他处理设备、数据处理装置或计算机系统，将理解，用于配置可编程设备、装置或系统以实施前述方法、装置和系统的计算机程序被设想为本发明的一个方面。计算机程序可以体现为任何合适类型的代码，例如源代码、目标代码、编译代码、解释代码、可执行代码、静态代码、动态代码等。可以使用任何合适的高级、低级、面向对象、可视化、编译和/或解释编程语言来实施指令，例如C、C++、Java、BASIC、Perl、Matlab、Pascal、visual BASIC、Java、ActiveX、汇编语言、机器代码等。技术人员将容易理解，术语“计算机”在其最一般意义上包括诸如上文提及的可编程设备，以及它们可能出现的任何格式的数据处理装置和计算机系统，例如台式个人计算机、膝上型个人计算机、平板电脑、智能手机或其他计算设备。
合适地，计算机程序以机器可读的形式存储在载体介质上，例如，载体介质可以包括存储器、可移动或不可移动介质、可擦除或不可擦除介质、可写或可重写介质、数字或模拟介质、硬盘、软盘、光盘只读存储器(CD-ROM)、可记录光盘(CD-R)、可重写光盘(CD-RW)、光盘、磁介质、磁光介质、可移动存储卡或盘、各种类型的数字通用盘(DVD)用户识别模块、磁带、盒式固态存储器。可以从包含在通信介质中的远程源提供计算机程序，例如电子信号、射频载波或光载波。这种载体介质也被设想为本发明的方面。
在本说明书的整个描述和权利要求中，词语“包括”和“包含”以及它们的变体意味着“包括但不限于”，并且不旨在(也不)排除其他部件、整体或步骤。在整个说明书中，单数涵盖复数，除非上下文另有要求。具体地，在使用不定冠词的情况下，除非上下文另有要求，本说明应被理解为考虑复数和单数。例如，与“A和/或B”相关的术语“和/或”在本文中表示A、B以及A和B两者之一。
结合本发明的特定方面、实施例或示例描述的特征、整数特征、化合物、化学部分或组应理解为适用于任何其他方面、实施例或示例，除非与其不兼容。本文公开的所有特征(包括任何附带的权利要求、摘要和附图)和/或如此公开的任何方法或处理的所有步骤可以以任何组合进行组合，除了其中至少一些这样的特征和/或步骤是相互排斥的组合。本发明不限于任何前述示例或实施例的细节。本发明延伸到本说明书(包括任何附带的权利要求、摘要和附图)中所公开的特征的任何新颖的一个或任何新颖的组合，或者延伸到所公开的任何方法或处理的步骤的任何新颖的一个或任何新颖的组合。
如本文所使用的，术语“包括”、“包括”、“包括”、“具有”、“具有”或其任何其他变体旨在涵盖非排他包括。例如，包括元件列表的处理、方法、物品或装置不一定仅限于这些元件，而是可以包括未明确列出或此类处理、方法、物品或装置固有的其他元件。此外，除非有相反的明文规定，否则“或”指的是包容性的或，而不是排他性的或。
此外，使用“一”或“一个”来描述本发明的元件和部件。这样做仅仅是为了方便并且给出本发明的一般意义。这种描述应该被理解为包括一个或至少一个，并且单数也包括复数，除非明显另有含义。
鉴于前述描述，对本领域技术人员来说显而易见的是，可以在本发明的范围内进行各种修改。
本公开的范围包括任何新的特征或其中公开的特征的组合或其任何概括，除非与之不兼容，无论其是否与所要求保护的发明有关或是否减轻本发明所解决的任何或所有问题。申请人特此通知，在本申请或由此衍生的任何此类进一步申请的审查期间，可能会对这些特征制定新的权利要求。具体地，参考所附权利要求，来自从属权利要求的特征可以与独立权利要求的特征组合，并且来自各个独立权利要求的特征可以以任何适当的方式组合，而不仅仅是以权利要求中列举的特定组合。

Claims (14)

1.一种方法，包括：
通过计算设备的处理器：
获得包括像素的源彩色图像，所述源彩色图像具有要提取的颜色的区域；
在不考虑强度的情况下将所述像素聚类成多个集群，所述多个集群中的每个集群由相应的特征颜色特征化；
针对颜色期望集来评估相应的多个集群的特征颜色中的每个特征颜色，所述颜色期望包括将存在于所述图像中的相应期望颜色，使用所述期望颜色在所述多个集群搜索颜色匹配以定义所提取的颜色，所述期望颜色是源彩色图像中出现的一种化妆品类型的期望颜色的预定义列表；以及
使用图像处理来提供所提取的颜色以定义新图像，所述新图像不同于所述源彩色图像，并且是基于所提取的颜色在用户面部上使用所述化妆品类型的模拟。
2.根据权利要求1所述的方法，其中，所述像素被定义在第一颜色空间中，并且其中，所述方法包括将所述像素转换到与强度无关的第二颜色空间。
3.根据权利要求1所述的方法，包括获取用于定义所述新图像的起始图像，以及使用所提取的颜色从所述起始图像定义所述新图像，以应用于在所述新图像内显示的对象，并且其中，所述起始图像包括第一自拍图像，并且所述新图像包括包含所述对象的新自拍图像，所述对象包括用于在所述第一自拍图像上进行模拟的产品，并且，所述产品包括化妆产品，以使用增强现实来进行虚拟试用。
4.根据权利要求1所述的方法，其中，所述源彩色图像包括化妆产品的样本图像。
5.根据权利要求1所述的方法，包括在图形用户界面GUI中呈现所述新图像，所述GUI提供使用增强现实体验来进行虚拟试用的化妆产品，所述GUI进一步被配置为：接收用户的自拍图像和对所述新图像的选择，并将所述新图像的所提取的颜色应用于所述自拍图像的一部分，以虚拟试用由所述新图像表示的所述化妆产品。
6.一种方法，包括：
通过计算设备的处理器：
获得包括像素的源彩色图像，所述源彩色图像具有要提取的颜色的区域；
在不考虑强度的情况下将所述像素聚类成多个集群，所述多个集群中的每个集群由相应的特征颜色特征化；
针对颜色期望集来评估所述多个集群，所述颜色期望包括将存在于所述图像中的相应期望颜色，使用所述期望颜色在所述多个集群搜索颜色匹配以定义所提取的颜色；
使用图像处理来提供所提取的颜色以定义新图像；以及
将所述颜色期望集定义为根据优先级顺序的有序集，并且其中，为了评估根据所述优先级顺序使用所述多个集群搜索所述颜色期望集，当所述颜色匹配被定位时停止。
7.一种方法，包括：
通过计算设备的处理器：
获得包括像素的源彩色图像，所述源彩色图像具有要提取的颜色的区域；
在不考虑强度的情况下将所述像素聚类成多个集群，所述多个集群中的每个集群由相应的特征颜色特征化；
针对颜色期望集来评估所述多个集群，所述颜色期望包括将存在于所述图像中的相应期望颜色，使用所述期望颜色在所述多个集群搜索颜色匹配以定义所提取的颜色；
使用图像处理来提供所提取的颜色以定义新图像；以及
如果两个或更多个集群中的每一个响应于搜索提供颜色匹配，则将所述多个集群中的所述两个或更多个集群组合成组合集群；并使用所述组合集群定义所提取的颜色。
8.一种计算机器，包括：
处理器，其耦合到存储设备，所述存储设备存储指令，当由所述处理器执行时，所述指令配置所述计算机以：
获得包括像素的源彩色图像，所述源彩色图像具有要提取的颜色的区域；
在不考虑强度的情况下将所述像素聚类成多个集群，所述多个集群中的每个集群由相应的特征颜色特征化；
针对颜色期望集来评估相应的多个集群的特征颜色中的每个特征颜色，所述颜色期望包括将存在于所述图像中的相应期望颜色，使用所述期望颜色在所述多个集群搜索颜色匹配以定义所提取的颜色，所述期望颜色是源彩色图像中出现的一种化妆品类型的期望颜色的预定义列表；以及
使用图像处理来提供所提取的颜色以定义新图像，所述新图像不同于所述源彩色图像，并且是基于所提取的颜色在用户面部上使用所述化妆品类型的模拟。
9.根据权利要求8所述的计算机器，其中，对所述像素进行聚类包括在不考虑强度的情况下将k均值聚类应用于所述像素。
10.根据权利要求8所述的计算机器，其中，搜索所述颜色匹配包括确定所述多个集群中的一个的所述相应特征颜色与所述颜色期望集中的一个的相应期望颜色的相似性。
11.根据权利要求8所述的计算机器，其中，所述指令配置所述计算机器获取用于定义所述新图像的起始图像，以及使用所提取的颜色从所述起始图像定义所述新图像，以应用于在所述新图像内显示的对象，所述起始图像包括第一自拍图像，并且所述新图像包括包含所述对象的新自拍图像，所述对象包括用于在所述第一自拍图像上进行模拟的产品。
12.根据权利要求11所述的计算机器，所述计算机器包括移动设备，并且其中，所述产品包括化妆产品，以使用增强现实来进行虚拟试用。
13.一种计算机器，包括：
处理器，其耦合到存储设备，所述存储设备存储指令，当由所述处理器执行时，所述指令配置所述计算机以：
获得包括像素的源彩色图像，所述源彩色图像具有要提取的颜色的区域；
在不考虑强度的情况下将所述像素聚类成多个集群，所述多个集群中的每个集群由相应的特征颜色特征化；
针对颜色期望集来评估所述多个集群，所述颜色期望包括将存在于所述图像中的相应期望颜色，使用所述期望颜色在所述多个集群搜索颜色匹配以定义所提取的颜色；以及
使用图像处理来提供所提取的颜色以定义新图像；
其中，搜索所述颜色匹配包括确定所述多个集群中的一个的所述相应特征颜色与所述颜色期望集中的一个的相应期望颜色的相似性，并且
其中，当所述相应特征颜色在亮度和方向上均与所述相应期望颜色相似时，所述搜索根据所述相应期望颜色的相应阈值要求定位所述颜色匹配。
14.一种计算机器，包括：
处理器，其耦合到存储设备，所述存储设备存储指令，当由所述处理器执行时，所述指令配置所述计算机以：
获得包括像素的源彩色图像，所述源彩色图像具有要提取的颜色的区域；
在不考虑强度的情况下将所述像素聚类成多个集群，所述多个集群中的每个集群由相应的特征颜色特征化；
针对颜色期望集来评估所述多个集群，所述颜色期望包括将存在于所述图像中的相应期望颜色，使用所述期望颜色在所述多个集群搜索颜色匹配以定义所提取的颜色；以及
使用图像处理来提供所提取的颜色以定义新图像；
其中，所述指令配置所述计算机器将所述颜色期望集定义为根据优先级顺序的有序集，并且其中，为了评估根据所述优先级顺序使用所述多个集群搜索所述颜色期望集，当所述颜色匹配被定位时停止。
CN202080046007.0A 2019-04-23 2020-04-22 机器图像颜色提取和使用提取的颜色的机器图像构造 Active CN114144813B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962837368P 2019-04-23 2019-04-23
US62/837,368 2019-04-23
PCT/EP2020/061256 WO2020216808A1 (en) 2019-04-23 2020-04-22 Machine image colour extraction and machine image construction using an extracted colour

Publications (2)

Publication Number Publication Date
CN114144813A CN114144813A (zh) 2022-03-04
CN114144813B true CN114144813B (zh) 2024-11-15

Family

ID=70476188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080046007.0A Active CN114144813B (zh) 2019-04-23 2020-04-22 机器图像颜色提取和使用提取的颜色的机器图像构造

Country Status (6)

Country Link
US (2) US11461931B2 (zh)
EP (1) EP3942466A1 (zh)
JP (1) JP7469330B2 (zh)
KR (1) KR20220062450A (zh)
CN (1) CN114144813B (zh)
WO (1) WO2020216808A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11481928B2 (en) * 2020-01-31 2022-10-25 L'oreal System and method of lipstick bulktone and application evaluation
US11875428B2 (en) * 2020-01-31 2024-01-16 L'oreal System and method of lipstick bulktone and application evaluation
CN115699130A (zh) 2020-03-31 2023-02-03 斯纳普公司 增强现实美容产品教程
US11676354B2 (en) 2020-03-31 2023-06-13 Snap Inc. Augmented reality beauty product tutorials
US11915305B2 (en) 2020-04-01 2024-02-27 Snap Inc. Identification of physical products for augmented reality experiences in a messaging system
US11521334B2 (en) 2020-04-01 2022-12-06 Snap Inc. Augmented reality experiences of color palettes in a messaging system
US12165242B2 (en) 2020-04-01 2024-12-10 Snap Inc. Generating augmented reality experiences with physical products using profile information
US12118601B2 (en) 2020-04-01 2024-10-15 Snap Inc. Method, system, and non-transitory computer-readable medium for analyzing facial features for augmented reality experiences of physical products in a messaging system
US11423652B2 (en) 2020-06-10 2022-08-23 Snap Inc. Adding beauty products to augmented reality tutorials
US11580682B1 (en) * 2020-06-30 2023-02-14 Snap Inc. Messaging system with augmented reality makeup
US11798202B2 (en) 2020-09-28 2023-10-24 Snap Inc. Providing augmented reality-based makeup in a messaging system
US12062078B2 (en) 2020-09-28 2024-08-13 Snap Inc. Selecting color values for augmented reality-based makeup
US12361475B2 (en) 2020-09-28 2025-07-15 Snap Inc. Method, device, and non-transitory computer-readable storage medium for providing augmented reality-based makeup product sets in a messaging system
US11461970B1 (en) * 2021-03-15 2022-10-04 Tencent America LLC Methods and systems for extracting color from facial image
CN113129400B (zh) * 2021-03-17 2023-02-24 维沃移动通信有限公司 图像处理方法、装置、电子设备和可读存储介质
CN113763496B (zh) * 2021-03-19 2024-04-09 北京沃东天骏信息技术有限公司 图像着色的方法、装置及计算机可读存储介质
CN113345038B (zh) * 2021-06-30 2022-10-04 珠海必要工业科技股份有限公司 刺绣图像的处理方法、装置、电子设备及存储介质
CN114820549B (zh) * 2022-05-10 2025-08-15 长江存储科技有限责任公司 半导体结构的检测方法、装置、电子设备及可读存储介质
US11816148B1 (en) * 2022-06-17 2023-11-14 Microsoft Technology Licensing, Llc Sampling technique for data clustering
FR3137550B1 (fr) 2022-07-05 2024-07-19 Oreal Procédé de détermination de paramètres relatifs à la coloration d’une zone corporelle d’un individu
US20240177370A1 (en) * 2022-11-28 2024-05-30 Perception Systems, LLC Systems and methods of image to palette representations
CN115801438B (zh) * 2022-12-02 2025-08-19 成都知道创宇信息技术有限公司 威胁情报ioc的信誉度评分方法、装置及相关装置
KR102676291B1 (ko) 2023-06-28 2024-06-19 주식회사 카비 딥 러닝 학습 데이터 구축을 위하여 영상데이터에서 이미지프레임 자동 추출 및 레이블링 방법 및 장치
CN116563770B (zh) * 2023-07-10 2023-09-29 四川弘和数智集团有限公司 车辆颜色的检测方法、装置及设备和介质

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05266091A (ja) * 1992-03-23 1993-10-15 Mitsubishi Electric Corp 画像の類似色調検索装置
TW511040B (en) * 1999-07-07 2002-11-21 Fd Man Inc Color cosmetic selection system
US6757428B1 (en) * 1999-08-17 2004-06-29 National Instruments Corporation System and method for color characterization with applications in color measurement and color matching
US7046842B2 (en) * 1999-08-17 2006-05-16 National Instruments Corporation System and method for color characterization using fuzzy pixel classification with application in color matching and color match location
US20040239968A1 (en) * 2003-06-02 2004-12-02 Gondek Jay S. Color correction in images
JP2005328845A (ja) * 2004-05-06 2005-12-02 Oce Technologies Bv デジタルカラー画像を変換する方法、装置およびコンピュータプログラム
JP4704253B2 (ja) * 2005-04-13 2011-06-15 富士フイルム株式会社 アルバム作成装置、アルバム作成方法、及びプログラム
JP4748789B2 (ja) * 2005-12-05 2011-08-17 キヤノン株式会社 画像処理方法及び画像処理装置
US7809185B2 (en) * 2006-09-21 2010-10-05 Microsoft Corporation Extracting dominant colors from images using classification techniques
JP2010039692A (ja) * 2008-08-04 2010-02-18 Seiko Epson Corp 画像分類装置および画像分類方法並びにプログラム
JP5149858B2 (ja) * 2009-04-20 2013-02-20 富士フイルム株式会社 カラー画像の代表色決定装置およびその動作制御方法
JP5948737B2 (ja) * 2011-05-30 2016-07-06 株式会社リコー 画像処理装置、画像処理方法及び画像処理プログラム
JP5836758B2 (ja) * 2011-11-02 2015-12-24 キヤノン株式会社 画像表示装置及びその制御方法
US8908904B2 (en) * 2011-12-28 2014-12-09 Samsung Electrônica da Amazônia Ltda. Method and system for make-up simulation on portable devices having digital cameras
JP6089886B2 (ja) * 2013-03-29 2017-03-08 オムロン株式会社 領域分割方法および検査装置
JP2013178789A (ja) * 2013-04-01 2013-09-09 Kao Corp 美容シミュレーションシステム
US9798949B1 (en) * 2015-03-19 2017-10-24 A9.Com, Inc. Region selection for image match
BE1022821B1 (nl) * 2015-04-01 2016-09-13 Color Passport Nv Kleur classificatie systeem
US9589210B1 (en) * 2015-08-26 2017-03-07 Digitalglobe, Inc. Broad area geospatial object detection using autogenerated deep learning models
US10083521B1 (en) * 2015-12-04 2018-09-25 A9.Com, Inc. Content recommendation based on color match
US11037291B2 (en) * 2016-05-13 2021-06-15 Basf Se System and method for detecting plant diseases
CN106201535B (zh) * 2016-07-14 2019-08-23 广州神马移动信息科技有限公司 工具栏背景颜色随着图片的主颜色而变换的方法和装置
US11315173B2 (en) * 2016-09-15 2022-04-26 GlamST LLC Applying virtual makeup products
US10755228B1 (en) * 2017-03-29 2020-08-25 Blue Yonder Group, Inc. Image processing system for deep fashion color recognition
CN107194348A (zh) * 2017-05-19 2017-09-22 北京云识图信息技术有限公司 一种图像中目标物体的主颜色识别方法
KR20200026808A (ko) * 2017-07-13 2020-03-11 시쉐이도 아메리카스 코포레이션 가상 얼굴 메이크업 제거, 빠른 얼굴 검출, 및 랜드마크 추적
CN108304785A (zh) * 2018-01-16 2018-07-20 桂林电子科技大学 基于自建神经网络的交通标志检测与识别方法
CN109389111A (zh) * 2018-10-24 2019-02-26 浙江宇视科技有限公司 图像采集处理方法、装置及计算机可读存储介质
CN113052194A (zh) * 2019-12-27 2021-06-29 杭州深绘智能科技有限公司 一种基于深度学习的服装色彩认知系统及其认知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PaletteNet：Image Recolorization with Given Color Palette;CHO JUNHO ET AL;2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS;20170721;论文第1-4节，图1-5 *

Also Published As

Publication number Publication date
US20200342630A1 (en) 2020-10-29
US11461931B2 (en) 2022-10-04
EP3942466A1 (en) 2022-01-26
US20220351416A1 (en) 2022-11-03
CN114144813A (zh) 2022-03-04
WO2020216808A1 (en) 2020-10-29
JP2022532040A (ja) 2022-07-13
KR20220062450A (ko) 2022-05-17
JP7469330B2 (ja) 2024-04-16

Similar Documents

Publication Publication Date Title
CN114144813B (zh) 机器图像颜色提取和使用提取的颜色的机器图像构造
US20220386759A1 (en) Systems and Methods for Virtual Facial Makeup Removal and Simulation, Fast Facial Detection and Landmark Tracking, Reduction in Input Video Lag and Shaking, and Method for Recommending Makeup
KR101140533B1 (ko) 이미지로부터 추정된 피부색에 기초해서 제품을 추천하는 컴퓨터 구현된 방법
US7522768B2 (en) Capture and systematic use of expert color analysis
US8000524B2 (en) Color naming, color categorization and describing color composition of images
JPWO2020216808A5 (zh)
US20070058858A1 (en) Method and system for recommending a product based upon skin color estimated from an image
Van Zuijlen et al. Materials In Paintings (MIP): An interdisciplinary dataset for perception, art history, and computer vision
US20160140748A1 (en) Automated animation for presentation of images
Withurat et al. Personal color analysis using color space algorithm
Shirkhodaie et al. Skin subspace color modeling for daytime and nighttime group activity recognition in confined operational spaces
WO2024011327A1 (en) Systems, devices, articles, and methods for discovery based on material attributes
CN116644225A (zh) 一种妆容方案的推荐方法、装置、设备及存储介质
WO2008108771A1 (en) Capture and systematic use of expert color analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant