CN110287343A - 图片生成方法及装置 - Google Patents

Abstract

本发明公开了一种图片生成方法及装置。其中，该方法包括：获取多种用于生成图片的图片元素；将多种图片元素，自由组合生成多个待选图片；对待选图片进行筛选，从多个待选图片中确定目标图片。本发明解决了相关技术中需要人为设计图片，工作效率低的技术问题。

Description

图片生成方法及装置

技术领域

本发明涉及图片设计领域，具体而言，涉及一种图片生成方法及装置。

背景技术

广告设计时，通常需要设计师对广告图片进行设计，但是其实在广告设计过程中，设计师的设计过程，也是将多种不同的广告图片元素进行组合，筛选，确定广告图片，对广告图片进行调整，从而确定广告图片的最终成果。但是，由设计师设计广告图片的方式，不仅效率较低，而且由于设计师的劳动成本较高，导致广告图片的设计成本较高。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图片生成方法及装置，以至少解决相关技术中需要人为设计图片，工作效率低的技术问题。

根据本发明实施例的一个方面，提供了一种图片生成方法，包括：获取多种用于生成图片的图片元素；将多种所述图片元素，自由组合生成多个待选图片；对所述待选图片进行筛选，从所述多个所述待选图片中确定目标图片。

可选的，获取多种用于生成图片的图片元素之前，包括：确定所述目标图片的生成模板，其中，所述生成模板包括多个与所述图片元素对应的元素位置。

可选的，将多种所述图片元素，自由组合生成多个待选图片包括：将预定数量的图片元素，进行自由组合，得到多种元素组合；根据多种所述元素组合，将每个图片元素设置在所述生成模板上对应的元素位置，生成多个待选图片。

可选的，通过机器学习模型对所述待选图片进行筛选，从所述多个所述待选图片中确定目标图片包括：根据多个所述待选图片，确定多个所述待选图片的美观度和/或点击率；根据所述美观度和/或所述点击率，从多个所述待选图片中确定目标图片。

可选的，根据多个所述待选图片，确定多个所述待选图片的美观度包括：将待选图片，输入第一机器学习模型，由所述第一机器学习模型输出所述待选图片的美观度，其中，所述第一机器学习模型是由多组第一训练数据训练而成，每组所述第一训练数据均包括：图片，和所述图片的美观度。

可选的，根据多个所述待选图片，确定多个所述待选图片的点击率包括：将待选图片，输入第二机器学习模型，由所述第二机器学习模型输出所述待选图片的点击率等级，其中，所述第二机器学习模型是由多组第二训练数据训练而成，每组所述第二训练数据均包括：图片，和所述图片的点击率等级。

可选的，根据所述美观度和所述点击率，从多个所述待选图片中确定目标照片包括：根据综合得分S超过预设阈值的待选图片，确定所述目标图片；其中，所述综合得分S＝w₁*m+w₂*d，m为所述待选图片的美观度分数，d为所述待选图片的点击率等级，w₁为第一权重系数，w₂为第二权重系数。

可选的，根据综合得分S超过预设阈值的待选图片，确定所述目标图片包括：将多个所述待选图片中，综合得分S超过预设阈值的待选图片，确定为合格图片，其中，所述合格图片为多个；发送多个所述合格图片；接收用于从多个所述合格图片中确定目标图片的选择指令；根据所述选择指令从多个所述合格图片中确定所述目标图片。

根据本发明实施例的另一方面，还提供了一种图片生成装置，其特征在于，包括：获取模块，用于获取生成的图片需要的多种图片元素；生成模块，用于将多种所述图片元素，自由组合生成多个待选图片；确定模块，用于对所述待选图片进行筛选，从所述多个所述待选图片中确定目标图片。

根据本发明实施例的另一方面，还提供了一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的方法。

根据本发明实施例的另一方面，还提供了一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的方法。

在本发明实施例中，采用获取多种用于生成图片的图片元素；将多种图片元素，自由组合生成多个待选图片；对待选图片进行筛选，从多个待选图片中确定目标图片的方式，通过图片元素进行组合，然后进行筛选，达到了自动生成图片的目的，从而实现了提高图片生成的效率，降低图片生成的成本的技术效果，进而解决了相关技术中需要人为设计图片，工作效率低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种图片生成方法的流程图；

图2是根据本发明实施方式的一种图片生成模板的示意图；

图3是根据本发明实施方式的一种图片生成方法的流程图；

图4是根据本发明实施例的一种图片生成装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种图片生成方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种图片生成方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取多种用于生成图片的图片元素；

步骤S104，将多种图片元素，自由组合生成多个待选图片；

步骤S106，对待选图片进行筛选，从多个待选图片中确定目标图片。

通过上述步骤，采用获取多种用于生成图片的图片元素；将多种图片元素，自由组合生成多个待选图片；对待选图片进行筛选，从多个待选图片中确定目标图片的方式，通过图片元素进行组合，然后进行筛选，达到了自动生成图片的目的，从而实现了提高图片生成的效率，降低图片生成的成本的技术效果，进而解决了相关技术中需要人为设计图片，工作效率低的技术问题。

上述图片可以广告图片，上述图片元素可以是，广告图片中的文字，标识，主图，背景图等，对于不同的图片，图片元素不同，图片元素在图片中的位置也不同，上述图片元素的内容或者位置不同，都会导致生成的图片发生变化，上述图片元素的内容可以根据需求进行设定，或者根据需求从图片元素数据库中获取。例如，上述图片主题为爱情的情况下，可以从上述图片元素数据库中获取爱情相关的图片元素。上述图片元素的数量可以是预设数量，上述图片元素的数量越多，种类越多生成的图片越多，最后筛选出来的图片质量越高。

上述将多种图片元素中，每种图片元素的数量都为预设数量，例如，文字可以是20种，标识为10种，主图为30种，背景图10种。每种图片元素都可以是经过筛选过，获得预设数量的图片元素。然后将预设数量的多种图像元素，进行自由组合，生成多个图片，该图片为待选图片，待选图片仅仅为上述多种图像元素的简单组合，难以保证其质量和美观程度，因此需要通过筛选，确定较好的图片为最终的图片。

上述对待选图片进行筛选可以是人工进行筛选，但是人工筛选，成本较高，而且标准难以把握，稳定性较差。可以通过人工智能进行筛选，例如，通过卷积神经网络，深度学习模型或者机器学习模型，对上述待选图片进行筛选，以确定上述待选图片中较好的图片，作为目标图片。

可选的，获取多种用于生成图片的图片元素之前，包括：确定目标图片的生成模板，其中，生成模板包括多个与图片元素对应的元素位置。

在上述获取生成图片所需的图片元素之前，可以对上述图片的图片元素的种类和图片元素的位置进行确定，也即是确定图片的大致框架，即上述生成模板。通过上述生成模板，按照多种图片元素的组合，生成多种待选图片。需要说明的是，上述一种图片元素的位置可以是一个或者多个，可以根据具体的需求进行设定。上述图片元素的位置可以是大致区域，该区域可以是规则形状，例如，矩形，椭圆形，方形，或者圆形等。

可选的，将多种图片元素，自由组合生成多个待选图片包括：将预定数量的图片元素，进行自由组合，得到多种元素组合；根据多种元素组合，将每个图片元素设置在生成模板上对应的元素位置，生成多个待选图片。

上述预设数量的多种图片元素进行自由组合，可以确定多种图片元素的元素组合，例如，文字一，标识二，主图三，和背景图四，可以为一组元素组合。将上述多种元素组合根据上述生成模板上，每种图片元素各自对应的元素位置，生成多个待选图片。

可选的，通过机器学习模型对待选图片进行筛选，从多个待选图片中确定目标图片包括：根据多个待选图片，确定多个待选图片的美观度和/或点击率；根据美观度和/或点击率，从多个待选图片中确定目标图片。

在对多个待选图片进行筛选时，可以按照多种不同的筛选条件进行多次筛选，例如，根据美观度和点击率对上述多个待选图片进行筛选，上述待选图片的美观度和点击率可以按照一定方式进行确定，例如，上述待选图片的点击率可以通过进行点击率测试，进行确定。上述待选图片的美观度，也可以分为多个打分条件，例如，色彩，构图，协调性等。美观度是作为一个广告图片所必须的，作为一个广告至少要满足一定的美感要求，而且广告图片作为一种上鞋产品，需要保证能够为客户带来一定的点击量，因此本实施例中，通过美观度和/或点击率对图片进行筛选，从多个待选图片中确定目标图片。

可选的，根据多个待选图片，确定多个待选图片的美观度包括：将待选图片，输入第一机器学习模型，由第一机器学习模型输出待选图片的美观度，其中，第一机器学习模型是由多组第一训练数据训练而成，每组第一训练数据均包括：图片，和图片的美观度。

上述确定待选图片的美观度可以通过人工智能的方式进行确定，具体包括：建立第一机器学习模型，该第一机器学习模型由多组第一训练数据训练而成，第一训练数据包括图片和图片对应的美观度，具体可以用美观度分值来表现。上述图片可以是历史投放的广告图片，该类图片的质量较高，分值均为高分，例如9。上述图片还可以是该生成模板生成的图片，该图片需要人工标注分数。

在通过上述第一训练数据训练第一机器学习模型的过程中，可以包括：先采用深度学习网络根据图片的原始图像的像素，生成一个N维的图像特征向量表示；利用线性模型，使用原来的N纬抽象特征和M维的具体的图像特征一起作为输入进行回归预测；其中上述图像特征包括但不限于对比度，亮度，饱和度，RGB，HUE等。

可选的，根据多个待选图片，确定多个待选图片的点击率包括：将待选图片，输入第二机器学习模型，由第二机器学习模型输出待选图片的点击率等级，其中，第二机器学习模型是由多组第二训练数据训练而成，每组第二训练数据均包括：图片，和图片的点击率等级。

上述确定待选图片的点击率可以通过人工智能的方式进行确定，具体包括：建立第二机器学习模型，该第二机器学习模型由多组第二训练数据训练而成，第二训练数据包括图片和图片对应的点击率，具体可以用点击率等级来表现。上述图片可以是历史投放的广告图片，确定上述同一广告主题在相同时间内的点击率等级。以使点击率等级更加可靠。

在通过上述第二训练数据训练第二机器学习模型的过程中，上述第二机器学习模型，采用深度学习的方式，包括但不限于Inception，VGG，MobileNet等网络模型。

可选的，根据美观度和点击率，从多个待选图片中确定目标照片包括：根据综合得分S超过预设阈值的待选图片，确定目标图片；其中，综合得分S＝w₁*m+w₂*d，m为待选图片的美观度分数，d为待选图片的点击率等级，w₁为第一权重系数，w₂为第二权重系数。

根据不同的需求，对美观度和点击率进行加权，对多个待选图片进行打分。通过上述公式计算待选图片的分数，在分数大于预设阈值的情况下，确定该待选图片合格。需要说明的是，上述满足预设阈值的待选图片可以为一个或多个，多个待选图片通常需要在次进行筛选，从中确定出目标图片。可以是由人工进行筛选，具体步骤如下：

可选的，根据综合得分S超过预设阈值的待选图片，确定目标图片包括：将多个待选图片中，综合得分S超过预设阈值的待选图片，确定为合格图片，其中，合格图片为多个；发送多个合格图片；接收用于从多个合格图片中确定目标图片的选择指令；根据选择指令从多个合格图片中确定目标图片。

将上述满足预设阈值的待选图片确定为合格图片，将合格图片发送给用户设备，进行展示，以供用户查阅，用户可以根据评定和比较，选择较满意的一个图片，作为目标图片，响应用户设备的操作，接收从多个合格图片中确定目标图片的选择指令，根据上述选择指令，从多个合格图片中确定目标图片。

需要说明的是，本实施例还提供了一种可选的实施方式，下面对该实施方式进行详细说明。

图2是根据本发明实施方式的一种图片生成模板的示意图，如图2所示，本实施方式，提前准备广告图片的创意模板，也即是上述生成模板，可以包括多种图片元素和元素位置，例如，文字区，标识logo，主图，背景图等。

图3是根据本发明实施方式的一种图片生成方法的流程图，如图3所示，广告主在投放广告时，只需要提供不同的元素进行填充即可。例如，背景图可以提供10张，文字提供20个，logo提供2个，主图提供30个，这是一个排列组合问题，可以得到12000张图片，但是并不是每一种组合生成的图片都是正常的，很可能会出现色调搭配上的冲突。还需要人工对这些组合后的图片进行二次审核，效率不高。

利用历史的投放素材和点击数据的积累，构建机器学习模型对填充各种元素生成的图片进行自动的美观度判别和点击率判别。最终决策公式总分score＝w1*美观度+w2*点击率。如果总分score大于某个阈值，则表示为合格图片，极大的减少了人工参与的成本。美观度和点击率的判定，这里采用监督学习的方式，对历史的投放素材和数据进行人工标注后进行训练。

本实施方式的美观度判定方法：美观度被划分到0-10的分数区间，数值越大代表图像的质量也好。原始数据来源包括两部分。第一部分是历史投放的广告创意，这部分的物料由于都是人工生成，所以质量较高，统一为9分。第二部分采用原来的模板自动生成的创意，这部分则需要人工进行标注分数。

模型训练步骤：采用深度学习原始图像的像素，生成一个N维的图像特征向量表示；利用线性模型，使用原来的N纬抽象特征和M维的具体的图像特征，一起作为输入进行回归预测，其中，上述图像特征包括但不限于对比度，亮度，饱和度，RGB，HUE等。

本实施方式的点击率判定方法：原始数据来源为历史有投放结果的广告创意。同时在准备训练样本时，需要尽可能考虑到广告创意在相同环境条件下的点击率情况，例如，使用同一广告主的不同创意在相同时间的点击率，而不是将广告主不同时间的广告创意进行对比。

点击率的预测通过数据分箱被划分为低中高三档，或者更细等级的划分。本实施方式不进行具体的点击率数值预测。模型训练采用深度学习的方式，包括但不限于Inception，VGG，MobileNet等网络模型。

图4是根据本发明实施例的一种图片生成装置的示意图，如图4所示，根据本发明实施例的另一方面，还提供了一种图片生成装置，其特征在于，包括：获取模块42，生成模块44和确定模块46，下面对该装置进行详细说明。

获取模块42，用于获取生成的图片需要的多种图片元素；生成模块44，与上述获取模块42相连，用于将多种图片元素，自由组合生成多个待选图片；确定模块46，与上述生成模块44相连，用于对待选图片进行筛选，从多个待选图片中确定目标图片。

通过上述装置，采用获取模块42获取多种用于生成图片的图片元素；生成模块44将多种图片元素，自由组合生成多个待选图片；确定模块46对待选图片进行筛选，从多个待选图片中确定目标图片的方式，通过图片元素进行组合，然后进行筛选，达到了自动生成图片的目的，从而实现了提高图片生成的效率，降低图片生成的成本的技术效果，进而解决了相关技术中需要人为设计图片，工作效率低的技术问题。

根据本发明实施例的另一方面，还提供了一种存储介质，其特征在于，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述中任意一项的方法。

根据本发明实施例的另一方面，还提供了一种处理器，其特征在于，处理器用于运行程序，其中，程序运行时执行上述中任意一项的方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种图片生成方法，其特征在于，包括：

获取多种用于生成图片的图片元素；

将多种所述图片元素，自由组合生成多个待选图片；

对所述待选图片进行筛选，从所述多个所述待选图片中确定目标图片。

2.根据权利要求1所述的方法，其特征在于，获取多种用于生成图片的图片元素之前，包括：

确定所述目标图片的生成模板，其中，所述生成模板包括多个与所述图片元素对应的元素位置。

3.根据权利要求2所述的方法，其特征在于，将多种所述图片元素，自由组合生成多个待选图片包括：

将预定数量的图片元素，进行自由组合，得到多种元素组合；

根据多种所述元素组合，将每个图片元素设置在所述生成模板上对应的元素位置，生成多个待选图片。

4.根据权利要求3所述的方法，其特征在于，通过机器学习模型对所述待选图片进行筛选，从所述多个所述待选图片中确定目标图片包括：

根据多个所述待选图片，确定多个所述待选图片的美观度和/或点击率；

根据所述美观度和/或所述点击率，从多个所述待选图片中确定目标图片。

5.根据权利要求4所述的方法，其特征在于，根据多个所述待选图片，确定多个所述待选图片的美观度包括：

将待选图片，输入第一机器学习模型，由所述第一机器学习模型输出所述待选图片的美观度，其中，所述第一机器学习模型是由多组第一训练数据训练而成，每组所述第一训练数据均包括：图片，和所述图片的美观度。

6.根据权利要求4所述的方法，其特征在于，根据多个所述待选图片，确定多个所述待选图片的点击率包括：

将待选图片，输入第二机器学习模型，由所述第二机器学习模型输出所述待选图片的点击率等级，其中，所述第二机器学习模型是由多组第二训练数据训练而成，每组所述第二训练数据均包括：图片，和所述图片的点击率等级。

7.根据权利要求4所述的方法，其特征在于，根据所述美观度和所述点击率，从多个所述待选图片中确定目标照片包括：

根据综合得分S超过预设阈值的待选图片，确定所述目标图片；

其中，所述综合得分S＝w₁*m+w₂*d，m为所述待选图片的美观度分数，d为所述待选图片的点击率等级，w₁为第一权重系数，w₂为第二权重系数。

8.根据权利要求7所述的方法，其特征在于，根据综合得分S超过预设阈值的待选图片，确定所述目标图片包括：

将多个所述待选图片中，综合得分S超过预设阈值的待选图片，确定为合格图片，其中，所述合格图片为多个；

发送多个所述合格图片；

接收用于从多个所述合格图片中确定目标图片的选择指令；

根据所述选择指令从多个所述合格图片中确定所述目标图片。

9.一种图片生成装置，其特征在于，包括：

获取模块，用于获取生成的图片需要的多种图片元素；

生成模块，用于将多种所述图片元素，自由组合生成多个待选图片；

确定模块，用于对所述待选图片进行筛选，从所述多个所述待选图片中确定目标图片。

10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的方法。

11.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的方法。