canvas图像识取技术以及智能化设计的思考-原创手记-慕课网

笔者最近一直在研究 前端可视化 和 搭建化 的技术, 最近也遇到一个非常有意思的课题, 就是基于设计稿自动提取图片信息, 来智能化出码. 当然本文并不会介绍很多晦涩难懂的技术概念, 我会从几个实际应用场景出发, 介绍如何通过canvas图像识取技术来实现一些有意思的功能. 最后会总结一些对智能化的思考以及对低代码方向的规划, 希望能对各位有所启发.

canvas图像识取技术

熟悉前端的朋友们也许对canvas并不陌生, 接下来我会带大家去实现如下几个应用场景, 来深入理解canvas图像识取技术.

基于图片动态生成网站主色和渐变色
基于图片/设计稿一键生成网站配色方案
图像识别技术方案

基于图片动态生成网站主色和渐变色

也许有朋友会问, 基于图片动态生成网站主色和渐变色, 它能解决什么问题呢? 又有怎样的应用场景呢? 这里笔者举几个实际应用的例子.

网易云音乐大家也许不陌生, 细心的朋友也许可以观察到, 网站banner部分的背景, 是不是很好的和banner形成很好的统一?

我们会发现, 每个轮播图的背景都基于当前图片颜色进行的渐变或模糊, 来实现和轮播图实现完美的统一.
目还有还很多类似的例子, 比如图片网站的背景, 图片卡片的背景, 都应用了类似的技术.

实现原理

我们知道canvas对象有3个方法:

createImageData() 创建新的、空白的 ImageData 对象
getImageData() 返回 ImageData 对象，该对象为画布上指定的矩形复制像素数据
putImageData() 把图像数据（从指定的 ImageData 对象）放回画布上

为了分析图片数据, 我们需要用到上述的第二个方法getImageData.
ImageData 对象不是图像，它规定了画布上一个部分（矩形），并保存了该矩形内每个像素的信息。对于 ImageData 对象中的每个像素，都存在着四元信息，即 RGBA 值：

R - 红色（0-255）
G - 绿色（0-255）
B - 蓝色（0-255）
A - alpha 通道（0-255; 0 是透明的，255 是完全可见的）

color/alpha 信息以数组形式存在，并存储于 ImageData 对象的 data 属性中。

有了以上的技术基础, 我们就完全有可能提取到图片的颜色信息, 并分析出图片的主色了. 所以我们的实现流程如下:

实现的参考代码如下:

img.onload = function () {
    ctx.drawImage(img, 0, 0)
    img.style.display = 'none'
    // 获取像素数据
    let data = context.getImageData(0, 0, img.width, img.height).data
    // ImageData.data 类型为Uint8ClampedArray的一维数组，每四个数组元素代表了一个像素点的RGBA信息，每个元素数值介于0~255
    let r = 0,
        g = 0,
        b = 0
        
    // 取所有像素平均值
    for (let row = 0; row < img.height; row++) {
        for (let col = 0; col < img.width; col++) {
            r += data[(img.width * row + col) * 4]
            g += data[(img.width * row + col) * 4 + 1]
            b += data[(img.width * row + col) * 4 + 2]
        }
    }
    
    // 计算平均值
    r /= img.width * img.height
    g /= img.width * img.height
    b /= img.width * img.height

    // 将结果取整
    r = Math.round(r)
    g = Math.round(g)
    b = Math.round(b)
    
    // 给背景设置渐变
    bgBox.style.backgroundImage = `linear-gradient(rgb(${r}), rgb(${g}), rgb(${b})`;
  }

值得说明的是, 根据不同的区值场景, 我们还可以用到其他算法诸如:

平均值算法(获取主色调)
中位切分法（获取png图片的主色）
互补色计算法

基于图片/设计稿一键生成网站配色方案

以上介绍了使用canvas的取色方案, 接下来我们更进一步, 来探索一下如何基于图片/设计稿一键生成网站配色方案.

其实基于以上的例子我们完全可以自己实现一套网站配色生成工具, 这里为了节约时间, 笔者推荐一款比较强大的插件, 来帮我们实现类似的功能.

没错, 就是colorthief, 它支持浏览器和node环境, 所以作为前端, 我们可以很轻松的使用它并获取图像/设计稿的配色方案.

简单的使用例子如下:

import ColorThief from './node_modules/colorthief/dist/color-thief.mjs'

const colorThief = new ColorThief();
const img = document.querySelector('img');

if (img.complete) {
  colorThief.getColor(img);
} else {
  image.addEventListener('load', function() {
    colorThief.getColor(img);
  });
}

该库还有很多细化的api,比如控制生成质量, 粒度等, 我们可以以用它做一些更加智能的工具.

图像识别技术方案

图像识别技术可以帮助技术人员利用计算机对图像进行处理和分析，更好地识别各种不同模式的目标。图像识别的过程和内容是比较多的，主要包括图像预处理和图像分割等内容，它在图像处理中的有效应用，还能够根据图像的特点对其进行判断匹配，让用户能够更加快速的地在图片中搜索自己想要获取的信息。

了解神经网络的朋友可能知道, 图像识别技术真正的解决方案是 卷积神经网络(CNNs或ConvNets).

从图像识别技术的术语来说就是，卷积神经网络按照关联程度筛选不必要的连接，进而使图像识别过程在计算上更具有可操作性。卷积神经网络有意地限制了图像识别时候的连接，让一个神经元只接受来自之前图层的小分段的输入（假设是3×3或5×5像素），避免了过重的计算负担。因此，每一个神经元只需要负责处理图像的一小部分。

当然作为前端工程师, 我们可能还涉及不到这么深的内容, 不过也不用担心, 目前已有很多工具帮我们解决了底层的分析难题. 比如国内比较有名的imgcook, 通过识别技术来生成可被浏览器消费的html代码.

其工作机制如下:

其底层识别技术也是基于对图片信息元的分析, 提取和转化, 来实现智能化编排的目的. 当然也有一些开源的库可以帮我们做到一定程度的识别能力. 我们可以基于这些方案, 制作一些对开发更智能化的工具.

这里笔者提一个图片识别的库GOCR.js, 供大家参考学习.

GOCR.js 是 GOCR（开源的 OCR 光学识别程序）项目的纯 JavaScript 版本，使用 Emscripten 进行自动转换。这是一个简单的 OCR （光学字符识别）程序，可以扫描图像中的文字回文本。

该库的使用也非常简单, 我们只需要引入该库, 输入如下代码即可:

var string = GOCR(image);
alert(string);

演示如下:

chrome-capture (1).gif

智能化思考

最近几年国内外lowcode和nocode平台发展迅猛, 对于基础的搭建化已不能满足科技企业的需求, 智能化/自动化搭建平台不断涌现. 笔者之前文章 [分享10款2021年国外顶尖的lowcode开发平台]也介绍过很多国外的优秀lowcode平台, 很多也对智能化有了很多的实践落地. 笔者简化如下:

最近H5-Dooring可视化编辑器也在持续推迭代, 数据源已基本搭建完成, 后续还会按照更智能化的方向, 可视化大屏V6.Dooring也已上线第一个版本.

国内lowcode平台仍然有很长的路要走, 期待大家一起努力💪!