机器学习在平面设计中的应用

张荣臻

浙江经贸职业技术学院 浙江杭州 310018

摘要：伴随着信息技术的高速发展，人工智能受到社会大众的广泛关注，通过机器学习的计算机视觉领域，也因此而获得了非常可观的发展成果，将机器学习使用在平面设计中，除了可以进一步促使平面设计的图像风格化技术变得越来越完善，同时也能够促使普通用户随时随地展开图将风格的设计。基于此，文章将对机器学习在平面设计中的运用展开相应的探讨和研究分析。

关键词：机器学习；平面设计；设计专业；应用策略

引言：目前在我国的平面设计领域中，能够展开图像艺术风格设计的软件工具，包括PS以及美图等电脑软件，但是对于一些艺术风格知之甚少，甚至是完全不懂的非专业领域人员来说，若是用这些软件来展开图像设计，并将其设计为自己较为喜欢、符合自己预期目标的艺术风格图像，在执行上还是较为困难且复杂的。伴随着我国机器学习技术的高速发展，以及在图像风格化技术上的高速进步，将机器学习方式使用在平面设计的图像风格化中，可以促使普通用户依照个人需求，创作出理想中的艺术风格图像，使得整体的创作过程变得更加简单。

一、机器学习概念、分类及学习工具

机器学习涉及到的学科较多，其中包括了概率论以及统计学等等，属于一种综合性的交叉学科。通过数据信息来获得创新性的知识，同时依照这些获取到的知识中的独特经验，优化现阶段的实践性，作出科学合理的决策，从某种程度上来说，是对人类的学习行为进行相应的模仿。在上世纪90年代出现的将支持向量积为核心的统计学习思想具备非常重要的价值和作用，为我国现阶段的机器学习使用提供了强大的算法工具，对于差异化的机器学习任务来说，算法工程师通过差异化的进行学习算法能够展开不同类型的支持向量机算法以及各种决策树算法。

目前在机器学习工具上已经较为丰富多样，同时不同的学习工具自有其不同的侧重点。python作为一类非常行之有效的系统语言，被广大的机器学习工程师所普遍运用。Scikit-learn 作为一类能够在python环境中进行有效使用的算法框架，具备较强的适用性，能够提供出很多行之有效的模块化方案，展开更加深度化的数据分析，甚至能够包括大多数机器学习的主流算法，但是现阶段暂时还没有对较为热门以及关注度较高的深度学习技术展开进一步的调整和优化。在深度学习领域中使用较为广泛的框架包括Keras、tensorflow等，能够有效通过接口建立出符合标准和要求的深度学习神经网络。

二、平面设计图像风格化

从本质上来说，图像风格代表特征，能够展现出其抽象性，是一种艺术派的代表。图像风格包括了图像的纹理、颜色，对于不同的图像风格来说，也有着不同的图像内容，能够展现出不同国家、不同民族的文化内涵以及在艺术上的造诣。在平面设计等相关设计中，图像实现风格化，也被称之为图像的风格迁移，主要是指将某个平平无奇的图像，在保证其图像内容不变的基础条件下，将其设计为另外一种，或多类图像艺术风格融合的新图像，促使原本的普通图像内容在不变的基础条件下，能够融合其他图片的艺术特征和图片画风。

三、机器学习在平面设计中的运用

基于机器学习的平面设计图像风格化，其主要途径和策略可以划分为以下几个方向：首先是通过图像笔触来生成图像风格化，其次是通过图像纹理合成来实现图像风格化，再次是通过图像的物理建模，最后就是通过深度神经网络生成模型来实现图像的风格化。在上文所述的四种方法中，前三种都是较为传统的图像风格化设计方式，在这三种方式中，无法精准获取到艺术图像中更为高层次的风格特点，因此这三种方式最终创作出来的图像风格化效果并不是非常可观，无法达成其预期目标。但是深度学习为机器学习中的一个重要分支，其主要的原理和创作思路就来源于人工神经网络，通过对人体大脑神经的有效模拟，能够感知到外部世界（图像世界），进而更加精准地提取到图像中的样本风格信息以及其潜在的内涵和特点。因此在展开平面设计的相关工作中，若是能够将深度学习到神经网络技术使用在图像风格化的设计工作中，能够进一步有效获取到艺术神经图像，基于神经网络不同层次中的特点和文本信息，针对图像的艺术风格特点进行更加精准的识别，并表现在全新的图像中，最后再将获取到的风格特征信息和原本的普通图像进行有机融合，就实现了平面设计图像风格化的设计目标。

现阶段通过机器学习中的神经网络方法来展开图像风格化设计等相关研究，受到了社会大众以及相关领域的广泛关注，同时也获得了可观的使用成果。早在2015年就有人首次提出可以通过深度学习卷积神经网络方式，针对艺术图像中的风格特征展开相应的提取，通过图像的纹理特点获取图中的文本信息和艺术风格，促使平面设计艺术风格逐渐实现图像风格化的设计目标。而到了2016年，Alexey Moiseenkoy通过深度学习卷积神经网络，创建出来了相关的设计软件，促使图像风格化研究迈上了全新的发展台阶，但是这一软件的出现，暂时还不够完善，会受到不同艺术风格、不同滤镜的制约，只能够在某种特定的艺术图像中来进行使用。同样在2016年，Sergey Morugin通过深度学习算法，建立出了图像风格化的相关软件，在这一个软件中，不会再被滤镜模板所限制，能够直接识别任意两张图像中的内容信息和风格特征，直接将两张图片中其中一张的图像风格全面转移到另外一张图像上。通过卷积神经网络的深度学习方式，从一张名画中提取艺术风格，精准识别随后传输到系统中，通过特定的艺术图像风格以及元素，针对平平无奇的图像展开进一步的风格化处理，最终能够获得的图像在视觉呈现效果上更加完善。但是深度学习神经网络算法从本质上来说，使用起来比较复杂，在系统中也会占据非常大的内存资源，同时运行的时间也非常长。

为了促使广大用户能够具备更好的使用体验，需要在后台服务器中展开同步化的运行以及处理，这样才能够达成图像风格处理的需求，优化其整体的处理速度，因此这就导致深度学习算法在使用到图像风格化的过程中，会受到移动端口的制约，只能够在电脑系统中进行使用。但是近些年来，也有相关领域的研究人员指出，出现了可以对数个图像艺术风格展开有效迁移的计算机算法，同时也有相关的研究学者指出，很多通过生成对抗网络的图像风格化处理算法。以上这些算法的改善和优化，对于进一步加速图像风格化的处理，具备着非常显著的价值和作用，因此也可以将这些最新型的学习算法使用到平面图设计以及图像风格化设计中去，以此来促使在同一张图像中，能够有效融入不同艺术风格，促使其整体图像的视觉呈现效果具备更强的冲击力。

结论：

综上所述，在平面设计领域，图片风格化想要实现进一步发展和进步，就需要加强对进行学习算法的有效使用，同时需要实现机器学习算法的调整更新和优化。速度更快，精确度更高的深度学习算法若是能够有效地使用在平面设计的图像风格化中，除了能够进一步降低图像风格化的画面处理时间，降低创作难度。同时也能够让相关的普通用户随意创作出符合自己审美的艺术风格作品，为广大用户带来更好的平面设计体验，改善我国平面设计领域的发展水平。

参考文献：

[1]刘小凯，赵冬梅，张帆.“不可预知”的设计教学——人工智能思路的数字化设计教学初探[J].中国建筑教育，2020(02):59-63.

[2]马辰龙，朱姝妍，王明洁.机器学习技术在建筑设计中的应用研究[J].南方建筑，2021(02):121-131.

[3]梁玮蕾,周翔宇.机器学习在平面设计中的运用[J].戏剧之家,2020(23):162.