CN110120059A - 一种图标生成方法及装置 - Google Patents
一种图标生成方法及装置 Download PDFInfo
- Publication number
- CN110120059A CN110120059A CN201910403836.9A CN201910403836A CN110120059A CN 110120059 A CN110120059 A CN 110120059A CN 201910403836 A CN201910403836 A CN 201910403836A CN 110120059 A CN110120059 A CN 110120059A
- Authority
- CN
- China
- Prior art keywords
- icon
- sample
- keyword
- target
- term vector
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提供了一种图标生成方法及装置,涉及图像处理技术领域。本发明通过获取目标关键词,根据目标关键词从预设的图标数据库中检索对应的目标图形,将目标图形输入预设的神经网络模型中,得到合成后的图标,对合成后的图标进行处理,得到目标图标。通过获取图标使用者输入的目标关键词,利用预设的图标数据库和神经网络模型,就可得到想要的目标图标,大大降低了图标生成花费的时间,提高了图标生成的效率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图标生成方法及装置。
背景技术
图标作为一种具有明确指代含义的计算机图形,被广泛应用于商业领域,无论是在传统的互联网网站,还是在移动互联网的APP(Application,应用)中都能见到图标的身影。
目前,图标的生成需要设计师一步步进行设计,包括最开始创意的构思,然后经过构图,最终完成图标的设计,一个图标的生成需要花费设计师大量的时间和心血,因此,目前的图标生成花费的时间长、效率低。
发明内容
本发明提供一种图标生成方法及装置,以解决现有的目前的图标生成花费的时间长、效率低的问题。
为了解决上述问题,本发明公开了一种图标生成方法,包括:
获取目标关键词;
根据所述目标关键词从预设的图标数据库中检索对应的目标图形;
将所述目标图形输入预设的神经网络模型中,得到合成后的图标;
对所述合成后的图标进行处理,得到目标图标。
可选的,所述对所述合成后的图标进行处理,得到目标图标的步骤,包括:
对所述合成后的图标进行分割,得到多个图标区域块;
对所述多个图标区域块的边缘进行拟合;
对拟合后的多个图标区域块进行着色,得到目标图标。
可选的,所述图标数据库包括多个样本图标、每个样本图标对应的样本词向量和每个样本图标对应的多个样本图形;在所述根据所述目标关键词从预设的图标数据库中检索对应的目标图形的步骤之前,还包括:
获取样本图标;
对获取到的样本图标进行关键词标定,得到所述样本图标对应的样本关键词;
将所述样本关键词输入词向量模型中,得到所述样本关键词对应的样本词向量;
对所述样本图标进行处理,得到所述样本图标对应的多个样本图形;
根据所述样本图标、所述样本词向量和所述多个样本图形,生成所述图标数据库。
可选的,所述根据所述目标关键词从预设的图标数据库中检索对应的目标图形的步骤,包括:
将所述目标关键词输入所述词向量模型中,得到目标词向量;
计算目标词向量与所述图标数据库中各个样本词向量的相似度;
获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形。
可选的,所述神经网络模型为生成对抗网络模型,在所述将所述目标图形输入预设的神经网络模型中,得到合成后的图标的步骤之前,还包括:
将所述样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,得到生成后的图标;
将所述生成后的图标和所述样本图标输入初始判别网络单元中,获得判别结果;
根据所述判别结果修正所述初始生成网络单元和/或所述初始判别网络单元的参数,得到所述生成对抗网络模型。
为了解决上述问题,本发明还公开了一种图标生成装置,包括:
目标关键词获取模块,被配置为获取目标关键词;
目标图形检索模块,被配置为根据所述目标关键词从预设的图标数据库中检索对应的目标图形;
目标图形输入模块,被配置为将所述目标图形输入预设的神经网络模型中,得到合成后的图标;
图标处理模块,被配置为对所述合成后的图标进行处理,得到目标图标。
可选的,所述图标处理模块,包括:
图标分割子模块,被配置为对所述合成后的图标进行分割,得到多个图标区域块;
拟合子模块,被配置为对所述多个图标区域块的边缘进行拟合;
着色子模块,被配置为对拟合后的多个图标区域块进行着色,得到目标图标。
可选的,所述图标数据库包括多个样本图标、每个样本图标对应的样本词向量和每个样本图标对应的多个样本图形;所述装置还包括:
样本图标获取模块,被配置为获取样本图标;
关键词标定模块,被配置为对获取到的样本图标进行关键词标定,得到所述样本图标对应的样本关键词;
样本关键词输入模块,被配置为将所述样本关键词输入词向量模型中,得到所述样本关键词对应的样本词向量;
样本图标处理模块,被配置为对所述样本图标进行处理,得到所述样本图标对应的多个样本图形;
图标数据库生成模块,被配置为根据所述样本图标、所述样本词向量和所述多个样本图形,生成所述图标数据库。
可选的,所述目标图形检索模块,包括:
目标关键词输入子模块,被配置为将所述目标关键词输入所述词向量模型中,得到目标词向量;
相似度计算子模块,被配置为计算目标词向量与所述图标数据库中各个样本词向量的相似度;
目标图形获取子模块,被配置为获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形。
可选的,所述神经网络模型为生成对抗网络模型,所述装置还包括:
样本图形输入模块,被配置为将所述样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,得到生成后的图标;
判别结果获取模块,被配置为将所述生成后的图标和所述样本图标输入初始判别网络单元中,获得判别结果;
参数修正模块,被配置为根据所述判别结果修正所述初始生成网络单元和/或所述初始判别网络单元的参数,得到所述生成对抗网络模型。
为了解决上述问题,本发明还公开了一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的图标生成方法的步骤。
为了解决上述问题,本发明另外公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的图标生成方法的步骤。
与现有技术相比,本发明包括以下优点:
通过获取目标关键词,根据目标关键词从预设的图标数据库中检索对应的目标图形,将目标图形输入预设的神经网络模型中,得到合成后的图标,对合成后的图标进行处理,得到目标图标。通过获取图标使用者输入的目标关键词,利用预设的图标数据库和神经网络模型,就可得到想要的目标图标,大大降低了图标生成花费的时间,提高了图标生成的效率。
附图说明
图1示出了本发明实施例的一种图标生成方法的流程图;
图2示出了本发明实施例的另一种图标生成方法的流程图;
图3示出了本发明实施例的图标数据库的生成过程示意图;
图4示出了本发明实施例的生成对抗网络模型的训练过程示意图;
图5示出了本发明实施例的一种图标生成装置的结构框图;
图6示出了本发明实施例的另一种图标生成装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1,示出了本发明实施例的一种图标生成方法的流程图,具体可以包括如下步骤:
步骤101,获取目标关键词。
在本发明实施例中,当图标使用者想要获取目标图标时,首先输入目标关键词,则获取图标使用者输入的目标关键词,目标关键词指的是与目标图标属性相关的词或字。
步骤102,根据所述目标关键词从预设的图标数据库中检索对应的目标图形。
在本发明实施例中,预先创建图标数据库,图标数据库中保存有多个样本图标、每个样本图标对应的样本词向量和每个样本图标对应的多个样本图形。样本图标指的是已经设计出来的现有图标,多个样本图形指的是对一个样本图标进行处理后的得到的多个封闭形状,如三角形、矩形、椭圆形等形状,其中,样本图标、样本词向量和样本图标对应的多个样本图形,三者之间是一一对应的关系。
将获取到的目标关键词输入预设的图标数据库中,将目标关键词与图标数据库中的各个样本词向量进行比较,选取符合预设条件的样本词向量对应的多个样本图形,从而实现在图标数据库中检索到对应的目标图形。
步骤103,将所述目标图形输入预设的神经网络模型中,得到合成后的图标。
在本发明实施例中,预先根据创建的图标数据库中的多个样本图标和每个样本图标对应的多个样本图形进行训练,得到神经网络模型,其中,神经网络模型可以为生成对抗网络(GAN,Generative Adversarial Networks)模型。
将检索到的目标图形输入预设的神经网络模型中,得到合成后的图标,该合成的图标与选取的多个样本图形对应的样本图标不同,但是与选取的多个样本图形对应的样本图标具有相同或相似的特性。
步骤104,对所述合成后的图标进行处理,得到目标图标。
在本发明实施例中,通过神经网络模型合成的图标通常是不规则的,而现有的样本图标都是由规则的几何形状组合而成,因此,需要对神经网络模型合成的图标进行处理,使得得到目标图标由规则的几何形状组合而成。
在本发明实施例中,通过获取目标关键词,根据目标关键词从预设的图标数据库中检索对应的目标图形,将目标图形输入预设的神经网络模型中,得到合成后的图标,对合成后的图标进行处理,得到目标图标。通过获取图标使用者输入的目标关键词,利用预设的图标数据库和神经网络模型,就可得到想要的目标图标,大大降低了图标生成花费的时间,提高了图标生成的效率。
实施例二
参照图2,示出了本发明实施例的另一种图标生成方法的流程图,具体可以包括如下步骤:
步骤201,获取样本图标。
步骤202,对获取到的样本图标进行关键词标定,得到所述样本图标对应的样本关键词。
如图3所示,首先,获取现有的多个样本图标,然后对获取到的多个样本图标分别进行关键词标定,得到样本图标对应的样本关键词,构建样本关键词与样本图标之间的一一对应关系;其中,样本关键词可以为样本图标的属性等词语。
步骤203,将所述样本关键词输入词向量模型中,得到所述样本关键词对应的样本词向量。
如图3所示,可以预先获取维基百科的中文数据库中的词语,根据中文数据库中的词语训练获得词向量模型,词向量模型可以为Word2vec模型。
将样本图标对应的样本关键词输入词向量模型中,可得到样本关键词对应的样本词向量,样本关键词与样本词向量也是一一对应的关系。
步骤204,对所述样本图标进行处理,得到所述样本图标对应的多个样本图形。
如图3所示,对获取到的样本图标进行处理,具体的,先将获取到的样本图标的尺寸调整到设定尺寸,然后,对尺寸调整后的样本图标进行分割,将样本图标分割成不同的区域块,由于分割出的区域块的边缘不一定是平滑的,因此,需要对分割出的区域块的边缘进行拟合,形成不同的封闭图形,最后,对不同的封闭图形进行着色,将不同的封闭图形填充上不同的颜色,进而得到样本图标对应的多个样本图形。
其中,可采用图像分割算法对样本图标进行分割,由于样本图标不同区域处的颜色有所不同,根据样本图标的颜色分布特性,将样本图标分割成不同的区域块。
例如,图像分割算法为颜色梯度算法,采用颜色梯度算法对样本图标进行分割的具体步骤为:将样本图标转化为灰度图标,对灰度图标中的每个像素的灰度值求梯度值,通常情况下,样本图标中不同颜色的边界处的梯度值变化最大,因此,根据计算到的梯度值可将样本图标分割成不同的区域块。
需要说明的是,可采用直线、圆弧线、抛物线和贝塞尔曲线等线型对分割出的区域块的边缘进行拟合。
步骤205,根据所述样本图标、所述样本词向量和所述多个样本图形,生成所述图标数据库。
在本发明实施例中,根据获取到的样本图标、样本词向量和多个样本图形,生成图标数据库;其中,图标数据库包括多个样本图标、每个样本图标对应的样本词向量和每个样本图标对应的多个样本图形,且样本图标、样本词向量和样本图标对应的多个样本图形,三者之间是一一对应的关系。
步骤206,将所述样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,得到生成后的图标。
在本发明实施例中,神经网络模型可以为生成对抗网络模型,可预先创建一个初始生成对抗网络模型,初始生成对抗网络模型包括初始生成网络单元和初始判别网络单元,初始生成网络单元和初始判别网络单元中的参数任意设定。
如图4所示,将图标数据库中的样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,利用初始生成网络单元生成一张新的图标。
步骤207,将所述生成后的图标和所述样本图标输入初始判别网络单元中,获得判别结果。
如图4所示,将生成后的图标和图标数据库中的样本图标输入初始判别网络单元中,获得判别结果,该判别结果实际上是介于0和1之间的概率值,用于判断生成后的图标是否是真实的图标,1表示判别结果为真,0表示判别结果为假。
步骤208,根据所述判别结果修正所述初始生成网络单元和/或所述初始判别网络单元的参数,得到所述生成对抗网络模型。
在本发明实施例中,根据判别结果修正初始生成网络单元和/或初始判别网络单元的参数,然后,将样本图标对应的多个样本图形和随机噪声输入到参数修正后的生成网络单元中,生成一张新的图标,将生成后的图标和图标数据库中的样本图标输入到参数修正后的判别网络单元中,获得判别结果并再次修正生成网络单元和判别网络单元的参数,直至得到的判别结果与0.5的差值的绝对值小于设定判别阈值,从而训练得到生成对抗网络模型;其中,设定判别阈值可以人为进行设定。
例如,设定判别阈值为0.01,将样本图标对应的多个样本图形输入生成对抗网络模型中,得到的判别结果为0.499,其与0.5的差值的绝对值为0.001,小于设定判别阈值0.01,则确定生成对抗网络模型训练完成。
具体的,在训练初始判别网络单元时,先将初始生成网络单元中的参数固定,然后将样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,生成一张新的图标,将生成后的图标和样本图标输入初始判别网络单元中,获得判别结果,根据判别结果修正初始判别网络单元的参数;在训练初始生成网络单元时,先将初始判别网络单元的参数固定,然后将样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,生成一张新的图标,将生成后的图标和样本图标输入初始判别网络单元中,获得判别结果,根据判别结果修正初始生成网络单元的参数。
当然,也可以无需固定初始生成网络单元或初始判别网络单元的参数,每次获得的判别结果同时修正初始生成网络单元和初始判别网络单元的参数。
步骤209,获取目标关键词。
此步骤与上述实施例一中的步骤101原理类似,在此不再赘述。
步骤210,将所述目标关键词输入所述词向量模型中,得到目标词向量。
在本发明实施例中,由于图标数据库中存储有样本关键词对应的样本词向量,为了计算样本词向量与目标关键词之间的语义相似度,需要将获取到的目标关键词输入所述词向量模型中,得到目标关键词对应的目标词向量。
步骤211,计算目标词向量与所述图标数据库中各个样本词向量的相似度。
在本发明实施例中,将目标关键词对应的目标词向量与图标数据库中各个样本词向量进行余弦相似度计算,得到目标词向量与图标数据库中各个样本词向量的相似度,该相似度指的是目标词向量与样本词向量之间的语义相似度。
步骤212,获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形。
在本发明实施例中,可预先人为设定一个设定阈值,在得到目标词向量与图标数据库中各个样本词向量的相似度后,筛除相似度小于或等于设定阈值的样本词向量对应的多个样本图形,仅获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形。
当然,也可以将目标词向量与图标数据库中各个样本词向量的相似度按照从大到的顺序进行排序,获取相似度排序靠前的一个或多个样本词向量对应的多个样本图形,得到目标图形。
步骤213,将所述目标图形输入预设的神经网络模型中,得到合成后的图标。
此步骤与上述实施例一中的步骤103原理类似,在此不再赘述。
步骤214,对所述合成后的图标进行分割,得到多个图标区域块。
在本发明实施例中,由于生成对抗网络模型合成的图标的形状并不规则,而现有的样本图标都是由规则的几何形状组合而成,因此,可采用图像分割算法对合成后的图标进行分割,将合成后的图标分割成多个图标区域块。
需要说明的是,由于输入的目标图形包括多个样本图形,且多个样本图形填充的颜色不同,因此,通过生成对抗网络模型合成的图标的颜色也有多种,可基于颜色梯度算法对合成后的图标进行分割,得到多个图标区域块。
步骤215,对所述多个图标区域块的边缘进行拟合。
在本发明实施例中,对分割得到的多个图标区域块的边缘进行拟合,形成多个封闭图形;其中,可采用直线、圆弧线、抛物线和贝塞尔曲线等线型对多个图标区域块的边缘进行拟合。
在实际应用过程中,可先采用最简单的直线对多个图标区域块的边缘进行拟合,通过最小二乘法拟合出直线参数,然后计算拟合的直线与图标区域块的边缘之间的误差,当拟合的直线与图标区域块的边缘之间的误差小于或等于预设误差时,表示此次拟合完成,从而得到由直线边缘构成的封闭图形,当拟合的直线与图标区域块的边缘之间的误差大于预设误差时,则选用其他更复杂的线性进行拟合,如贝塞尔曲线等,以形成多个封闭图形。
步骤216,对拟合后的多个图标区域块进行着色,得到目标图标。
在本发明实施例中,可接收用户选定的颜色,对拟合后的多个图标区域块进行着色,得到目标图标,目标图标不仅具有新的形状也具有相应的颜色,使其更符合图标使用者的需求。
在本发明实施例中,通过对获取到的样本图标进行关键词标定,得到样本关键词,将样本关键词输入词向量模型中,得到样本词向量,对样本图标进行处理,得到样本图标对应的多个样本图形,根据样本图标、样本词向量和多个样本图形,生成图标数据库,将样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,得到生成后的图标,将生成后的图标和样本图标输入初始判别网络单元中,获得判别结果,根据判别结果修正初始生成网络单元和/或初始判别网络单元的参数,得到生成对抗网络模型,获取目标关键词,将目标关键词输入词向量模型中,得到目标词向量,计算目标词向量与图标数据库中各个样本词向量的相似度,获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形,将目标图形输入预设的神经网络模型中,得到合成后的图标,对合成后的图标进行分割,得到多个图标区域块,对多个图标区域块的边缘进行拟合,对拟合后的多个图标区域块进行着色,得到目标图标。通过预先创建图标数据库和训练得到生成对抗网络模型,在实际应用中,通过获取图标使用者输入的目标关键词,利用图标数据库和生成对抗网络模型,就可得到想要的目标图标,大大降低了图标生成花费的时间,提高了图标生成的效率。
实施例三
参照图5,示出了本发明实施例的一种图标生成装置的结构框图。
本发明实施例的图标生成装置500包括:
目标关键词获取模块501,被配置为获取目标关键词;
目标图形检索模块502,被配置为根据所述目标关键词从预设的图标数据库中检索对应的目标图形;
目标图形输入模块503,被配置为将所述目标图形输入预设的神经网络模型中,得到合成后的图标;
图标处理模块504,被配置为对所述合成后的图标进行处理,得到目标图标。
参照图6,示出了本发明实施例的另一种图标生成装置的结构框图。
在图5的基础上,可选的,所述图标处理模块504,包括:
图标分割子模块5041,被配置为对所述合成后的图标进行分割,得到多个图标区域块;
拟合子模块5042,被配置为对所述多个图标区域块的边缘进行拟合;
着色子模块5043,被配置为对拟合后的多个图标区域块进行着色,得到目标图标。
可选的,所述图标数据库包括多个样本图标、每个样本图标对应的样本词向量和每个样本图标对应的多个样本图形;所述图标生成装置500还包括:
样本图标获取模块505,被配置为获取样本图标;
关键词标定模块506,被配置为对获取到的样本图标进行关键词标定,得到所述样本图标对应的样本关键词;
样本关键词输入模块507,被配置为将所述样本关键词输入词向量模型中,得到所述样本关键词对应的样本词向量;
样本图标处理模块508,被配置为对所述样本图标进行处理,得到所述样本图标对应的多个样本图形;
图标数据库生成模块509,被配置为根据所述样本图标、所述样本词向量和所述多个样本图形,生成所述图标数据库。
可选的,所述目标图形检索模块502,包括:
目标关键词输入子模块5021,被配置为将所述目标关键词输入所述词向量模型中,得到目标词向量;
相似度计算子模块5022,被配置为计算目标词向量与所述图标数据库中各个样本词向量的相似度;
目标图形获取子模块5023,被配置为获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形。
可选的,所述神经网络模型为生成对抗网络模型,所述图标生成装置500还包括:
样本图形输入模块510,被配置为将所述样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,得到生成后的图标;
判别结果获取模块511,被配置为将所述生成后的图标和所述样本图标输入初始判别网络单元中,获得判别结果;
参数修正模块512,被配置为根据所述判别结果修正所述初始生成网络单元和/或所述初始判别网络单元的参数,得到所述生成对抗网络模型。
在本发明实施例中,通过获取目标关键词,根据目标关键词从预设的图标数据库中检索对应的目标图形,将目标图形输入预设的神经网络模型中,得到合成后的图标,对合成后的图标进行处理,得到目标图标。通过获取图标使用者输入的目标关键词,利用预设的图标数据库和神经网络模型,就可得到想要的目标图标,大大降低了图标生成花费的时间,提高了图标生成的效率。
相应的,本发明实施例还提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如本发明实施例一和实施例二所述图标生成方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例一和实施例二所述的图标生成方法的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种图标生成方法及装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种图标生成方法,其特征在于,包括:
获取目标关键词;
根据所述目标关键词从预设的图标数据库中检索对应的目标图形;
将所述目标图形输入预设的神经网络模型中,得到合成后的图标;
对所述合成后的图标进行处理,得到目标图标。
2.根据权利要求1所述的方法,其特征在于,所述对所述合成后的图标进行处理,得到目标图标的步骤,包括:
对所述合成后的图标进行分割,得到多个图标区域块;
对所述多个图标区域块的边缘进行拟合;
对拟合后的多个图标区域块进行着色,得到目标图标。
3.根据权利要求1所述的方法,其特征在于,所述图标数据库包括多个样本图标、每个样本图标对应的样本词向量和每个样本图标对应的多个样本图形;在所述根据所述目标关键词从预设的图标数据库中检索对应的目标图形的步骤之前,还包括:
获取样本图标;
对获取到的样本图标进行关键词标定,得到所述样本图标对应的样本关键词;
将所述样本关键词输入词向量模型中,得到所述样本关键词对应的样本词向量;
对所述样本图标进行处理,得到所述样本图标对应的多个样本图形;
根据所述样本图标、所述样本词向量和所述多个样本图形,生成所述图标数据库。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标关键词从预设的图标数据库中检索对应的目标图形的步骤,包括:
将所述目标关键词输入所述词向量模型中,得到目标词向量;
计算目标词向量与所述图标数据库中各个样本词向量的相似度;
获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形。
5.根据权利要求3所述的方法,其特征在于,所述神经网络模型为生成对抗网络模型,在所述将所述目标图形输入预设的神经网络模型中,得到合成后的图标的步骤之前,还包括:
将所述样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,得到生成后的图标;
将所述生成后的图标和所述样本图标输入初始判别网络单元中,获得判别结果;
根据所述判别结果修正所述初始生成网络单元和/或所述初始判别网络单元的参数,得到所述生成对抗网络模型。
6.一种图标生成装置,其特征在于,包括:
目标关键词获取模块,被配置为获取目标关键词;
目标图形检索模块,被配置为根据所述目标关键词从预设的图标数据库中检索对应的目标图形;
目标图形输入模块,被配置为将所述目标图形输入预设的神经网络模型中,得到合成后的图标;
图标处理模块,被配置为对所述合成后的图标进行处理,得到目标图标。
7.根据权利要求6所述的装置,其特征在于,所述图标处理模块,包括:
图标分割子模块,被配置为对所述合成后的图标进行分割,得到多个图标区域块;
拟合子模块,被配置为对所述多个图标区域块的边缘进行拟合;
着色子模块,被配置为对拟合后的多个图标区域块进行着色,得到目标图标。
8.根据权利要求6所述的装置,其特征在于,所述图标数据库包括多个样本图标、每个样本图标对应的样本词向量和每个样本图标对应的多个样本图形;所述装置还包括:
样本图标获取模块,被配置为获取样本图标;
关键词标定模块,被配置为对获取到的样本图标进行关键词标定,得到所述样本图标对应的样本关键词;
样本关键词输入模块,被配置为将所述样本关键词输入词向量模型中,得到所述样本关键词对应的样本词向量;
样本图标处理模块,被配置为对所述样本图标进行处理,得到所述样本图标对应的多个样本图形;
图标数据库生成模块,被配置为根据所述样本图标、所述样本词向量和所述多个样本图形,生成所述图标数据库。
9.根据权利要求8所述的装置,其特征在于,所述目标图形检索模块,包括:
目标关键词输入子模块,被配置为将所述目标关键词输入所述词向量模型中,得到目标词向量;
相似度计算子模块,被配置为计算目标词向量与所述图标数据库中各个样本词向量的相似度;
目标图形获取子模块,被配置为获取相似度大于设定阈值的样本词向量对应的多个样本图形,得到目标图形。
10.根据权利要求8所述的装置,其特征在于,所述神经网络模型为生成对抗网络模型,所述装置还包括:
样本图形输入模块,被配置为将所述样本图标对应的多个样本图形和随机噪声输入初始生成网络单元中,得到生成后的图标;
判别结果获取模块,被配置为将所述生成后的图标和所述样本图标输入初始判别网络单元中,获得判别结果;
参数修正模块,被配置为根据所述判别结果修正所述初始生成网络单元和/或所述初始判别网络单元的参数,得到所述生成对抗网络模型。
11.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的图标生成方法的步骤。
12.一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至5中任一项所述的图标生成方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910403836.9A CN110120059B (zh) | 2019-05-15 | 2019-05-15 | 一种图标生成方法及装置 |
PCT/CN2020/087806 WO2020228536A1 (zh) | 2019-05-15 | 2020-04-29 | 图标生成方法及装置、获取图标的方法、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910403836.9A CN110120059B (zh) | 2019-05-15 | 2019-05-15 | 一种图标生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110120059A true CN110120059A (zh) | 2019-08-13 |
CN110120059B CN110120059B (zh) | 2023-03-10 |
Family
ID=67522478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910403836.9A Active CN110120059B (zh) | 2019-05-15 | 2019-05-15 | 一种图标生成方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110120059B (zh) |
WO (1) | WO2020228536A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124578A (zh) * | 2019-12-23 | 2020-05-08 | 中国银行股份有限公司 | 一种用户界面图标生成方法和装置 |
WO2020228536A1 (zh) * | 2019-05-15 | 2020-11-19 | 京东方科技集团股份有限公司 | 图标生成方法及装置、获取图标的方法、电子设备以及存储介质 |
CN116798053A (zh) * | 2023-07-20 | 2023-09-22 | 上海合芯数字科技有限公司 | 图标生成方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887416A (zh) * | 2010-06-29 | 2010-11-17 | 魔极科技(北京)有限公司 | 一种将文字转化为图形的方法及系统 |
CN103258037A (zh) * | 2013-05-16 | 2013-08-21 | 西安工业大学 | 一种针对多组合内容的商标识别检索方法 |
CN109523493A (zh) * | 2017-09-18 | 2019-03-26 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法、装置及电子设备 |
CN109741423A (zh) * | 2018-12-28 | 2019-05-10 | 北京奇艺世纪科技有限公司 | 表情包生成方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10606443B2 (en) * | 2015-12-10 | 2020-03-31 | Appelago Inc. | Interactive dashboard for controlling delivery of dynamic push notifications |
CN109685072B (zh) * | 2018-12-22 | 2021-05-14 | 北京工业大学 | 一种基于生成对抗网络的复合降质图像高质量重建方法 |
CN109859291A (zh) * | 2019-02-21 | 2019-06-07 | 北京一品智尚信息科技有限公司 | 智能logo设计方法、系统和存储介质 |
CN110120059B (zh) * | 2019-05-15 | 2023-03-10 | 京东方科技集团股份有限公司 | 一种图标生成方法及装置 |
CN110287349A (zh) * | 2019-06-10 | 2019-09-27 | 天翼电子商务有限公司 | 图形生成方法、装置、介质及终端 |
-
2019
- 2019-05-15 CN CN201910403836.9A patent/CN110120059B/zh active Active
-
2020
- 2020-04-29 WO PCT/CN2020/087806 patent/WO2020228536A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887416A (zh) * | 2010-06-29 | 2010-11-17 | 魔极科技(北京)有限公司 | 一种将文字转化为图形的方法及系统 |
CN103258037A (zh) * | 2013-05-16 | 2013-08-21 | 西安工业大学 | 一种针对多组合内容的商标识别检索方法 |
CN109523493A (zh) * | 2017-09-18 | 2019-03-26 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法、装置及电子设备 |
CN109741423A (zh) * | 2018-12-28 | 2019-05-10 | 北京奇艺世纪科技有限公司 | 表情包生成方法及系统 |
Non-Patent Citations (4)
Title |
---|
AJKEL MINO ET AL: "LoGAN: Generating Logos with a Generative Adversarial Neural Network Conditioned on color", 《2018 17TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS》 * |
HANOCK KWAK ET AL: "Generating Images Part by Part with Composite Generative Adversarial Networks", 《ARXIV:1607.05387V2 [CS.AI]》 * |
徐德 等: "《机器人视觉测量与控制》", 29 February 2008, 国防工业出版社 * |
马世旭: "《设计师日记-18天学通Photoshop CS4》", 31 December 2009, 北京科海电子出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020228536A1 (zh) * | 2019-05-15 | 2020-11-19 | 京东方科技集团股份有限公司 | 图标生成方法及装置、获取图标的方法、电子设备以及存储介质 |
CN111124578A (zh) * | 2019-12-23 | 2020-05-08 | 中国银行股份有限公司 | 一种用户界面图标生成方法和装置 |
CN111124578B (zh) * | 2019-12-23 | 2023-09-29 | 中国银行股份有限公司 | 一种用户界面图标生成方法和装置 |
CN116798053A (zh) * | 2023-07-20 | 2023-09-22 | 上海合芯数字科技有限公司 | 图标生成方法及装置 |
CN116798053B (zh) * | 2023-07-20 | 2024-04-26 | 上海合芯数字科技有限公司 | 图标生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110120059B (zh) | 2023-03-10 |
WO2020228536A1 (zh) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | An information-theoretic framework for flow visualization | |
Wang et al. | Data-driven image color theme enhancement | |
Zhou et al. | A survey of colormaps in visualization | |
Provenzi et al. | Random spray retinex: a new retinex implementation to investigate the local properties of the model | |
CN110120059A (zh) | 一种图标生成方法及装置 | |
US20200167564A1 (en) | Machine learning to predict cognitive image composition | |
CN109191476A (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
CN106095447B (zh) | 一种应用界面的生成方法、设备及计算设备 | |
US8983808B2 (en) | Automated mesh generation and editing tools | |
RU2540829C2 (ru) | Интерактивный итеративный алгоритм ближайших точек для сегментации органов | |
CN111428457B (zh) | 数据表的自动格式化 | |
CN107291840A (zh) | 一种用户属性预测模型构建方法和装置 | |
Edmunds et al. | Automatic stream surface seeding: A feature centered approach | |
Wang et al. | Efficient opacity specification based on feature visibilities in direct volume rendering | |
US11321839B2 (en) | Interactive training of a machine learning model for tissue segmentation | |
CN106202380A (zh) | 一种分类语料库的构建方法、系统及具有该系统的服务器 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN108764243A (zh) | 一种图像处理方法及装置 | |
CN110147833A (zh) | 人像处理方法、装置、系统和可读存储介质 | |
CN112182314B (zh) | 一种数据处理方法和系统 | |
KR102087211B1 (ko) | 개인의 특장점을 반영한 맞춤형 메이크업 진단 서비스 제공 시스템 | |
JP7380699B2 (ja) | 分析装置及びプログラム | |
Lu | Information-theoretic exploration for texture-based visualization | |
CN117083632A (zh) | 用于在千兆像素全切片图像上使信息可视化的方法和系统 |
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 |