초록 ▼

견본 이미지들로부터 색상 추출을 수행하고 추출된 색상들을 사용하여 새로운 이미지들을 정의하기 위한 시스템들 및 방법들이 제공된다.소스 이미지들은 색상 표현 강도를 표시하고 색상 추출을 구동하기 위해 딥 러닝 네트(예를 들어, CNN)를 사용하여 분류될 수 있다.클러스터링 분류기는 네트에 의해 추출된 피처 벡터들을 사용하도록 트레이닝된다.이와는 별도로, 픽셀 클러스터링은 색상을 추출할 때 유용하다.클러스터 카운트는 분류에 따라 다를 수 있다.다른 방식으로, (분류가 있든 없든) 휴리스틱들(heuristics)이 추출할 때 유용하다.결

견본 이미지들로부터 색상 추출을 수행하고 추출된 색상들을 사용하여 새로운 이미지들을 정의하기 위한 시스템들 및 방법들이 제공된다.소스 이미지들은 색상 표현 강도를 표시하고 색상 추출을 구동하기 위해 딥 러닝 네트(예를 들어, CNN)를 사용하여 분류될 수 있다.클러스터링 분류기는 네트에 의해 추출된 피처 벡터들을 사용하도록 트레이닝된다.이와는 별도로, 픽셀 클러스터링은 색상을 추출할 때 유용하다.클러스터 카운트는 분류에 따라 다를 수 있다.다른 방식으로, (분류가 있든 없든) 휴리스틱들(heuristics)이 추출할 때 유용하다.결과 클러스터들이 매치를 결정하기 위해 (정렬된) 예상 색상들의 세트에 대해 평가된다.표준화된 견본 이미지들의 인스턴스들이 이미지 프로세싱을 사용하여 템플릿 견본 이미지 및 개개의 추출된 색상들로부터 정의될 수 있다.추출된 색상은 가상 시착 애플리케이션과 같은 증강 현실 GUI에서 제시될 수 있고, 이미지 프로세싱을 사용하여 셀카와 같은 사용자 이미지에 적용될 수 있다.

대표청구항 ▼

방법으로서,관심 아이템의 색상을 나타내는 소스 색상 이미지를 상기 소스 색상 이미지의 색상 표현의 강도를 표시하기 위해 분류하는 단계 - 상기 분류하는 단계는 딥 러닝 네트워크 모델(deep learning network model)을 사용하여 상기 강도를 결정하기 위한 이미지 피처(image feature)들을 추출함 -;상기 분류하는 것에 응답하여, 상기 소스 색상 이미지의 픽셀들을 상기 픽셀들의 개개의 색상들에 따라 클러스터링하고, 상기 픽셀들의 클러스터링에 응답하여 상기 추출된 색상으로서 적어도 하나의 후보 색상을 식별함으로

방법으로서,관심 아이템의 색상을 나타내는 소스 색상 이미지를 상기 소스 색상 이미지의 색상 표현의 강도를 표시하기 위해 분류하는 단계 - 상기 분류하는 단계는 딥 러닝 네트워크 모델(deep learning network model)을 사용하여 상기 강도를 결정하기 위한 이미지 피처(image feature)들을 추출함 -;상기 분류하는 것에 응답하여, 상기 소스 색상 이미지의 픽셀들을 상기 픽셀들의 개개의 색상들에 따라 클러스터링하고, 상기 픽셀들의 클러스터링에 응답하여 상기 추출된 색상으로서 적어도 하나의 후보 색상을 식별함으로써, 상기 소스 색상 이미지로부터 색상 정보를 추출하는 단계; 및이미지 프로세싱을 사용하여 새로운 이미지를 정의하기 위해 상기 추출된 색상을 제공하는 단계를 포함하는, 방법.