رنگ های غالب را از هر تصویری فورا استخراج کنید. مقادیر HEX و RGB را با یک کلیک دریافت کنید. رایگان، امن، و به طور کامل در مرورگر شما اجرا می شود.
پشتیبانی از PNG، JPG، WEBP، GIF. حداکثر 50 مگابایت
استخراج پالت رنگ یک تصویر را تجزیه و تحلیل می کند و رنگ های غالب یا نماینده را شناسایی می کند. نتیجه مجموعه کوچکی از رنگ ها - معمولاً 5-8 - است که شخصیت بصری تصویر را به تصویر می کشد. طراحان از پالتهای استخراجشده برای هماهنگ کردن سایر عناصر طراحی (رنگهای UI که مکمل تصویر قهرمان هستند، پالتهای برند برگرفته از عکاسی، طرحهای رنگی منطبق با تصویر حالت) استفاده میکنند.
استخراج از الگوریتمهای خوشهبندی (k-means یا مشابه) برای گروهبندی تمام پیکسلهای تصویر در تعداد درخواستشده خوشههای رنگی استفاده میکند. مرکز هر خوشه به رنگ پالت تبدیل می شود. بزرگترین خوشه ها رنگ های غالب را نشان می دهند. این الگوریتم همچنین میتواند از نظر اهمیت بصری (اشباع، کنتراست) به جای تعداد پیکسلهای خام به رنگهای برجسته سطحی وزن کند.
این ابزار در مرورگر شما با استفاده از جاوا اسکریپت اجرا می شود. تصویر به داده های پیکسل رمزگشایی می شود، برای کاهش محاسبات نمونه برداری می شود و خوشه بندی می شود. خروجی پالت با کدهای هگز، مقادیر RGB و نوارهای متناسب است که شیوع هر رنگ را در تصویر نشان می دهد.
طراحی قطعاتی که با تصاویر موجود هماهنگ هستند با پالت های استخراج شده بسیار سریعتر از انتخاب رنگ ها با چشم است. طراحان وب که صفحات فرود را حول تصاویر قهرمان می سازند، بازاریاب هایی که دارایی هایی را تولید می کنند که با عکس محصول کلیدی مطابقت دارد، و طراحان برند که تصاویر رقبا را تجزیه و تحلیل می کنند، همگی از استخراج پالت الگوریتمی سود می برند.
پالت ها همچنین از مدیریت محتوا پشتیبانی می کنند. دستهبندی تصاویر بر اساس رنگ غالب به شما امکان میدهد رابطهایی ایجاد کنید که در آن کاربران عکسها، محصولات یا طرحها را بر اساس رنگ مرور میکنند. ساخت چنین سیستمی مستلزم استخراج پالت ها به صورت سیستماتیک است که استخراج برنامه ای این امکان را فراهم می کند.
آپلود کنید، اندازه پالت را انتخاب کنید، رنگ ها را دریافت کنید.
K-means خوشهبندی تکرار میشود: هر پیکسل را به نزدیکترین مرکز خوشه اختصاص دهید، مراکز را بهعنوان میانگین پیکسلهای اختصاصدادهشده دوباره محاسبه کنید، تکرار کنید تا همگرایی. اجرا بر روی تصاویر با وضوح کامل کند است. نمونه برداری (گرفتن هر Nامین پیکسل) با حداقل کاهش کیفیت شتاب می گیرد.
فضای رنگ مهم است. خوشهبندی در RGB پالتهایی با وزن فاصله RGB تولید میکند که با فاصله ادراکی مطابقت ندارد. خوشهبندی در LAB یا HSV پالتهای همتراز ادراکی بیشتری تولید میکند - رنگهایی که شبیه به هم بهنظر میرسند با اطمینان بیشتری در کنار هم قرار میگیرند.
خروجی: کدهای هگز برای هر مرکز خوشه، به اضافه درصد پیکسل های تصویر در هر خوشه. درصد نشان دهنده شیوع بصری است. بزرگترین خوشه غالب ترین رنگ است.