Nekavējoties izņemiet dominējošās krāsas no jebkura attēla. Iegūstiet HEX un RGB vērtības ar vienu klikšķi. Bezmaksas, droša un pilnībā darbojas jūsu pārlūkprogrammā.
Atbalsta PNG, JPG, WEBP, GIF. Maksimums 50 MB.
Krāsu paletes ekstrakcija analizē attēlu un identificē dominējošās vai reprezentatīvās krāsas. Rezultāts ir neliels krāsu kopums — parasti 5–8 —, kas atspoguļo attēla vizuālo raksturu. Dizaineri izmanto iegūtās paletes, lai saskaņotu citus dizaina elementus (UI krāsas, kas papildina varoņa attēlu, zīmolu paletes, kas iegūtas no fotogrāfijas, krāsu shēmas, kas atbilst noskaņojuma attēlam).
Ekstrakcija izmanto klasterizācijas algoritmus (k-means vai līdzīgus), lai grupētu visus attēla pikseļus pieprasītajā krāsu klasteru skaitā. Katra klastera centrs kļūst par paletes krāsu. Lielākās kopas pārstāv dominējošās krāsas; Algoritms var arī svērt pēc vizuālā svarīguma (piesātinājuma, kontrasta), nevis neapstrādātu pikseļu skaitu, lai virsmas pārsteidzošas akcentu krāsas.
Šis rīks darbojas jūsu pārlūkprogrammā, izmantojot JavaScript. Attēls tiek dekodēts pikseļu datos, tiek ņemts paraugs, lai samazinātu aprēķinu, un sagrupēts. Izvade ir palete ar hex kodiem, RGB vērtībām un proporcionālām joslām, kas parāda katras krāsas izplatību attēlā.
Ar izvilktām paletēm ir daudz ātrāk izstrādāt elementus, kas saskan ar esošajiem attēliem, nekā izvēlēties krāsas pēc acs. Tīmekļa dizaineri, kas veido galvenās lapas ap varoņu attēliem, mārketinga speciālisti, kas ražo aktīvus, kas atbilst galvenajam produkta fotoattēlam, un zīmolu dizaineri, kas analizē konkurentu attēlus, gūst labumu no algoritmiskās paletes iegūšanas.
Paletes atbalsta arī satura pārvaldību. Attēlu klasificēšana pēc dominējošās krāsas ļauj izveidot saskarnes, kurās lietotāji pārlūko fotoattēlus, produktus vai dizainus pēc krāsas. Lai izveidotu šādu sistēmu, ir sistemātiski jāizņem paletes, ko nodrošina programmatiskā ekstrakcija.
Augšupielādējiet, izvēlieties paletes izmēru, iegūstiet krāsas.
K-means klasterizācijas atkārtojumi: piešķiriet katru pikseli tuvākajam klastera centram, pārrēķiniet centrus kā piešķirto pikseļu vidējo vērtību, atkārtojiet līdz konverģencei. Pilnas izšķirtspējas attēlu darbība ir lēna; paraugu ņemšana (ņemot katru N-to pikseļu) paātrina ar minimālu kvalitātes zudumu.
Krāsu telpai ir nozīme. RGB grupēšana rada paletes, kas svērtas pēc RGB attāluma, kas neatbilst uztveres attālumam. Klasterizācija LAB vai HSV rada vairāk uztveres līdzinātas paletes — krāsas, kas izskatās līdzīgas, sagrupējas uzticamāk.
Izvade: hex kodi katram klastera centram, plus attēla pikseļu procentuālā daļa katrā klasterī. Procentuālais daudzums atspoguļo vizuālo izplatību; lielākā kopa ir dominējošā krāsa.