人工智慧配色系列（二）智慧擴充
隨著人工智慧的高速發展，通過演算法學習設計師的設計方法，並由機器自動生成Banner，尤其是電商類Banner，以減少設計師的低創意、重複性的工作，已然成為人工智慧時代的大勢所趨。而智慧配色又是生成Banner中的難點之一。本文承接前文《人工智慧配色系列（一）方案與規則》，將進一步探討通過機器學習完善配色方案的方法，即如何自動學習Dribble等設計網站的配色風格，以擴充配色規則，豐富配色效果。
規則庫
在前文中，基於LCH 的色彩空間模型構建規則，創立了配色規則庫。由設計師建立基礎的配色規則，從而應用於最終Banner的顏色替換環節。在實踐過程中，請設計師建立了數十條較為通用的配色方案，每條方案均可適用於絕大多數色相的顏色中，以滿足Banner的配色需要。然而，如前文所述，網際網路中存在著海量的調色盤，如果能利用這些調色盤來自動擴充配色規則庫，則可以極大減少對設計師的依賴，豐富規則庫，從而提升智慧配色的表現效果。
網路色板
首先我們觀察網際網路中的色板，通常由一組影象中提取出的諸多和諧色彩構成。然而我們並不能確定其中各個顏色之間的搭配關係，即主、輔、對比的關係。其中的色彩無法直接使用。
然而，我們可以通過對已有的規則進行分析其中規律，進而使用該規律從上圖色板中提取顏色。
規則風格
如前文所述，規則中包含主色、輔助色和對比色，這些是由設計師根據自己的專業美學感知，給這三種關係提供的具體顏色。通過LCH顏色空間進行拆解：主色{l_0,c_0,h_0 }, 輔色{l_1,c_1,h_1 }，對比色{l_2,c_2,h_2 }. 形成一種配色規則。在規則使用時，保持亮度l、和飽和度c不變，色相h旋轉相同的角度，即可生成相同風格，不同色彩的一組色板。如下圖所示，其中，一個長方形和兩個小正方行組成的大正方形，為一個色板，分別為主色(MA)、輔色(SU)、對比色(CO)。通過改變H，行形成以下不同顏色但相同風格的色板組。
更換為另一個規則，同理可以生成以下色板組：
相同的規則，保持了相同的l 與c，故而表現風格一致。如果能夠為相同的h關係，提供更多不同的l與c組合，就可以提供更多不同的風格。
色相關係
通過對設計專家提供的數十種具有代表性的基礎配色規則，我們進行分析。以確定其主色、輔助色及對比色的h在色輪上的相關關係。通過以h色相環影象化的結果，我們可以看到，確定主色後，輔助色和對比色的h聚斂在了一定的區域內。
所以，可以利用這數十種基礎配色規則中h的規律，從網際網路（如Dribble）的海量色板中，找到與該h規律一致的一組顏色，提取其l與c的值，也就是學習色板中的風格，以擴充規則。
提取顏色
通過以上分析，可以使用如下流程：
- 輸入已有規則。在LCH顏色空間表示為：主色{l_0,c_0,h_0 }, 輔色{l_1,c_1,h_1 }，對比色{l_2,c_2,h_2 }，L、C、H分別刻畫了明度、色彩飽和度、色調。其中色調值h_0、h_1、h_2決定了主色，輔色，對比色的關係和差別。對三個色調值旋轉，也就是疊加同一個值，我們生成另一種配色。
- 輸入Dribble圖片。https://dribbble.com/是一個設計網站，提供了很多美觀的圖片， 我們爬取了40000張圖片，每張圖片顏色成分在8種以內。
- 獲取色帶。每張Dribble圖片提供了色帶，但是色帶上成分很小的顏色對圖片色彩的搭配影響很小，所以對每個Dribble圖片提取3種成分最大的顏色，使用了K-means提取方法。將Dribble圖片提取的三種顏色進行6種排列，分別對應主色、輔色、對比色，這一樣每張Dribble得到6種排列的色帶。
- 匹配。每個Dribble色帶轉換到LCH空間，將其中包含的3個H值{h_0,h_1,h_2 }和21種規則進行匹配。具體而言，第i個規則包含3個H值{h_i0,h_i1,h_i2 }，計算誤差
將其中最小的誤差值入庫。
通過上述流程，取匹配誤差最小的前2000條資料，也就是Dribble色帶和最佳匹配的規則H值相差不到1°。2000條資料是新的規則，蘊含著和之前已有21條規則不同的L、C值組合，並且常用的L、C值組合也被獲取。以下為最小誤差的計算方法：
更進一步
以上資料由Dribble中提取後，可以進一步由設計師進行打分和訓練。通過以下步驟：
(a)由專業設計師對此規則打分，得到N條美觀的規則入庫。
(b) H空間旋轉規則，訓練。將N條規則的H值依次旋轉24°的整數倍，共生成20N條規則，由設計師打分，一共獲得M條有效規則。
(c) 規則入庫，建立索引，輸出配色。將通過的規則入庫，作為最後擴充得到的規則。給定輸入的主色H值，匹配得到主色最近的10個規則，分別計算誤差角度，並由此修正每個規則的輔助色、對比色的角度，輸出10種配色，作為後續使用。
(d)配色美學模型的構建與訓練。所得到的M條配色規則，每條配色資料包括了主色、輔色、對比色的RGB色值，並且每條配色的可用性由專家進行標註：0為不可用，1為可用。可以認為M條配色資料代表了常用的顏色分佈，因此可以用機器學習模型進行訓練分類，所得模型也可以很好的實際應用。
機器學習測試
實際操作中，上段中N為2000，M為2600。採用了2300條資料用來訓練，300條用來測試，剩餘規則用於負樣本，按 2600:2300 比例用做訓練和測試。使用對應的LCH數值作為特徵輸入，在特徵各個維度上，需要歸一化到 -0.5 和 0.5 之間。嘗試sklearn庫中的多種機器學習演算法模型函式，包括logistic regression，support vector machine，fully-connected network，其中fully-connected network在測試集上得到了最好的準確度。所用fully connected network配置如下，分別為units 10的隱層和softmax二分類的輸出層。訓練時候配置採用sklearn的預設配置。
在測試資料集上，對於可用的Banner集合，可以涮選出其中的67%，對於不可用的Banner集合，本技術可以檢測到其中的93%; 因此該步驟輸出的可用性的概率數值的高低，可以作為配色美觀度的一個衡量標準。
以上為生成的配色規則對Banner 背景、前景、文字的配色。
結語
本文闡述了配色規則的擴充，隨著對Dribble等網路色板的自動學習，轉化了設計師的設計成果，並極大地減少設計師的參與，同時豐富了配色的表現結果。通過對學習後的規則打分訓練，並通過深度學習，可以衡量配色的美觀程度，以提高設計結果的可用性。人工智慧已經以迅雷不及掩耳之勢，在方方面面影響著現代生活，通過智慧配色，已然體現出了其獨特的優勢。未來，人工智慧提高人類的生產效率，減少人類的工作時長，已經在慢慢實現。讓我們滿懷信念一起期待。