根据用户偏好学习预测颜色和谐程度的方法技术

本发明专利技术公开了一种根据用户偏好学习预测颜色和谐程度的方法。本发明专利技术以大型网站数据集的用户评论为基础，首先对数据集中的用户对颜色主题的评论进行语义分类，按照特定的关键词将评论分成多种不同的和谐度值。随后从颜色主题中提取多种颜色主题，在三层反向传播神经网络中进行训练。从隐藏层输出的结果通过基于Kernel分布的概率密度模型生成符合用户美学的审美能力值。最后通过线性计算求得最终的颜色和谐度值。本发明专利技术估算的和谐度值由于考虑了不同用户对颜色的审美，因此具有很高的准确性，本发明专利技术能够用于带有调色板的颜色建议，图像的重着色以及颜色风格转换等实际应用场景中。

Learning to predict the degree of color harmony based on user preferences

【技术实现步骤摘要】
根据用户偏好学习预测颜色和谐程度的方法
本专利技术属于图像处理
，具体涉及一种根据用户偏好学习预测颜色和谐程度的方法。
技术介绍
颜色搭配可以用在各种领域，例如图像、海报、服装和室内家居设计。其中，和谐的颜色搭配是设计受欢迎与否的决定性因素。设计者们在设计中往往根据经验采用大家所能接受的和谐配色，其中一些是在颜色和谐理论中被证明有效的，例如色轮中特定位置的颜色搭配是和谐的，人们在此基础上建立了相似色、对比色、三角色等和谐的配色。但是在大多数人眼中，他们缺乏艺术家的眼光和理论知识，因此创建和评估一组和谐的颜色主题变得十分困难。随着多媒体交互技术的不断兴起，近年来出现了一些构建颜色主题的在线网站，例如AdobeColorCC和COLOURLovers，用户可以在这些在线网站中建立和发布自己设计的调色板或图案。这些服务对新手和设计师很有用，因为他们可以使用别人的调色板设计作为参考，也可以自定义调色板以适合个人审美和品味。这些网站上还附有评价系统，用户可以对其他人的颜色主题进行评价，以判断其是否符合自己的审美偏好。但是这样的评估是模糊的，人们无法从这些调色板中了解和谐的真实程度。最近，O’Donovan通过AmazonMechanicalTurk(MTurk)收集了10743种不同的颜色主题的评价，并通过Lasso回归训练预测模型，将不同颜色主题的和谐程度以数值的形式量化在1-5分之间。Yang在此基础上采用两层最大似然估计(MLE)和反向传播神经网络(BPNN)的方法使预测结果更加精确。然而他们所采用的数据集尽管是通过大型在线网站爬虫获得，但是却利用线性计算将多个用户对颜色主题的评价整合成了一种评价，即数据集中每种颜色主题都有唯一的一个颜色和谐度值与其对应。通过这样的数据集虽然作为监督模型的标签时能够快速训练，但是其中并没有考虑不同用户的偏好对颜色和谐程度的影响，因此他们的预测模型都是不准确的。
技术实现思路
本专利技术针对现有技术的不足，提供了一种根据用户偏好学习预测颜色和谐程度的方法。本专利技术解决其技术问题所采用的技术方案步骤如下：第一部分：数据采集和预处理步骤一：进行在线爬虫，获取某个网站中所有评论人数超过设定人的颜色主题id、用户评论的id和具体的评论。步骤二：对获取的评论信息进行语义分类。检索用户评论中的关键词，根据关键词判断该评论要表现的和谐程度。步骤三：删除空白的评论以及该评论的用户id，按照用户名排序进行编号，获得颜色主题的id，用户的id以及由评论转化而来的和谐度值。第二部分：构建颜色和谐预测模型步骤一：基于反向传播神经网络构建颜色和谐预测模型1-1：提取多种颜色特征，包括调色板颜色、平均值、标准差、中位数、最大值、最小值、众数、颜色矩、每个颜色空间中单个通道的最大-最小值以及主题中相邻颜色的欧氏距离，将这些颜色特征作为反向传播神经网络的输入层进行训练。1-2：通过三层隐藏层训练输入层的颜色特征。1-3：采用sigmod函数作为三层隐藏层的激活函数，梯度下降算法作为神经网络反向传播的损失函数。步骤二：在反向传播神经网络的隐藏层和输出层之间构造基于用户偏好的Kernel概率分布模型。假设有M个用户对N个颜色主题进行评价，颜色主题的颜色特征用Cn表示，第m个用户给出颜色主题的评价用Zmn表示，Zmn即为真实标签，且Zmn的总数小于M×N。2-1：扩展Cn的大小为长度为M的向量。2-2：利用步骤一的反向传播神经网络将颜色特征向量转化为颜色特征βmn，其中，βmn∈(0,1)。2-3：根据真实标签Zmn和颜色特征βmn初步生成审美能力值α'mn：其中K表示颜色主题不同的颜色评级。2-4：分析审美能力值α'mn，获取其基于Kernel分布的概率密度函数p(x|K,h)和累积分布函数F(x|K,h)：2-5：根据累积分布函数F(x|K,h)生成与用户一一对应的审美能力值αm：其中，x'为审美能力值x'＝{α1,α2,…,αm}，u是满足均匀分布的随机变量。2-6：通过αm和βmn计算最终颜色主题的和谐度值Lmn：步骤三：比对Lmn与Zmn的误差，计算Loss值并返|回步骤一进行反向迭代，直至Loss值不再变化为止。步骤四：输出迭代后的和谐度值Lmn，并将其作为最终预测结果。本专利技术的有益效果：本专利技术考虑了不同用户对颜色的偏好，通过基于Kernel分布的概率密度模型对用户为颜色主题的评论进行分析，将用户的颜色偏好量化为审美能力值，并作为一种能够影响颜色和谐的重要因素来考虑。与之前的方法相比，本专利技术准确度更高，更加能够反映大众对颜色的审美。具体实施方式本专利技术将不同用户对颜色的审美通过模型进行量化，最终通过审美能力值来反映每位用户对颜色的偏好，用户可以输入面积相同的五种不同颜色的颜色主题，通过本文的方法能够生成该颜色主题的和谐程度，并用数值表示出来。第一部分：数据采集和预处理步骤一：在线网站COLOURLovers中进行在线爬虫，获取网站中所有评论人数超过5人的颜色主题id，以及用户评论的id和具体的评论。步骤二：对获取的评论信息进行语义分类。检索用户评论中是否存在选定的积极词汇或者消极词汇的关键词，根据关键词判断该评论要表现的和谐程度。对不包含关键词的评论，将他们的和谐度值列为4。表1显示了评论关键词与和谐程度的详细分类。表1.颜色主题评论关键词与和谐程度的映射步骤三：删除空白的评论以及该评论的用户id，用于降低数据集的噪声。同时按照用户名排序进行编号，获得颜色主题的id，用户的id以及由评论转化而来的和谐度值。第二部分：构建颜色和谐预测模型步骤一：基于反向传播神经网络构建颜色和谐预测模型1-1：提取184种颜色特征，包括调色板颜色、平均值、标准差、中位数、最大值、最小值、众数、颜色矩、每个颜色空间中单个通道的最大-最小值以及主题中相邻颜色的欧氏距离，即RGB、Lab、HSV和LCH。这些颜色特征作为反向传播神经网络的输入层进行训练。1-2：通过三层隐藏层训练输入层的颜色特征，利用多次实验确定每个隐藏层的节点数。第一层隐藏层有300个神经元，第二层隐藏层有20个神经元，第三层隐藏层有1个神经元。1-3：采用sigmod函数作为三层隐藏层的激活函数，梯度下降算法作为神经网络反向传播的损失函数。设置学习率η＝0.00075来平衡预测精度和时间消耗，并且随着迭代次数不断的增加，学习率逐渐降低(ηnext＝η×0.99)，从而保证模型在迭代后期保持稳定。步骤二：在反向传播神经网络的隐藏层和输出层之间构造基于用户偏好的Kernel概率分布模型。假设有M个用户对N个颜色主题进行评价，则颜色主题的颜色特征可以用Cn表示，第m个用户给出颜色主题的评价用Zmn表示，且Zmn的总数小于M×N。2-1：为了本文档来自技高网...

【技术保护点】
1.根据用户偏好学习预测颜色和谐程度的方法，其特征在于该方法包括以下步骤：/n第一部分：数据采集和预处理/n步骤一：进行在线爬虫，获取某个网站中所有评论人数超过设定人的颜色主题id、用户评论的id和具体的评论；/n步骤二：对获取的评论信息进行语义分类；检索用户评论中的关键词，根据关键词判断该评论要表现的和谐程度；/n步骤三：删除空白的评论以及该评论的用户id，按照用户名排序进行编号，获得颜色主题的id，用户的id以及由评论转化而来的和谐度值；/n第二部分：构建颜色和谐预测模型/n步骤一：基于反向传播神经网络构建颜色和谐预测模型/n1-1：提取多种颜色特征，包括调色板颜色、平均值、标准差、中位数、最大值、最小值、众数、颜色矩、每个颜色空间中单个通道的最大-最小值以及主题中相邻颜色的欧氏距离，将这些颜色特征作为反向传播神经网络的输入层进行训练；/n1-2：通过三层隐藏层训练输入层的颜色特征；/n1-3：采用sigmod函数作为三层隐藏层的激活函数，梯度下降算法作为神经网络反向传播的损失函数；/n步骤二：在反向传播神经网络的隐藏层和输出层之间构造基于用户偏好的Kernel概率分布模型；/n假设有M个用户对N个颜色主题进行评价，颜色主题的颜色特征用C...

【技术特征摘要】
1.根据用户偏好学习预测颜色和谐程度的方法，其特征在于该方法包括以下步骤：
第一部分：数据采集和预处理
步骤一：进行在线爬虫，获取某个网站中所有评论人数超过设定人的颜色主题id、用户评论的id和具体的评论；
步骤二：对获取的评论信息进行语义分类；检索用户评论中的关键词，根据关键词判断该评论要表现的和谐程度；
步骤三：删除空白的评论以及该评论的用户id，按照用户名排序进行编号，获得颜色主题的id，用户的id以及由评论转化而来的和谐度值；
第二部分：构建颜色和谐预测模型
步骤一：基于反向传播神经网络构建颜色和谐预测模型
1-1：提取多种颜色特征，包括调色板颜色、平均值、标准差、中位数、最大值、最小值、众数、颜色矩、每个颜色空间中单个通道的最大-最小值以及主题中相邻颜色的欧氏距离，将这些颜色特征作为反向传播神经网络的输入层进行训练；
1-2：通过三层隐藏层训练输入层的颜色特征；
1-3：采用sigmod函数作为三层隐藏层的激活函数，梯度下降算法作为神经网络反向传播的损失函数；
步骤二：在反向传播神经网络的隐藏层和输出层之间构造基于用户偏好的Kernel概率分布模型；
假设有M个用户对N个颜色主题进行评价，颜色主题的颜色特征用Cn表示，第m个用户给出颜色主题的评价用Zmn表示，Zmn即为真实标签，且Zmn的总数小于M×N；
2-1：扩展Cn的大小为长度为M的向量；
2-2：利用步骤一的反向传播神经网络将颜色特征向量转化为颜色特征βmn，其中，βmn∈(0,1)；
2-3：根据真实标签Zmn和颜色特...

【专利技术属性】
技术研发人员：杨柏林，魏天祥，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江;33