[发明专利]一种智能配色方法及系统

权利要求书

1.一种智能配色方法，其特征在于，包括以下步骤：

步骤1：建立色彩语义数据库，所述色彩语义数据库中存储与色块RGB值以及与所述色块关联的色块关键字；

步骤2：建立基于BP神经网络的配色模型，以步骤1中色块关键字作为配色模型的输入数据，色块RGB值作为配色模型的输出数据，训练配色模型；

步骤3：利用步骤1中色彩语义数据库中的色块RGB值和色块关键字作为样本验证并优化配色模型，得到优化后的配色模型；

步骤4：将客户的需求关键字输入步骤3得到的配色模型，配色模型输出需求关键字以及相应的色块的RGB值，得到配色方案。

2.根据权利要求1所述的智能配色方法，其特征在于，步骤1中所述色块和色块关键字的获取方法具体包括：

步骤11：获取图像源及图像源详情，并提取所述图像源中的图片，得到图片和图片详情；

步骤12：采用K-means均值聚类算法对步骤11中得到的图片进行聚类分析，得到图片色块；

步骤13：对图片详情进行分词处理，得到图片关键词；

步骤14：将所述图片色块与所述图片关键词关联，得到色块的RGB值与色块关键字。

3.根据权利要求2所述的智能配色方法，其特征在于，

步骤12具体包括：

步骤121：获取步骤11中的图片并设置待提取的颜色数量，从图片中随机选取若干像素作为初始聚类中心，并设定聚类中心的向量值；

步骤122：利用欧式距离法将图片中像素与初始聚类中心进行匹配；

步骤123：重新步骤122中每个聚类中心的向量值以及每个聚类的样本向量平均值，并根据计算得到的聚类中心的向量值和聚类的样本向量平均值计算得到准误差平方和；

步骤124：若相邻两聚类的准误差平方和的绝对值复合预设条件，则算法收敛，计算结束，否则返回步骤121，重新计算聚类中心；

步骤125：重复上述步骤，逐个迭代运算重新分类，直至算法收敛，直至提取出预设的n种主要色块，所述主要色块为既定配色。

4.根据权利要求3所述的智能配色方法，其特征在于，

聚类的样本向量平均值由下列公式计算得到：

P为聚类的样本向量平均值，p_i为第i个聚类样本，i∈[1,n]；

准误差平方和由下列公式计算得到：

式中，SSE为准误差平方和；m_i为第i个聚类中心点，i∈[1,n]；p为聚类样本，p∈C_i,其中C_i表示第i个聚类集群，共n个聚类集群，i∈[1,n]。

5.根据权利要求4所述的智能配色方法，其特征在于，步骤13具体包括：

步骤131：对源图像详情进行切割，中每个句子进行分词和词性标注，并保留具有指定词性的单词以构成候选关键词，多个所述候选关键词组成关键词图模型，每个所述候选关键词为构成图模型的节点；

步骤132：计算关键词图模型中各节点的权重，并按照权重大小的顺序获取若干节点以构成候选标签；若候选标签形成相邻词组，则组合多词标签；

步骤133：选取步骤S4中的候选标签或多词标签作为需求关键字。

6.根据权利要求5所述的智能配色方法，其特征在于，步骤132具体包括：

步骤1321：采用共现关系构造任意两个节点之间的边，并将存在边的两个节点添加至图模型中以构成一个无向无权边图；

步骤1322：确认无向无权边图中任意节点的词语位置、词性和领域特征的权重分配，通过多特征融合得出综合权重。