Eraldage mis tahes pildilt koheselt domineerivad värvid. Hankige HEX- ja RGB-väärtused ühe klõpsuga. Tasuta, turvaline ja töötab täielikult teie brauseris.
Toetab PNG, JPG, WEBP, GIF. Max 50 MB.
Värvipaleti eraldamine analüüsib pilti ja tuvastab domineerivad või tüüpilised värvid. Tulemuseks on väike värvikomplekt – tavaliselt 5–8 –, mis jäädvustavad pildi visuaalse iseloomu. Disainerid kasutavad ekstraheeritud palettide kooskõlastamiseks muid disainielemente (kasutajaliidese värvid, mis täiendavad kangelase pilti, fotograafiast tuletatud brändipaletid, meeleolupildiga sobivad värvilahendused).
Ekstraheerimine kasutab rühmitamise algoritme (k-keskmised või sarnased), et rühmitada kõik pildi pikslid soovitud arvu värviklastritesse. Iga klastri keskpunkt muutub paletivärviks. Suurimad klastrid esindavad domineerivaid värve; Algoritm võib pinna silmatorkavaid aktsentvärve kaaluda ka visuaalse tähtsuse (küllastus, kontrast), mitte töötlemata pikslite arvu järgi.
See tööriist töötab teie brauseris JavaScripti abil. Pilt dekodeeritakse piksliandmeteks, arvutatakse arvutuste vähendamiseks valimid ja rühmitatakse. Väljund on kuueteistkümnendkoodide, RGB-väärtuste ja proportsionaalsete ribadega palett, mis näitavad iga värvi levimust pildil.
Olemasolevate kujutistega kooskõlas olevate tükkide kujundamine on eraldatud palettidega palju kiirem kui värvide silma järgi valimine. Algoritmilisest paleti ekstraheerimisest saavad kasu veebidisainerid, kes loovad kangelaste piltide ümber sihtlehti, turundajad, kes toodavad varasid, mis vastavad võtmetoote fotole, ja brändidisainerid, kes analüüsivad konkurentide pilte.
Paletid toetavad ka sisuhaldust. Kujutiste liigitamine domineerivate värvide järgi võimaldab teil luua liideseid, kus kasutajad sirvivad fotosid, tooteid või kujundusi värvide järgi. Sellise süsteemi loomine nõuab palettide süstemaatilist ekstraheerimist, mida võimaldab programmiline ekstraheerimine.
Laadige üles, valige paleti suurus, hankige värvid.
K-keskmised klastrite iteratsioonid: määrake iga piksel lähimasse klastri keskpunkti, arvutage keskpunktid ümber määratud pikslite keskmisena, korrake kuni lähenemiseni. Täiseraldusvõimega piltidel töötamine on aeglane; proovivõtt (võtab iga N-nda piksli) kiireneb minimaalse kvaliteedikaotusega.
Värviruum on oluline. RGB rühmitamine loob RGB kaugusega kaalutud palettid, mis ei ühti tajukaugusega. Klasterdamine LAB-is või HSV-s loob paremini tajutava joondusega paletid – sarnased värvid rühmitavad kokku usaldusväärsemalt.
Väljund: iga klastri keskpunkti kuueteistkümnendkoodid, millele lisandub igas klastris olevate pildipikslite protsent. Protsent näitab visuaalset levimust; suurim kobar on kõige domineerivam värv.