CN116805373A - 彩色底色检测 - Google Patents

Abstract

本公开实施例涉及彩色底色检测。本公开的某些方面和特征涉及彩色底色检测。例如，一种方法涉及接收图像文件并且使用颜色暖度分类器从图像文件中产生图像暖度简档。该方法还包括将经表面图像训练的机器学习模型应用于图像暖度简档，以产生针对图像文件的推断底色值。该方法还包括使用推荐模块和推断底色值将图像颜色值与对应于生产图像数据库的多个预先存在的颜色值进行比较，并且响应于比较，使包括来自生产图像数据库的至少一个生产图像选择的交互式内容被提供给接收方设备。

Description

彩色底色检测

技术领域

本公开一般涉及计算机化数字图像分析。更具体地，但不是作为限制，本公开涉及用于准确标识数字图像中的彩色底色(undertone)并且自动提供诸如基于彩色底色而选择的其他图像之类的交互式内容的编程技术。

背景技术

在颜色感知中，底色是透过另一颜色而被看见的并且修饰另一颜色的柔和颜色。这样的底色因此可以被描述为环境场景或物体的、基于颜色的或彩色的印象，该印象不同于存在于该场景或物体中的特定的、容易标识的颜色。例如，彩色底色的标识可以被用来针对化妆、服装、油漆、建筑内部、建筑外部和风景提供视觉上更突出的颜色选择。在针对摄影、摄像和电影制作设计选择合适的照明时，底色标识也很重要。

发明内容

本公开的某些方面和特征涉及彩色底色检测。例如，一种方法涉及接收图像文件并且使用颜色暖度分类器从图像文件中产生图像暖度简档(profile)。该方法还包括将经表面图像训练的机器学习模型应用于图像暖度简档，以产生针对图像文件的推断底色值。该方法还包括使用推荐模块和推断底色值，将图像颜色值与对应于生产图像数据库的多个预先存在的颜色值进行比较，以及响应于比较，使包括来自生产图像数据库的至少一个生产图像选择的交互式内容被提供给接收方设备。

该方面的其他实施例包括对应的计算机系统、设备和记录在一个或多个计算机存储设备上的计算机程序，各自都被配置为执行方法的动作。

本公开不旨在标识所要求保护的主题的关键或必要特征，也不旨在孤立地被用来确定所要求保护的主题的范围。应当通过参考本公开的整个说明书的适当部分、任何或所有附图以及每个权利要求来理解该主题。

附图说明

当参考附图阅读以下具体实施方式时，将更好地理解本公开的特征、实施例和优点，其中：

图1是示出根据某些实施例的、用于彩色底色检测的计算环境的示例的图。

图2是根据某些实施例的、用于彩色底色检测的系统的示例的框图。

图3是根据一些实施例的、用于彩色底色检测的过程的示例的流程图。

图4是根据某些实施例的、在彩色底色检测中所使用的系统的示例的框图。

图5是根据某些实施例的、在彩色底色检测中使用的另一系统的示例的框图。

图6是根据某些实施例的、在比较性彩色底色检测中使用的附加系统的示例的框图。

图7是根据一些实施例的、用于比较性底色检测的过程的另一示例的流程图。

图8是根据某些实施例的、可以实现彩色底色检测的各方面的计算系统的示例的图。

具体实施方式

如上所述，底色标识在评估化妆、服装、油漆和建筑环境以及选择或调整在各种工作中的照明时可能很重要。用于底色确定的一种当前可用的途径涉及：向选择产品或配置环境的人员呈现样本和关于样本的可能信息。该呈现可以伴随有计算机生成的问题，对问题的答案可以被馈送到基于规则的底色确定算法中。例如，可以使用这种技术来在在线购物环境中提供产品推荐。

用于底色确定的另一个当前可用的途径涉及：例如在百货公司的化妆柜台处，提供有经验的、经过补偿的专家来观察样本、皮肤和/或照明并且提供可能具有计算机化或印刷的指导、对所呈现的底色的评估。这些途径产生的结果可能是主观的，导致不可预测的有时甚至是不希望的结果。例如，两件衣物可能展现相配的颜色，这表明这些衣物当穿在一起时会提供令人愉悦的外观；然而，这些衣物可能结合起来在视觉上没有吸引力，因为它们的底色不兼容。作为另一示例，可以基于清楚展现的颜色来选择化妆、发色等，但是可能由于底色不匹配而证明对给定个体在视觉上没有吸引力。

专家评估可能受制于专家在肤色、发色、个人风格或文化经验方面的独特偏见和经验。针对化妆品选择的底色检测的培训和经验针对某些肤色在很大程度上得到了保留。理解如何检测底色的专家通常在较浅的调色板上接受培训，而当涉及较深的肤色时，这些专家常常不知道如何评估底色。

用于底色标识和底色感知产品选择的当前途径因此是不可靠的、不可预测的、劳动密集型的和/或昂贵的。本文描述的实施例通过提供表面、对象或场景的图像中的底色的可重复的、自动的、基于机器学习的标识来解决这些问题。这种准确的计算机化的底色标识可以在针对购买或设计项目的产品选择中被使用。经表面图像训练的机器学习模型被应用于使用颜色暖度分类器而从输入图像产生的图像暖度简档。机器学习模型使用图像暖度简档来产生针对图像的推断底色值。该推断底色值可以直接或间接地与来自生产图像数据库的颜色值进行比较，生产图像例如是可供购买的产品的图像，或用于布景设计的照明选择的图像。这些技术提供了与现有环境或表面兼容的颜色和/或底色的产品或对象的自动选择。

例如，交互式购物应用被加载有希望针对购物者皮肤的底色选择合适的化妆品或服装的购物者的图像。这个交互式应用还连接到生产图像数据库，其包括对预先存在的颜色值进行索引的可用产品的图像。可以可选地基于由被用来确定购物者肤色的推断底色的相同机器学习技术所确定的底色来提供这些预先存在的颜色值。购物应用可以搜索该数据库，并且推荐引擎将图像颜色值(诸如，从输入图像的推断底色值或者映射到那个值的颜色)与来自数据库的预先存在的值进行比较，以推荐产品或者一系列产品。购物者可以放心地挑选产品，因为自动彩色底色确定促进从最兼容底色的产品中进行选择。

上述交互式购物应用可以经由网络来实现，其中输入图像由购物者使用网络摄像头或内置于交互式计算设备(诸如，智能移动电话或平板计算机)的相机来提供。这种交互式计算设备在本文中也可以被称为接收方设备。交互式购物应用可以备选地被部署到售货亭或者甚至被部署到零售机构中的购物者或销售方可访问的台式机、笔记本计算机或平板计算机。照明特性(诸如，捕获输入图像的光的色温)对于准确确定推断底色值可能很重要。在基于Web的应用中，可以使用自动色温检测，或者可以要求购物者输入有关捕获图像的地方的照明的信息(例如，自然光、白炽灯、荧光灯)。相同的技术可以使用在零售机构中，或者可以在要捕获购物者图像的区域中提供标准化的光源。

本文描述的机器学习技术可以被用来可靠地、可重复地和有效地标识来自许多不同行业和工作中使用的图像的彩色底色。示例包括化妆品、纺织品、室内设计、室外设计、地板、建筑、工业设计和娱乐。无需大量费用或昂贵人工就可以标识底色，并且用于做出明智的设计或产品选择。

如本文中所使用的，术语“底色”是透过另一颜色而被看见的并且修饰另一颜色的柔和颜色。这样的底色因此可以被描述为环境场景或物体的、基于颜色的或彩色的印象，该印象不同于存在于场景或物体中的特定的、容易标识的颜色。术语“底颜色(undercolor)”与术语“底色”同义。在本公开的上下文中的短语“彩色(chromatic)底色”也与术语“底色”同义，因为词语“彩色”仅被用来将本文中所使用的术语“底色”与音频处理或其他领域中使用的该术语区分开来。

如本文中所使用的短语“推断底色值”是根据对象或环境的数字图像来确定的底色的存储的数字表示，其中该数字图像已经独立于针对计算系统的数字成像过程的任何控制或校准而被捕获，其如本文所述进行底色确定。例如，根据从在线购物平台的客户使用的智能移动电话所捕获的数字图像来确定的底色可以被分析，以确定图像中捕获的任何东西的推断底色值。图像中描绘的对象或环境的实际底色不能由计算系统直接确定，因为计算系统缺乏对创建图像所涉及的所有变量的知识。“经表面图像训练的机器学习模型”是机器学习模型，该模型已经利用在不同照明条件下展现出各种底色的大量表面图像进行了训练，以便用于确定针对新图像的推断底色值。

“生产图像”是产品或一些其他可选选择的图像，其可以被确定为与推断底色兼容或潜在地兼容。例如，如果如本文所述的彩色底色检测正被用来呈现在线购物平台中可用的兼容产品，则可以访问各种可用产品的生产图像数据库和这些图像的子集，或者“生产图像选择”可以经由交互式计算设备来进行提供和显示。在在线购物环境之外，“生产图像”可能是戏剧制作设计师可用的成品或道具的图像。“生产图像”可以是产品本身的图像，或者它也可以是被设计来表示产品在使用中的外观的图像。例如，对于化妆品，生产图像可以是面带该化妆产品的模特的图像。

图1是示出根据某些实施例的、用于彩色底色检测的计算环境100的示例的图。计算环境100包括执行交互式应用102的服务器计算系统101和交互式计算设备138。交互式计算设备138包括呈现设备108和相机140，呈现设备108至少有时基于交互式应用102来控制，相机140被用来捕获图像，这些图像被存储为相机图像文件132以被发送到服务器计算系统101的接口模块130。在这个示例中，交互式应用102包括经表面图像训练的机器学习模型110、推荐模块114和颜色暖度分类器122。颜色暖度分类器122从图像文件产生图像暖度简档112并且这些图像暖度简档至少暂时被存储，以便服务器计算系统101确定推断底色值并且使用推断底色值来做出推荐。推断底色值111在做出推荐期间由交互式应用102存储。在这个示例中的推荐以生产图像选择136的形式而被提供，以使用接口模块130而被提供给交互式计算设备138并且被显示在呈现设备108上。

仍参见图1，生产图像选择136中的生产图像是生产图像数据库106中的图像子集，交互式应用102通过网络104来访问生产图像数据库106。工作站146被用来管理和精选(curate)生产图像数据库中的图像，以及在生产图像中表示的、针对对象或场景的预先存在的颜色值120。预先存在的颜色值120可以被存储在服务器计算系统101中，以供推荐模块114在做出要被包括在生产图像选择136中的推荐时有效使用。只要产品图像数据库被更新，就可以更新这些预先存在的底色值。例如，服务器计算系统可以是实现在线购物平台的真实或虚拟Web服务器，该平台被访问以便通过交互式计算设备138来提供购物体验。当从商家的库存中添加新的项或移除或改变现有项时可以由工作站146执行生产成像和底色映射。这些活动将导致对生产图像数据库106的更新，这可能需要对已存储的预先存在的底色和/或颜色值120进行更新。映射将参考图2来进一步讨论，并且导致底色值与有关已存储图像的颜色信息的配对。

图2是根据某些实施例的、用于彩色底色检测的系统200的示例的框图。系统200包括两个过程路径，每个过程路径通向由推荐模块114实现的推荐202。在这个示例中的上部过程路径图示了对来自访问交互式应用102的计算设备的一个或多个上传图像204的处理。这些图像可以经由网站来上传，或者备选地，可以被提供(“上传”)到用于在本地实现系统200的计算设备，例如在百货公司的化妆柜台或在油漆店的服务柜台处的平板计算机、笔记本计算机或台式计算机。所提供的图像在系统200的框206中经受图像分割和颜色暖度分类。在这个示例中的框206包括分割网络和颜色暖度分类器122。所使用的图像分割的类型将取决于所涉及的图像的性质、颜色以及底色，并且对于某些用途，可能根本不需要图像分割。

如果使用图像分割，则可以使用任何各种类型的AI图像分割或其他非AI类型的分割。例如，可以使用包含在框206中的深度学习分割网络来完成分割。分割类型的示例包括全景分割和语义分割。图像的分割可以隔离物品、物品的部分或人的部分，这些已知可以提供对感兴趣的底色的更有效测量。例如，在化妆品选择中，已知身体的某些部位为个人的肤色提供了更容易辨别的底色。众所周知，手腕的下侧就是这样一个区域。分割可以被用来从人的手、手臂等中选择性地标识人的手腕。颜色暖度分类以图像暖度简档的形式提供图像中的颜色暖度类别的数字指示。对于已分割的图像，图像暖度简档包括对已分割的图像部分进行索引的颜色暖度值。否则，颜色暖度值可以是针对整个图像的单一值。下面关于图5讨论颜色暖度分类的示例的附加细节。

继续图2，图像暖度简档由框206作为公共光谱仪208而被输出。公共光谱仪是针对特定类型对象的各个分段的颜色暖度的指定数值描述。在此上下文中，“指定”的意思是在使用系统200的环境中对上传的图像204和生产图像两者跨各种图像分段的使用相同的、标准化的值选择。这些值被存储在文件中，该文件在本文中被称为公共光谱仪。公共光谱仪208被提供给机器学习表征框210以使用经表面图像训练的机器学习模型110来产生针对图像文件的一个或多个推断底色值。

为了提供更准确的确定，照明因子模块212向经过表面训练的机器学习模型提供照明因子。作为一个示例，照明因子是光源颜色特性。可以经由对交互式计算设备的输入来接收照明因子。这样的输入可以包括从在其中捕获上传图像的各种光源类型的选择，例如日光、荧光灯、白炽灯等。备选地，可以使用另一过程来分析图像并且自动确定照明因子，如利用提供自动白平衡的数码相机来实现。AI系统可以被用来提供光源颜色特性。例如，一些智能移动电话包括AI系统，其中作为相机功能的部分，经过训练的机器学习模型被应用于在背景中一起拍摄的场景的多个图像以确定光源颜色特性。

仍参见图2，推断底色被提供给可选的映射模块214。映射模块214使用已知与某些底色兼容的颜色的值映射将(多个)底色映射到(多个)颜色。作为示例，这种映射可以通过使用用于预测和/或指派的监督机器学习来利用先前的专家/高置信度映射。如果系统200被用在将基于底色与底色的比较来做出推荐的环境中，则不需要映射功能。然而，通常，存在与某个底色兼容的多个直接可标识的颜色，并且这些可标识的颜色，如果存在于生产图像中，则可能适合作为交互式计算设备138上的可用选择。在一些示例中，作为筛选与大量产品库存或可用设计选项相对应的许多生产图像的方式，系统可以提供可调节的过滤特征以限制或扩展兼容颜色的数目。推荐模块114执行推荐功能202，将上面产生的图像颜色值(颜色或底颜色值)与对应于数据库106中的生产图像的预先存在的颜色值进行比较，并且在这个示例中，生产图像选择作为所选择的产品图像216而被提供到交互式计算设备138。推荐功能202可以利用机器学习推荐算法。

图2的底部部分图示了被用来从产品图像创建生产图像数据库106的系统200的部分。产品图像218被提供给系统200的图像分割和颜色暖度分类框220。框220包括颜色暖度分类器并且还可以执行类似于上面关于框206描述的图像分割。针对每个产品图像的图像暖度简档由框220输出为公共光谱仪222。公共光谱仪222被提供给机器学习表征框224以使用另一经表面图像训练的机器学习模型来产生针对产品图像文件的一个或多个推断底色值。来自产品图像的推断底色由机器学习表征框224输出到映射模块226，以使得可以将来自产品图像的预先存在的颜色值与图像颜色值进行比较以产生推荐。如果需要，映射模块226使用如前所述的颜色值映射、可选地使用如前所述的监督机器学习，将底颜色映射到颜色。与如上所述的系统200的顶部部分一样，在框224中将照明因子228提供给经表面训练的机器学习模型。然而，在这种情况下，照明因子可以是固定存储值，因为产品图像218通常将能够在更受控和更一致的环境中被捕获。

图3是根据一些实施例的、用于彩色底色检测系统的过程300的示例的流程图。在该示例中，计算设备通过执行合适的程序代码来执行该过程，合适的程序代码例如是可执行来提供诸如交互式应用102的交互式应用的计算机程序代码。在框302处，运行交互式应用的计算设备从交互式计算设备或直接通过接口模块来接收图像文件。在框304处，计算设备通过使用颜色暖度分类器而从图像文件产生图像暖度简档。图像暖度简档可以包括针对输入图像的多个分段或特征的图像暖度类别值，或者简档可以包括针对整个图像的单一值。在框306处，计算设备将经表面图像训练的机器学习模型应用于图像暖度简档，以产生对应于图像文件的推断底色值。

在过程300的框308处，计算设备使用推荐模块和推断底色值，将对应于输入图像的图像颜色值与对应于生产图像数据库中的生产图像的预先存在的颜色值进行比较。在一些示例中，图像颜色值是推断底色值。在其他示例中，可选地使用如前所述的监督机器学习，图像颜色值是映射到推断底色值的颜色。在框310处，响应于比较，计算设备使交互式内容被提供给诸如交互式计算设备138的接收方设备。该交互式内容包括来自生产图像数据库的至少一个生产图像选择。在一些实施例中，例如，利用基于Web的系统，交互式应用102在与交互式计算设备分离的计算设备上运行。在其他实施例中，交互式应用在交互式计算设备上运行。在这样的实施例中，图1的计算设备101和计算设备138可以是相同的计算设备。

图4是根据某些实施例的在彩色底色检测中使用的系统400的示例的框图。系统400基于输入图像来提供推断底色。附加的模块和/或算法被用来基于推断底色来做出购买选择或其他项的选择。一旦使用系统400来获得推断底色，推断底色就可以被用于任何目的。系统400包括图像处理算法402，其向经表面图像训练的机器学习模型404提供有关图像的信息，机器学习模型404进而提供推断底色。在这个示例中，机器学习模型404还接收输入图像本身的副本。

关于捕获输入图像的条件或与输入图像有关的主体、环境或表面的补充信息可以被输入到经表面图像训练的机器学习模型404，以便提高推断底色检测准确度。已经讨论了来自照明因子模块的照明因子的输入。调查中的标准化问题也可以被用来提示附加的输入。例如，在用于评估针对化妆品或服装推荐的底色的系统中，可以使用对诸如人体上可见静脉的地方呈现什么颜色和/或人体皮肤对阳光的反应等问题的响应。这种信息被用作附加数据，以用于做出推断底色确定以提高准确度。可以在各种情形中使用的补充信息的另一示例是关于图像中存在哪些中性颜色(白色、灰色、黑色)的指示。还可以使用有关图像来源的信息，例如图像是作为静止图像捕获的还是来自视频剪辑的帧。

图5是根据某些实施例的、在彩色底色检测中使用的图4的系统400的图像处理算法402的示例的框图。为了提供针对颜色暖度分类的信息，由系统执行色温分析。暖色通常具有橙色、黄色或红色的底色，而冷色具有绿色、蓝色或紫色的底色。为此，输入图像从输入图像被输入时的给定表示(通常是RGB值)被变换为色调饱和值(HSV)。在这个示例中，线性变换模块502被用来将图像从RGB空间变换到HSV空间。HSV空间是感知空间，其中像素值之间的欧几里得距离对应于感知颜色中的差异。使用色调值(被称为H通道)将HSV值提供给距离模块504。使用输入图像的色调与对应于视觉光谱的已存储样本的色调(紫色、蓝色、绿色、黄色、橙色、红色)之间的距离来计算欧几里得距离。颜色暖度分类器506针对未分割图像提供图像暖度或者针对已分割的图像提供图像暖度简档。在已分割的图像的情况下，图像暖度可以被描述为针对该图像或针对多个分段中的每个分段的图像暖度类别。HSV颜色空间基于饱和度和颜色值来表征颜色。使用不同描述框架的其他颜色空间可以被使用。

颜色暖度分类器可以通过使用浮点值来将图像暖度表达为连续数，以便实现高准确度和粒度。但是，可以通过将其表达为离散值来提高处理效率。这样的实现对于使用能力较差的硬件实现的系统可能是方便的，例如在图像处理发生在移动计算设备上的系统中。例如，离散值可以包括针对暖色、非常暖色、中性、冷色、非常冷色等的数字指示符。在这种情况下，系统设计将需要包括阈值，在该阈值处，颜色暖度将从一个类别转移到另一类别。然后，系统可以在进行某些计算时将颜色和/或颜色暖度视为对应于数字的范围，这在不使用附加过滤的情况下可能会导致返回的更大的生产图像选择。

图6是图示了根据某些实施例的在彩色底色检测中使用的系统600的框图。系统600利用各种表面的图像(“表面图像”)来训练机器学习模型602，以产生经表面图像训练的机器学习模型404。为了训练的目的而精选的训练图像集604，使得经表面图像训练的机器学习模型404推断输入图像中的(多个)底色。在一些示例中，训练集在交互式应用被部署之前的某个时间点处被离线精选。至少可以为已更新的、经训练的模型提供一些软件版本更新。

训练集包括公共表面的图像。对于训练集604中的每个训练图像，使用线性变换将图像变换到HSV颜色空间。HSV值被用来计算训练图像的色调与对应于视觉光谱的已存储样本的色调(与分析新图像时使用的相同)之间的欧几里得距离。训练集包括具有各种底色的各种表面的图像。每个表面都在一系列照明条件下进行成像，并且每个图像都被存储有所标识的底色和照明因子。训练集中的图像由用于处理输入到交互式应用的图像的相同图像处理算法来处理，并且生成图像暖度颜色矢量。图像暖度颜色矢量与照明因子值一起被用作针对机器学习模型的训练数据。

所部署的经表面图像训练的机器学习模型可以手动或自动地以规则的间隔来进行重新训练。例如，可以输入新的精选图像以提高训练模型的性能，从而手动启动重新训练。备选地，关于经由接收方设备提供用于选择的生产图像的反馈可以经由相同或不同的交互式计算设备而获得，并且可以被用来随时间自动重新训练模型以提供对推断底色的更准确的确定。

图7是根据一些实施例的用于彩色底色检测系统的过程700的另一示例的流程图。在该示例中，计算设备通过执行合适的程序代码来执行该过程，合适的程序代码例如是用于诸如应用102的交互式应用的计算机程序代码。在框702处，计算设备利用包括各种照明条件下的一系列底色的表面的训练图像来训练学习模型。在框704处，运行交互式应用的计算设备从诸如交互式计算设备138的交互式计算设备或直接通过诸如接口模块130的接口模块来接收图像文件。可选地，计算设备还可以接收补充信息。已经讨论了来自照明因子模块的照明因子的输入。调查中的标准化问题也可以被用来提示附加的输入。例如，一个人的身体呈现什么颜色以及一个人的皮肤对阳光的反应。

可以在各种情形中使用的补充信息的另一示例是关于图像中存在什么中性颜色(白色、灰色、黑色)的指示。可选地，为了改进的底色标识，系统可以提示包括这种中性色的图像被提供。图像可能是一个穿着白色或黑色衬衫的人，并且可以通过对补充信息的调查来记录这个信息，补充信息包括用于收集信息的其他提示。

在图7的框706处，计算设备使用颜色空间模块将图像文件变换为HSV。在框708处，计算设备使用分割网络来分割图像文件，从而限定多个图像分段。在框710处，计算设备使用颜色暖度分类器来产生图像暖度简档，该图像暖度简档针对图像分段中的颜色暖度类别而使用HSV。使用公共光谱仪来限定图像暖度简档。在框712处，计算设备访问照明因子模块以获得用于输入图像的照明因子，例如，对应于图像文件中的光的类型的光源颜色特性。

继续图7，在框714处，经表面图像训练的机器学习模型被应用到图像暖度简档，考虑到照明因子，来产生针对图像文件的推断底色。在实现用于产生针对图像文件的推断底色值的步骤中可以使用框706到714中包括的功能，其全部都关于图7讨论过。在框716处，可选地使用如前所述的监督机器学习，计算设备使用映射模块将推断底色或推断底颜色映射到颜色以产生图像颜色值。例如，图像颜色值可以对应于生产图像中表示的项的一个或多个潜在颜色。在框718处，计算设备的推荐模块将图像颜色值与对应于数据库中的生产图像的预先存在的颜色值进行比较。

在框720处，响应于比较，计算设备使包括来自数据库的至少一个生产图像选择的交互式内容被提供给交互式计算设备。在实现用于使包括生产图像选择的交互式内容被提供给交互式计算设备的步骤中可以使用框716到720中包括的功能，其全部都关于图7讨论过。除了生产图像之外，内容可以包括在生产图像中的项的描述、评论信息、关于与推断底色的最佳匹配的信息等。作为示例，交互式内容还可以包括由系统确定的底色，退货率和/或计算机生成的关于与生产图像相对应的产品的反馈的评论，这些评论与针对先前购买的确定底色相关。过滤器参数可以包括确定在交互式计算设备上提供多多或多少这种信息的那些参数。

在图7中的框722处，可选地使用对应于生产图像选择的反馈来重新训练经表面图像训练的机器学习模型。例如，如果接收到的输入指示生产图像示出与推断底色的兼容性较差，则可以考虑该数据点来对经表面图像训练的机器学习模型的训练进行重新训练或更新。在一些示例中，随着时间的推移，这种输入提供了确认或拒绝许多生产图像选择的反馈，并且这种反馈被用来自动对模型进行重新训练并且随着时间的推移改善了其性能。

图8描绘了根据本文描述的实施例执行具有彩色底色检测能力的交互式应用102的计算系统800。系统800包括可通信地耦合到一个或多个存储器组件804的处理设备802。处理设备802执行存储在存储器组件804中的计算机可执行程序代码。处理设备802的示例包括处理器、微处理器、专用集成电路(“ASIC”)、现场可编程门阵列(“FPGA”)或任何其他合适的处理设备。处理设备802可以包括任何数量的处理设备，包括单个处理设备。存储器组件804包括用于存储数据、程序代码或两者的任何合适的非暂态计算机可读介质。计算机可读介质可以包括能够向处理器提供计算机可读指令或其他程序代码的任何电、光、磁或其他存储设备。计算机可读介质的非限制性示例包括磁盘、存储器芯片、ROM、RAM、ASIC、光存储这种、磁带或其他磁存储这种或者是处理设备可以从其中读取可执行指令的任何其他介质。可执行指令可以包括由编译器或解释器从以任何合适的计算机编程语言编写的代码所生成的处理器专用指令，包括例如C、C++、C#、Visual Basic、Java、Python、Perl、JavaScript和ActionScript。

仍参见图8，计算系统800还可以包括多个外部或内部设备，例如输入或输出设备。例如，计算系统800被示为具有一个或多个输入/输出(“I/O”)接口806。I/O接口806可以接收来自诸如相机指令的输入设备的输入以捕获要作为图像文件而被提供的图像或者向输出设备(未示出)提供输出，例如以显示生产图像选择。一个或多个总线808也被包括在计算系统800中。总线808可通信地耦合计算系统800中的相应一个系统的一个或多个组件。

处理设备802执行程序代码(可执行指令)，该程序代码将计算系统800配置为执行本文描述的操作中的一个或多个操作。程序代码包括例如交互式应用102或执行本文描述的一个或多个操作的其他合适的应用。程序代码可以驻留在存储器组件804或任何合适的计算机可读介质中并且可以由处理设备802或任何其他合适的处理设备执行。存储器组件804，在计算系统的操作期间，交互式应用的可执行部分，例如机器学习模型110、推荐模块114、颜色暖度分类器122和/或编辑界面130，可以根据需要访问各部分。存储器组件804还被用来暂时存储推断底色值111、图像暖度简档112和预先存在的颜色值120以及图8中示出或未示出的其他信息或数据结构。如果要在计算系统800上本地维持生产图像数据库，则存储器组件804还可以存储生产图像数据库106。

图8的系统800还包括网络接口设备812。网络接口设备812包括适合于建立到一个或多个数据网络的有线或无线数据连接的任何设备或设备群组。网络接口设备812的非限制性示例包括以太网网络适配器、无线网络适配器等等。系统800能够使用网络接口设备812经由数据网络(未示出)来与一个或多个其他计算设备(例如，执行其他软件的另一计算设备，未示出)通信。网络接口设备812也可以被用来与用作生产图像的储存库的网络或云存储进行通信，以供交互式应用102使用。这样的网络或云存储还可以包括交互式应用的更新或存档版本以用于分发和安装。

根据图8，在一些实施例中，计算系统800还包括图8中描绘的呈现设备815。呈现设备815可以包括适合于提供视觉、听觉或其他合适的感觉输出的任何设备或设备群组。在示例中，呈现设备815显示生产图像选择。呈现设备815的非限制性示例包括触摸屏、监视器、单独的移动计算设备等。在一些方面，呈现设备815可以包括使用一个或多个数据网络来与计算系统800通信的远程客户端计算设备。系统800可以被实现为单一计算设备，例如笔记本计算机或移动计算机。备选地，作为示例，包括在系统800中的各种设备可以通过接口或网络来与包括一个或多个处理器的中央或主计算设备进行简档和互连。

本文阐述了许多具体细节以提供对要求保护的主题的透彻理解。然而，本领域技术人员将理解，所要求保护的主题可以在没有这些具体细节的情况下被实践。在其他情况下，为了避免混淆要求保护的主题，没有详细描述普通技术人员已知的方法、设备或系统。

除非另有明确说明，否则应了解，贯穿本说明书，利用了诸如“处理”、“计算”、“确定”和“标识”等的术语的讨论是指计算设备的动作或过程，诸如一个或多个计算机或一个或多个类似的电子计算设备，它们在计算平台的存储器、寄存器或其他信息存储设备、传输设备或显示设备中操纵或变换被表示为物理电子或磁量的数据。

本文所讨论的一个或多个系统不限于任何特定的硬件架构或配置。计算设备可以包括提供以一个或多个输入为条件的结果的任何合适的组件布置。合适的计算设备包括访问已存储软件的基于微处理器的多用途计算机系统，已存储软件将计算机系统从通用计算设备编程或配置为实现本主题的一个或多个实现的专用计算设备。任何合适的编程、脚本或其他类型的语言或语言组合可以被用来在用于编程或配置计算设备的软件中实现本文中所包含的教导。

可以在这样的计算设备的操作中执行本文所公开的方法的实施例。以上示例中呈现的块的顺序可以改变——例如，框可以被重新排序、组合和/或分解成子块。某些框或过程可以并行执行。

在本文中使用“被配置为”或“基于”意味着开放和包容性的语言，它不排除适用于或配置为执行附加任务或步骤的设备。在设备、系统、组件或模块被描述为被配置为执行某些操作或功能的情况下，这种配置可以通过例如设计电子电路来执行操作、通过对可编程电子电路(诸如，微处理器)进行编程来执行该操作诸如通过执行计算机指令或代码来实现，或者通过处理器或内核被编程以执行存储在非暂态存储介质上的代码或指令来实现，或它们的任何组合。过程可以使用各种技术来进行通信，包括但不限于用于过程间通信的常规技术，并且不同对的过程可以使用不同的技术，或者同一对的过程可以在不同的时间使用不同的技术。本文中所包括的标题、列表和编号仅是为了便于解释，并不意味着限制。

虽然本主题已针对其特定实施例进行了详细描述，但是应了解，本领域技术人员在获得对前述内容的理解后，可以很容易产生对对此类实施例的改变、变化和等同物。因此，应当理解，本公开是出于示例而非限制的目的而呈现的，并且不排除包含对于本领域普通技术人员来说是清楚的对本主题的此类修改、变化和/或添加。

Claims (20)

1.一种方法，包括：

接收图像文件；

使用颜色暖度分类器从所述图像文件生成图像暖度简档；

将经表面图像训练的机器学习模型应用于所述图像暖度简档，以产生针对所述图像文件的推断底色值；

使用推荐模块和所述推断底色值，将图像颜色值与对应于生产图像的数据库的多个预先存在的颜色值进行比较；以及

响应于所述比较，使包括从所述生产图像的数据库的至少一个生产图像选择的交互式内容被提供给接收方设备。

2.根据权利要求1所述的方法，还包括：使用照明因子模块来访问对应于所述图像文件的光源颜色特性，其中所述光源颜色特性在产生所述推断底色值时被使用。

3.根据权利要求1所述的方法，还包括：使用颜色空间模块将所述图像文件变换成色调饱和值，其中产生所述图像暖度简档使用所述色调饱和值。

4.根据权利要求1所述的方法，还包括：利用包括多个照明条件下的一系列底色的表面的训练图像来训练机器学习模型，以产生所述经表面图像训练的机器学习模型。

5.根据权利要求4所述的方法，还包括：使用所述图像文件和对应于所述至少一个生产图像选择的反馈来重新训练所述经表面图像训练的机器学习模型。

6.根据权利要求1所述的方法，还包括：使用分割网络来分割所述图像文件以限定多个图像分段，其中所述图像暖度简档包括对应于所述多个图像分段的图像暖度类别。

7.根据权利要求1所述的方法，还包括：

使用所述颜色暖度分类器来产生限定所述图像暖度简档的公共光谱仪；以及

使用映射模块将底颜色映射到颜色，以使用所述推断底色值来产生所述图像颜色值。

8.一种系统，包括：

存储器组件；

处理设备，被耦合到所述存储器组件，用于执行接收图像文件以及响应于接收到所述图像文件而使包括至少一个生产图像选择的交互式内容被传输或被显示的操作：

颜色暖度分类器，被配置为从所述图像文件产生图像暖度简档；

经表面图像训练的机器学习模型，被配置为使用所述图像暖度简档来使用图像暖度简档产生针对所述图像文件的推断底色值；以及

推荐模块，被配置为基于所述推断底色值来产生所述至少一个生产图像选择。

9.根据权利要求8所述的系统，还包括照明因子模块，所述照明因子模块被配置为提供对应于所述图像文件的光源颜色特性，其中所述光源颜色特性在产生所述推断底色值时被使用。

10.根据权利要求8所述的系统，还包括颜色空间模块，所述颜色空间模块被配置为将所述图像文件变换成色调饱和值，其中产生所述图像暖度简档使用所述色调饱和值。

11.根据权利要求8所述的系统，其中所述经表面图像训练的机器学习模型利用包括多个照明条件下的一系列底色的表面的训练图像而被配置。

12.根据权利要求8所述的系统，还包括分割网络，所述分割网络被配置为分割所述图像文件以限定多个图像分段，其中所述图像暖度简档包括对应于所述多个图像分段的图像暖度类别。

13.根据权利要求8所述的系统，其中所述颜色暖度分类器被配置为产生限定所述图像暖度简档的公共光谱仪。

14.根据权利要求8所述的系统，还包括映射模块，所述映射模块被配置为将底颜色映射到颜色以使用所述推断底色值来产生图像颜色值。

15.一种存储可执行指令的非暂态计算机可读介质，当所述可执行指令由处理设备执行时，使所述处理设备执行操作，所述操作包括：

使用交互式计算设备来接收图像文件；

用于产生针对所述图像文件的推断底色值的步骤；以及

用于使包括生产图像选择的交互式内容被提供给所述交互式计算设备的步骤。

16.根据权利要求15所述的非暂态计算机可读介质，其中用于产生所述推断底色值的所述步骤还包括：将经表面图像训练的机器学习模型应用于图像暖度简档，以产生针对所述图像文件的所述推断底色值。

17.根据权利要求16所述的非暂态计算机可读介质，其中用于产生所述推断底色值的所述步骤还包括：分割所述图像文件以限定多个图像分段，其中所述图像暖度简档包括对应于所述多个图像分段的图像暖度类别。

18.根据权利要求16所述的非暂态计算机可读介质，其中所述可执行指令还使所述处理设备执行以下操作：利用包括多个照明条件下的一系列底色的表面的训练图像来训练机器学习模型，以产生所述经表面图像训练的机器学习模型。

19.根据权利要求18所述的非暂态计算机可读介质，其中所述可执行指令还使所述处理设备执行以下操作：使用所述图像文件和对应于所述生产图像选择的反馈来重新训练所述经表面图像训练的机器学习模型。

20.根据权利要求15所述的非暂态计算机可读介质，其中用于使包括生产图像选择的交互式内容被提供的所述步骤还包括：将底颜色映射到颜色以使用所述推断底色值来产生图像颜色值。