કોઈપણ છબીમાંથી તરત જ પ્રભાવશાળી રંગો કાઢો. એક ક્લિક સાથે HEX અને RGB મૂલ્યો મેળવો. મફત, સુરક્ષિત અને સંપૂર્ણપણે તમારા બ્રાઉઝરમાં ચાલે છે.
PNG, JPG, WEBP, GIF ને સપોર્ટ કરે છે. મહત્તમ 50MB.
કલર પેલેટ નિષ્કર્ષણ છબીનું વિશ્લેષણ કરે છે અને પ્રભાવશાળી અથવા પ્રતિનિધિ રંગોને ઓળખે છે. પરિણામ એ રંગોનો નાનો સમૂહ છે - સામાન્ય રીતે 5-8 - જે છબીના દ્રશ્ય પાત્રને કેપ્ચર કરે છે. ડિઝાઇનર્સ અન્ય ડિઝાઇન ઘટકોનું સંકલન કરવા માટે એક્સટ્રેક્ટેડ પૅલેટનો ઉપયોગ કરે છે (હીરોની છબીને પૂરક બનાવતા UI રંગો, ફોટોગ્રાફીમાંથી મેળવેલી બ્રાન્ડ પૅલેટ્સ, મૂડની છબી સાથે મેળ ખાતી રંગ યોજનાઓ).
નિષ્કર્ષણ ક્લસ્ટરીંગ એલ્ગોરિધમ્સ (k-મીન્સ અથવા સમાન) નો ઉપયોગ કરે છે જેથી તમામ ઇમેજના પિક્સેલને કલર ક્લસ્ટરની વિનંતી કરેલ સંખ્યામાં જૂથબદ્ધ કરવામાં આવે. દરેક ક્લસ્ટરનું કેન્દ્ર પેલેટ રંગ બને છે. સૌથી મોટા ક્લસ્ટરો પ્રભાવશાળી રંગોનું પ્રતિનિધિત્વ કરે છે; અલ્ગોરિધમ કાચા પિક્સેલની ગણતરીને બદલે વિઝ્યુઅલ મહત્વ (સંતૃપ્તિ, કોન્ટ્રાસ્ટ) દ્વારા પણ સપાટીના સ્ટ્રાઇકિંગ એક્સેંટ રંગોને વજન આપી શકે છે.
આ સાધન JavaScript નો ઉપયોગ કરીને તમારા બ્રાઉઝરમાં ચાલે છે. છબીને પિક્સેલ ડેટામાં ડીકોડ કરવામાં આવે છે, ગણતરી ઘટાડવા માટે નમૂના લેવામાં આવે છે અને ક્લસ્ટર કરવામાં આવે છે. આઉટપુટ એ હેક્સ કોડ્સ, RGB મૂલ્યો અને પ્રમાણસર પટ્ટીઓ સાથેની પેલેટ છે જે ઇમેજમાં દરેક રંગનો વ્યાપ દર્શાવે છે.
આંખો દ્વારા રંગો પસંદ કરવા કરતાં એક્સટ્રેક્ટેડ પૅલેટ્સ વડે હાલની છબી સાથે સંકલન કરતા ટુકડાઓ ડિઝાઇન કરવાનું વધુ ઝડપી છે. હીરો ઈમેજીસની આસપાસ લેન્ડિંગ પેજ બનાવતા વેબ ડીઝાઈનર્સ, કી પ્રોડક્ટ ફોટો સાથે મેળ ખાતી અસ્કયામતો બનાવતા માર્કેટર્સ અને સ્પર્ધક ઈમેજરીનું વિશ્લેષણ કરતા બ્રાન્ડ ડીઝાઈનર્સ આ બધાને એલ્ગોરિધમિક પેલેટ એક્સટ્રેક્શનથી ફાયદો થાય છે.
પેલેટ્સ સામગ્રી મેનેજમેન્ટને પણ સપોર્ટ કરે છે. પ્રભાવશાળી રંગ દ્વારા છબીઓનું વર્ગીકરણ તમને ઇન્ટરફેસ બનાવવા દે છે જ્યાં વપરાશકર્તાઓ રંગ દ્વારા ફોટા, ઉત્પાદનો અથવા ડિઝાઇન બ્રાઉઝ કરે છે. આવી સિસ્ટમ બનાવવા માટે પૅલેટને વ્યવસ્થિત રીતે કાઢવાની જરૂર પડે છે, જે પ્રોગ્રામેટિક એક્સટ્રેક્શનને સક્ષમ કરે છે.
અપલોડ કરો, પેલેટનું કદ પસંદ કરો, રંગો મેળવો.
K-નો અર્થ ક્લસ્ટરિંગ પુનરાવર્તિત થાય છે: દરેક પિક્સેલને નજીકના ક્લસ્ટર કેન્દ્રને સોંપો, સોંપેલ પિક્સેલ્સના સરેરાશ તરીકે કેન્દ્રોની પુનઃ ગણતરી કરો, કન્વર્જન્સ સુધી પુનરાવર્તન કરો. ફુલ-રિઝોલ્યુશન ઈમેજીસ પર ચાલવું ધીમું છે; સેમ્પલિંગ (દરેક Nth પિક્સેલ લેવું) ન્યૂનતમ ગુણવત્તા નુકશાન સાથે વેગ આપે છે.
રંગ જગ્યા મહત્વપૂર્ણ છે. RGB માં ક્લસ્ટરિંગ RGB અંતર દ્વારા ભારિત પેલેટ્સનું ઉત્પાદન કરે છે, જે સમજશક્તિના અંતર સાથે મેળ ખાતા નથી. LAB અથવા HSV માં ક્લસ્ટરિંગ વધુ સમજદારીપૂર્વક સંરેખિત પેલેટ્સ ઉત્પન્ન કરે છે — રંગો કે જે વધુ વિશ્વસનીય રીતે એકસાથે સમાન જૂથ દેખાય છે.
આઉટપુટ: દરેક ક્લસ્ટર સેન્ટર માટે હેક્સ કોડ્સ, વત્તા દરેક ક્લસ્ટરમાં ઇમેજ પિક્સેલ્સની ટકાવારી. ટકાવારી દ્રશ્ય વ્યાપ દર્શાવે છે; સૌથી મોટું ક્લસ્ટર સૌથી પ્રભાવશાળી રંગ છે.