Как алгоритмы машинного обучения определяют характеристики музыки для цветокоррекции?

Алгоритмы машинного обучения определяют характеристики музыки для цветокоррекции путём сопоставления различных цветовых (оттенок, цветовая группа, яркость, насыщенность) и музыкальных (нота, музыкальный лад, октава, длительность) характеристик. www.vstu.ru

Процесс включает несколько шагов: www.vstu.ru

1. Определение тональности будущего произведения. www.vstu.ru Для этого используют преимущественный цвет и одну из пяти схем соотнесения цветов и нот. www.vstu.ru Максимальное родство цветов определяют между двумя соседними хроматическими цветами, а степень тонального родства — между звуками, находящимися на расстоянии семи полутонов друг от друга. www.vstu.ru
2. Построение мелодической последовательности. www.vstu.ru Для этого сопоставляют хроматическую гамму тоники с цветовым кругом, чтобы получить соответствие нот и цветов для мелодической части будущего произведения. www.vstu.ru
3. Определение соответствия цветов и нот для построения гармонии. moluch.ru В музыке существуют функциональные отношения (тоника — субдоминант — доминанта), а в науке о цвете это соответствует принципу взаимодополняемости цветов (красный — синий — жёлтый). moluch.ru
4. Преобразование результирующего набора цветов в набор нот. moluch.ru

Такой метод позволяет определить характеристики результирующей композиции по изображению и может использоваться при создании музыки для компьютерных игр, рекламы и фильмов, а также в образовательном процессе. www.vstu.ru