CN110706314B - 元素布局方法、装置、电子设备及可读存储介质 - Google Patents

元素布局方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN110706314B
CN110706314B CN201910948047.3A CN201910948047A CN110706314B CN 110706314 B CN110706314 B CN 110706314B CN 201910948047 A CN201910948047 A CN 201910948047A CN 110706314 B CN110706314 B CN 110706314B
Authority
CN
China
Prior art keywords
designed
design
information
neural network
layout
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.)
Active
Application number
CN201910948047.3A
Other languages
English (en)
Other versions
CN110706314A (zh
Inventor
胡浩
胡盼盼
佟博
张超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Bozhilin Robot Co Ltd
Original Assignee
Guangdong Bozhilin Robot Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Bozhilin Robot Co Ltd filed Critical Guangdong Bozhilin Robot Co Ltd
Priority to CN201910948047.3A priority Critical patent/CN110706314B/zh
Publication of CN110706314A publication Critical patent/CN110706314A/zh
Application granted granted Critical
Publication of CN110706314B publication Critical patent/CN110706314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本申请实施例提供一种元素布局方法、装置、电子设备及可读存储介质，该方法包括：确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型；将每个设计元素的特征信息输入至神经网络模型中，利用神经网络模型获取每个设计元素在待设计区域中的布局位置信息；基于布局位置信息将所述多个设计元素在所述待设计区域中进行布局。本方案中针对不同的布局类型训练了对应的神经网络模型，所以，可以通过神经网络模型来输出每个设计元素在待设计区域中的布局位置信息，无需人工制作不同布局类型的布局模板，方便快捷，减少了人力资源的耗费。

Description

元素布局方法、装置、电子设备及可读存储介质
技术领域
本申请涉及图像处理领域，具体而言，涉及一种元素布局方法、装置、电子设备及可读存储介质。
背景技术
近几年来，随着人工智能的不断发展，关于页面、界面或广告平面设计等图像的布局，出现了各种各样的布局风格。
现有技术中，需要设计师针对不同的布局风格制作对应的模板，这种情况下，随着用户对布局风格的需求越来越大时，则需要设计师制作大量不同布局风格的模板，从而导致人力资源耗费较大。
发明内容
本申请实施例的目的在于提供一种元素布局方法、装置、电子设备及可读存储介质，用以改善现有技术中通过人工制作大量的不同布局风格的模板导致人力资源耗费较大的问题。
第一方面，本申请实施例提供了一种元素布局方法，包括：确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型；将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，其中，所述神经网络模型为针对所确定的布局类型进行训练获得的；基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局。
在上述实现过程中，针对不同的布局类型训练了对应的神经网络模型，所以，可以根据不同的布局类型选择对应的神经网络模型，通过神经网络模型来输出每个设计元素在待设计区域中的布局位置信息，以实现设计元素在待设计区域中的布局，本方案中无需人工制作不同布局类型的布局模板，方便快捷，减少了人力资源的耗费。
可选地，所述布局位置信息包括每个设计元素在所述待设计区域中的坐标信息，所述利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，包括：利用所述神经网络模型输出所述每个设计元素在所述待设计区域中的坐标信息。
在上述实现过程中，通过神经网络模型获得设计元素在待设计区域中的坐标信息，以此可准确地将设计元素布局在待设计区域中的相应位置处。
可选地，所述基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局，包括：将所述待设计区域进行网格划分，并以所述待设计区域建立坐标系；确定所述待设计区域中各个网格之间的交点的坐标信息；根据所述每个设计元素在所述待设计区域中的坐标信息以及各个网格之间的交点的坐标信息，确定所述每个设计元素需布局在所述待设计区域中的网格之间的目标交点位置；根据所述目标交点位置将所述多个设计元素布局在所述待设计区域中。
在上述实现过程中，通过设计元素对应的坐标信息以及网格的交点的坐标信息来确定设计元素在待设计区域中的目标交点位置，从而可以更加准确地确定设计元素的布局位置，实现设计元素在待设计区域中的准确布局。
可选地，所述根据所述每个设计元素在所述待设计区域中的坐标信息以及各个网格之间的交点的坐标信息，确定所述每个设计元素需布局在所述待设计区域中的网格之间的目标交点位置，包括：在各个网格之间的交点的坐标信息中查找与所述每个设计元素在所述待设计区域中的坐标信息相同的坐标信息；若查找到相同的坐标信息，则确定坐标信息相同的交点为所述目标交点位置；若未查找到相同的坐标信息，则确定各个网格之间的交点中与所述每个设计元素距离最近的交点为所述目标交点位置。
在上述实现过程中，通过确定待设计区域中的网格的交点为设计元素在待设计区域中的布局位置，则可更加快捷实现设计元素在待设计区域中的布局。
可选地，所述根据所述目标交点位置将所述多个设计元素布局在所述待设计区域中，包括：确定所述每个设计元素的中心点；将所述每个设计元素的中心点与所述目标交点位置重合，以将所述每个设计元素的中心点布局在所述待设计区域中的所述目标交点位置处。
在上述实现过程中，通过将设计元素的中心点布局在待设计区域的目标交点位置处，这样使得布局方式更合理，布局更美观。
可选地，所述神经网络模型包括第一神经网络模型和第二神经网络模型，所述将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型输出所述每个设计元素在所述待设计区域中的坐标信息，包括：将所述每个设计元素的特征信息输入至所述第一神经网络模型中，利用所述第一神经网络模型输出所述每个设计元素在所述待设计区域中的横坐标信息；以及将所述每个设计元素的特征信息输入至所述第二神经网络模型中，利用所述第二神经网络模型输出所述每个设计元素在所述待设计区域中的纵坐标信息。
在上述实现过程中，通过两个神经网络模型各自获得对应的坐标信息，由于两个神经网络模型均是针对不同的数据进行训练的，所以，可以更精确地获得坐标信息。
可选地，所述每个设计元素的特征信息包括每个设计元素的尺寸信息以及类别信息。
可选地，所述确定所述待设计区域的布局类型，包括：获取所述待设计区域的尺寸信息；根据所述待设计区域的尺寸信息确定所述待设计区域的布局类型。
在上述实现过程中，根据不同的尺寸信息确定不同的布局类型，从而可以针对不同尺寸类型的设计区域进行布局，以生成不同尺寸类型的布局图像。
可选地，所述尺寸信息包括所述待设计区域的长和宽，所述根据所述待设计区域的尺寸信息确定所述待设计区域的布局类型，包括：
若所述待设计区域的长宽比小于第一预设比例，则确定所述待设计区域的布局类型为细高型；
若所述待设计区域的长宽比大于或等于所述第一预设比例且小于第二预设比例，则确定所述待设计区域的布局类型为高型；
若所述待设计区域的长宽比大于或等于所述第二预设比例且小于第三预设比例，则确定所述待设计区域的布局类型为方型；
若所述待设计区域的长宽比大于或等于所述第三预设比例且小于第四比例，则确定所述待设计区域的布局类型为长型；
若所述待设计区域的长宽比大于所述第四比例，则确定所述待设计区域的布局类型为细长型。
可选地，所述神经网络模型为长短期记忆网络模型LSTM或门控循环单元GRU模型。
可选地，所述确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型之前，还包括：
利用训练样本对所述神经网络模型进行训练，获得训练后的神经网络模型，其中，所述训练样本包括输入数据和标签数据，所述输入数据包括各个设计区域中的多个设计元素的特征信息以及各个设计区域对应的布局类型，所述标签数据包括所述多个设计元素在对应的设计区域中的布局位置信息。
在上述实现过程中，通过对神经网络模型进行训练，使得神经网络模型在实际预测时达到更好的预测效果。
第二方面，本申请实施例提供了一种元素布局装置，包括：
信息获取模块，用于确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型；
布局位置信息预测模块，用于将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，其中，所述神经网络模型为针对所确定的布局类型进行训练获得的；
布局模块，用于基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局。
可选地，所述布局位置信息包括每个设计元素在所述待设计区域中的坐标信息，所述布局位置信息预测模块，用于利用所述神经网络模型输出所述每个设计元素在所述待设计区域中的坐标信息。
可选地，所述布局模块，用于：
将所述待设计区域进行网格划分，并以所述待设计区域建立坐标系；
确定所述待设计区域中各个网格之间的交点的坐标信息；
根据所述每个设计元素在所述待设计区域中的坐标信息以及各个网格之间的交点的坐标信息，确定所述每个设计元素需布局在所述待设计区域中的网格之间的目标交点位置；
根据所述目标交点位置将所述多个设计元素布局在所述待设计区域中。
可选地，所述布局模块，用于：
在各个网格之间的交点的坐标信息中查找与所述每个设计元素在所述待设计区域中的坐标信息相同的坐标信息；
若查找到相同的坐标信息，则确定坐标信息相同的交点为所述目标交点位置；
若未查找到相同的坐标信息，则确定各个网格之间的交点中与所述每个设计元素距离最近的交点为所述目标交点位置。
可选地，所述布局模块，用于确定所述每个设计元素的中心点；将所述每个设计元素的中心点与所述目标交点位置重合，以将所述每个设计元素的中心点布局在所述待设计区域中的所述目标交点位置处。
可选地，所述神经网络模型包括第一神经网络模型和第二神经网络模型，所述布局位置信息预测模块，用于将所述每个设计元素的特征信息输入至所述第一神经网络模型中，利用所述第一神经网络模型输出所述每个设计元素在所述待设计区域中的横坐标信息；以及将所述每个设计元素的特征信息输入至所述第二神经网络模型中，利用所述第二神经网络模型输出所述每个设计元素在所述待设计区域中的纵坐标信息。
可选地，所述每个设计元素的特征信息包括每个设计元素的尺寸信息以及类别信息。
可选地，所述信息获取模块，用于获取所述待设计区域的尺寸信息；根据所述待设计区域的尺寸信息确定所述待设计区域的布局类型。
可选地，所述尺寸信息包括所述待设计区域的长和宽，所述信息获取模块，用于：
若所述待设计区域的长宽比小于第一预设比例，则确定所述待设计区域的布局类型为细高型；
若所述待设计区域的长宽比大于或等于所述第一预设比例且小于第二预设比例，则确定所述待设计区域的布局类型为高型；
若所述待设计区域的长宽比大于或等于所述第二预设比例且小于第三预设比例，则确定所述待设计区域的布局类型为方型；
若所述待设计区域的长宽比大于或等于所述第三预设比例且小于第四比例，则确定所述待设计区域的布局类型为长型；
若所述待设计区域的长宽比大于所述第四比例，则确定所述待设计区域的布局类型为细长型。
可选地，所述神经网络模型为长短期记忆网络模型LSTM或门控循环单元GRU模型。
可选地，所述装置还包括：
训练模块，用于利用训练样本对所述神经网络模型进行训练，获得训练后的神经网络模型，其中，所述训练样本包括输入数据和标签数据，所述输入数据包括各个设计区域中的多个设计元素的特征信息以及各个设计区域对应的布局类型，所述标签数据包括所述多个设计元素在对应的设计区域中的布局位置信息。
第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图；
图2为本申请实施例提供的一种元素布局方法的流程图；
图3为本申请实施例提供的一种将待设计区域进行网格化并建立坐标系的示意图；
图4为本申请实施例提供的一种设计元素在待设计区域中的布局示意图；
图5为本申请实施例提供的一种LSTM模型的网络结构示意图；
图6为本申请实施例提供的一种元素布局装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中提供一种元素布局方法，该方法通过预先训练获得的神经网络模型获取每个设计元素在待设计区域中的布局位置信息，所以，可以根据不同的布局类型选择对应的神经网络模型，通过神经网络模型来输出每个设计元素在待设计区域中的布局位置信息，以实现设计元素在待设计区域中的布局，本方案中无需人工制作不同布局类型的布局模板，方便快捷，减少了人力资源的耗费。下面结合具体实施例对本申请提供的元素布局方法进行详细介绍。
请参照图1，图1为本申请实施例提供的一种电子设备的结构示意图，所述电子设备可以包括：至少一个处理器110，例如CPU，至少一个通信接口120，至少一个存储器130和至少一个通信总线140。其中，通信总线140用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器110执行时，电子设备执行下述图2所示方法过程。例如，存储器130可用于存储设计元素的特征信息以及神经网络模型，处理器110可用于通过预先训练获得的神经网络模型获取每个设计元素在待设计区域中的布局位置信息，将设计元素在待设计区域中进行布局。
请参照图2，图2为本申请实施例提供的一种元素布局方法的流程图，该方法包括如下步骤：
步骤S110：确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型。
其中，本申请实施例中所指的设计元素是指用于生成页面、界面、广告等图像中的元素，例如设计元素包括图片、文字、背景等，当然还可以针对设计元素进行更细化的拆分，如设计元素可以包括主标题、副标题、主图像、副图像、大文字、小文字、商标、标签等等，当然，设计元素还可以采用其他任意形式，本申请实施例对此不做限制。图像中一般包含有多个设计元素，当然，也可以只包括一个设计元素，每种类别的设计元素可以有一个或多个。
本申请实施例中，这些设计元素用于在待设计区域中进行布局后生成图像。其中，这些设计元素可以通过获取用户提交的参考图像来获得，如通过解析其参考图像，从中提取全部的或部分的设计元素，作为待布局的多个设计元素，当然，这些设计元素还可以是用户自己编辑生成的设计元素。
在获得多个设计元素后，可以对每个设计元素进行分析或处理，以获取每个设计元素的特征信息，设计元素的特征信息可以包括设计元素的尺寸信息以及类别信息。其中，设计元素的尺寸信息可以为设计元素的长宽或者是设计元素的面积等，类别信息可以为文字、图片、背景等类别，或者也可以是根据每个设计元素对应的尺寸信息以及其设计元素的内容确定的类别，如设计元素的类别信息包括：主标题、副标题、文字1、文字2、图片1、图片2、图标等类别，其类别信息在输入至神经网络模型中时具体可以采用类别标识来表征，类别标识用于表征不同的设计元素种类，如下表1所示：
表1
设计元素名称 尺寸信息(即长宽) 类别信息(类别标识)
主标题 [W10，H10] C1
副标题 [W20，H20] C2
文字3 [W30，H30] C3
文字4 [W40，H40] C4
文字5 [W50，H50] C5
主图形 [W60，H60] C6
图形2 [W70，H70] C7
图形3 [W80，H80] C8
图形4 [W90，H90] C9
图形5 [W100，H100] C10
Logo1 [W110，H110] C11
Logo2 [W120，H120] C12
免责声明/解释权说明 [W130，H130] C13
由于预先对每个设计元素的特征信息进行了定义，如预先定义了各个设计元素对应的尺寸信息，所以在获得多个设计元素后，可以先获取各个设计元素的尺寸信息，具体可以根据各个设计元素的外接矩形框的尺寸来确定设计元素的尺寸信息，即外接矩形框的尺寸等于设计元素的尺寸，然后可根据尺寸信息查找表1中的类别标识来确定设计元素的类别信息。当然，也可以直接对设计元素进行识别，如识别设计元素包含的文字信息或图片信息来确定设计元素的类别信息。
另外，待设计区域可以是指平面设计所用的画布，多个设计元素在待设计区域上进行布局后，多个设计元素与待设计区域共同生成图像。其中，待设计区域可以是透明画布，也可以是有背景色的画布，还可以是白色画布等等。待设计区域一般根据待生成图像的大小而定，如待生成图像的长宽为50cm*60cm，则待设计区域的长宽也为50cm*60cm。可以理解地，待设计区域也可以是根据用户需求从备选的一些设计区域中选择的，如电子设备中预先存储了一些设计区域，用户可从这些设计区域中选择需要的设计区域作为待设计区域，或者，用户可以根据自己的需求编辑生成待设计区域，如用户可输入待设计区域的尺寸、形状、颜色等参数信息，电子设备可根据这些参数信息生成对应的待设计区域。
在获得待设计区域后，可确定待设计区域的布局类型，待设计区域的布局类型可以根据待设计区域的尺寸信息来区分，如可以分为高型、长型、细长型等布局类型，当然，待设计区域的布局类型还可以根据待设计区域的颜色、形状来区分，如可以分为透明画布、待颜色画布等布局类型，所以，可以根据待设计区域的这些信息来确定待设计区域的布局类型。或者待设计区域的布局类型也可以针对设计元素在待设计区域中的排版风格来区分，如每种排版风格可确定为一种布局类型。
应理解，也可以预先定义各种不同的可选的布局类型，用户可根据自己的需求选择对应的布局类型的待设计区域，以此可直接获得待设计区域的布局类型。当然，待设计区域也可以是由用户提供的参考图片中获得，即从参考图片中提取完全部的设计元素后，剩下的背景画布即可作为待设计区域，然后可根据上述的待设计区域的相关信息来确定待设计区域的布局类型。
需要说明的是，待设计区域的布局类型可以根据实际应用需求来进行灵活定义，本申请的下述实施例中仅以布局类型为待设计区域的尺寸类型来说明。
步骤S120：将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息。
其中，所述神经网络模型为针对所确定的布局类型进行训练获得的，即预先针对每种布局类型均训练有对应的神经网络模型，所以在获得待设计区域的布局类型后，可以获取对应的神经网络模型，然后将设计元素的特征信息输入至该神经网络模型中，利用该神经网络模型可输出每个设计元素在待设计区域中的布局位置信息，即获得每个设计元素在待设计区域中的布局位置。
步骤S130：基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局。
在获得每个设计元素在待设计区域中的布局位置信息后，基于该布局位置信息将多个设计元素在待设计区域中进行布局，如将每个设计元素放置于待设计区域中的对应位置，以此完成布局。
需要说明的是，若布局类型为待设计区域的尺寸类型时，由于针对每种尺寸类型其设计元素的排版风格可以不同，所以这种情况下，上述的神经网络模型在针对不同布局类型下不同排版风格进行训练，例如，针对每种布局类型，均训练不同排版风格对应的神经网络模型，在确定待设计区域的布局类型后，可将设计元素的特征信息输入该布局类型对应的多个神经网络模型中，从而可获得每个神经网络模型输出的布局位置信息，由此，可将设计元素进行多种排版风格的布局，则用户可从多种布局选择其中一种即可。
另外，还需要说明的是，若两个设计元素的特征信息相同，即两个设计元素的类别以及尺寸均相同，则获得的这两个设计元素的布局位置信息也相同，那么在进行布局时，两个设计元素在布局时可以在待设计区域上并列排布，如左右并列布局或者上下并列布局等方式。
在上述实现过程中，针对不同的布局类型训练了对应的神经网络模型，所以，可以根据不同的布局类型选择对应的神经网络模型，通过神经网络模型来输出每个设计元素在待设计区域中的布局位置信息，以实现设计元素在待设计区域中的布局，无需人工制作不同布局类型的布局模板，方便快捷，减少了人力资源的耗费。
作为一种示例，为了便于更加准确地确定设计元素在待设计区域中的具体位置，上述的布局位置信息可以包括每个设计元素在待设计区域中的坐标信息，则可利用神经网络模型输出每个设计元素在待设计区域中的坐标信息。
其中，坐标信息可以理解为设计元素布局在待设计区域中的位置信息，在对多个设计元素进行布局的过程中，可以先将待设计区域进行网格划分，并以待设计区域建立坐标系，然后确定待设计区域中各个网格之间的交点的坐标信息，再根据每个设计元素在待设计区域中的坐标信息以及各个网格之间的交点的坐标信息，确定每个设计元素需布局在待设计区域中的网格之间的目标交点位置，然后根据目标交点位置将多个设计元素布局在待设计区域中，由此，可实现设计元素在待设计区域中的准确布局。
如图3所示，图3中示出了将待设计区域进行网格划分并建立坐标系的示意图，待设计区域中的每个网格之间的交点作为设计元素的布局位置。其中，以待设计区域的左下角为坐标原点，网格的横纵线的序列号即为网格的横纵线的交点的坐标，其横纵线的序列号从0开始，由此，可获得各个网格之间的交点的坐标信息。
可以理解地，可以根据待设计区域的尺寸来进行网格的划分，如对于长宽比的值较低时，可以沿着待设计区域的宽方向进行19等分，即20条网格横线，起始和终止横线为待设计区域的上下边界，然后沿长方向9等分，即10条网格纵线，其起始和终止纵线为待设计区域的左右边界。同理，对于其他尺寸类型的待设计区域，也可以根据实际需求进行网格划分，上述对待设计区域的网格划分方式仅为举例，实际应用中，可以根据需求进行划分即可。
由于神经网络模型输出的每个设计元素的坐标信息可能无法严格与待设计区域中各个网格的交点的坐标信息对应，所以可以根据这两个设计元素的坐标信息以及交点的坐标信息来确定每个设计元素需布局在待设计区域中的目标交点位置，即确定每个待设计元素需布局在对应的网格的交点的位置，然后再根据目标交点位置将多个设计元素布局在待设计区域中，由此，可更加准确地确定出每个设计元素在待设计区域中的布局位置，实现设计元素在待设计区域中的准确布局。
当然，为了准确地确定出每个设计元素在待设计区域中的网格之间的目标交点位置，在进行网格划分时，每个网格的面积可以越小越好，即每两条网格线之间的间距越小越好。
在确定目标交点位置时，可以先在各个网格之间的交点的坐标信息中查找与每个设计元素在待设计区域中的坐标信息相同的坐标信息，若查找到相同的坐标信息，则确定坐标信息相同的交点为目标交点位置，若未查找到相同的坐标信息，确定各个网格之间的交点中与每个设计元素距离最近的交点为所述目标交点位置。
可以理解地，如图3中，若某个设计元素的坐标信息为(8,9)，其中，8表示序列号为8的网格纵线，9表示序列号为9的网格横线，若此时网格的某个交点的坐标信息也为(8,9)，则表示查找到相同的坐标信息，则可将坐标信息为(8,9)的交点作为目标交点位置。若某个设计元素的坐标信息为(8.3,8)，此时，每个交点的坐标信息均为整数，所以查找不到相同的坐标信息，则可查找该设计元素的坐标信息所在的周围的交点的坐标信息，然后计算每个交点所在的位置与设计元素所在的位置之间的距离，距离最近的交底即作为目标交点位置，如与坐标信息(8.3,8)距离最近的坐标信息为(8,8)，所以，将坐标信息为(8,8)对应的交点作为目标交点位置。
在上述实现过程中，通过确定待设计区域中的网格的交点为设计元素在待设计区域中的布局位置，则可更加快捷实现设计元素在待设计区域中的布局。
应理解，也可以直接将神经网络模型输出的设计元素在待设计区域中的坐标信息作为目标交点位置。
在上述确定目标交点位置后，可根据目标交点位置将多个设计元素布局在待设计区域中，具体地，可先确定每个设计元素的中心点，然后将每个设计元素的中心点与目标交点位置重合，以将每个设计元素的中心点布局在待设计区域中的目标交点位置处，如图4所示。
在上述实现过程中，通过将设计元素的中心点布局在待设计区域的目标交点位置处，这样使得布局方式更合理，布局更美观。
另外，为了获得更准确的设计元素在待设计区域中的坐标信息，上述的神经网络模型还可包括第一神经网络模型和第二神经网络模型，然后可利用第一神经网络模型输出每个设计元素在待设计区域中的横坐标信息，利用第二神经网络模型输出每个设计元素在待设计区域中的纵坐标信息。
可以理解地，由于在二维平面设计中，只有设计元素的中心点对应的横坐标与纵坐标确定后，才能确定设计元素的布局位置信息，而横坐标和纵坐标分别表示横纵两个方向的坐标信息，每个方向都有各自方向上的序列排序，所以为了更准确地确定设计元素的布局位置信息，可以采用两个神经网络模型，一个神经网络模型用于输出横坐标信息，另一个神经网络模型用于输出纵坐标信息，即可以将每个设计元素的特征信息输入至所述第一神经网络模型中，利用所述第一神经网络模型输出所述每个设计元素在所述待设计区域中的横坐标信息，以及所述每个设计元素的特征信息输入至所述第二神经网络模型中，利用所述第二神经网络模型输出所述每个设计元素在所述待设计区域中的纵坐标信息，所以，可以通过两个神经网络模型各自获得对应的坐标信息。由于两个神经网络模型均是针对不同的数据进行训练的，例如，利用设计元素的特征信息以及各个设计区域对应布局类型作为第一神经网络模型的输入数据，多个设计元素在对应的设计区域中的横坐标信息作为标签数据，对第一神经网络模型进行训练，以及利用设计元素的特征信息以及各个设计区域对应布局类型作为第二神经网络模型的输入数据，多个设计元素在对应的设计区域中的纵坐标信息作为标签数据，对第二神经网络模型进行训练，所以，可以更精确地获得坐标信息。
作为一种示例，本申请中以布局类型为待设计区域的尺寸类型为例进行说明，所以，在上述过程中确定待设计区域的布局类型的过程中，可以先获取待设计区域的尺寸信息，然后根据待设计区域的尺寸信息确定待设计区域的布局类型。当然，这种情况下，若每种布局类型对应的元素排版风格只有一种，则每种布局类型均对应一个神经网络模型；若每种布局类型对应的元素排版风格有多种，则每种布局类型均对应有多个神经网络模型，此时可获得设计元素的多种排版风格，用户可从多种布局选择其中一种即可。
其中，待设计区域的尺寸信息可以为待设计区域的面积或者待设计区域的长宽，即可以根据待设计区域的尺寸信息来确定待设计区域的布局类型。
具体地，若待设计区域的尺寸信息包括待设计区域的长和宽时，若待设计区域的长宽比小于第一预设比例，则确定待设计区域的布局类型为细高型；若待设计区域的长宽比大于或等于第一预设比例且小于第二预设比例，则确定待设计区域的布局类型为高型；若待设计区域的长宽比大于或等于第二预设比例且小于第三预设比例，则确定待设计区域的布局类型为方型；若待设计区域的长宽比大于或等于第三预设比例且小于第四预设比例，则确定待设计区域的布局类型为长型；若待设计区域的长宽比大于第四比例，则确定待设计区域的布局类型为细长型。
其中，可以根据实际需求设置上述各个预设比例的值，如第一预设比例为1:3，第二预设比例为1:1，第三预设比例为3，第四预设比例为5，且电子设备中预先保存有待设计区域的长宽比的区间与布局类型的对应关系，如表2所示，在获取待设计区域的长和宽时，此时根据表中长宽比的区间与布局类型的对应关系即可获得待设计区域的布局类型。
表2
布局类型 细高型 高型 方型 长型 细长型
长宽比区间 (0,1/3) [1/3,1) [1,3) [3,5) [5,∞)
针对每种布局类型训练对应的神经网络模型，即针对每种布局类型，均设置有对应的神经网络模型，所以，可以根据需求选择对应的神经网络模型来生成对应的布局类型的图像。
上述的神经网络模型可以为长短期记忆网络模型(Long Short Term Memory，LSTM)、门控循环单元(Gated Recurrent Unit，GRU)模型、变形金刚transformer模型、双向的变形金刚编码器表示(Bidirectional Encoder Representations from Transform)BERT模型或XLNet模型等，其中，XLNet模型为一种通用的自回归预训练模型。
本申请实施例中，可以预先针对各种布局类型对神经网络模型进行训练，在训练过程中，利用训练样本对神经网络进行训练，获得训练后的神经网络模型，其中，训练样本包括输入数据和标签数据，输入数据包括各个设计区域中的多个设计元素的特征信息以及各个设计区域对应的布局类型，标签数据包括多个设计元素在对应的设计区域中的布局位置信息。
本申请实施例中以LSTM模型为例，对训练过程进行介绍。
针对不同的布局类型，训练不同的LSTM模型，即布局类型有几种则需训练对应数量的LSTM模型。首先，获取训练样本，即可以广泛收集各种平面设计图像，然后这些平面设计图像进行分析，从平面设计图像中提取各个设计元素以及设计区域，然后获取各个设计元素的尺寸信息以及类别信息作为设计元素的特征信息。
针对不同的设计区域，根据设计区域的尺寸信息可区分各个设计区域的布局类型，例如，针对布局类型为细高型的设计区域可获得对应的训练样本，可以理解地，针对每种布局类型的设计区域均获取对应的训练样本对相应的神经网络模型进行训练，例如，对于布局类型为细高型的设计区域时，可以获取设计区域为细高型的图像，然后从这些图像中提取各个设计元素的特征信息，以设计元素在图像中的布局位置信息为标签，对神经网络模型进行训练。
然后对训练样本进行处理，即将设计区域按照尺寸进行网格划分，如对于细高型和高型的设计区域，对其沿宽方向进行19等分，沿长方向进行9等分，对于细长型和长型，对其沿宽方向进行9等分，沿长方向进行19等分，然后对其建立坐标系，具体过程请参照上述实施例中的描述。
根据建立的坐标系，获取各个设计元素在原始图像的设计区域中所在的坐标信息(即布局位置信息)，即先获取各个设计元素的中心，并找到离设计元素的中心距离最近的网格线的交点，该交点即可作为设计元素的坐标信息，当然也可以将设计元素的中心点的坐标信息作为设计元素的坐标信息，坐标信息即为设计元素在设计区域中的布局位置信息。
即训练样本中的输入数据在输入LSTM模型之前，需要对其进行向量化，具体可以表示如下：{[W10，H10，C1]，[W20，H20，C2]，[W30，H30，C3]，[W40，H40，C4]，…，[W110，H110，C12]，[W130，H130，C13]}，其标签数据表示如下：L_X:{X10，X20，X30,…，X130}以及L_Y:{Y10，Y20，Y30，…，Y130}。
其中，W表示设计元素的长，H表示设计元素的高，C表示设计元素的类别，X表示各个设计元素在设计区域中的横坐标向量，Y表示各个设计元素在设计区域中的纵坐标向量，若图像中无表1中的设计元素时，则该设计元素的长和宽均为0。
如图5所示，LSTM模型为单层网络结构，中间一层由长短时记忆门组成，形成对于排布序列的长短时记忆网络，根据各个设计元素的特征信息学习相互位置序列关系和排布规则。
LSTM模型的输入数据为{[W10，H10，C1]，[W20，H20，C2]，[W30，H30，C3]，[W40，H40，C4]，…，[W110，H110，C12]，[W130，H130，C13]}。LSTM模型中的t表示隐含层的每个时刻，每个时刻按照序列顺序输入一个设计元素的特征信息，最终输出为ht，网络不包含全连接层，每个ht即为LSTM模型的预测值。
对于训练效果，可以设置交叉熵函数来对LSTM模型进行测试，交叉熵函数为：
Figure BDA0002223015530000191
其中，M表示设计元素的类别数量，yc表示变量，若预测值与真实值相同为1，不相同为0，pc表示对于样本属于类别c的预测概率。
本申请中的LSTM模型是双向单层结构，输出ht维度为类别数，即13维，隐含层输出不经过全连接层，
Figure BDA0002223015530000192
及实线框表示从C1到C13的正向，
Figure BDA0002223015530000193
及虚线框表示反向。
另外，为了分别获取设计元素的横坐标信息和纵坐标信息，对于同一布局类型的训练样本可以训练两个LSTM模型，即同一布局类型下的每个样本会同时进入两个LSTM模型，一个输出为该设计元素中心点的横坐标信息，一个输出为设计元素的中心点的纵坐标信息，两个坐标信息结合，即可确定该设计元素在设计区域中的布局位置信息。
在获得待布局的多个设计元素的特征信息后，基于训练好的LSTM网络，将设计元素的特征信息输入对应的布局类型的LSTM模型中，之后通过LSTM模型输出各个设计元素对应的布局位置信息，依据该布局位置信息将设计元素排布于设计区域中，即完成布局。
例如，获得一幅待设计图像的所有元素后，首先根据表1和表2，解析出图片中所有设计元素的特征信息以及待设计区域的布局类型，并将数据进行处理，获得LSTM模型的输入格式，将信息分别输入两个LSTM模型中，如模型LSTM_x_i和模型LSTM_y_i，两个模型分别输出各自的坐标序列，模型LSTM_x_i输出的坐标序列为：LE1_X:{X10,X20,X30,…,X130,}，模型LSTM_y_i输出的坐标序列为：LE1_Y:{Y10,Y20,Y30,…,Y130,}。
其中，若存在类别为“主标题”的设计元素，则该设计元素的中心点所在位置为(X10，Y10)；若存在类别为“副标题”的设计元素，则该设计元素的中心点所在位置为(X20，Y20)；其余设计元素的位置以此类推。
按照获取的设计元素的坐标信息，将所有设计元素按照坐标信息排布摆放于待设计区域上，则一次布局结束，布局完成后生成的图像即可作为设计图像，如广告设计图像等。
另外，需要说明的是，上述仅针对布局类型为尺寸类型为例对神经网络模型进行训练，在实际应用中，还可以以其他布局类型来分别训练神经网络模型，且神经网络模型也不限于采用上述的LSTM模型，也可以采用其他模型。在训练时，也可以针对每种布局类型，训练不同种类的神经网络模型，如布局类型为细高型的设计区域，训练的神经网络模型为LSTM，布局类型为高型的设计区域，训练的神经网络模型为GRU模型，当然，为了获得使得预测效果相当，在训练时可只针对一种模型进行训练即可。
请参照图6，图6为本申请实施例提供的一种元素布局装置200的结构框图，该装置200可以是电子设备上的模块、程序段或代码。应理解，该装置200与上述图2方法实施例对应，能够执行图2方法实施例涉及的各个步骤，该装置200具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。
可选地，所述装置200包括：
信息获取模块210，用于确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型；
布局位置信息预测模块220，用于将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，其中，所述神经网络模型为针对所确定的布局类型进行训练获得的；
布局模块230，用于基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局。
可选地，所述布局位置信息包括每个设计元素在所述待设计区域中的坐标信息，所述布局位置信息预测模块220，用于利用所述神经网络模型输出所述每个设计元素在所述待设计区域中的坐标信息。
可选地，所述布局模块230，用于：
将所述待设计区域进行网格划分，并以所述待设计区域建立坐标系；
确定所述待设计区域中各个网格之间的交点的坐标信息；
根据所述每个设计元素在所述待设计区域中的坐标信息以及各个网格之间的交点的坐标信息，确定所述每个设计元素需布局在所述待设计区域中的网格之间的目标交点位置；
根据所述目标交点位置将所述多个设计元素布局在所述待设计区域中。
可选地，所述布局模块230，用于：
在各个网格之间的交点的坐标信息中查找与所述每个设计元素在所述待设计区域中的坐标信息相同的坐标信息；
若查找到相同的坐标信息，则确定坐标信息相同的交点为所述目标交点位置；
若未查找到相同的坐标信息，则确定各个网格之间的交点中与所述每个设计元素距离最近的交点为所述目标交点位置。
可选地，所述布局模块230，用于确定所述每个设计元素的中心点；将所述每个设计元素的中心点与所述目标交点位置重合，以将所述每个设计元素的中心点布局在所述待设计区域中的所述目标交点位置处。
可选地，所述神经网络模型包括第一神经网络模型和第二神经网络模型，所述布局位置信息预测模块220，用于将所述每个设计元素的特征信息输入至所述第一神经网络模型中，利用所述第一神经网络模型输出所述每个设计元素在所述待设计区域中的横坐标信息；以及将所述每个设计元素的特征信息输入至所述第二神经网络模型中，利用所述第二神经网络模型输出所述每个设计元素在所述待设计区域中的纵坐标信息。
可选地，所述每个设计元素的特征信息包括每个设计元素的尺寸信息以及类别信息。
可选地，所述信息获取模块210，用于获取所述待设计区域的尺寸信息；根据所述待设计区域的尺寸信息确定所述待设计区域的布局类型。
可选地，所述尺寸信息包括所述待设计区域的长和宽，所述信息获取模块210，用于：
若所述待设计区域的长宽比小于第一预设比例，则确定所述待设计区域的布局类型为细高型；
若所述待设计区域的长宽比大于或等于所述第一预设比例且小于第二预设比例，则确定所述待设计区域的布局类型为高型；
若所述待设计区域的长宽比大于或等于所述第二预设比例且小于第三预设比例，则确定所述待设计区域的布局类型为方型；
若所述待设计区域的长宽比大于或等于所述第三预设比例且小于第四比例，则确定所述待设计区域的布局类型为长型；
若所述待设计区域的长宽比大于所述第四比例，则确定所述待设计区域的布局类型为细长型。
可选地，所述神经网络模型为长短期记忆网络模型LSTM或门控循环单元GRU模型。
可选地，所述装置200还包括：
训练模块，用于利用训练样本对所述神经网络模型进行训练，获得训练后的神经网络模型，其中，所述训练样本包括输入数据和标签数据，所述输入数据包括各个设计区域中的多个设计元素的特征信息以及各个设计区域对应的布局类型，所述标签数据包括所述多个设计元素在对应的设计区域中的布局位置信息。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行如图2所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型；将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，其中，所述神经网络模型为针对所确定的布局类型进行训练获得的；基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局。
综上所述，本申请实施例提供一种元素布局方法、装置、电子设备及可读存储介质，该方法针对不同的布局类型训练了对应的神经网络模型，所以，可以根据不同的布局类型选择对应的神经网络模型，通过神经网络模型来输出每个设计元素在待设计区域中的布局位置信息，以实现设计元素在待设计区域中的布局，本方案中无需人工制作不同布局类型的布局模板，方便快捷，减少了人力资源的耗费。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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网络单元上。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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种元素布局方法，其特征在于，包括：
确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型；
将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，其中，所述神经网络模型为针对所确定的布局类型进行训练获得的；
基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局；
所述布局位置信息包括每个设计元素在所述待设计区域中的坐标信息，所述利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，包括：
利用所述神经网络模型输出所述每个设计元素在所述待设计区域中的坐标信息；
所述神经网络模型包括第一神经网络模型和第二神经网络模型，所述将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型输出所述每个设计元素在所述待设计区域中的坐标信息，包括：
将所述每个设计元素的特征信息输入至所述第一神经网络模型中，利用所述第一神经网络模型输出所述每个设计元素在所述待设计区域中的横坐标信息；以及
将所述每个设计元素的特征信息输入至所述第二神经网络模型中，利用所述第二神经网络模型输出所述每个设计元素在所述待设计区域中的纵坐标信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局，包括：
将所述待设计区域进行网格划分，并以所述待设计区域建立坐标系；
确定所述待设计区域中各个网格之间的交点的坐标信息；
根据所述每个设计元素在所述待设计区域中的坐标信息以及各个网格之间的交点的坐标信息，确定所述每个设计元素需布局在所述待设计区域中的网格之间的目标交点位置；
根据所述目标交点位置将所述多个设计元素布局在所述待设计区域中。
3.根据权利要求2所述的方法，其特征在于，所述根据所述每个设计元素在所述待设计区域中的坐标信息以及各个网格之间的交点的坐标信息，确定所述每个设计元素需布局在所述待设计区域中的网格之间的目标交点位置，包括：
在各个网格之间的交点的坐标信息中查找与所述每个设计元素在所述待设计区域中的坐标信息相同的坐标信息；
若查找到相同的坐标信息，则确定坐标信息相同的交点为所述目标交点位置；
若未查找到相同的坐标信息，则确定各个网格之间的交点中与所述每个设计元素距离最近的交点为所述目标交点位置。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标交点位置将所述多个设计元素布局在所述待设计区域中，包括：
确定所述每个设计元素的中心点；
将所述每个设计元素的中心点与所述目标交点位置重合，以将所述每个设计元素的中心点布局在所述待设计区域中的所述目标交点位置处。
5.根据权利要求1所述的方法，其特征在于，所述每个设计元素的特征信息包括每个设计元素的尺寸信息以及类别信息。
6.根据权利要求1所述的方法，其特征在于，所述确定所述待设计区域的布局类型，包括：
获取所述待设计区域的尺寸信息；
根据所述待设计区域的尺寸信息确定所述待设计区域的布局类型。
7.根据权利要求6所述的方法，其特征在于，所述尺寸信息包括所述待设计区域的长和宽，所述根据所述待设计区域的尺寸信息确定所述待设计区域的布局类型，包括：
若所述待设计区域的长宽比小于第一预设比例，则确定所述待设计区域的布局类型为细高型；
若所述待设计区域的长宽比大于或等于所述第一预设比例且小于第二预设比例，则确定所述待设计区域的布局类型为高型；
若所述待设计区域的长宽比大于或等于所述第二预设比例且小于第三预设比例，则确定所述待设计区域的布局类型为方型；
若所述待设计区域的长宽比大于或等于所述第三预设比例且小于第四比例，则确定所述待设计区域的布局类型为长型；
若所述待设计区域的长宽比大于所述第四比例，则确定所述待设计区域的布局类型为细长型。
8.根据权利要求1-7任一所述的方法，其特征在于，所述神经网络模型为长短期记忆网络模型LSTM或门控循环单元GRU模型。
9.根据权利要求1-7任一所述的方法，其特征在于，所述确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型之前，还包括：
利用训练样本对所述神经网络模型进行训练，获得训练后的神经网络模型，其中，所述训练样本包括输入数据和标签数据，所述输入数据包括各个设计区域中的多个设计元素的特征信息以及各个设计区域对应的布局类型，所述标签数据包括所述多个设计元素在对应的设计区域中的布局位置信息。
10.一种元素布局装置，其特征在于，包括：
信息获取模块，用于确定待布局的多个设计元素中每个设计元素的特征信息以及确定待设计区域的布局类型；
布局位置信息预测模块，用于将所述每个设计元素的特征信息输入至神经网络模型中，利用所述神经网络模型获取所述每个设计元素在所述待设计区域中的布局位置信息，其中，所述神经网络模型为针对所确定的布局类型进行训练获得的；
布局模块，用于基于所述布局位置信息将所述多个设计元素在所述待设计区域中进行布局；
所述布局位置信息包括每个设计元素在所述待设计区域中的坐标信息，所述布局位置信息预测模块，用于利用所述神经网络模型输出所述每个设计元素在所述待设计区域中的坐标信息；
所述神经网络模型包括第一神经网络模型和第二神经网络模型，所述布局位置信息预测模块，用于将所述每个设计元素的特征信息输入至所述第一神经网络模型中，利用所述第一神经网络模型输出所述每个设计元素在所述待设计区域中的横坐标信息；以及将所述每个设计元素的特征信息输入至所述第二神经网络模型中，利用所述第二神经网络模型输出所述每个设计元素在所述待设计区域中的纵坐标信息。
11.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-9任一所述方法中的步骤。
12.一种可读存储介质，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运行如权利要求1-9任一所述方法中的步骤。
CN201910948047.3A 2019-09-30 2019-09-30 元素布局方法、装置、电子设备及可读存储介质 Active CN110706314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910948047.3A CN110706314B (zh) 2019-09-30 2019-09-30 元素布局方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910948047.3A CN110706314B (zh) 2019-09-30 2019-09-30 元素布局方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN110706314A CN110706314A (zh) 2020-01-17
CN110706314B true CN110706314B (zh) 2023-04-07

Family

ID=69196684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910948047.3A Active CN110706314B (zh) 2019-09-30 2019-09-30 元素布局方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110706314B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874496A (zh) * 2020-01-20 2020-03-10 广东博智林机器人有限公司 基于强化学习的楼栋摆放方法、装置、存储介质及计算机设备
CN111353822A (zh) * 2020-03-03 2020-06-30 广东博智林机器人有限公司 一种图像布局、模型训练方法、装置、设备及存储介质
CN111507032B (zh) * 2020-03-31 2021-09-24 中国人民解放军军事科学院国防科技创新研究院 基于深度学习技术预测温度分布的组件布局优化设计方法
CN111524208A (zh) * 2020-04-24 2020-08-11 广东博智林机器人有限公司 海报排布模型的训练方法、海报生成方法及装置
CN113297401B (zh) * 2020-08-14 2024-02-02 每平每屋(上海)科技有限公司 半边数据结构的生成方法、数据处理方法、装置及设备
CN112163308A (zh) * 2020-10-13 2021-01-01 西安理工大学 一种适应性导视设计布局方法
CN113778302A (zh) * 2021-08-20 2021-12-10 北京达佳互联信息技术有限公司 界面元素显示的方法、装置、存储介质及电子设备
CN115203767B (zh) * 2022-09-16 2022-12-09 青岛艾德软件有限公司 一种工程图纸自动布局方法及系统
CN116403199B (zh) * 2023-06-07 2023-09-08 杭州实在智能科技有限公司 基于深度学习的屏幕图标语义识别方法及系统
CN117221146B (zh) * 2023-11-09 2024-01-23 成都科江科技有限公司 一种梯形图逻辑组态的界面布局系统及布局方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108780401A (zh) * 2016-05-17 2018-11-09 谷歌有限责任公司 用于用户界面元素的有效布局和控制的基于约束的布局系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4572669B2 (ja) * 2004-03-31 2010-11-04 セイコーエプソン株式会社 レイアウトルール生成システム、レイアウトシステム及びレイアウトルール生成方法並びにレイアウトルール生成プログラム
US9406093B2 (en) * 2013-06-11 2016-08-02 Facebook, Inc. Determining an image layout
CN107292234B (zh) * 2017-05-17 2020-06-30 南京邮电大学 一种基于信息边缘和多模态特征的室内场景布局估计方法
CN109508189B (zh) * 2018-10-18 2022-03-29 北京奇艺世纪科技有限公司 一种布局模板处理方法、装置及计算机可读存储介质
CN109901835B (zh) * 2019-01-25 2020-09-04 北京三快在线科技有限公司 布局元素的方法、装置、设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108780401A (zh) * 2016-05-17 2018-11-09 谷歌有限责任公司 用于用户界面元素的有效布局和控制的基于约束的布局系统

Also Published As

Publication number Publication date
CN110706314A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110706314B (zh) 元素布局方法、装置、电子设备及可读存储介质
CN109618222B (zh) 一种拼接视频生成方法、装置、终端设备及存储介质
CN108228183B (zh) 前端界面代码生成方法、装置、电子设备及存储介质
US9905012B2 (en) Segmentation of an image based on color and color differences
CN105631426B (zh) 对图片进行文本检测的方法及装置
CN110163198A (zh) 一种表格识别重建方法、装置和存储介质
CN106095437B (zh) 用户界面从右到左rtl的布局方式的实现方法及装置
CN104572804A (zh) 一种视频物体检索的方法及其系统
CN103384896A (zh) 数字漫画编辑装置及其方法
CN112884764A (zh) 提取图像中地块的方法、装置、电子设备及存储介质
US20210406615A1 (en) Learning device, classification device, learning method, classification method, learning program, and classification program
CN108898092A (zh) 基于全卷积神经网络的多光谱遥感影像路网提取方法
CN114387499A (zh) 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质
CN113033516A (zh) 对象识别统计方法及装置、电子设备、存储介质
CN114863418A (zh) 一种均压场识别方法、装置、存储介质及终端
CN109829069A (zh) 图像审核处理方法、装置、电子设备及存储介质
CN115393872A (zh) 一种训练文本分类模型的方法、装置、设备及存储介质
CN105808682A (zh) 一种关系图展示的方法和装置
CN114416068A (zh) 应用开发平台、微程序生成方法、设备及存储介质
CN104240273A (zh) 栅格图片的处理方法及装置
CN116226487B (zh) 一种基于图形识别的数据大屏可视化方法及系统
CN113869371A (zh) 模型训练方法、服装细粒度分割方法及相关装置
CN113313066A (zh) 图像识别方法、装置、存储介质以及终端
CN111179382A (zh) 一种图像的排版方法、装置、介质及电子设备
CN113411550B (zh) 视频上色方法、装置、设备及存储介质

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