CN109872340A - 构图方法及其电子设备、计算机可读存储介质 - Google Patents
构图方法及其电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN109872340A CN109872340A CN201910004280.6A CN201910004280A CN109872340A CN 109872340 A CN109872340 A CN 109872340A CN 201910004280 A CN201910004280 A CN 201910004280A CN 109872340 A CN109872340 A CN 109872340A
- Authority
- CN
- China
- Prior art keywords
- photo
- main body
- clear
- color
- composition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了构图方法,包括统计构图规律和智能构图,统计构图规律通过获取参照图片,建立空间分布统计规律;智能构图通过对摄像照片的合并图像进行随机构图,并根据空间分布统计规律对摄像照片进行裁切,用于获取提供给用户的照片;其中,摄像照片通过转换拍摄点获取分组照片,在分组照片颜色突变区域建立关键点,将分组照片之间的内容重叠区域的关键点进行重合以获取合并图像。本发明能够得到可选择裁切范围大、适应各种场景的照片,避免出现构图不佳情况。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及构图方法及其电子设备、计算机可读存储介质。
背景技术
随着科技的发展和人们生活水平的提高,数码相机、手机相机等拍摄设备越来越普及,随时随地通过拍照记录生活已成为人们的日常。
优秀的摄影师在拍摄人物时,能迅速根据人物所处位置结合周边建筑物、风景等环境因素进行构图,在拍摄风景时,则会根据整个景色的全局进行构图思考。
但目前的构图方法在对图像进行构图的时候,大多是基于单张照片对照片进行裁切的,如果在拍摄的时候因为摄像内容本身取景不好,如拍的景物或者背景内容比较少时,就容易导致应用场景受限、裁切可选择范围小,在对照片进行裁切时无法得到最佳构图,构图效果不理想。
但是,如果采用多张摄像照片进行合并,再对合并图像进行构图,则取景范围大,构图较容易。
基于此,提供一种能够拍摄多张摄像照片,并对摄像照片进行合并,通过对合并图像进行构图,得到适应各种场景的照片的构图方法,成为目前亟待解决的技术问题。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种构图方法,其能够对合并图像进行构图,得到可选择裁切范围大、适应各种场景的照片,避免出现构图不佳情况。
为了达到上述目的,本发明所采用的技术方案如下:
构图方法,包括统计构图规律和智能构图,
统计构图规律通过获取参照图片,建立空间分布统计规律;
智能构图对摄像照片的合并图像进行随机构图,并根据空间分布统计规律对合并图像进行裁切,用于获取提供给用户的照片;
其中,摄像照片通过转换拍摄点获取分组照片,在分组照片颜色突变区域建立关键点,将分组照片之间的内容重叠区域的关键点进行重合以获取合并图像。
优选的,
空间分布统计规律包括包含明确主体空间分布统计规律和不包含明确主体空间分布统计规律,统计构图规律具体包括以下步骤:
步骤S1、获取参照图片,并将参照图片分为包含明确主体照片和不包含明确主体照片,参照图片为从社交媒体和摄影作品网站获取的用户点赞数超过预设的第一阈值的摄影照片;
步骤S2、利用卷积神经网络对包含明确主体照片进行学习训练,建立主体判断识别模型;
步骤S3、对包含明确主体照片的主体部分进行边缘检测、框选,通过统计学规律得到包含明确主体空间分布统计规律;
步骤S4、采用聚类算法对不包含明确主体照片进行颜色聚类,通过统计学规律得到不包含明确主体空间分布统计规律;
智能构图包括以下步骤:
步骤S5、利用构图框对合并图像进行随机构图,根据包含明确主体空间分布统计规律对合并图像进行裁切,获取提供给用户的照片;
步骤S6、利用构图框对合并图像进行随机构图,根据不包含明确主体空间分布统计规律对合并图像进行裁切,获取提供给用户的照片。
优选的,统计构图规律与智能构图之间还包括以下步骤,
步骤S71、根据预设的第四阈值转换摄像装置以获取摄像照片,摄像装置每次拍摄时均依次按照向正前方、向左、向右、向上、向下、左上、左下、右上、右下的顺序平移并拍摄,根据预设的第四阈值拍摄后将摄像照片编号并分组存储得到分组照片,第四阈值为摄像照片之间的内容重叠区域等于30%;
步骤S72、将分组照片进行颜色聚类并在颜色突变区域建立关键点,将分组照片之间的内容重叠区域的关键点进行重合并根据预设的第五阈值获取合并图像,第五阈值为内容重叠区域的关键点的重合度最高且重合度大于或等于45%;
步骤S73、根据主体判断识别模型对合并图像进行主体判断;
摄像照片采用自动摄像或人工拍摄。
优选的,参照图片为包含明确主体照片,步骤S2具体包括以下步骤,依次为:
步骤S21、提取包含明确主体照片主体部分的特征向量;
步骤S22、将包含明确主体照片划分为M*N个方格区域,计算每个方格区域中的点数与主体部分总点数之比,得到M*N维特征向量,利用卷积神经网络进行学习训练,建立主体判断识别模型,执行步骤S3。
优选的,步骤S3具体包括以下步骤,依次为:
步骤S31、对主体部分进行边缘检测,采用矩形框选,获取框选部分;
步骤S32、根据预设的第二阈值判断框选部分是否属于主体部分,第二阈值为主体部分面积大于或等于包含明确主体照片面积的15%;
步骤S33、通过统计学规律获取包含明确主体空间分布统计规律;
步骤S34、对主体部分进行颜色聚类,根据聚类的色块划分主体部分,获取主体部分的各个组成部分的色块占比统计数据。
优选的,参照图片为不包含明确主体照片,步骤S4具体包括以下步骤,依次为:
步骤S41、采用聚类算法对不包含明确主体照片进行颜色聚类,获取不同图形组合的主色调颜色块;
步骤S42、根据HSB值获取色差在预设的第三阈值范围内的相邻的主色调颜色块,将相邻的主色调颜色块聚合为同一色块,获取主色调颜色块组合;
步骤S43、获取不包含明确主体空间分布规律,不包含明确主体空间分布规律包括面积比、宽度比、高度比,面积比为主色调颜色块组合的面积与不包含明确主体照片的面积的百分比,宽度比为主色调颜色块组合的宽度与不包含明确主体照片的宽度的百分比,高度比为主色调颜色块组合的高度与不包含明确主体照片的高度的百分比。
优选的,合并图像包含明确主体,步骤S5具体包括以下步骤:
步骤S51、对合并图像的主体部分进行边缘检测,采用矩形框对合并图像进行随机构图,以获取第一随机构图部分;
步骤S52、获取第一随机构图部分的空间分布统计规律;
步骤S53、根据包含明确主体空间分布统计规律选择第一随机构图部分以获取待第一待裁切图片;
步骤S54、计算合并图像不包含第一待裁切图片的面积,根据合并图像不包含第一待裁切图片的面积的最小值获取第一裁切图片;
步骤S55、对第一裁切图片进行颜色聚类,根据聚类的色块划分第一裁切图片,获取第一裁切图片各个组成部分的色块占比统计数据,根据包含明确主体空间分布统计获取提供给用户的照片。
优选的,合并图像不包含明确主体,步骤S6具体包括以下步骤:
步骤S61、采用矩形框对合并图像进行随机构图以获取第二随机构图部分;
步骤S62、对第二随机构图部分进行颜色聚类,获取第二随机构图部分的空间分布统计规律;
步骤S63、根据第二随机构图部分获取第二待裁切图片,计算合并图像不包含第二待裁切图片的面积,根据合并图像不包含第二待裁切图片的面积的最小值获取提供给用户的照片。
本发明的目的之二在于提供一种电子设备,其能够对合并图像进行构图,得到可选择裁切范围大、适应各种场景的照片,避免出现构图不佳情况。
为了达到上述目的,本发明所采用的技术方案如下:
包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如本发明目的之一的构图方法。
本发明的目的之三在于提供一种电子设备,其能够对合并图像进行构图,得到可选择裁切范围大、适应各种场景的照片,避免出现构图不佳情况。
为了达到上述目的,本发明所采用的技术方案如下:
包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如本发明目的之一的构图方法。
相比现有技术,本发明的有益效果在于:
每次拍摄时通过转换拍摄点获取分组照片,在分组照片颜色突变区域建立关键点,将分组照片之间的内容重叠区域的关键点进行重合,得到合并图像,通过对合并图像进行构图,得到可选择裁切范围大、适应各种场景的照片,避免出现构图不佳情况。
附图说明
图1为本发明较佳实施例提供的构图方法的流程示意图;
图2为本发明实施例提供的一种构图方法的流程示意图;
图3为本发明实施例提供的另外一种构图方法的流程示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
一种构图方法,该方法包括统计构图规律和智能构图。
统计构图规律通过获取参照图片,建立空间分布统计规律;
智能构图通过对摄像照片的合并图像进行随机构图,并根据空间分布统计规律对摄像照片进行裁切,用于获取提供给用户的照片;
其中,摄像照片通过转换拍摄点获取分组照片,摄像照片每次拍摄时均依次按照向正前方、向左、向右、向上、向下、左上、左下、右上、右下的顺序平移并拍摄,获取分组照片,在分组照片颜色突变区域建立关键点,将分组照片之间的内容重叠区域的关键点进行重合以获取合并图像。
较佳地,本发明所示例的构图方法可以是电子摄像装置自动摄像,也可为人工拍摄。
自动摄像:自动拍照设备在拍摄场景中通过移动转换拍摄点进行自动拍照,相机安装在角度调整装置上可以进行水平和垂直方向上的拍摄角度移动切换;每次拍摄时均按照从正前方拍摄后再分别向左、向右、向上、向下、左上、左下、右上、右下各平移一定的距离范围各拍摄一张,得到同一对象或场景的一组照片,移动距离的设定需要使得每张照片之间保持有30%左右的内容重叠区域,拍摄后按照同一拍摄点对同一对象或景物拍摄的照片编号分组存储。
人工拍摄的:在拍摄时对同一对象或场景从正前方拍摄后进行平移拍摄,分别向左、向右、向上、向下、左上、左下、右上、右下各个方向平移拍摄一张照片,使得每张照片之间保持有30%左右的内容重叠区域,得到一组拍摄照片,整理时将同一个拍摄对象或场景的照片编为一组存储。
本发明所示构图方法的空间分布统计规律包括包含明确主体空间分布统计规律和不包含明确主体空间分布统计规律。
实施例一:
如图2所示,摄像照片为包含明确主体,本发明的构图方法具体包括以下步骤:
统计构图规律,具体为:
步骤S1、从社交媒体和摄影作品网站获取的用户点赞数超过预设的第一阈值的摄影照片作为参照图片,此处的第一阈值指预先设置的参数,在摄像照片的点赞数超过这一参数后被定义为点赞数较高的照片(即优秀照片),并将该照片作为参照照片,此处筛选的照片为包含明确主体照片,即,包含人物、动物等主体的照片。
步骤S2、利用卷积神经网络对所述包含明确主体照片进行学习训练,建立主体判断识别模型,具体包括:
对主体部分进行矩形框选,此处的主体部分包括单人、多人、半身、全身人像、头部或某一部位特写;各种动物、建筑物等物件;或者以上几种类型主体的组合或合影或局部特写。根据各种人、动物、物件空间密度的不同的形状、颜色、纹理或者材质等组合排布特征,提取各种主体人、动物、物件的特征向量,利用卷积神经网络进行学习训练,即将图像划分为M*N个方格区域,计算每个方格区域中的点数与物品总点数之比,得到M*N维特征向量,通过反复识别训练,从训练集各分类主体中提取出标准模板,建立主体判断识别模型。
其中,标准模板指建立的主体判断识别模型的参照模板,该标准模板可定义为判断识别模型数据,在图片数据与该模型数据匹配时即可判定为包含明确主体或不包含明确主体。
步骤S3、通过对单个或多个组合的主体部分进行边缘检测,完成对主体部分的矩形框选。根据对主体部分建立的矩形框,确定单个主体或多个主体组合后的中心点。对于主体的判断,系统会预设一个阈值范围来计算该进入画面的人或物件是否属于主体,该阈值范围为系统预设的第二阈值,第二阈值指主体部分面积大于或等于包含明确主体照片面积的15%,若进入画面的人或物件达到该第二阈值则判断它为一个主体。
再计算照片中包含的单个主体或多个主体组合所在位置相对照片总体宽度和高度位置的百分比,通过统计学规律对计算结果进行分析,分析得到大量的包含明确主体的优秀摄像照片拍摄时的构图规律统计数据。
对各分类图片中主体各组成部分进行颜色聚类,根据聚类后的各色块对主体各个部分进行划分,统计划分出的主体各部分色块的比例,得到每种类型主体图片的主体各部分的占比统计数据。例如,以人物为主体的照片被划分为一类,根据颜色聚类后人物的头部、肩部、上半身、腿部各个部分形成的不同色块,分别统计出上述各部分色块在总体人物主体中的比例数据。
智能构图,具体为:
拍摄照片,将每组拍摄的照片根据内容重叠区域拼接合并成一张图像,得到多张合并图像。照片合并时:提取出同一组的照片,将每组照片进行颜色聚类后在颜色突变区域查找出特征点建立关键点;对各个照片进行旋转和缩放变形以便调整图像的大小和倾斜度,使其边缘重叠部分区域的关键点尽量重合,将各照片间关键点的重合度从高到低排序,取重合度最高且达到45%以上的照片进行拼接合并,直到完成所有角度的照片合并,得到各组拍摄照片的合并图像。
将每张合并图像比对系统中预先建立的主体判断识别模型,判断合并图像包含明确主体。
步骤S51、对合并图像的主体部分进行边缘检测,采用矩形框选对合并图像进行随机构图,以获取第一随机构图部分。具体为:对于包含明确主体部分的图像:采用随机构图的方式,随机生成一条确定对角坐标的斜线以生成一个矩形取景框,利用矩形取景框对照片进行随机构图;对随机构图后的照片进行主体判断,对得到的主体部分进行边缘检测,根据主体边缘建立矩形框,计算矩形框的中心点位置以得到主体的中心点位置。
步骤S52、获取第一随机构图部分的空间分布统计规律。
步骤S53、根据包含明确主体空间分布统计规律选择第一随机构图部分以获取待第一待裁切图片,第一随机构图部分的空间发布统计规律与包含明确主体空间分布统计规律的差值在预设的第六阈值范围内。其中,第一随机构图部分指根据得到的中心点位置,通过矩形构图框对照片进行随机构图得到的部分。第一待裁切图片指通过不断调整矩形构图框对照片进行随机构图,使得主体位置被放置在通过统计学获得的空间分布位置特征的范围内的随机构图部分。第六阈值是系统预设的阈值参数,通过分析各个随机构图得到的图像中主体部分的空间分布规律,比对建立的统计构图规律,如果第一随机构图部分的空间发布统计规律与包含明确主体空间分布统计规律的差值在预设的第六阈值范围内,则随机构图部分的主体位置被放置在通过统计学获得的空间分布位置特征的范围内。
步骤S54、根据得到的中心点位置,分析合并图像不包含第一待裁切图片部分的图像的面积大小,选用合并图像不包含所述第一待裁切图片的面积的最小值获取第一裁切图片,作为智能构图方案,根据智能构图方案对图像进行裁切。
步骤S55、对裁切后的图像主体部分进行颜色聚类,根据颜色聚类后得到的不同颜色块对裁切图片主体的各个组成部分进行划分,计算划分出的主体各部分的比例,得到裁切图片中主体各部分的色块占比统计数据;根据合并图像主体类型识别结果比对服务器中预先建立的包含明确主体空间分布统计规律的统计数据,相似度达到最高时,将主体各部分的占比数据相似度最高的对应图像判定为最佳照片,提供给用户。
实施例二:
如图3所示,摄像照片为不包含明确主体,本发明的构图方法具体包括以下步骤,依次为:
统计构图规律,具体为:
步骤S1、从社交媒体和摄影作品网站获取的用户点赞数超过预设的第一阈值的摄影照片作为参照图片,此处的第一阈值指预先设置的参数,在摄像照片的点赞数超过这一参数后被定义为点赞数较高的照片,并将该照片作为参照照片,此处筛选的照片为不包含明确主体照片,即,包含天空、山峰、湖水的风景等的照片。
步骤S4、采用聚类算法对不包含明确主体照片进行颜色聚类,通过统计学规律得到不包含明确主体空间分布统计规律,具体地,
步骤S41、采用聚类算法对不包含明确主体照片进行颜色聚类,形成各种主色调颜色块组合,得到获取不同图形组合的主色调颜色块,将主色调分块,如三角形、圆形、矩形等图形组合。
步骤S42、获取HSB值色差在预设的第三阈值范围内的相邻的主色调颜色块,将相邻的主色调颜色块聚合为同一色块,得到主色调颜色块组合。其中,该第三阈值为系统预设的阈值参数,在相邻的主色调颜色块的HSB值色差达到第三阈值时则认为HSB值色差相近,此处通过不断将相邻的HSB值色差接近的点取平均值聚合为同一色块,最后得到获取不同图形组合的主色调颜色块。例如:一张风景摄影图片中,包含有天空、山峰、湖水等,将图片进行颜色聚类变形成各种色块。通过不断将相邻的HSB值色差接近的点取平均值聚合为同一色块,经过处理后,天空部分形成蓝色色块、山峰部分形成灰色色块、湖水部分形成绿色色块。
通过统计学规律分析摄像照片中色块的颜色HSB值和对应的空间分布等规律,得到大量参照图片不包含明确主体空间分布统计规律相关的统计数据。
步骤S43、分析上述各部分形成的色块颜色HSB值和在整个图像中的空间分布规律,获取不包含明确主体空间分布规律。不包含明确主体空间分布规律包括面积比、宽度比、高度比等统计数据,面积比为主色调颜色块组合的面积与不包含明确主体照片的面积的百分比,用于分析各个色块的面积占整个图像总面积的百分比;宽度比为主色调颜色块组合的宽度与不包含明确主体照片的宽度的百分比,高度比为主色调颜色块组合的高度与不包含明确主体照片的高度的百分比,通过确定色块的重心坐标计算出色块的宽度、高度,从而得到各个色块的面积,然后计算各色块面积占整个图像总面积的百分比,计算各色块在整个图像位置中与图像总体宽度和高度的百分比。
步骤S61、用随机构图的方式,随机生成一条确定对角坐标的斜线以生成一个矩形构图框,利用矩形构图对照片进行随机构图,将框选的部分定义为第二随机构图部分;
步骤S62、对第二随机构图部分进行颜色聚类处理,得到第二随机构图部分的主色调色块;通过统计学规律分析合并图像中色块的颜色和对应的空间分布等规律,得到第二随机构图部分的空间分布统计规律相关的统计数据;
步骤S63、根据第二随机构图部分获取第二待裁切图片,即,通过不断调整矩形构图框对照片进行随机构图,并分析随机构图后得到的照片的颜色和对应的空间分布等规律,计算合并图像不包含第二随机构图部分的图像的面积大小,比对前期建立的不包含明确主体空间分布统计规律,在面积最小且最接近该统计规律的统计数据时作为智能构图方案,将该使得面积最小的第二随机构图部分定义为第二待裁切图片,根据智能构图方案按照第二待裁切图片对合并图像进行裁切后提供给用户。
实施例三:如图1所示,本实施例较佳实施例为以上实施例的结合,具体包括以下步骤:
步骤S1、从社交媒体和摄影作品网站获取的用户点赞数超过预设的第一阈值的摄影照片作为参照图片,此处的第一阈值指在预先设置的参数,在摄像照片的点赞数超过这一参数后被定义为点赞数较高的照片,并将该照片作为参照照片,此处筛选的照片包括包含明确主体照片和不包含明确主体照片,包含明确主体照片为包含人物、动物等主体的照片;不包含明确主体照片为包含天空、山峰、湖水的风景等的照片。
步骤S2、利用卷积神经网络对包含明确主体照片进行学习训练,建立主体判断识别模型,具体包括:
步骤S21、提取包含明确主体照片主体部分的特征向量:对主体部分进行矩形框选,此处的主体部分包括单人、多人、半身、全身人像或者头部或某一部位特写;各种动物、建筑物等物件;或者以上几种类型主体的组合或合影或局部特写。根据各种人、动物、物件空间密度的不同的形状、颜色、纹理或者材质等组合排布特征,提取各种主体人、动物、物件的特征向量。
步骤S22、将包含明确主体照片划分为M*N个方格区域,计算每个方格区域中的点数与主体部分总点数之比,得到M*N维特征向量,利用卷积神经网络进行学习训练,通过反复识别训练,从训练集各分类主体中提取出标准模板,建立主体判断识别模型,执行步骤S3。
步骤S3、对包含明确主体照片的主体部分进行边缘检测、框选,通过统计学规律得到包含明确主体空间分布统计规律,具体包括:
步骤S31、对主体部分进行边缘检测,采用矩形框选,获取框选部分;
步骤S32、根据预设的第二阈值判断框选部分是否属于主体部分,第二阈值为主体部分面积大于或等于包含明确主体照片面积的15%,若进入画面的人或物件达到该第二阈值则判断它为一个主体;
步骤S33、通过统计学规律获取包含明确主体空间分布统计规律:计算照片中包含的单个主体或多个主体组合所在位置相对照片总体宽度和高度位置的百分比,通过统计学规律对计算结果进行分析,分析得到大量的包含明确主体的优秀摄像照片拍摄时的构图规律统计数据;
步骤S34、对主体部分进行颜色聚类,根据聚类的色块划分主体部分,获取主体部分的各个组成部分的色块占比统计数据。
步骤S4、采用聚类算法对不包含明确主体照片进行颜色聚类,通过统计学规律得到不包含明确主体空间分布统计规律,具体包括:
步骤S41、采用聚类算法对不包含明确主体照片进行颜色聚类,获取不同图形组合的主色调颜色块;
步骤S42、根据HSB值获取色差在预设的第三阈值范围内的相邻的主色调颜色块,将相邻的主色调颜色块聚合为同一色块,获取主色调颜色块组合;
步骤S43、获取不包含明确主体空间分布规律,不包含明确主体空间分布规律包括面积比、宽度比、高度比等统计数据。
所述智能构图包括以下步骤:
步骤S5、利用构图框对合并图像进行随机构图,根据包含明确主体空间分布统计规律对合并图像进行裁切,获取提供给用户的照片,具体为:
步骤S51、对合并图像的主体部分进行边缘检测,采用矩形框对合并图像进行随机构图,以获取第一随机构图部分;
步骤S52、获取第一随机构图部分的空间分布统计规律;
步骤S53、根据包含明确主体空间分布统计规律选择第一随机构图部分以获取待第一待裁切图片,第一随机构图部分的空间发布统计规律与包含明确主体空间分布统计规律的差值在预设的第六阈值范围内;
步骤S54、计算所述合并图像不包含第一待裁切图片的面积,根据所述合并图像不包含所述第一待裁切图片的面积的最小值获取第一裁切图片;
步骤S55、对第一裁切图片进行颜色聚类,根据聚类的色块划分第一裁切图片,获取第一裁切图片各个组成部分的色块占比统计数据,根据包含明确主体空间分布统计获取提供给用户的照片。
其中,步骤S51执行后,步骤S52、S53、S54可同步进行也可分开按步骤标号顺序进行,然后执行步骤S55。
步骤S6、利用构图框对合并图像进行随机构图,根据不包含明确主体空间分布统计规律对合并图像进行裁切,获取提供给用户的照片,具体步骤依次为:
步骤S61、采用矩形框对合并图像进行随机构图以获取第二随机构图部分;
步骤S62、对第二随机构图部分进行颜色聚类,获取第二随机构图部分的空间分布统计规律;
步骤S63、根据第二随机构图部分获取第二待裁切图片,计算合并图像不包含第二待裁切图片的面积,根据合并图像不包含第二待裁切图片的面积的最小值获取提供给用户的照片。
所述步骤S2、S3与所述步骤S5为处理包含明确主体的构图方法、所述步骤S4与所述步骤S6为处理不包含明确主体的构图方法,二者分开执行,在不明确照片是否包含主体时可通过对主体判断识别后选择其一执行。其中,步骤 S2及其子步骤S21-S22和步骤S3及其子步骤S31-S34,步骤S4及其子步骤 S41-S43,二者均为本发明构图方法的统计构图规律部分,二者的执行可实时更新并预存于系统中而不必在要实现本发明所示步骤S5及其子步骤S51-S55、步骤S6及其子步骤S61-S63的智能构图部分前重复执行,即步骤S2及其子步骤S21-S22、步骤S3及其子步骤S31-S34与步骤S5及其子步骤S51-S55之间,步骤S4及其子步骤S41-S43与步骤S6及其子步骤S61-S63之间有先后执行关系,但先后执行的时间间隔并无严格要求,甚至,执行本发明构图方法的统计构图规律部分步骤S2及其子步骤S21-S22、步骤S3及其子步骤S31-S34,步骤S4 及其子步骤S41-S43后可直接预设于系统中,在需智能构图时读取相关参数,并重复应用到智能构图中。
步骤S71、摄像装置每次拍摄时均依次按照向正前方、向左、向右、向上、向下、左上、左下、右上、右下的顺序各平移一定的距离范围各拍摄一张,得到同一对象或场景的一组照片,取个方向位置为一个拍摄点,根据预设的第四阈值拍摄后将摄像照片编号并分组存储;根据预设的第四阈值转换摄像装置以获取摄像照片,该第四阈值为系统预设的阈值参数,指摄像照片之间的内容重叠区域等于30%,移动距离的设定需要使得每张照片之间保持有30%左右的内容重叠区域,即在第四阈值范围内,拍摄后将同一拍摄点对同一对象或景物拍摄的照片编号分组存储;
步骤S72、将分组照片进行颜色聚类并在颜色突变区域建立关键点,将分组照片之间的内容重叠区域的关键点进行重合并根据预设的第五阈值获取合并图像,第五阈值为系统预设的阈值参数,指内容重叠区域的关键点的重合度最高且重合度大于或等于45%,将各照片间关键点的重合度从高到低排序,取符合第五阈值的照片进行拼接合并,直到完成所有角度的照片合并;
步骤S73、根据主体判断识别模型判断对合并图像进行主体判断,若合并图像包含明确主体,执行步骤S5;若合并图像不包含明确主体,执行步骤S6。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.构图方法,其特征在于,包括统计构图规律和智能构图,
所述统计构图规律通过获取参照图片,建立空间分布统计规律;
所述智能构图对摄像照片的合并图像进行随机构图,并根据所述空间分布统计规律对所述合并图像进行裁切,用于获取提供给用户的照片;
其中,所述摄像照片通过转换拍摄点获取分组照片,在所述分组照片颜色突变区域建立关键点,将所述分组照片之间的内容重叠区域的关键点进行重合以获取所述合并图像。
2.根据权利要求1所述的构图方法,其特征在于,
所述空间分布统计规律包括包含明确主体空间分布统计规律和不包含明确主体空间分布统计规律,所述统计构图规律具体包括以下步骤:
步骤S1、获取参照图片,并将所述参照图片分为包含明确主体照片和不包含明确主体照片,所述参照图片为从社交媒体和摄影作品网站获取的用户点赞数超过预设的第一阈值的摄影照片;
步骤S2、利用卷积神经网络对所述包含明确主体照片进行学习训练,建立主体判断识别模型;
步骤S3、对所述包含明确主体照片的主体部分进行边缘检测、框选,通过统计学规律得到包含明确主体空间分布统计规律;
步骤S4、采用聚类算法对所述不包含明确主体照片进行颜色聚类,通过统计学规律得到不包含明确主体空间分布统计规律;
所述智能构图包括以下步骤:
步骤S5、利用构图框对合并图像进行随机构图,根据所述包含明确主体空间分布统计规律对所述合并图像进行裁切,获取提供给用户的照片;
步骤S6、利用构图框对所述合并图像进行随机构图,根据所述不包含明确主体空间分布统计规律对所述合并图像进行裁切,获取提供给用户的照片。
3.根据权利要求2所述的构图方法,其特征在于,所述统计构图规律与所述智能构图之间还包括以下步骤,
步骤S71、根据预设的第四阈值转换摄像装置以获取摄像照片,所述摄像装置每次拍摄时均依次按照向正前方、向左、向右、向上、向下、左上、左下、右上、右下的顺序平移并拍摄,根据预设的第四阈值拍摄后将摄像照片编号并分组存储得到分组照片,所述第四阈值为所述摄像照片之间的内容重叠区域等于30%;
步骤S72、将所述分组照片进行颜色聚类并在颜色突变区域建立关键点,将所述分组照片之间的内容重叠区域的关键点进行重合并根据预设的第五阈值获取合并图像,所述第五阈值为内容重叠区域的关键点的重合度最高且重合度大于或等于45%;
步骤S73、根据所述主体判断识别模型对所述合并图像进行主体判断;
所述摄像照片采用自动摄像或人工拍摄。
4.根据权利要求2所述的构图方法,其特征在于,所述参照图片为包含明确主体照片,所述步骤S2具体包括以下步骤,依次为:
步骤S21、提取所述包含明确主体照片主体部分的特征向量;
步骤S22、将所述包含明确主体照片划分为M*N个方格区域,计算每个方格区域中的点数与主体部分总点数之比,得到M*N维特征向量,利用卷积神经网络进行学习训练,建立主体判断识别模型,执行步骤S3。
5.根据权利要求2所述的构图方法,其特征在于,所述步骤S3具体包括以下步骤,依次为:
步骤S31、对所述主体部分进行边缘检测,采用矩形框选,获取框选部分;
步骤S32、根据预设的第二阈值判断所述框选部分是否属于所述主体部分,所述第二阈值为所述主体部分面积大于或等于所述包含明确主体照片面积的15%;
步骤S33、通过统计学规律获取包含明确主体空间分布统计规律;
步骤S34、对所述主体部分进行颜色聚类,根据聚类的色块划分所述主体部分,获取所述主体部分的各个组成部分的色块占比统计数据。
6.根据权利要求2所述的构图方法,其特征在于,所述参照图片为不包含明确主体照片,所述步骤S4具体包括以下步骤,依次为:
步骤S41、采用聚类算法对所述不包含明确主体照片进行颜色聚类,获取不同图形组合的主色调颜色块;
步骤S42、根据HSB值获取色差在预设的第三阈值范围内的相邻的主色调颜色块,将所述相邻的主色调颜色块聚合为同一色块,获取主色调颜色块组合;
步骤S43、获取不包含明确主体空间分布规律,所述不包含明确主体空间分布规律包括面积比、宽度比、高度比,所述面积比为所述主色调颜色块组合的面积与所述不包含明确主体照片的面积的百分比,所述宽度比为所述主色调颜色块组合的宽度与所述不包含明确主体照片的宽度的百分比,所述高度比为所述主色调颜色块组合的高度与所述不包含明确主体照片的高度的百分比。
7.根据权利要求2,4,5中任意一项所述的构图方法,其特征在于,所述合并图像包含明确主体,所述步骤S5具体包括以下步骤:
步骤S51、对所述合并图像的主体部分进行边缘检测,采用矩形框对所述合并图像进行随机构图,以获取第一随机构图部分;
步骤S52、获取所述第一随机构图部分的空间分布统计规律;
步骤S53、根据所述包含明确主体空间分布统计规律选择所述第一随机构图部分以获取待第一待裁切图片;
步骤S54、计算所述合并图像不包含第一待裁切图片的面积,根据所述合并图像不包含所述第一待裁切图片的面积的最小值获取第一裁切图片;
步骤S55、对所述第一裁切图片进行颜色聚类,根据聚类的色块划分所述第一裁切图片,获取所述第一裁切图片各个组成部分的色块占比统计数据,根据所述包含明确主体空间分布统计获取提供给用户的照片。
8.根据权利要求2,6中任意一项所述的构图方法,其特征在于,所述合并图像不包含明确主体,所述步骤S6具体包括以下步骤:
步骤S61、采用矩形框对所述合并图像进行随机构图以获取第二随机构图部分;
步骤S62、对所述第二随机构图部分进行颜色聚类,获取所述第二随机构图部分的空间分布统计规律;
步骤S63、根据所述第二随机构图部分获取第二待裁切图片,计算所述合并图像不包含所述第二待裁切图片的面积,根据所述合并图像不包含第二待裁切图片的面积的最小值获取提供给用户的照片。
9.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现如权利要求1-8任意一项所述的构图方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-8任意一项所述的构图方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004280.6A CN109872340B (zh) | 2019-01-03 | 2019-01-03 | 构图方法及其电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004280.6A CN109872340B (zh) | 2019-01-03 | 2019-01-03 | 构图方法及其电子设备、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872340A true CN109872340A (zh) | 2019-06-11 |
CN109872340B CN109872340B (zh) | 2023-06-27 |
Family
ID=66917488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910004280.6A Active CN109872340B (zh) | 2019-01-03 | 2019-01-03 | 构图方法及其电子设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872340B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327829A (zh) * | 2020-03-09 | 2020-06-23 | Oppo广东移动通信有限公司 | 构图指导方法、装置、电子设备及存储介质 |
US11917288B2 (en) | 2018-11-06 | 2024-02-27 | Huawei Technologies Co., Ltd. | Image processing method and apparatus |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004342067A (ja) * | 2003-04-22 | 2004-12-02 | 3D Media Co Ltd | 画像処理方法、画像処理装置、及びコンピュータプログラム |
JP2011041041A (ja) * | 2009-08-12 | 2011-02-24 | Casio Computer Co Ltd | 撮像装置、撮像方法及びプログラム |
CN103002216A (zh) * | 2011-09-13 | 2013-03-27 | 卡西欧计算机株式会社 | 合成图像的图像处理装置 |
US20140341482A1 (en) * | 2013-05-14 | 2014-11-20 | Google Inc. | Generating compositions |
CN108062755A (zh) * | 2017-11-02 | 2018-05-22 | 广东数相智能科技有限公司 | 一种图片智能裁剪方法及装置 |
CN108062739A (zh) * | 2017-11-02 | 2018-05-22 | 广东数相智能科技有限公司 | 一种基于主体位置的图片智能裁剪方法及装置 |
CN108960250A (zh) * | 2018-05-07 | 2018-12-07 | 广东数相智能科技有限公司 | 图像至旋律的转换方法、装置与计算机可读存储介质 |
CN109064395A (zh) * | 2018-06-19 | 2018-12-21 | 广东数相智能科技有限公司 | 一种基于图书盘点的书架图像拼接方法、电子设备及存储介质 |
-
2019
- 2019-01-03 CN CN201910004280.6A patent/CN109872340B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004342067A (ja) * | 2003-04-22 | 2004-12-02 | 3D Media Co Ltd | 画像処理方法、画像処理装置、及びコンピュータプログラム |
JP2011041041A (ja) * | 2009-08-12 | 2011-02-24 | Casio Computer Co Ltd | 撮像装置、撮像方法及びプログラム |
CN103002216A (zh) * | 2011-09-13 | 2013-03-27 | 卡西欧计算机株式会社 | 合成图像的图像处理装置 |
US20140341482A1 (en) * | 2013-05-14 | 2014-11-20 | Google Inc. | Generating compositions |
CN108062755A (zh) * | 2017-11-02 | 2018-05-22 | 广东数相智能科技有限公司 | 一种图片智能裁剪方法及装置 |
CN108062739A (zh) * | 2017-11-02 | 2018-05-22 | 广东数相智能科技有限公司 | 一种基于主体位置的图片智能裁剪方法及装置 |
CN108960250A (zh) * | 2018-05-07 | 2018-12-07 | 广东数相智能科技有限公司 | 图像至旋律的转换方法、装置与计算机可读存储介质 |
CN109064395A (zh) * | 2018-06-19 | 2018-12-21 | 广东数相智能科技有限公司 | 一种基于图书盘点的书架图像拼接方法、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11917288B2 (en) | 2018-11-06 | 2024-02-27 | Huawei Technologies Co., Ltd. | Image processing method and apparatus |
CN111327829A (zh) * | 2020-03-09 | 2020-06-23 | Oppo广东移动通信有限公司 | 构图指导方法、装置、电子设备及存储介质 |
CN111327829B (zh) * | 2020-03-09 | 2021-12-17 | Oppo广东移动通信有限公司 | 构图指导方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109872340B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993216B (zh) | 一种图像融合方法及其设备、存储介质、终端 | |
CN108234870A (zh) | 图像处理方法、装置、终端及存储介质 | |
JP6438403B2 (ja) | 結合された深度キューに基づく平面視画像からの深度マップの生成 | |
CN105894458A (zh) | 一种具有人脸的图像处理方法和装置 | |
CN109344715A (zh) | 智能构图控制方法、装置、电子设备及存储介质 | |
CN104994306A (zh) | 一种基于脸部亮度自动调整曝光度的摄像方法和摄像装置 | |
CN104751407B (zh) | 一种用于对图像进行虚化的方法和装置 | |
CN108174185A (zh) | 一种拍照方法、装置及终端 | |
CN108093174A (zh) | 拍照设备的构图方法、装置和拍照设备 | |
CN110807759A (zh) | 照片质量的评价方法及装置、电子设备、可读存储介质 | |
CN110163810A (zh) | 一种图像处理方法、装置以及终端 | |
CN108062755A (zh) | 一种图片智能裁剪方法及装置 | |
CN109587394A (zh) | 一种智能构图方法、电子设备及存储介质 | |
CN112785534A (zh) | 一种动态场景下去鬼影多曝光图像融合方法 | |
US11736800B2 (en) | Method, apparatus, and device for image capture, and storage medium | |
CN109872340A (zh) | 构图方法及其电子设备、计算机可读存储介质 | |
CN108062739A (zh) | 一种基于主体位置的图片智能裁剪方法及装置 | |
CN110233971A (zh) | 一种拍摄方法及终端、计算机可读存储介质 | |
CN107330918B (zh) | 一种基于在线多示例学习的足球视频球员跟踪方法 | |
US11417019B2 (en) | Detection of a calibration object for modifying image parameters | |
CN114037923A (zh) | 一种目标活动热点图绘制方法、系统、设备及存储介质 | |
CN107547789A (zh) | 影像获取装置及其摄影构图的方法 | |
CN108257086A (zh) | 一种全景照片处理的方法及装置 | |
CN107194954A (zh) | 多视角视频的球员追踪方法和装置 | |
CN109461123B (zh) | 一种针对图像质量客观评测点图的几何畸变自动分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |