CN113223102A - 一种图像获得方法及装置 - Google Patents
一种图像获得方法及装置 Download PDFInfo
- Publication number
- CN113223102A CN113223102A CN202010081074.8A CN202010081074A CN113223102A CN 113223102 A CN113223102 A CN 113223102A CN 202010081074 A CN202010081074 A CN 202010081074A CN 113223102 A CN113223102 A CN 113223102A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- target
- obtaining
- original
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 146
- 230000000007 visual effect Effects 0.000 claims abstract description 84
- 238000007781 pre-processing Methods 0.000 claims description 68
- 239000000463 material Substances 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 33
- 238000013139 quantization Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000012805 post-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000009877 rendering Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种图像获得方法，包括：获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。所述方法通过拟合用户线下设计图像的设计方式，可以有针对性的、方便的获得符合用户期望的目标图像。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种图像获得方法、装置、电子设备及存储设备。
背景技术
随着互联网技术，尤其是电子商务技术的不断发展，通过电子商务平台从事电子交易逐渐成为人们的主流交易方式。
目前，用户在电子商务平台上从事电子交易时，通常需要进行电商运营，即用户对其在电子商务平台上的门店进行运营以增加门店或门店商品的交易量。通常用户进行电商运营的主要手段之一是通过设计并投放宣传图像(Banner)，目前的宣传图像的获得方式一般有以下方式：1、通过相关图像处理软件设计获得；2、通过在图像设计平台或素材平台中选择对应的模板，并对模板进行二次设计的方式获得。
上述第一种方式需要人工进行设计，耗时耗力同时沟通成本比较高；而第二种方式相较于人工方式较为便捷省力，但是对模板的依赖性较强，同样不能有针对性的、方便的获得用户期望获得的宣传图像。因此，现有技术存在不能有针对性的、方便的获得用户期望获得的宣传图像的问题。
以上，以用户获取电商运营时所需的宣传图像为例说明了现有技术中所存在的问题；需要说明的是，在现实生活中，在需要获得宣传图像以外的其它图像时，同样存在上述问题。
发明内容
本申请实施例提供一种图像获得方法，以解决现有技术存在的不能有针对性的、方便的获得用户期望获得的图像的问题。
本申请实施例提供一种图像获得方法，包括：获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应.
可选的，所述根据所述原始图像和所述目标约束信息，获得第一完成度图像，包括：对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息；将所述预处理信息输入到规划模型中，获得所述第一完成度图像，其中，所述规划模型，用于根据所述预处理信息，获取至少一个图层信息，并对所述至少一个图层信息对应的图层进行布局规划和视觉规划，以获得所述至少一个图层信息对应的图层之间的序列关系和位置信息，所述图层信息包括所述图层信息对应的图层的布局信息和视觉信息。
可选的，所述对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息，包括：根据所述原始图像，获得用于标识所述目标对象的特征标识信息；获得用于标识所述目标约束信息的目标约束标识信息；将所述特征标识信息中与所述目标约束标识信息中相似的信息进行合并处理，并对合并处理后的所述特征标识信息和所述目标约束标识信息进行编码处理，获得所述预处理信息。
可选的，所述根据所述原始图像，获得用于标识所述目标对象的特征标识信息，包括：获取所述原始图像所包含的目标对象的特征信息；通过对所述特征信息进行聚类分析处理，获得所述特征信息的聚类中心点，将所述聚类中心点的标识信息作为所述特征标识信息。
可选的，所述将所述归一化后的预处理信息输入到规划模型中，获得所述第一完成度图像，包括：根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息；通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，获得所述第一完成度图像。
可选的，所述根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息，包括：从所述预处理信息中，获得所述目标标识信息；使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息；根据所述目标标识信息和所述待确定图层信息，确定所述至少一个图层信息。
所述使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息，包括：使用所述规划模型，获得与所述预处理信息对应的待预测分支信息；通过使用剪枝算法对所述待预测分支信息进行优化处理，获得优化后的待预测分支信息；根据所述优化后的待预测分支信息，获得所述待确定图层信息。
可选的，所述通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，获得所述第一完成度图像，包括：对所述至少一个图层信息进行可视化转化处理，获得所述至少一个图层信息对应的可视化图像；通过对所述可视化图像进行布局规划和视觉规划，获得所述至少一个图层信息对应的图层之间的序列关系和位置信息；根据所述至少一个图层信息对应的图层之间的序列关系和位置信息，获得所述第一完成度图像。
可选的，所述根据所述第一完成度图像，获得所述目标图像，包括：将所述第一完成度图像输入到量化升级模型中，获得第二完成度图像，其中，所述第二完成度图像包含的图层数量不小于所述第一完成度图像包含的图层数量，所述量化升级模型用于将所述第一完成度图像转换为满足预设条件的量化图像；将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，其中，所述初始目标图像所包含的图层中填充有原始素材图像；将所述初始目标图像和所述目标约束信息输入到后处理优化模型中，获得优化后的目标图像，其中，所述后处理优化模型用于根据所述目标约束信息，对所述初始目标图像的局部进行优化；将所述优化后的目标图像输入到图像渲染模型中，获得所述目标图像。
可选的，所述将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，包括：根据所述目标构建模型，获得所述第二完成度图像的特征信息，以及，获得所述特征信息所属的特征类别信息；根据所述第二完成度图像的特征信息以及所述特征信息所属的特征类别信息，从素材图像资源数据中，获得与所述第二完成度图像对应的原始素材图像；将所述原始素材图像填充到所述第二完成度图像中，获得所述初始目标图像。
可选的，包括：将所述目标图像输入到评估模型中，获取用于表征所述目标图像的显示效果的评估数据，其中，所述评估模型是用于获取表征图像的显示效果的评估数据。
可选的，所述方法应用于服务端，所述方法还包括：将所述目标图像提供给客户端。
可选的，还包括：将所述评估数据提供给所述客户端。
可选的，所述方法应用于客户端，所述方法还包括：获得服务端提供的所述目标图像；展示所述目标图像。
可选的，包括：获得所述服务端提供的所述评估数据；展示所述评估数据。
可选的，所述方法应用于服务端，所述方法还包括：将所述第一完成度图像提供给客户端。
可选的，还包括：接收所述客户端发送的针对所述第一完成度图像的补充约束信息；根据所述补充约束信息和所述原始图像，更新所述第一完成度图像。
可选的，还包括：生成与所述第一完成度图像对应的原始素材图像的约束信息；将所述与所述第一完成度图像对应的原始素材图像的约束信息提供给所述客户端。
可选的，所述方法应用于客户端，所述方法还包括：接收服务端提供的所述第一完成度图像；展示所述第一完成度图像。
可选的，还包括：获取针对所述第一完成度图像的补充约束信息；将所述补充约束信息发送给所述服务端。
可选的，还包括：接收所述服务端提供的与所述第一完成度图像对应的原始素材图像的约束信息；根据所述约束信息，获得所述原始素材图像；更新与所述原始素材图像对应的素材图像资源数据。
可选的，所述规划模型通过下述方式获得：获得包含原始对象的原始样本图像和原始样本约束信息，其中，所述原始样本约束信息用于约束待获得的目标样本图像的属性信息；将所述原始样本图像和所述原始样本约束信息作为样本数据，训练获得所述规划模型。
可选的，所述将所述原始样本图像和所述原始样本约束信息作为样本数据，训练获得所述布局规划模型，包括：对所述原始样本图像和所述原始样本约束信息进行归一化处理，获得归一化后的预处理样本信息；使用所述预处理样本信息训练所述规划模型，使所述规划模型的预测误差达到预设的收敛条件。
可选的，还包括：获得与所述目标对象对应的目标文案信息；所述根据所述原始图像和所述目标约束信息，获得第一完成度图像，包括：根据所述原始图像，所述目标文案信息和所述目标约束信息，获得所述第一完成度图像。
可选的，所述目标图像所包括的至少一个图层中的内容与所述目标对象、所述目标文案信息或所述目标约束信息对应。
可选的，所述目标对象的特征信息包括视觉特征信息和空间特征信息；所述特征标识信息包括用于标识所述视觉特征信息的视觉特征标识信息和用于标识所述空间特征信息的空间特征标识信息。
可选的，所述视觉特征信息包括以下至少一种特征信息：颜色特征信息、纹理特征信息以及风格特征信息。
可选的，所述目标对象包括商品对象，所述目标图像用于在所述商品对象对应的商品详情页面中进行展示。
本申请实施例还提供一种图像获得装置，包括：
信息获得单元，用于获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
第一完成度图像获得单元，用于根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
目标图像获得单元，用于根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
本申请实施例还提供一种电子设备，包括：
处理器；
存储器，用于存储图像获得方法的程序，该设备通电并通过所述处理器运行所述图像获得方法的程序后，执行下述步骤：
获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
本申请实施例还提供一种存储设备，存储有图像获得方法的程序，该程序被处理器运行，执行下述步骤：
获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
与现有技术相比，本申请具有以下优点:
本申请实施例提供一种图像获得方法，包括：获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。相对于直接进行精细化设计以获得目标图像的方法，所述方法通过拟合用户线下设计图像的设计方式，首先根据原始图像和目标约束信息，有针对性的获得包含待获得的目标图像的初始布局信息和视觉信息的第一完成度图像，从而可以节省较多预判计算，减少计算量，在获得第一完成度图像之后，根据第一完成度图像，即可获得包含的图层中的内容与目标对象或目标约束信息对应的目标图像，可以方便的获得符合用户期望的目标图像。
附图说明
图1是本申请第一实施例提供的一种图像获得方法的应用场景的示意图。
图2是本申请第一实施例提供的一种图像获得方法的流程图。
图3是本申请第一实施例提供的一种图像获得方法的可视化过程示意图。
图4是本申请第二实施例提供的一种图像获得装置的示意图。
图5是本申请第三实施例提供的一种电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
为了使本领域的技术人员更好的理解本申请方案，下面基于本申请提供的图像获得方法，对其实施例的具体应用场景进行详细描述。本申请第一实施例提供的所述图像获得方法可以应用与客户端与服务端交互的场景，如图1所示，其为本申请第一实施例提供的一种图像获得方法的应用场景示意图。
在具体实施时，通常是基于用户期望获得满足某种要求，如满足商品对象宣传要求的目标图像的需求，在客户端获取到用户上传的包含目标对象的原始图像，以及获得用户输入的用于约束待获得的目标图像的属性信息的目标约束信息之后，客户端与服务端建立连接，连接之后客户端将所述原始图像和所述目标约束信息发送给服务端；服务端获得所述原始图像和所述目标约束信息之后，根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；并根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应；在服务端获得到所述目标图像之后，将所述目标图像提供给客户端；之后，客户端展示所述目标图像以供用户查看或进行二次编辑。
需要说明的是，所述客户端可以是移动终端设备，如手机、平板电脑等，也可以是常用的计算机设备。所述服务端一般是指服务器，该服务器可以是物理服务器，也可以是云端服务器，此处不做特殊限定。
另外，在具体实施时，也可以将所述图像获得方法单独应用于客户端或服务端计算设备中，例如，客户端在获得到包含目标对象的原始图像，以及获得到目标约束信息之后，根据所述原始图像和所述目标约束信息，获得第一完成度图像，并根据所述第一完成度图像，获得目标图像。又例如，服务端从其它服务端获得到包含目标对象的原始图像，以及获得到目标约束信息之后，根据所述原始图像和所述目标约束信息，获得第一完成度图像，并根据所述第一完成度图像，获得目标图像，之后，将获得到的目标图像存储在自身存储或远程存储中，而不需要提供给客户端。
需要说明的是，以上应用场景仅仅是本申请第一实施例提供的图像获得方法的具体实施例，提供上述应用场景的目的是便于理解所述图像获得方法，而并非用于限定所述图像获得方法。
本申请第一实施例提供一种图像获得方法，如图2所示，其为本申请第一实施例提供的一种图像获得方法的流程图，如图3所示，其为本申请第一实施例提供的一种图像获得方法的可视化过程示意图。以下结合图2、图3对本申请第一实施例提供的所述图像获得方法予以介绍。
步骤S201，获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息。
所述目标对象，泛指在真实世界或虚拟世界中存在的实体或虚拟对象，如目标对象可以是商品对象，或者也可以是虚拟卡通对象等对象。需要说明的是，在本申请第一实施例中，如无特殊说明，以目标对象为商品对象，待获得的目标图像为用于在该商品对象对应的商品详情页面中进行展示的图像对本实施例所述图像获得方法进行详细说明。例如，目标对象可以为某品牌的鞋对象，目标图像为该鞋对象所对应的宣传海报。
所述目标约束信息，是用于约束待获得的目标图像的属性信息，例如，目标约束信息可以是用于约束目标图像风格的风格信息，或者是用于约束目标图像的构图格式的构图信息，或者是用于约束目标图像的主颜色的配色信息，或者是用于约束目标图像的大小的尺寸信息等信息，当然，目标约束信息也可以是用于约束目标图像的属性信息的一种或多种信息的组合。例如，目标约束信息可以是“风格：运动，构图：左右，主色：深灰，尺寸：1125*352”。
需要说明的是，目标约束信息可以由用户自由输入或在预设的约束信息中进行选择。当然，为了能够更好的节省计算资源，在具体实施时，可以由客户端展示不同级别或对应不同内容的约束信息的目标约束信息配置界面，由用户在该配置界面中选择目标约束信息，并根据用户选择结果进行计费，再用户支付成功后再进行后续获得目标图像的处理，并向用户提供获得的目标图形；或者，也可以根据用户等级的不同，向目标约束信息配置界面中向用户提供与其用户等级匹配的约束信息供用户选择。
例如，在目标约束信息配置界面中，用户可以同时选择若干种风格，若干种构图方式等约束信息，以获得不同风格或不同构图的目标图像，之后，根据用户选择的目标约束信息生成对应的支付界面，待用户支付成功后，向用户提供获得的与目标约束信息对应的目标图像。
当所述图像获得方法应用于客户端时，所述获得包含目标对象的原始图像，以及获得目标约束信息，具体可以是接收用户或其它客户端或服务端发送的包含目标对象的原始图像以及目标约束信息。而当所述图像获得方法应用于服务端时，所述获得包含目标对象的原始图像，以及获得目标约束信息，具体可以是获得客户端或其它服务端发送的包含该原始图像以及该目标约束信息的数据请求消息，之后，服务端从该数据请求消息中获得所述包含目标对象的原始图像和所述目标约束信息。
需要说明的是，当待获得的目标图像是用于电商运营场景或其它用于宣传的场景时，那么，为了使获得的目标图像更具有针对性，所述方法还包括：获得与所述目标对象对应的目标文案信息。
所述目标文案信息，是以文字信息对目标对象的特性进行描述的信息。例如，如图3所示，针对某品牌的鞋对象的文案信息可以为“XXXX YYZZZ”，其中，“XXXX”可以是其修饰作用的词语，如，可以是“脚感舒适”，“YY ZZZ”，可以是该鞋对象的某个系列，如，可以是“Plus Max”。在具体实施时，目标文案信息可以根据需要进行设置，此处不再赘述。
步骤S202，根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息。
在本申请第一实施例中，为了使获得的目标图像更具有针对性，更加符合用户期望，在获得包含目标对象的原始图像和目标约束信息之后，通过拟合设计师思维，即，使用计算设备模拟设计师在线下设计图像时先设计出草图，再针对草图进行进一步完成，并逐渐丰富获得目标图像的过程，本申请第一是实力提供的所述方法首先根据获得的原始图像和目标约束信息，获得包含待获得的目标图像的初始布局信息和视觉信息的第一完成度图像；之后，再根据第一完成度图像，获得目标图像。以下，对如何获得第一完成度图像进行详细说明。
所述初始布局信息，是指待获得的目标图像所包含的内容在目标图像中的初始空间信息，或者说是在目标图像中的初始位置信息。例如，目标图像有两种不同类型的元素构成，并且这两种元素分别处于不同的图层中，根据设计手法、图像风格或者元素类型等约束信息的不同，包含这两种元素的图层可以有不同的空间信息；例如这两种图层分别为图层1和图层2，则初始布局信息可以是图层1与图层2左右排列。需要说明的是，此处只是举例说明，在具体实施时，初始布局信息可以根据需要设置为其它内容，例如，在将不同图层编号的同时，对左右关系、上下关系等关系以标识字符代替；之后，就可以获得一串用于标识目标图像的初始布局信息的编码信息。
所述初始视觉信息，是指待获得的目标图像所包含的内容所表征的视觉信息，例如，初始视觉信息可以是目标图像所包含的内容的类型信息、颜色信息、图层信息或者装饰信息等视觉信息中的至少一种信息。
在本申请第一实施例中，第一完成度图像所包含的初始布局信息和初始视觉信息仅用于表示待获得的目标图像的初始信息，而非是最终信息，即类似于设计师线下设计图像时所获得的目标图像的草图，需要说明的是，最终获得的目标图像所包含的布局信息和视觉信息相对于第一完成度图像中的上述初始信息更为直观，目标图像是对第一完成度图像包含的信息进行了具体量化，并填充有实际图像素材的图像。
所述根据所述原始图像和所述目标约束信息，获得第一完成度图像，包括：对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息；将所述预处理信息输入到规划模型中，获得所述第一完成度图像，其中，所述规划模型，用于根据所述预处理信息，获取至少一个图层信息，并对所述至少一个图层信息对应的图层进行布局规划和视觉规划，以获得所述至少一个图层信息对应的图层之间的序列关系和位置信息，所述图层信息包括所述图层信息对应的图层的布局信息和视觉信息。
所述规划模型，具体是将根据所述预处理信息获得的至少一个图层信息，获得所述至少一个图层信息对应的可视化图像，并通过对该可视化图像进行布局规划，获得不同图层信息之间的序列关系和相对位置信息，进而输出不同视觉效果的草图图像。在本申请第一实施例中，所述规划模型具体为一个长短期记忆模型(Long Short-Term Memory，LSTM)，所述第一完成度图像具体为16*16的可视化图像。
即，所述图像获得方法包括预处理模块，所述预处理模块用于对原始图像以及目标约束信息进行预处理分析处理，进而将原始图像和目标约束信息中的信息进行归一化处理，获得包含原始图像中的目标对象和目标约束信息的共性信息的预处理信息；在经过预处理模块，获得归一化后的预处理信息之后，将该预处理信息输入到所述图像获得方法的规划器中，具体是：将获得的预处理信息输入到用于进行布局规划和视觉规划的规划模型中，获得第一完成度图像。
所述对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息，包括：根据所述原始图像，获得用于标识所述目标对象的特征标识信息；获得用于标识所述目标约束信息的目标约束标识信息；将所述特征标识信息中与所述目标约束标识信息中相似的信息进行合并处理，并对合并处理后的所述特征标识信息和所述目标约束标识信息进行编码处理，获得所述预处理信息。由于原始图像通常包括不同的特征信息，如颜色特征信息、纹理特征信息、风格特征信息，此外，还可以通过用于提取图像特征信息的卷积神经网络模型提取图像的卷积特征信息，因此，为了将原始图像和目标约束信息进行归一化表示，需要对原始图像的特征信息以及目标约束信息进行量化表示，具体可以是预先对不同类型的特征信息以及约束信息进行编码，之后，使用对应的编码标识量化原始图像的特征信息和目标约束信息。
所述根据所述原始图像，获得用于标识所述目标对象的特征标识信息，包括：获取所述原始图像所包含的目标对象的特征信息；通过对所述特征信息进行聚类分析处理，获得所述特征信息的聚类中心点，将所述聚类中心点的标识信息作为所述特征标识信息。需要说明的是，所述目标对象的特征信息包括视觉特征信息和空间特征信息；所述特征标识信息包括用于标识所述视觉特征信息的视觉特征标识信息和用于标识所述空间特征信息的空间特征标识信息。其中，所述视觉特征信息包括以下至少一种特征信息：颜色特征信息、纹理特征信息以及风格特征信息。
在本申请第一实施例中，为了能够方便、有针对性的获得符合用户预期的目标图像，预先对图像的不同类别的特征信息，以及与这些特征信息对应的设计方法，以及与这些设计方法对应的元素种类，以及空间量化信息和视觉量化信息等进行了分类及编码表示。例如，预先获得了St种主题风格、P种设计方法、T种元素种类、Sp种空间量化信息、Vi种视觉量化信息等信息，其中，St、P、T、Sp、Vi均不小于0，由此可知，所述图像获得方法，根据获得的原始图像和目标约束信息的不同，至少可以拥有St*P*T*Sp*Vi种不同分支的图像设计方法，因此，通过提取获得的原始图像的特征信息来获得特征标识信息，以及获得用于标识目标约束信息的目标约束信息，并将获得的特征标识信息和目标约束标识信息中内容相似或相近的信息合并。
例如，将通过从原始图像的特征信息中获得的风格信息与目标约束信息中的风格信息进行合并处理，之后，将经过合并处理后的所述特征标识信息和所述目标约束标识信息进行编码处理，即可获得所述预处理信息。在本申请第一实施例中，所述归一化后的预处理信息，具体为一个64比特的序列编码，例如，预处理信息可以是由“风格标识信息，类别标识信息，风格特征信息原码，类别特征信息原码”等构成的序列编码。当然，在具体实施时，也可以根据需要，将该与处理信息设置为其它比特；另外，有关如何使用卷积神经网络模型提取原始图像的特征信息，以及如何对获得的不同类别的特征信息进行聚类分析处理，以获得聚类中心点的详细处理因为现有技术中有详细描述，此处不再赘述。
需要说明的是，主题风格，是指针对不同的用户约束或用户期望划分的不同的主题风格；设计方法，是指通过对现有图像进行数据挖掘处理后，获得的不同的设计方法，具体如成像方式、构图方式等；元素种类，是指构成图像的基本单元；空间量化信息，是指与不同设计方法对应的不同的元素种类在二维空间中的位置信息，具体可以是将图像划分为16*16的图像块之后，将不同元素种类所处的图像块的位置信息作为该元素种类的空间量化信息；视觉量化信息，是指不同的元素种类的视觉特征的量化信息。
以上，详细说明了在预处理模块中，如何将获得的包含目标对象的原始图像和目标约束信息进行归一化处理，以获得归一化后的预处理信息。在经过预处理模块获得预处理信息之后，将该预处理信息输入到所述图像获得方法的规划器中，即可获得第一完成度图像，以下予以详细说明。
所述将所述归一化后的预处理信息输入到规划模型中，获得所述第一完成度图像，包括：根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息；通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，获得所述第一完成度图像。
所述根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息包括：从所述预处理信息中，获得所述目标标识信息；使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息；根据所述目标标识信息和所述待确定图层信息，确定所述至少一个图层信息。所述使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息，包括：使用所述规划模型，获得与所述预处理信息对应的待预测分支信息；通过使用剪枝算法对所述待预测分支信息进行优化处理，获得优化后的待预测分支信息；根据所述优化后的待预测分支信息，获得所述待确定图层信息。
所述规划模型根据接收的预处理信息获得至少一个图层信息的过程，具体是：针对接收的预处理信息进行预测分析处理，如对待获得的草图图像的元素种类、设计方法等进行分支预测，从而获得草图图像中的至少一个图层信息；需要说明的是，通常规划模型根据预处理信息可以获取到若干个待预测分支信息，其中，所述待预测分支信息是用于获得构成第一完成度图像的不同内容的预测分支。例如，规划模型根据预处理信息，预测构图的各种分支，如图像背景分支、装饰分支、对象标识分支等分支，该不同分支具体可以构成一棵多叉选择树，而最终输出的图层信息是该多叉选择树的至少一个分支路径，即输出的为至少一个待确定图层信息，之后，通过将所述至少一个待确定图层信息与目标约束信息进行匹配之后，将与目标约束信息匹配的待确定图层信息，作为最终需要获得的图层信息。需要说明的是，所述至少一个图层信息具体可以是64比特的序列编码；另外，在该图层信息预测模型中，还可以配合使用剪枝算法进行加速，以提高运算速度，此处不再赘述。
在根据预处理信息，获得与所述预处理信息对应的至少一个图层信息之后，所述通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，获得所述第一完成度图像，包括：对所述至少一个图层信息进行可视化转化处理，获得所述至少一个图层信息对应的可视化图像；通过对所述可视化图像进行布局规划和视觉规划，获得所述至少一个图层信息对应的图层之间的序列关系和位置信息；根据所述至少一个图层信息对应的图层之间的序列关系和位置信息，获得所述第一完成度图像。
另外，需要说明的是，在使用规划模型获得第一完成度图像的过程中，还可以使用图形处理器(GPU，Graphics Processing Unit)优化策略或GPU优化算法进行加速，以增加获得第一完成度图像的速度。
此外，所述规划模型，可以通过下述方式获得：获得包含原始对象的原始样本图像和原始样本约束信息，其中，所述原始样本约束信息用于约束待获得的目标样本图像的属性信息；将所述原始样本图像和所述原始样本约束信息作为样本数据，训练获得所述规划模型。
所述将所述原始样本图像和所述原始样本约束信息作为样本数据，训练获得所述规划模型，包括：对所述原始样本图像和所述原始样本约束信息进行归一化处理，获得归一化后的预处理样本信息；使用所述预处理样本信息训练所述规划模型，使所述规划模型的预测误差达到预设的收敛条件。
在具体实施时，如果在步骤S201中还获得了与目标对象对应的目标文案信息，那么，所述根据所述原始图像和所述目标约束信息，获得第一完成度图像，包括：根据所述原始图像，所述目标文案信息和所述目标约束信息，获得所述第一完成度图像。所述对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息，包括：对所述原始图像，所述目标文案信息和所述目标约束信息进行归一化处理，获得归一化后的预处理信息。其中，需要说明的是，在对目标文案信息进行归一化处理时，具体是根据目标约束信息中的图像风格约束信息，在将目标文案信息转换为对应的可视化图像之后，按照图像风格约束信息以及该可视化图像对应的特征标识信息进行编码，获得该目标文案信息对应的标识信息。
根据以上说明可知，本申请第一实施例提供的图像获得方法，通过不同的网络模型模拟设计师设计草图的思维过程，针对获得的包含目标对象的原始图像和目标约束信息，拟合获得符合用户期望的、由不同的图层信息构成的序列化的第一完成度图像，通过该序列化的图层信息，可以确定待获得的目标图像的初始布局信息和视觉信息。
另外，为了进一步减少计算量，还可以在获得第一完成度图像之后，将第一完成度图像提供给用户查看，以供用户确认初步设计风格是否符合预期，以及，使用户可以根据第一完成度图形提供进一步的补充约束信息，以提高最终获得的目标图像的精准度，也就是说，当所述方法应用于服务端，所述方法还包括：将所述第一完成度图像提供给客户端。此外，所述方法还包括：接收所述客户端发送的针对所述第一完成度图像的补充约束信息；根据所述补充约束信息和所述原始图像，更新所述第一完成度图像。对应的，当所述方法应用于客户端时，所述方法还包括：接收服务端提供的所述第一完成度图像；展示所述第一完成度图像；另外，还包括：获取针对所述第一完成度图像的补充约束信息；将所述补充约束信息发送给所述服务端。
还需要说明的是，在服务端获得第一完成度图像之后，还可以对应的生成待填充到不同图层中的原始素材图像的约束信息，例如，对应商品对象的LOGO图层中的商品LOGO的原始素材图像的尺寸信息，并将该约束信息提供给客户端以供用户或用于提供素材图像的素材提供商查看该约束信息，并根据该约束信息生成对应的原始素材图像，并更新对应的素材图像资源数据，从而使得服务端在后续生成目标图像的处理中可以获得该原始素材图像，以提供目标图像的精确度，也就是说，当所述方法应用于服务端时，还包括：生成与所述第一完成度图像对应的原始素材图像的约束信息；将所述与所述第一完成度图像对应的原始素材图像的约束信息提供给所述客户端。对应的，当所述方法应用于客户端时，还包括：接收所述服务端提供的与所述第一完成度图像对应的原始素材图像的约束信息；根据所述约束信息，获得所述原始素材图像；更新与所述原始素材图像对应的素材图像资源数据。
步骤S203，根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
经过上述步骤S202之后，通过对获得的第一完成度图像进行进一步的量化分析，以及将不同的素材对应的填充到第一完成度图像的图层中，即可获得目标图像。
所述根据所述第一完成度图像，获得所述目标图像，包括：将所述第一完成度图像输入到量化升级模型中，获得第二完成度图像，其中，所述第二完成度图像包含的图层数量不小于所述第一完成度图像包含的图层数量，所述量化升级模型用于将所述第一完成度图像转换为满足预设条件的量化图像；将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，其中，所述初始目标图像所包含的图层中填充有原始素材图像；将所述初始目标图像和所述目标约束信息输入到后处理优化模型中，获得优化后的目标图像，其中，所述后处理优化模型用于根据所述目标约束信息，对所述初始目标图像的局部进行优化；将所述优化后的目标图像输入到图像渲染模型中，获得所述目标图像。
在本步骤中，具体包括行动器，构建器，后处理模块和渲染器。所述行动器，具体是用于对第一完成度图像进行图像质量升级处理，以使第一完成度图像的分辨率满足预设条件，对应的，还可以将第一完成度图像中的图层信息进行进一步的拆分处理，以获得更细粒度的图层信息；所述构建器，用于根据行动器输出的图像中的图层信息中的特征信息以及该特征信息对应的特征类别信息，在预先获得的素材图像资源数据中检索对应的原始素材图像，并将检索到的原始素材图像对应的填充到对应的图层中，以获得初始目标图像；所述后处理模块，具体用于对图像的局部进行优化处理，如对图像元素的轮廓、边框或字体等进行优化处理；所述渲染模型，用于将上述图层信息进行合图，获得目标图像。
所述量化升级模型，具体为一个生成对抗网络模型(GAN，GenerativeAdversarial Networks)，用于将在构建器中获得的第一完成度图像逐图层进行从粗到细的图像质量升级处理以及图层拆分处理使其满足预设条件，以提高待获得的目标图像的精细度。在本申请第一实施例中，所述预设条件具体为将16*16的第一完成度图像升级为64*64的第二完成度图像，由于如何对图像进行质量升级为现有技术，此处不再赘述。
所述将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，包括：根据所述目标构建模型，获得所述第二完成度图像的特征信息，以及，获得所述特征信息所属的特征类别信息；根据所述第二完成度图像的特征信息以及所述特征信息所属的特征类别信息，从素材图像资源数据中，获得与所述第二完成度图像对应的原始素材图像；将所述原始素材图像填充到所述第二完成度图像中，获得所述初始目标图像。
需要说明的是，在具体实施时，所述量化升级模型，所述目标构建模型，所述后处理优化模型以及所述图像渲染模型既可以分别使用对应的样本数据单独训练获得，也可以根据这些模型之间的关联性，将这些模型进行联合训练，此处不再赘述。另外，在具体实施时，当然也可以将所述图像获得方法中使用到的所有网络模型，如上述规划模型、量化升级模型、目标构建模型、后处理优化模型以及图像渲染模型等模型进行联合训练，并在联合训练的过程中，通过上述模型各自对应的损失函数，以及模型整体间的超参数调整上述模型的预测误差，使上述模型达到各自预设的收敛条件，以提高上述模型的输出结果的准确率，此处不再赘述。
至此，即可有针对性的、方便的获得符合用户预期的目标图像。需要说明的是，如果在步骤S201中还获得了与目标对象对应的目标文案信息，那么，所述目标图像所包括的至少一个图层中的内容与所述目标对象、所述目标文案信息或所述目标约束信息对应。
在经过上述步骤获得目标图像之后，当所述图像获得方法应用于客户端时，所述方法还包括：获得服务端提供的所述目标图像，展示所述目标图像。当所述图像获得方法应用于服务端时，所述方法还包括：将所述目标图像提供给客户端。
另外，在获得目标图像之后，所述方法还包括：将所述目标图像输入到评估模型中，获取用于表征所述目标图像的显示效果的评估数据，其中，所述评估模型是用于获取表征图像的显示效果的评估数据。即，通过用于评估目标图像的显示效果的评估模型，获取目标图像对应的评估数据，所述评估模型具体可以通过颜色维度、图层布局维度等至少一个维度对目标图像进行评估，并获得评估数据。
在获得评估数据之后，当所述图像获得方法应用于客户端时，所述方法还包括：获得所述服务端提供的所述评估数据，展示所述评估数据。当所述图像获得方法应用于服务端时，所述方法还包括：将所述评估数据提供给所述客户端。
需要说明的是，由于本申请最终获得的目标图像为由不同图层构成的结构化图像，因此，在将该目标图像提供给用户之后，用户还可以在该目标图像的基础上进行二次编辑，例如，使用与该目标图像的格式对应的绘图软件编辑目标图像，如替换某一图层中的素材图像，或者编辑某一图层中的文字信息，如文字的字体、字号、字体颜色等，从而可以使用户方便的获得期望获得的图像。
综上所述，本申请第一实施例提供的图像获得方法，包括：获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。相对于直接进行精细化设计以获得目标图像的方法，所述方法通过拟合用户线下设计图像的设计方式，首先根据原始图像和目标约束信息，有针对性的获得包含待获得的目标图像的初始布局信息和视觉信息的第一完成度图像，从而可以节省较多预判计算，减少计算量，在获得第一完成度图像之后，根据第一完成度图像，即可获得包含的图层中的内容与目标对象或目标约束信息对应的目标图像，可以方便的获得符合用户期望的目标图像。
与本申请第一实施例提供的一种图像获得方法相对应，本申请第二实施例还提供一种图像获得装置，请参看图4，其为本申请第二实施例提供的图像获得装置的示意图，由于装置实施例基本相似于方法实施例，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，下述描述的装置实施例仅仅是示意性的。本申请第二实施例提供的一种图像获得装置包括如下部分：
信息获得单元401，用于获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
第一完成度图像获得单元402，用于根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
目标图像获得单元403，用于根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
可选的，所述第一完成度图像获得单元，具体用于：对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息；将所述预处理信息输入到规划模型中，获得所述第一完成度图像，其中，所述布局规划模型，用于根据所述预处理信息，获取至少一个图层信息，并对所述至少一个图层信息对应的图层进行布局规划和视觉规划，以获得所述至少一个图层信息对应的图层间的序列关系和位置信息，所述图层信息包括所述图层信息对应的图层的布局信息和视觉信息。
可选的，所述对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息，包括：根据所述原始图像，获得用于标识所述目标对象的特征标识信息；获得用于标识所述目标约束信息的目标约束标识信息；将所述特征标识信息中与所述目标约束标识信息中相似的信息进行合并处理，并对合并处理后的所述特征标识信息和所述目标约束标识信息进行编码处理，获得所述预处理信息。
可选的，所述根据所述原始图像，获得用于标识所述目标对象的特征标识信息，包括：获取所述原始图像所包含的目标对象的特征信息；通过对所述特征信息进行聚类分析处理，获得所述特征信息的聚类中心点，将所述聚类中心点的标识信息作为所述特征标识信息。
可选的，所述将所述归一化后的预处理信息输入到规划模型中，获得所述第一完成度图像，包括：根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息；通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，获得所述第一完成度图像。
可选的，所述根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息，包括：从所述预处理信息中，获得所述目标标识信息；使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息；根据所述目标标识信息和所述待确定图层信息，确定所述至少一个图层信息。
可选的，所述使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息，包括：使用所述规划模型，获得与所述预处理信息对应的待预测分支信息；通过使用剪枝算法对所述待预测分支信息进行优化处理，获得优化后的待预测分支信息；根据所述优化后的待预测分支信息，获得所述待确定图层信息。
可选的，所述通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，包括：对所述至少一个图层信息进行可视化转化处理，获得所述至少一个图层信息对应的可视化图像；通过对所述可视化图像进行布局规划和视觉规划，获得所述至少一个图层信息对应的图层之间的序列关系和位置信息；根据所述至少一个图层信息对应的图层之间的序列关系和位置信息，获得所述第一完成度图像。
可选的，所述目标图像获得单元，具体用于：将所述第一完成度图像输入到量化升级模型中，获得第二完成度图像，其中，所述第二完成度图像包含的图层数量不小于所述第一完成度图像包含的图层数量，所述量化升级模型用于将所述第一完成度图像转换为满足预设条件的量化图像；将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，其中，所述初始目标图像所包含的图层中填充有原始素材图像；将所述初始目标图像和所述目标约束信息输入到后处理优化模型中，获得优化后的目标图像，其中，所述后处理优化模型用于根据所述目标约束信息，对所述初始目标图像的局部进行优化；将所述优化后的目标图像输入到图像渲染模型中，获得所述目标图像。
可选的，所述将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，包括：据所述目标构建模型，获得所述第二完成度图像的特征信息，以及，获得所述特征信息所属的特征类别信息；根据所述第二完成度图像的特征信息以及所述特征信息所属的特征类别信息，从素材图像资源数据中，获得与所述第二完成度图像对应的原始素材图像；将所述原始素材图像填充到所述第二完成度图像中，获得所述初始目标图像。
可选的，所述装置还包括评估单元，用于将所述目标图像输入到评估模型中，获取用于表征所述目标图像的显示效果的评估数据，其中，所述评估模型是用于获取表征图像的显示效果的评估数据。
可选的，当所述装置应用于服务端时，所述装置还包括提供单元，用于将所述目标图像提供给客户端。
可选的，所述提供单元，还用于将所述目标图像提供给所述客户端。
可选的，当所述装置应用于客户端时，所述装置还包括展示单元，用于获得服务端提供的所述目标图像；展示所述目标图像。
可选的，所述展示单元，还用于获得所述服务端提供的所述评估数据；展示所述评估数据。
可选的，所述信息获得单元，还用于获得与所述目标对象对应的目标文案信息；所述第一完成度图像获得单元还用于根据所述原始图像，所述目标文案信息和所述目标约束信息，获得所述第一完成度图像。
可选的，所述目标图像获得单元中的所述目标图像所包括的至少一个图层中的内容与所述目标对象、所述目标文案信息或所述目标约束信息对应。
可选的，所述目标对象的特征信息包括视觉特征信息和空间特征信息；所述特征标识信息包括用于标识所述视觉特征信息的视觉特征标识信息和用于标识所述空间特征信息的空间特征标识信息。
可选的，所述视觉特征信息包括以下至少一种特征信息：颜色特征信息、纹理特征信息以及风格特征信息。
可选的，所述目标对象包括商品对象。
与本申请第一实施例提供的一种图像获得方法相对应，本申请第三实施例还提供一种电子设备，请参看图5，其为本申请第三实施例提供的一种电子设备的示意图，由于电子设备实施例基本相似于方法实施例，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，下述描述的电子设备实施例仅仅是示意性的。本申请第三实施例提供的一种电子设备包括：
处理器501；
存储器502，用于存储用于图像获得方法的程序，该设备通电并通过所述处理器运行所述图像获得方法的程序后，执行下述步骤：
获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
与本申请第一实施例提供的一种图像获得方法相对应，本申请第四实施例还提供一种存储设备，由于存储设备实施例基本相似于方法实施例，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，下述描述的存储设备实施例仅仅是示意性的。本申请第四实施例提供的一种存储设备，存储有图像获得方法的程序，该程序被处理器运行，执行下述步骤：
获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (31)
1.一种图像获得方法，其特征在于，包括：
获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
2.根据权利要求1所述的图像获得方法，其特征在于，所述根据所述原始图像和所述目标约束信息，获得第一完成度图像，包括：
对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息；
将所述预处理信息输入到规划模型中，获得所述第一完成度图像，其中，所述规划模型，用于根据所述预处理信息，获取至少一个图层信息，并对所述至少一个图层信息对应的图层进行布局规划和视觉规划，以获得所述至少一个图层信息对应的图层之间的序列关系和位置信息，所述图层信息包括所述图层信息对应的图层的布局信息和视觉信息。
3.根据权利要求2所述的图像获得方法，其特征在于，所述对所述原始图像和所述目标约束信息进行归一化处理，获得归一化后的预处理信息，包括：
根据所述原始图像，获得用于标识所述目标对象的特征标识信息；
获得用于标识所述目标约束信息的目标约束标识信息；
将所述特征标识信息中与所述目标约束标识信息中相似的信息进行合并处理，并对合并处理后的所述特征标识信息和所述目标约束标识信息进行编码处理，获得所述预处理信息。
4.根据权利要求3所述的图像获得方法，其特征在于，所述根据所述原始图像，获得用于标识所述目标对象的特征标识信息，包括：
获取所述原始图像所包含的目标对象的特征信息；
通过对所述特征信息进行聚类分析处理，获得所述特征信息的聚类中心点，将所述聚类中心点的标识信息作为所述特征标识信息。
5.根据权利要求2所述的图像获得方法，其特征在于，所述将所述归一化后的预处理信息输入到规划模型中，获得所述第一完成度图像，包括：
根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息；
通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，获得所述第一完成度图像。
6.根据权利要求5所述的图像获得方法，其特征在于，所述根据所述规划模型，获取与所述预处理信息对应的至少一个图层信息，包括：
从所述预处理信息中，获得所述目标标识信息；
使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息；
根据所述目标标识信息和所述待确定图层信息，确定所述至少一个图层信息。
7.根据权利要求6所述的图像获得方法，其特征在于，所述使用所述规划模型针对所述预处理信息进行预测分析处理，获得待确定图层信息，包括：
使用所述规划模型，获得与所述预处理信息对应的待预测分支信息；
通过使用剪枝算法对所述待预测分支信息进行优化处理，获得优化后的待预测分支信息；
根据所述优化后的待预测分支信息，获得所述待确定图层信息。
8.根据权利要求6所述的图像获得方法，其特征在于，所述通过使用所述规划模型对所述至少一个图层信息进行布局规划和视觉规划，获得所述第一完成度图像，包括：
对所述至少一个图层信息进行可视化转化处理，获得所述至少一个图层信息对应的可视化图像；
通过对所述可视化图像进行布局规划和视觉规划，获得所述至少一个图层信息对应的图层之间的序列关系和位置信息；
根据所述至少一个图层信息对应的图层之间的序列关系和位置信息，获得所述第一完成度图像。
9.根据权利要求1所述的图像获得方法，其特征在于，所述根据所述第一完成度图像，获得所述目标图像，包括：
将所述第一完成度图像输入到量化升级模型中，获得第二完成度图像，其中，所述第二完成度图像包含的图层数量不小于所述第一完成度图像包含的图层数量，所述量化升级模型用于将所述第一完成度图像转换为满足预设条件的量化图像；
将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，其中，所述初始目标图像所包含的图层中填充有原始素材图像；
将所述初始目标图像和所述目标约束信息输入到后处理优化模型中，获得优化后的目标图像，其中，所述后处理优化模型用于根据所述目标约束信息，对所述初始目标图像的局部进行优化；
将所述优化后的目标图像输入到图像渲染模型中，获得所述目标图像。
10.根据权利要求9所述的图像获得方法，其特征在于，所述将所述第二完成度图像输入到目标构建模型中，获得初始目标图像，包括：
根据所述目标构建模型，获得所述第二完成度图像的特征信息，以及，获得所述特征信息所属的特征类别信息；
根据所述第二完成度图像的特征信息以及所述特征信息所属的特征类别信息，从素材图像资源数据中，获得与所述第二完成度图像对应的原始素材图像；
将所述原始素材图像填充到所述第二完成度图像中，获得所述初始目标图像。
11.根据权利要求1所述的图像获得方法，其特征在于，包括：
将所述目标图像输入到评估模型中，获取用于表征所述目标图像的显示效果的评估数据，其中，所述评估模型是用于获取表征图像的显示效果的评估数据。
12.根据权利要求11所述的图像获得方法，其特征在于，所述方法应用于服务端，所述方法还包括：
将所述目标图像提供给客户端。
13.根据权利要求12所述的图像获得方法，其特征在于，还包括：
将所述评估数据提供给所述客户端。
14.根据权利要求11所述的图像获得方法，其特征在于，所述方法应用于客户端，所述方法还包括：
获得服务端提供的所述目标图像；
展示所述目标图像。
15.根据权利要求14所述的图像获得方法，其特征在于，包括：
获得所述服务端提供的所述评估数据；
展示所述评估数据。
16.根据权利要求1所述的图像获得方法，其特征在于，所述方法应用于服务端，所述方法还包括：
将所述第一完成度图像提供给客户端。
17.根据权利要求16所述的图像获得方法，其特征在于，还包括：
接收所述客户端发送的针对所述第一完成度图像的补充约束信息；
根据所述补充约束信息和所述原始图像，更新所述第一完成度图像。
18.根据权利要求16所述的图像获得方法，其特征在于，还包括：
生成与所述第一完成度图像对应的原始素材图像的约束信息；
将所述与所述第一完成度图像对应的原始素材图像的约束信息提供给所述客户端。
19.根据权利要求1所述的图像获得方法，其特征在于，所述方法应用于客户端，所述方法还包括：
接收服务端提供的所述第一完成度图像；
展示所述第一完成度图像。
20.根据权利要求19所述的图像获得方法，其特征在于，还包括：
获取针对所述第一完成度图像的补充约束信息；
将所述补充约束信息发送给所述服务端。
21.根据权利要求19所述的图像获得方法，其特征在于，还包括：
接收所述服务端提供的与所述第一完成度图像对应的原始素材图像的约束信息；
根据所述约束信息，获得所述原始素材图像；
更新与所述原始素材图像对应的素材图像资源数据。
22.根据权利要求6所述的图像获得方法，其特征在于，所述规划模型通过下述方式获得：
获得包含原始对象的原始样本图像和原始样本约束信息，其中，所述原始样本约束信息用于约束待获得的目标样本图像的属性信息；
将所述原始样本图像和所述原始样本约束信息作为样本数据，训练获得所述规划模型。
23.根据权利要求22所述的图像获得方法，其特征在于，所述将所述原始样本图像和所述原始样本约束信息作为样本数据，训练获得所述布局规划模型，包括：
对所述原始样本图像和所述原始样本约束信息进行归一化处理，获得归一化后的预处理样本信息；
使用所述预处理样本信息训练所述规划模型，使所述规划模型的预测误差达到预设的收敛条件。
24.根据权利要求1所述的图像获得方法，其特征在于，还包括：获得与所述目标对象对应的目标文案信息；
所述根据所述原始图像和所述目标约束信息，获得第一完成度图像，包括：
根据所述原始图像，所述目标文案信息和所述目标约束信息，获得所述第一完成度图像。
25.根据权利要求24所述的图像获得方法，其特征在于，所述目标图像所包括的至少一个图层中的内容与所述目标对象、所述目标文案信息或所述目标约束信息对应。
26.根据权利要求4所述的图像获得方法，其特征在于，所述目标对象的特征信息包括视觉特征信息和空间特征信息；
所述特征标识信息包括用于标识所述视觉特征信息的视觉特征标识信息和用于标识所述空间特征信息的空间特征标识信息。
27.根据权利要求26所述的图像获得方法，其特征在于，所述视觉特征信息包括以下至少一种特征信息：颜色特征信息、纹理特征信息以及风格特征信息。
28.根据权利要求1所述的图像获得方法，其特征在于，所述目标对象包括商品对象，所述目标图像用于在所述商品对象对应的商品详情页面中进行展示。
29.一种图像获得装置，其特征在于，包括：
信息获得单元，用于获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
第一完成度图像获得单元，用于根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
目标图像获得单元，用于根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
30.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储图像获得方法的程序，该设备通电并通过所述处理器运行所述图像获得方法的程序后，执行下述步骤：
获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
31.一种存储设备，其特征在于，存储有图像获得方法的程序，该程序被处理器运行，执行下述步骤：
获得包含目标对象的原始图像，以及获得目标约束信息，其中，所述目标约束信息用于约束待获得的目标图像的属性信息；
根据所述原始图像和所述目标约束信息，获得第一完成度图像，其中，所述第一完成度图像包含所述待获得的目标图像的初始布局信息和视觉信息；
根据所述第一完成度图像，获得所述目标图像，其中，所述目标图像包括至少一个图层，所述至少一个图层中的内容与所述目标对象或所述目标约束信息对应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010081074.8A CN113223102A (zh) | 2020-02-06 | 2020-02-06 | 一种图像获得方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010081074.8A CN113223102A (zh) | 2020-02-06 | 2020-02-06 | 一种图像获得方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113223102A true CN113223102A (zh) | 2021-08-06 |
Family
ID=77085482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010081074.8A Pending CN113223102A (zh) | 2020-02-06 | 2020-02-06 | 一种图像获得方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113223102A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113989420A (zh) * | 2021-09-30 | 2022-01-28 | 阿里巴巴云计算(北京)有限公司 | 图像生成系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550980A (zh) * | 2014-10-29 | 2016-05-04 | 阿里巴巴集团控股有限公司 | 一种图片生成方法及相关装置 |
| 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 |
| CN110136216A (zh) * | 2018-02-09 | 2019-08-16 | 北京三星通信技术研究有限公司 | 图像生成的方法及终端设备 |
| CN110287851A (zh) * | 2019-06-20 | 2019-09-27 | 厦门市美亚柏科信息股份有限公司 | 一种目标图像定位方法、装置、系统及存储介质 |
| CN110458242A (zh) * | 2019-08-16 | 2019-11-15 | 广东工业大学 | 一种图像描述生成方法、装置、设备以及可读存储介质 |
| CN110555896A (zh) * | 2019-09-05 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 一种图像生成方法、装置以及存储介质 |
-
2020
- 2020-02-06 CN CN202010081074.8A patent/CN113223102A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550980A (zh) * | 2014-10-29 | 2016-05-04 | 阿里巴巴集团控股有限公司 | 一种图片生成方法及相关装置 |
| 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 |
| CN110136216A (zh) * | 2018-02-09 | 2019-08-16 | 北京三星通信技术研究有限公司 | 图像生成的方法及终端设备 |
| CN110287851A (zh) * | 2019-06-20 | 2019-09-27 | 厦门市美亚柏科信息股份有限公司 | 一种目标图像定位方法、装置、系统及存储介质 |
| CN110458242A (zh) * | 2019-08-16 | 2019-11-15 | 广东工业大学 | 一种图像描述生成方法、装置、设备以及可读存储介质 |
| CN110555896A (zh) * | 2019-09-05 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 一种图像生成方法、装置以及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113989420A (zh) * | 2021-09-30 | 2022-01-28 | 阿里巴巴云计算(北京)有限公司 | 图像生成系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8571349B1 (en) | Image enhancement through discrete patch optimization | |
| US20220292650A1 (en) | Generating modified digital images using deep visual guided patch match models for image inpainting | |
| CN107211106B (zh) | 动画生成服务器、动画生成方法、动画生成系统及计算机可读的记录介质 | |
| CN115511969A (zh) | 图像处理与数据渲染方法、设备及介质 | |
| CN110232726B (zh) | 创意素材的生成方法及装置 | |
| AU2019200269B2 (en) | An interactive user interface and its corresponding engine for improving image completion quality | |
| US20230051749A1 (en) | Generating synthesized digital images utilizing class-specific machine-learning models | |
| CN111310049B (zh) | 一种信息交互方法及相关设备 | |
| CN111967970B (zh) | 基于spark平台的银行产品推荐方法及装置 | |
| CN112330532A (zh) | 图像解析处理方法及设备 | |
| CA3148915A1 (en) | Method and device for automatically generating banner images of a target object in batches | |
| CN112132599B (zh) | 图像处理方法及装置、计算机可读存储介质、电子设备 | |
| US20230368339A1 (en) | Object class inpainting in digital images utilizing class-specific inpainting neural networks | |
| CN116246195A (zh) | 用于电子商务应用程序的依据图像的自动视频生成 | |
| CN113223102A (zh) | 一种图像获得方法及装置 | |
| Park et al. | Development of an AI advisor for conceptual land use planning | |
| CN115713585B (zh) | 纹理图像重建方法、装置、计算机设备和存储介质 | |
| CN113297520A (zh) | 页面设计辅助处理方法、装置及电子设备 | |
| CN110287351B (zh) | 一种三维模型轻量化展示优化方法 | |
| US20230396857A1 (en) | Video generation method and apparatus, and electronic device and computer-readable medium | |
| CN113240188A (zh) | 基于增强现实ar的填单处理方法及装置 | |
| CN113240765A (zh) | 一种颜色搭配的方法、装置、计算机设备和存储介质 | |
| US20190287225A1 (en) | Patch validity test | |
| KR102405045B1 (ko) | 쇼핑몰 형태의 비대면 영상 제작 서비스를 제공하는 플랫폼을 위한 서버 및 그 동작 방법 | |
| Lentz et al. | X3D and glTF Model Differencing for Conversions, Comparison and Conformance Testing. |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40056821 Country of ref document: HK |