Trekk ut dominerende farger fra ethvert bilde umiddelbart. Få HEX- og RGB-verdier med ett klikk. Gratis, sikker og kjører helt i nettleseren din.
Støtter PNG, JPG, WEBP, GIF. Maks 50 MB.
Fargepalettekstraksjon analyserer et bilde og identifiserer de dominerende eller representative fargene. Resultatet er et lite sett med farger - vanligvis 5-8 - som fanger bildets visuelle karakter. Designere bruker ekstraherte paletter for å koordinere andre designelementer (UI-farger som utfyller et heltebilde, merkepaletter avledet fra fotografering, fargeskjemaer som matcher et stemningsbilde).
Ekstraheringen bruker klyngealgoritmer (k-betyder eller lignende) for å gruppere alle bildets piksler i det forespurte antallet fargeklynger. Hver klynges senter blir en palettfarge. De største klasene representerer dominerende farger; Algoritmen kan også vekte etter visuell betydning (metning, kontrast) i stedet for rå pikselantall til overflaten slående aksentfarger.
Dette verktøyet kjører i nettleseren din ved hjelp av JavaScript. Bildet dekodes til pikseldata, samples for å redusere beregningen og grupperes. Utdata er paletten med hex-koder, RGB-verdier og proporsjonale søyler som viser hver farges utbredelse i bildet.
Å designe deler som koordinerer med eksisterende bilder er mye raskere med ekstraherte paletter enn å velge farger etter øye. Webdesignere som bygger landingssider rundt heltebilder, markedsførere som produserer eiendeler som matcher et nøkkelproduktbilde, og merkevaredesignere som analyserer konkurrerende bilder drar alle fordel av algoritmisk palettutvinning.
Paletter støtter også innholdsstyring. Ved å kategorisere bilder etter dominerende farger kan du bygge grensesnitt der brukere kan se bilder, produkter eller design etter farge. Å bygge et slikt system krever systematisk utvinning av paletter, noe programmatisk utvinning muliggjør.
Last opp, velg palettstørrelse, få fargene.
K-betyr clustering iterates: tilordne hver piksel til nærmeste klyngesenter, beregn sentre på nytt som gjennomsnittet av tildelte piksler, gjenta til konvergens. Å kjøre på bilder i full oppløsning er tregt; sampling (tar hver n. piksel) akselererer med minimalt kvalitetstap.
Fargerom er viktig. Clustering i RGB produserer paletter vektet etter RGB-avstand, som ikke samsvarer med perseptuell avstand. Gruppering i LAB eller HSV produserer mer perseptuelt justerte paletter - farger som ser like ut, grupperer seg mer pålitelig.
Utdata: hex-koder for hvert klyngesenter, pluss prosentandelen av bildepiksler i hver klynge. Prosentandelen representerer visuell prevalens; den største klyngen er den mest dominerende fargen.