CN116521919A - 封面图片的生成方法、装置、设备及介质 - Google Patents
封面图片的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116521919A CN116521919A CN202210840600.3A CN202210840600A CN116521919A CN 116521919 A CN116521919 A CN 116521919A CN 202210840600 A CN202210840600 A CN 202210840600A CN 116521919 A CN116521919 A CN 116521919A
- Authority
- CN
- China
- Prior art keywords
- content
- picture
- target
- candidate
- recommended
- 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 64
- 239000000463 material Substances 0.000 claims abstract description 266
- 239000013077 target material Substances 0.000 claims abstract description 94
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims description 33
- 230000008451 emotion Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 20
- 239000003086 colorant Substances 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 9
- 239000010410 layer Substances 0.000 description 106
- 238000005516 engineering process Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06F16/54—Browsing; Visualisation therefor
-
- 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
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种封面图片的生成方法、装置、设备及介质,涉及计算机技术领域。该方法包括:获取第一候选图片,第一候选图片是由多个图层叠加得到的图片;对多个图层中的至少一个图层进行内容元素提取,将提取得到的内容元素进行素材标签的标注,得到候选素材,并将候选素材存储至素材库;获取与待推荐内容关联的目标图片,目标图片中包括待替换元素;基于待推荐内容的内容标签和候选素材的素材标签之间的匹配关系,从素材库中确定出与待推荐内容匹配的目标素材;在目标图片中将待替换元素替换为目标素材,得到待推荐内容对应的封面图片。通过预先生成的素材对图像中的元素进行替换,从而提升了封面图片的生成效率。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种封面图片的生成方法、装置、设备及介质。
背景技术
目前常见的内容平台中,内容发布方在上传主要内容后,一般还需要上传一张封面图片,以用于内容在被列表展示时使用。而一张好的封面图片,是可以帮助内容提高点击量和阅读量的。
在相关技术中,一般需要内容发布方通过人工制作封面图片,以进行封面图片的上传。而一个好的封面图片往往需要专业的设计功底,其对应的人工资源消耗较多。
在以上述方式得到内容的封面图片时,由于需要投入较多的人工资源,其对应的封面生成效率较低。
发明内容
本申请实施例提供了一种封面图片的生成方法、装置、设备及介质,能够提升封面图片的生成效率。所述技术方案如下:
一方面,提供了一种封面图片的生成方法,所述方法包括:
获取第一候选图片,所述第一候选图片是由多个图层叠加得到的图片;
对所述多个图层中的至少一个图层进行内容元素提取,将提取得到的内容元素进行素材标签的标注,得到候选素材,并将所述候选素材存储至素材库,所述素材库中的候选素材标记有用于指示推荐领域的素材标签;
获取与待推荐内容关联的目标图片,所述目标图片中包括待替换元素,所述待推荐内容标注有内容标签,所述内容标签表示所述待推荐内容对应的推荐领域;
基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出与所述待推荐内容匹配的目标素材;
在所述目标图片中将所述待替换元素替换为所述目标素材,得到所述待推荐内容对应的封面图片。
另一方面,提供了一种封面图片的生成装置,所述装置包括:
获取模块,用于获取第一候选图片,所述第一候选图片是由多个图层叠加得到的图片;
第一生成模块,用于对所述多个图层中的至少一个图层进行内容元素提取,将提取得到的内容元素进行素材标签的标注,得到候选素材,并将所述候选素材存储至素材库,所述素材库中的候选素材标记有用于指示推荐领域的素材标签;
所述获取模块,还用于获取与待推荐内容关联的目标图片,所述目标图片中包括待替换元素,所述待推荐内容标注有内容标签,所述内容标签表示所述待推荐内容对应的推荐领域;
确定模块,用于基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出与所述待推荐内容匹配的目标素材;
第二生成模块,用于在所述目标图片中将所述待替换元素替换为所述目标素材,得到所述待推荐内容对应的封面图片。
另一方面,提供了一种计算机设备,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现本申请实施例中任一所述的封面图片的生成方法。
另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现本申请实施例中任一所述的封面图片的生成方法。
另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的封面图片的生成方法。
本申请的提供的技术方案至少包括以下有益效果:
在针对待推荐内容进行封面图片的生成时,通过目标素材对目标图片中的待替换元素进行替换,从而得到封面图片,其中,上述目标素材是从通过内容元素提取得到的候选素材中筛选得到。即,通过预先生成的素材对图像中的元素进行替换,从而提升了封面图片的生成效率,同时,是在指定领域下对候选素材与目标图片进行匹配,使得生成的封面内容能够更加贴合待推荐内容,提升封面图片生成的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1是本申请一个示例性实施例提供的实施环境的示意图;
图2是本申请一个示例性实施例提供的封面图片的生成方法的流程图;
图3是本申请一个示例性实施例提供的封面图片的生成方法的示意图;
图4是本申请一个示例性实施例提供的封面图片的生成方法的流程图;
图5是本申请一个示例性实施例提供的封面图片的生成方法的流程图;
图6是本申请一个示例性实施例提供的结构化数据生成的流程图;
图7是本申请一个示例性实施例提供的关键内容的识别流程图;
图8是本申请一个示例性实施例提供的轮廓提取的流程图;
图9是本申请一个示例性实施例提供的轮廓提取的可视化效果的示意图;
图10是本申请一个示例性实施例提供的封面图片的编辑界面示意图;
图11是本申请一个示例性实施例提供的封面图片的生成装置结构框图;
图12是本申请一个示例性实施例提供的封面图片的生成装置结构框图;
图13是本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先,对本申请实施例中涉及的名词进行简要介绍:
人工智能:是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
机器学习(Machine Learning,ML):是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、光学字符识别(Optical Character Recognition,OCR)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、地图构建、自动驾驶、智慧交通等技术。
请参考图1,其示出了本申请一个示例性实施例提供的实施环境的示意图。该实施环境的计算机系统中包括:终端设备、服务器120和通信网络130,其中,终端设备包括第一终端111和第二终端112。
终端设备包括手机、平板电脑、台式电脑、便携式笔记本电脑、智能语音交互设备、智能家电、车载终端、飞行器等多种形式的设备。
第一终端111是内容发布方所使用的设备。示意性的,第一终端111中登录有第一应用,内容发布方可以通过第一应用进行内容发布。第二终端112是内容接收方所使用的设备。示意性的,第二终端112中登录有第二应用,内容接收方通过第二应用浏览推荐内容。
可选地,上述第一应用和第二应用可以是同一应用,也可以是同一平台提供的不同应用。可选地,第一应用和第二应用可以是传统应用软件,可以是云应用软件,可以实现为宿主应用程序中的小程序或应用模块,也可以是某个网页平台,在此不进行限定。可选地,上述第一应用和第二应用可以是电子商务应用、短视频应用、音频应用、小说应用、地图应用等,在此不进行具体限制。
服务器120用于为第一应用和第二应用提供后端服务。示意性的,服务器120对获取到的第一候选图片进行内容元素提取,从而生成推荐领域下的候选素材。当第一终端111对待推荐内容进行发布时,需要为待推荐内容配置封面图片,第一应用向第一终端111提供封面图片的生成功能。具体的,服务器120获取与待推荐内容关联的目标图片,其中,目标图片中包括待替换元素,服务器120基于待推荐内容的内容标签和候选素材的素材标签之间的匹配关系,从多个候选素材中确定出目标素材,在目标图片中将待替换元素替换为目标素材,得到待推荐内容对应的封面图片。服务器120向第一终端111反馈上述封面图片,由内容发布方对封面图片进行确认后,将该封面图片与待推荐内容一起进行内容发布,或者,服务器120也可以直接根据待推荐内容和封面图片发布至内容推荐平台中。
当第二终端112请求进行内容推荐时,第二应用从内容推荐平台中拉取一定数量的推荐内容,以列表形式展示推荐内容时,会显示上述通过服务器120生成的封面图片。
值得注意的是,上述服务器120可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云安全、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,云技术(Cloud Technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
在一些实施例中,上述服务器120还可以实现为区块链系统中的节点。区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。
示意性的,终端设备110和服务器120之间通过通信网络130连接,其中,上述通信网络130可以是有线网络,也可以是无线网络,在此不进行限定。
请参考图2,其示出了本申请一个实施例示出的封面图片的生成方法,在本申请实施例中,以该方法应用于如图1所示的服务器中,该方法包括:
步骤201,获取第一候选图片,第一候选图片是由多个图层叠加得到的图片。
示意性的,上述第一候选图片可以是可编辑格式的图片,即,以可编辑格式存储的第一候选图片,其对应的存储数据除了图片内容数据之外,还包括图片编辑信息,可选地,上述图片编辑信息包括第一候选图片对应的图层信息、通道信息、参考线信息、注解信息、颜色模式信息等至少一种信息。在一个示例中,上述可编辑格式可以是PSD(PhotoshopDocument)格式,或者,PSB(Photoshop Big)格式。
示意性的,第一候选图片包括多个图层,其中,多个图层之间存在上下叠加关系。
在一些实施例中,当第一候选图片是可编辑格式的图片时,可以通过解析第一候选图片确定多个图层分别对应的图层位置、图层大小、图层尺寸等图层信息。其中,上述图层位置指示某个图层与其他图层之间的上下叠加关系;上述图层大小指示单个图层对应的存储资源占用量;图层尺寸指示单个图层对应的图层形状以及对应的尺寸,例如,当图层的形状是长方形时,则图形尺寸包括图形的长度和宽度。
可选地,第一候选图片可以是内容推荐平台中所使用过的历史封面图片,或者,第一候选图片还可以是内容推荐平台中所使用过的历史投放内容中的内容图片,还可以是指定账号上传的用于素材生成的图片。在一些实施例中,在获取到内容投放方的图片使用授权之后,将内容投放方历史所投放过的内容中的图片内容获取为上述第一候选图片。
步骤202,对多个图层中的至少一个图层进行内容元素提取,将提取得到的内容元素进行素材标签的标注,得到候选素材,并将候选素材存储至素材库。
示意性的,素材库中的候选素材标记有用于指示推荐领域的素材标签,上述素材库中的候选素材用于作为封面生成时的素材。
在一些实施例中,对第一候选图像的多个图层均进行内容元素提取,以得到每个图层对应的内容元素;在另一些实施例中,对第一候选图像的多个图层进行筛选,确定至少一个图层,对至少一个图层进行内容元素提取,以得到图层对应的内容元素。
可选地,在对多个图层进行筛选时,可以根据多个图层对应的图层内容进行识别,当图层内容是适合作为素材的内容时,将该图层确定为进行内容元素提取的图层。
在一些实施例中,针对推荐领域内的关键内容进行识别,对关键内容进行内容元素提取,从而得到关键内容对应的内容元素。可选地,上述推荐领域中的关键内容可以是预先设定的,也可以是根据内容推荐平台中,针对该推荐领域进行内容推荐时,浏览热度达到指定热度阈值的内容作为该推荐领域的关键内容。在一个示例中,针对指定游戏领域,可以将指定游戏中的游戏角色作为关键内容,从而使得游戏角色对应的内容元素可以作为候选素材,参与到新的封面图片的生成中。
示意性的,在针对关键内容进行识别时,可以通过预先训练得到的神经网络模型来实现对关键内容的识别。可选地,上述神经网络可以是卷积神经网络(ConvolutionalNeural Networks,CNN)、视觉几何群网络(Visual Geometry Group Network,VGG)、残差网络(Residual Network,ResNet)等至少一种用于图像识别的网络。
示意性的,上述神经网络模型是由关键内容对应的样本图片训练得到的。例如,以关键内容是指定游戏中的游戏角色为例,将游戏角色对应的样本图片输入至神经网络模型进行训练,使得神经网络模型能够学习得到游戏角色对应的特征,从而确定出图层中是否包括游戏角色对应的内容元素。
在一些实施例中,当用于内容元素提取的图层中仅包括一个内容元素时,确定该图层对应的图层背景类型。在一个示例中,当该图层的图层背景类型是透明背景类型时,直接将该图层作为其内容元素对应的候选素材,从而降低在素材生成时的资源消耗。在另一个示例中,当该图层的图层背景类型是非透明背景类型时,对该图层中的内容元素进行抠图处理,从而生成对应的候选素材。
在一些实施例中,当用于内容元素提取的图层中包括多个内容元素时,在根据内容元素进行候选素材生成之前,需要根据内容元素的不同对图层进行分割。在一个示例中,当图层的图层背景类型是透明背景类型时,在根据内容元素对图层进行分割时,可以根据指定形状的分割框对内容元素进行分割,其中,上述分割框中仅包括一个内容元素。在另一个示例中,当图层的图层背景类型是非透明背景类型时,在根据内容元素对图层进行分割时,可以对各个内容元素进行边缘检测,根据边缘检测得到的边缘信息对内容元素进行分割,从而得到各个内容元素对应的分割区域,针对分割区域进行候选素材的生成。
在本申请实施例中,为了提升候选素材在应用阶段的筛选效率,需要为候选素材设置素材标签。示意性的,候选素材的素材标签与候选素材所能应用的推荐领域相关,即,候选素材的素材标签是对应的推荐领域下的标签。
可选地,一个候选素材可以对应一个素材标签,或者,可以对应多个素材标签。当一个候选素材对应多个素材标签时,多个素材标签可以是不同类别等级的标签,例如,以三级标签为例,当候选素材对应的图片内容是游戏A中的游戏角色M时,则候选素材对应的素材标签包括一级标签“游戏”,二级标签“游戏A”,以及三级标签“游戏角色M”。
在一些实施例中,仅针对关键内容进行候选素材的生成时,候选素材对应的素材标签可以是在关键内容的识别过程中确定的。例如,当指定游戏中的游戏角色作为关键内容时,候选素材对应的素材标签可以包括指定游戏对应的标签以及游戏角色对应的标签。
在一些实施例中,为提升目标素材的筛选效率,在将候选素材存储至素材库时,可以根据素材标签的划分粒度最大的类别等级将其存储至对应的素材库,即,针对划分粒度最大的类别等级分别设置不同的素材库。
步骤203,获取与待推荐内容关联的目标图片,目标图片中包括待替换元素。
示意性的,上述待推荐内容标注有内容标签,内容标签表示待推荐内容对应的推荐领域。可选地,待推荐内容的内容标签可以是内容发布方设置的,也可以是服务器根据待推荐内容进行识别标注的。
可选地,获取目标图片的方式包括如下方式中的至少一种:
第一,接收终端上传的待推荐内容,该待推荐内容中包括目标图片。在一些实施例中,当待推荐内容是包括图片或视频的内容时,可以从待推荐内容中获取上述目标图片。在一个示例中,当待推荐内容中包括至少一张图片时,从至少一种图片中确定出目标图片;在另一个示例中,当待推荐内容中包括至少一段视频时,从至少一段视频中获取图像帧作为上述目标图片。
第二,从已存储的模板库中获取候选图片模板作为目标图片。示意性的,服务器提供有模板库,模板库中存储有多个候选图片模板,其中,上述候选图片模板对应有模板标签,可以基于待推荐内容对应的内容标签和模板标签之间的标签相似度,从模板库中的候选图片模板重视海选得到上述目标图片。
第三,从历史封面中获取目标图片。示意性的,从内容发布方历史发布的历史内容所使用的历史封面中确定上述目标图片。在一些实施例中,获取内容发布方通过内容发布账号上传的历史内容,响应于历史内容中存在内容标签与待推荐内容的内容标签匹配的目标历史内容时,将目标历史内容所对应的历史封面确定为上述目标图片。可选地,当存在多个标签匹配的目标历史内容时,可以从上述多个目标历史内容对应的历史封面中随机选择上述目标图片;或者,可以将发布时间最新的目标历史内容的内容封面选择为上述目标图片。
在一些实施例中,上述目标图片可以是可编辑格式的图片,例如,PSD格式或者PSB格式。
可选地,目标图片中的待替换元素可以是通过神经网络模型识别得到的,其中,针对待替换元素的识别,可以沿用上文中指示的对关键内容进行识别的神经网络模型,即,将目标图片中识别到的指定领域中的关键内容作为待替换元素。
可选地,目标图片中的待替换元素也可以是终端指定的。示意性的,内容发布账号通过终端向服务器指示需要进行元素替换的待替换元素。
步骤204,基于待推荐内容的内容标签和候选素材的素材标签之间的匹配关系,从素材库中确定出与待推荐内容匹配的目标素材。
在一些实施例中,当待推荐内容的内容标签中包括候选素材的素材标签时,将该候选素材确定为目标素材。在一些实施例中,当存在多个候选素材的素材标签与待推荐内容的内容标签匹配时,可以将多个候选素材均确定为目标素材,或者,对候选素材进行筛选,以得到上述目标素材。
步骤205,在目标图片中将待替换元素替换为目标素材,得到待推荐内容对应的封面图片。
在一些实施例中,确定目标图片中待替换元素对应的第一图层,响应于第一图层中包括除待替换元素之外的其他元素,对第一图层中的待替换元素进行抠图处理,得到抠除待替换元素后的第二图层,将上述目标素材添加至上述第二图层,并对第二图层进行图像补全后,得到完整的第三图层,将第三图层替换至目标图片中第一图层所在位置,从而得到封面图片。
可选地,上述其他元素可以是其他内容元素,也可以是背景元素。
在一些实施例中,响应于第一图层中仅包括待替换元素,将目标素材对第一图层进行替换,从而得到上述封面图片。
在一个示例中,如图3所示,其示出了本申请一个示例性实施例提供的封面图片的生成方法的示意图。待推荐内容对应的目标图片310中包括待替换元素311,从素材库中获取得到目标素材301,将上述目标图片310中包括待替换元素311替换为目标素材301,从而得到封面图片320。
综上所述,本申请实施例提供的封面图片的生成方法,在针对待推荐内容进行封面图片的生成时,通过目标素材对目标图片中的待替换元素进行替换,从而得到封面图片,其中,上述目标素材是从通过内容元素提取得到的候选素材中筛选得到。即,通过预先生成的素材对图像中的元素进行替换,从而提升了封面图片的生成效率,同时,是在指定领域下对候选素材与目标图片进行匹配,使得生成的封面内容能够更加贴合待推荐内容,提升封面图片生成的准确度。
请参考图4,其示出了本申请一个示例性实施例提供的封面图片的生成方法,在本申请实施例中,针对从候选素材中确定出目标素材的过程进行示意性说明,其中,步骤403~步骤405执行于步骤202之后。该方法包括:
步骤403,获取与待推荐内容关联的目标图片。
示意性的,上述目标图片中包括待替换元素,目标图片可以是可编辑格式的图片,例如,PSD格式或者PSB格式。
可选地,上述目标图片可以是待推荐内容中的内容图片;或者,目标图片是从模板库中获取的候选图片模板;或者,目标图片是从历史封面中获取的目标图片。
示意性的,目标图片中包括至少两个图层,其中,至少两个图层中的第一图层中包括上述待替换元素。
步骤4041,基于待推荐内容的内容标签和候选素材的素材标签之间的匹配关系,从素材库中确定出与待推荐内容匹配的至少一个目标候选素材。
可选地,待推荐内容的内容标签可以是内容发布账号设置的标签,也可以是服务器对待推荐内容进行内容识别,并进行分类后得到的标签。
示意性的,响应于待推荐内容的内容标签和候选素材的素材标签之间的匹配关系满足匹配条件,将上述候选素材确定为目标候选素材。
在一些实施例中,当内容标签和素材标签是来自同一标签库中的标签时,可以根据内容标签和素材标签是否相同来确定目标候选素材。其中,上述标签库是针对标签的语义对标签进行标准化后得到的标签库,即,标签库中不存在指示的相同语义的不同标签。
在另一些实施例中,可以根据内容标签和素材标签之间的语义相似度,从候选素材中确定出至少一个目标候选素材。示意性的,响应于待推荐内容的内容标签和候选素材的素材标签之间的语义相似度达到指定相似度阈值,将上述候选素材确定为目标候选素材。
在一个示例中,对内容标签和素材标签分别进行特征提取,得到内容标签特征表示和素材标签特征表示,通过计算内容标签特征表示和素材标签特征表示之间的特征距离来确定内容标签和素材标签之间的相似度。可选地,上述内容标签特征表示和素材标签特征表示可以是嵌入式(embedding)向量。可选地,上述特征距离可以是欧式距离、余弦距离、马氏距离、汉明距离等中的至少一种。
步骤4042,基于待推荐内容和至少一个目标候选素材之间的配色匹配度,从至少一个目标候选素材中确定出所述目标素材。
在本申请实施例中,为使得生成的封面图片更加适配于待推荐内容,根据待推荐内容和目标候选素材之间的配色匹配度,来对目标候选素材进行进一步筛选。
在一些实施例中,响应于目标候选素材的数量达到指定素材阈值,基于待推荐内容和至少一个目标候选素材之间的配色匹配度,从至少一个目标候选素材中确定出所述目标素材。可选地,上述指定素材阈值可以是预先设置的,也可以是终端指示的。
在一些实施例中,在根据待推荐内容和候选素材之间的配色匹配度对目标候选素材进行筛选时,可以选择以下筛选方式中的至少一种:
第一,根据目标图片的色彩搭配情况对目标候选素材进行筛选。
示意性的,获取目标图片的图片配色信息;获取目标候选素材对应的素材配色信息;基于色彩搭配网络确定图片配色信息和素材配色信息之间的配色匹配数据;基于至少一个候选素材分别对应的配色匹配数据,从至少一个目标候选素材中确定出目标素材。
示意性的,上述目标图片的图片配色信息用于指示目标图片的色彩搭配情况,上述色彩搭配网络用于确定不同色彩之间进行搭配时的匹配度。可选地,在确定目标图片和目标候选素材之间的匹配度时,可以根据目标图片和目标候选素材之间的色调、对比度中的至少一种维度来确定。
其中,在色调维度下,根据色彩搭配原理需要尽可能地保证候选素材在作为目标素材替换至目标图片中时,保持色调上的统一,避免替换后得到封面图片中目标素材的色调与其它图片内容的色调不匹配的问题。在对比度维度下,根据色彩搭配原理需要尽可能地避免得到的封面图片中存在颜色对比度过高而导致的过饱和的视觉效果。
在一些实施例中,还可以通过色彩搭配算法对配色匹配数据进行确定,以针对色调维度为例,上述图片配色信息可以通过对目标图片中各个像素对应的像素值进行统计,根据目标图片对应的像素值统计结果来指示目标图片的配色信息。在一个示例中,预先根据像素值对应的色彩进行色调分类,例如,根据色相将不同像素值分为红色调、黄色调、绿色调、紫色调等,或者,根据色彩的冷暖分为暖色调、冷色调和中性色调等,将目标图片的像素按照像素值所对应的色调进行分类,根据色调的分类结果确定上述目标图片的图片配色信息。
可选地,可以将色调的分类结果确定为目标图片的图片配色信息;或者,根据色调的分类结果中,比例最高的至少一种色调类型作为目标图片的图片配色信息,例如,当目标图片的色调的分类结果指示目标图片中像素值属于暖色调的像素最多,则将目标图片的图片配色信息确定为指示目标图片为暖色调图片。
示意性的,候选素材对应的素材配色信息可以是预先计算得到,并与候选素材对应存储的,当需要对图片配色信息和素材配色信息之间的配色匹配数据进行确定时,可以直接获取目标候选素材对应的素材配色信息。其中,候选素材对应的素材配色信息的确定方式与目标图片的配色信息的确定方式相同,在此不进行赘述。
示意性的,可以根据图片配色信息和素材配色信息之间的相似度来确定上述配色匹配数据。在一个示例中,当配色信息指示色调的分类结果时,可以根据不同色调类型在目标图片和目标候选素材之间的占比相似度来确定,响应于占比相似度达到色调相似度阈值,则将目标候选素材确定为目标素材。
具体的,上述占比相似度可以通过公式一计算得到,其中,xi指示目标图片的色调分类结果中的第i个子结果,yi指示目标候选素材的色调分类结果中的第i个子结果。
公式一:
例如,目标图片对应的色调分类结果为暖色调86%、冷色调11%、中性色调3%,目标候选素材对应的色调分类结果为暖色调78%、冷色调7%、中性色调15%,可以根据各个色调中的最小值来计算两者色调之间的占比相似度,即,占比相似度为88%,以色调相似度阈值为75%为例,则确定上述目标素材配色满足色调相似度阈值,可以作为目标素材。
在另一些实施例中,上述色彩搭配网络可以是对样本图像中色彩之间的搭配学习得到的。可选地,上述对图片中色彩之间的搭配进行学习的神经网络可以是CNN、循环神经网络(Recurrent Neural Network,RNN)、Alex网络、VGG网络等中的至少一种。其中,上述样本图像可以是由专业设计师制作的,能够具有合适色彩搭配特征的图片,使得上述神经网络能够学习到色彩搭配原理。例如,输入的样本图像包括满足单色搭配、邻近色搭配、互补色搭配、分裂互补色搭配、三元色搭配、四元色搭配等中的至少一种色彩搭配原理的图像。
示意性的,单色搭配指示的是在色轮上选取一种主颜色后,通过改变该主颜色对应的饱和度和明度来得到多种子颜色,通过上述主颜色和子颜色之间的搭配得到的图像是符合色彩搭配原理的图像;邻近色搭配指示的是在色轮上选取至少两种邻近的颜色,上述至少两种邻近的颜色搭配得到的图像是符合色彩搭配原理的图像;互补色搭配指示的是在色轮上选取对立两个颜色生成颜色组,通过上述颜色组搭配得到的图像是符合色彩搭配原理的图像;分裂互补色搭配指示的是在色轮上根据呈现狭长三角形的取色范围来确定三种颜色,通过上述三种颜色搭配得到的图像是符合色彩搭配原理的图像;三元色搭配指示的是在色轮上根据呈现正三角形的取色范围来确定三种颜色,通过上述三种颜色搭配得到的图像是符合色彩搭配原理的图像;四元色搭配指示的是在色轮上根据呈现矩形的取色范围来确定四种颜色,通过上述四种颜色搭配得到的图像是符合色彩搭配原理的图像。其中,上述色轮是通过将三原色之间的叠加混合形成新的颜色,并以此类推得到的颜色混合结果。
第二,根据待推荐内容对应的情感语义对目标候选素材进行筛选。
示意性的,对待推荐内容所表达的情感语义进行特征提取,得到待推荐内容的语义特征表示;基于语义特征表示对待推荐内容的内容语义进行分类,确定待推荐内容对应的目标情感类别,目标情感类别与目标素材配色具有对应关系;基于目标素材配色和目标候选素材的素材配色之间的匹配度,从至少一个目标候选素材中确定出目标素材。
示意性的,在针对待推荐内容所表达的情感语义进行特征提取时,可以先确定待推荐内容的文本内容,基于上述文本内容进行文本情感分析。可选地,当待推荐内容包括文本内容时,可直接针对上述文本内容进行文本情感分析;当待推荐内容包括视频内容时,可以通过字幕提取或者语音转文字技术获取视频内容对应的文本内容;当待推荐内容包括音频内容时,可以通过语音转文字技术获取音频内容对应的文本内容;当待推荐内容包括图片内容时,可以对图片进行识别,确定图片上包括的文本内容,或者,将图片内容对应的标题文本、标签文本中的至少一种确定为用于文本情感分析的文本内容。
在一些实施例中,通过预先训练得到的情感语义分类网络来确定待推荐内容对应的目标情感类别。其中,上述情感语义分类网络是通过标注有情感类别标签的样本内容进行训练得到的,情感语义分类网络能够对输入的文本内容进行文本情感分析,输出其对应的情感类别。可选地,上述情感类别可以包括喜、怒、哀、乐、批评、赞扬等中的至少一种情绪。
示意性的,情感类别与素材配色之间存在对应关系,例如,当情感类别为快乐类别时,则素材配色可以包括红色调、黄色调,当情感类别为悲伤类别时,则素材配色可以包括黑色调、灰色调。
在一些实施例中,在确定待推荐内容对应的目标情感类别之后,获取感情类别与素材配色之间的对应关系列表,根据该对应关系确定出与目标情感类别匹配的至少一个目标素材配色。
在一些实施例中,候选素材的素材配色可以是在候选素材存储至素材库时对应存储的,即,在候选素材生成时,对候选素材对应的内容元素进行配色识别,确定候选素材对应的素材配色,将上述素材配色作为配色标签进行对应存储。
示意性的,响应于目标候选素材的素材配色和上述目标素材配色之间的相似度达到配色相似度阈值,将上述目标候选素材确定为目标素材。可选地,上述配色相似度阈值可以是预设的,也可以是终端指示的。
第三,根据待推荐内容在进行推荐时的显示位置对目标候选素材进行筛选。
示意性的,获取待推荐内容在进行推荐时的显示位置信息,基于显示位置信息从目标候选素材中确定出目标素材。可选地,上述显示位置信息中包括至少两个候选位置,即,在对待推荐内容进行推荐时,在上述至少两个候选位置中均会显示待推荐内容。当待推荐内容显示于多个位置时,可以根据不同的位置筛选不同的目标素材用于生成封面图片。例如,上述候选位置包括第一候选位置、第二候选位置和第三候选位置,其中,第一候选位置是对待推荐内容在平台的推荐首页进行内容推荐时显示的位置,第二位置是待推荐内容涉及的关键词被搜索时对待推荐内容进行显示的位置,第三位置是内容发布账号主页中对待推荐内容进行显示的位置,根据第一候选位置筛选得到第一目标素材,根据第一目标素材生成第一候选位置对应的第一封面图片,根据第二候选位置筛选得到第二目标素材,根据第二目标素材生成第二候选位置对应的第二封面图片,根据第三候选位置筛选得到第三目标素材,根据第三目标素材生成第三候选位置对应的第三封面图片。
在一些实施例中,当候选位置对应的显示界面中包括其它推荐内容时,可以根据其它推荐内容对应的封面配色来对目标候选素材进行筛选。在一个示例中,获取候选位置的显示界面所包括的其它推荐内容的内容封面;获取其它推荐内容的内容封面对应的配色信息;基于上述配色信息从目标候选素材中确定出目标素材,其中,目标素材的配色与其它推荐内容的内容封面对应的配色属于相同或相似配色。
第四,根据待推荐内容关联的关联内容的内容封面对目标候选素材进行筛选。
示意性的,当待推荐内容存在具有关联关系的关联内容时,可以根据关联内容的内容封面来对目标候选素材进行筛选。可选地,上述关联内容可以是内容发布账号设置的,也可以是服务器自动识别的。可选地,上述关联关系可以是内容发布账号设置的内容合集,在一个示例中,内容发布账号建立了多个内容合集,不同的内容合集用于发布不同的关联内容,例如,内容发布账号将恐怖电影剪辑放在第一视频合集中,将爱情电影剪辑放在第二视频集合中。
示意性的,获取上述关联内容的内容封面的配色信息;基于上述配色信息从目标候选素材中确定出目标素材,其中,目标素材的配色与关联内容的内容封面对应的配色属于相同或相似配色。
步骤405,在目标图片中将待替换元素替换为目标素材,得到待推荐内容对应的封面图片。
在一些实施例中,确定目标图片中待替换元素对应的第一图层,响应于第一图层中包括除待替换元素之外的其他元素,对第一图层中的待替换元素进行抠图处理,得到抠除待替换元素后的第二图层,将上述目标素材添加至上述第二图层,并对第二图层进行图像补全后,得到完整的第三图层,将第三图层替换至目标图片中第一图层所在位置,从而得到封面图片。
可选地,上述其他元素可以是其他内容元素,也可以是背景元素。
在一些实施例中,响应于第一图层中仅包括待替换元素,将目标素材对第一图层进行替换,从而得到上述封面图片。
在一些实施例中,当确定出多个目标素材时,可以根据多个目标素材分别生成对应的封面图片,即,根据第i个目标素材生成第i个封面图片。示意性的,将得到的多个封面图片发送至内容发布方对应的终端,由内容发布方确定最终使用的封面图片,内容发布方也可以对多个封面图片进行保存,以用于作为其它待推荐内容的封面。
综上所述,本申请实施例提供的封面图片的生成方法,在针对待推荐内容进行封面图片的生成时,通过目标素材对目标图片中的待替换元素进行替换,从而得到封面图片,其中,上述目标素材是从通过内容元素提取得到的候选素材中筛选得到。即,通过预先生成的素材对图像中的元素进行替换,从而提升了封面图片的生成效率,同时,是在指定领域下对候选素材与目标图片进行匹配,使得生成的封面内容能够更加贴合待推荐内容,提升封面图片生成的准确度。
在本申请实施例中,通过待推荐内容与目标候选素材之间的配色匹配度对目标候选素材进行进一步筛选,从而得到目标素材,提升了通过目标素材对目标图片的待替换元素进行替换时的替换效果,提升了生成的封面图片的准确度。
请参考图5,其示出了本申请一个示例性实施例提供的封面图片的生成方法,在本申请实施例中,以对候选图片模板进行元素替换,从而得到封面图片为例进行示意性说明。该方法包括:
步骤501,从模板库中的候选图片模板中确定目标图片。
在一些实施例中,为更好地利用设计师资源,可以获取设计师历史涉及的PSD图片,以用于生成素材库和模板库。
示意性的,针对素材库的生成,其对应的过程包括:获取可编辑格式的第一候选图片;对多个图层中的至少一个图层进行内容元素提取,将得到的内容元素结合内容元素所属的推荐领域生成候选素材;将候选素材存储至素材库。其中,可编辑格式是存储有图片编辑信息的格式。
针对模板库的生成,其对应的过程包括:获取可编辑格式的第二候选图片;基于第二候选图片的图片编辑信息,识别第二候选图片中存在可替换元素的目标图层;确定可替换元素在目标图层中的位置信息;将第二候选图片、目标图层的图层信息和位置信息进行数据结构化处理,得到候选图片模板;将候选图片模板存储至模板库。
可选地,上述第一候选图片和第二候选图片可以是来自不同图片集合的候选图片,也可以是来自相同图片集合的候选图片。
在本申请实施例中,针对PSD格式的候选图片进行标准化处理,从而得到结构化的数据。在一个示例中,如图6所示,其示出了本申请一个示例性实施例提供的结构化数据生成的流程图,PSD文件601倍输入至PSD解析程序610中,输出得到PSD结构化数据602。
在一个示例中,候选图片的图片属性对应的结构化数据如表一所示,候选图片的文字属性的结构化数据如表二所示。
表一
表二
示意性的,可以根据内容发布方所上传的待推荐内容的内容标签来从模板库中确定出目标图片。即,模板库中的候选图片模板对应有模板标签,根据待推荐内容的内容标签和模板标签之间的标签相似度,从模板库中的候选图片模板中筛选得到目标图片。
步骤502,查找目标图片中的待替换元素。
示意性的,基于第二候选图片的图片编辑信息,将第二候选图片拆分为至少一个图层;对第二候选图片的第i个图层进行边缘提取,得到第i个图层对应的第一轮廓信息;响应于第i个图层的第一轮廓信息与候选元素的第二轮廓信息之间的相似度达到指定相似阈值,确定第i个图层是存在可替换元素的目标图层,候选元素是待推荐内容对应的推荐领域中的指定元素。
可选地,上述指定元素可以包括推荐领域中对象热度达到指定热度阈值的对象元素,例如,针对指定游戏对应的推荐领域,上述指定元素可以是游戏角色中角色热度达到一定阈值的热门觉得对应的元素;或者,指定元素可以包括推荐领域中指定对象类别的对象元素,例如,针对指定游戏对应的推荐领域,上述指定元素可以是指定游戏中允许玩家操控的特殊角色。
在本申请实施例中,以该方法应用于指定游戏中游戏角色作为关键内容以进行待替换元素确定为例进行示意性说明。示意性的,针对游戏角色的识别算法,类似于人脸识别算法,并且其算法的复杂度低于人脸识别。
在一个示例中,如图7所示,其示出了本申请一个示例性实施例提供的关键内容的识别流程图,其中,该流程包括:S701,提取指定元素的特征向量;S702,对识别模型进行训练;S703,将训练得到的识别模型应用于在线识别。
在一些实施例中,针对特征向量的提取,由于指定游戏中游戏角色的特殊性,即,游戏角色存在标准特征,即,根据可以通过游戏角色对应的指定元素来学习得到游戏角色对应的特征,从而对目标图片中的游戏角色进行识别,将识别得到的游戏角色对应的内容元素作为待替换元素。
在一个示例中,采用轮廓匹配法来进行游戏角色的识别,即,把图片的轮廓信息作为特征向量,轮廓的提取方式可以使用OpenCV的技术,具体的,如图8所示,其示出了本申请一个示例性实施例提供的轮廓提取的流程图,针对输入的原图801进行阈值处理810,从而得到目标二值图802,其中,该目标二值图802是以白色为背景,黑色为前景的图像,阈值处理810可以包括通过第一函数(cv2.threshold(cv2.cvtColor(toGRAY)))得到二值图811,以及通过第二函数(cv2.Canny(image,128,256))提取图片边缘轮廓812。然后目标二值图802通过第三函数(cv2.findContours())得到边缘线820。
在经过上述流程之后,会得到一个描述轮廓的三维数组,上述三维数组即提取得到的目标图片的轮廓特征向量。示意性的,如图9所示,其示出了本申请一个示例性实施例提供的轮廓提取的可视化效果的示意图,目标图片901经过轮廓提取后得到轮廓图片902。
示意性的,针对识别模型的训练,可以根据特征之间的距离来确定特征之间的相似度。即,在获取到样本图片关于轮廓的第一三维数组,以及指定元素关于轮廓的第二三维数组后,通过计算第一三维数组和第二三维数组之间的特征距离,来对指定元素的特征进行学习,其中,上述样本图片中的图片内容与指定元素关联。在一个示例中,以特征距离为欧式距离为例,则其对应的相似度similarity计算如公式二所示,其中,xi指示第i个第一特征表示,yi指示第i个第二特征表示。
公式二:
示意性的,当识别模型训练完成后,即可将识别模型用于线上以进行实时识别,以确定目标图片中各个图层所表达的内容元素是否是待替换元素。
步骤503,获取待替换元素在目标图片中的坐标数据,以及待替换元素对应的第一宽高数据。
示意性的,在确定目标图片中的待替换元素之后,还需要获取待替换元素在目标图片中的坐标数据,以及待替换元素对应的第一宽高数据,其中,待替换元素对应的坐标数据用于确定需要进行元素替换的位置,待替换元素的第一宽高数据用于与目标素材的尺寸进行归一化。
步骤504,在素材库中查找目标素材。
示意性的,根据待推荐内容对应的内容标签在素材库中查到用于对待替换元素进行替换的目标素材,具体针对目标素材的筛选过程如步骤204或步骤4041~4042所示,在此不进行赘述。
步骤505,获取目标素材的第二宽高数据。
在一些实施例中,在素材库中对候选素材进行存储时,还对应存储有候选素材对应的尺寸信息,其中,上述尺寸信息中包括候选素材对应的宽高数据。示意性的,在从素材库中确定出目标素材之后,同时即可获取目标素材对应的第二宽高数据。
步骤506,基于待替换元素的第一宽高数据和坐标数据,以及目标元素的第二宽高数据,对目标图片中的待替换元素进行替换,生成封面图片。
示意性的,根据待替换元素的第一宽高数据和坐标数据,以及目标元素的第二宽高数据可以计算得到目标素材在对目标图片中的待替换元素进行替换时的缩放信息,根据上述缩放信息即可将目标素材对目标图片中的待替换元素进行替换,生成封面图片。
在一些实施例中,上述目标图片是可编辑格式的图片,其中,待替换元素对应的图层为目标图片中的第n个图层,在进行元素替换时,将目标素材根据缩放信息进行缩放处理后,将缩放后的目标素材作为第n个图层对上述原始的第n个图层进行替换,从而得到封面图片。
在一些实施例中,生成的封面图片也可以是可编辑格式的。示意性的,内容发布方还可以对上述生成的封面图片进行进一步的调整处理。可选地,上述调整处理可以包括元素位置的调整、元素透明度的调整、图片风格的调整、图层位置关系调整等中的至少一种处理操作。其中,元素位置的调整指示可以对封面图像中元素的位置进行修改;元素透明度的调整指示可以对封面图像中的元素的透明度进行修改;图片风格的调整指示可以对封面图片的整体图像风格进行修改,例如,将封面图片调整为漫画风格、油画风格、抽象卡通风格等中的至少一种风格;图层位置关系调整指示可以对封面图片中不同图层之间的上下叠加关系进行修改。可选地,上述元素可以包括上述目标素材对应的元素,也可以是封面图片中的其他元素,在此不进行具体限定。
示意性的,服务器将上述可编辑格式的封面图片传输至终端,终端通过指定应用显示该封面图片,其中,指定应用提供有上述调整处理的功能。在一个示例中,如图10所示,其示出了本申请一个示例性实施例提供的封面图片的编辑界面1000示意图,在编辑界面1000中,显示有生成的封面图片1010,其中,该封面图片1010中包括目标素材对应的元素1011,该元素1011处于可编辑状态,即,可以针对该元素1011进行调整处理。
综上所述,本申请实施例提供的封面图片的生成方法,在针对待推荐内容进行封面图片的生成时,通过目标素材对目标图片中的待替换元素进行替换,从而得到封面图片,其中,上述目标素材是从通过内容元素提取得到的候选素材中筛选得到。即,通过预先生成的素材对图像中的元素进行替换,从而提升了封面图片的生成效率,同时,是在指定领域下对候选素材与目标图片进行匹配,使得生成的封面内容能够更加贴合待推荐内容,提升封面图片生成的准确度。
在本申请实施例中,该方法不仅能够降低内容发布方在生产内容时的成本,同时还能将优秀的设计师的设计创意赋能至内容发布方,提高了封面生成的灵活性,同时,通过提供对生成的封面图片的调整处理功能,还提升了封面生成流程的流畅性。
请参考图11,其示出了本申请一个示例性的实施例提供的封面图片的生成装置结构框图,该装置包括如下模块:
获取模块1110,用于获取第一候选图片,所述第一候选图片是由多个图层叠加得到的图片;
第一生成模块1120,用于对所述多个图层中的至少一个图层进行内容元素提取,将提取得到的内容元素进行素材标签的标注,得到候选素材,并将所述候选素材存储至素材库,所述素材库中的候选素材标记有用于指示推荐领域的素材标签;
所述获取模块1110,还用于获取与待推荐内容关联的目标图片,所述目标图片中包括待替换元素,所述待推荐内容标注有内容标签,所述内容标签表示所述待推荐内容对应的推荐领域;
确定模块1130,用于基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出与所述待推荐内容匹配的目标素材;
第二生成模块1140,用于在所述目标图片中将所述待替换元素替换为所述目标素材,得到所述待推荐内容对应的封面图片。
在一些可选的实施例中,如图12所示,所示确定模块1130,还包括:
第一确定单元1131,用于基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出至少一个目标候选素材;
第二确定单元1132,用于基于所述待推荐内容和所述至少一个目标候选素材之间的配色匹配度,从所述至少一个目标候选素材中确定出所述目标素材。
在一些可选的实施例中,所述第二确定单元1132,还用于对所述待推荐内容所表达的情感语义进行特征提取,得到所述待推荐内容的语义特征表示;
所述第二确定单元1132,还用于基于所述语义特征表示对所述待推荐内容的内容语义进行分类,确定所述待推荐内容对应的目标情感类别,所述目标情感类别与目标素材配色具有对应关系;
所述第二确定单元1132,还用于基于所述目标素材配色和所述目标候选素材的素材配色之间的匹配度,从所述至少一个目标候选素材中确定出所述目标素材。
在一些可选的实施例中,所述确定模块1130,还包括:
获取单元1133,用于获取所述目标图片的图片配色信息,所述图片配色信息用于指示所述目标图片的色彩搭配情况;
所述获取单元1133,还用于获取所述目标候选素材对应的素材配色信息;
所述第二确定单元1132,还用于基于色彩搭配网络确定所述图片配色信息和所述素材配色信息之间的配色匹配数据,所述色彩搭配网络是对样本图像中色彩之间的搭配情况学习得到的;
所述第二确定单元1132,还用于基于所述至少一个候选素材分别对应的配色匹配数据,从所述至少一个目标候选素材中确定出所述目标素材。
在一些可选的实施例中,所述获取模块1110,还用于获取可编辑格式的第二候选图片,所述可编辑格式是存储有图片编辑信息的格式;
所述装置还包括第三生成模块1150;
所述第三生成模块1150,包括:
识别单元1151,用于基于所述第二候选图片的图片编辑信息,识别所述第二候选图片中存在可替换元素的目标图层;
第三确定单元1152,用于确定所述可替换元素在所述目标图层中的位置信息;
所述第三确定单元1152,还用于将所述第二候选图片、所述目标图层的图层信息和所述位置信息进行数据结构化处理,得到候选图片模板;
存储单元1153,用于将所述候选图片模板存储至模板库。
在一些可选的实施例中,所述候选图片模板对应有模板标签;
所述获取模块1110,还用于基于所述内容标签和所述模板标签之间的标签相似度,从所述模板库中的候选图片模板中筛选得到所述目标图片。
在一些可选的实施例中,所述识别单元1151,还用于基于所述第二候选图片的图片编辑信息,将所述第二候选图片拆分为至少一个图层;
所述识别单元1151,还用于对所述第二候选图片的第i个图层进行边缘提取,得到所述第i个图层对应的第一轮廓信息;
所述识别单元1151,还用于响应于所述第i个图层的所述第一轮廓信息与候选元素的第二轮廓信息之间的相似度达到指定相似阈值,确定所述第i个图层是存在可替换元素的目标图层,所述候选元素是所述待推荐内容对应的推荐领域中的指定元素;
其中,所述指定元素包括所述推荐领域中对象热度达到指定热度阈值的对象元素;或者,所述指定元素包括所述推荐领域中指定对象类别的对象元素。
综上所述,本申请实施例提供的封面图片的生成装置,在针对待推荐内容进行封面图片的生成时,通过目标素材对目标图片中的待替换元素进行替换,从而得到封面图片,其中,上述目标素材是从通过内容元素提取得到的候选素材中筛选得到。即,通过预先生成的素材对图像中的元素进行替换,从而提升了封面图片的生成效率,同时,是在指定领域下对候选素材与目标图片进行匹配,使得生成的封面内容能够更加贴合待推荐内容,提升封面图片生成的准确度。
需要说明的是:上述实施例提供的封面图片的生成装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的封面图片的生成装置与封面图片的生成方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图13示出了本申请一个示例性实施例提供的服务器的结构示意图。具体来讲包括如下结构。
服务器1300包括中央处理单元(Central Processing Unit,CPU)1301、包括随机存取存储器(Random Access Memory,RAM)1302和只读存储器(Read Only Memory,ROM)1303的系统存储器1304,以及连接系统存储器1304和中央处理单元1301的系统总线1305。服务器1300还包括用于存储操作系统1313、应用程序1314和其他程序模块1315的大容量存储设备1306。
大容量存储设备1306通过连接到系统总线1305的大容量存储控制器(未示出)连接到中央处理单元1301。大容量存储设备1306及其相关联的计算机可读介质为服务器1300提供非易失性存储。也就是说,大容量存储设备1306可以包括诸如硬盘或者紧凑型光盘只读存储器(Compact Disc Read Only Memory,CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read Only Memory,EEPROM)、闪存或其他固态存储器技术,CD-ROM、数字通用光盘(Digital Versatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1304和大容量存储设备1306可以统称为存储器。
根据本申请的各种实施例,服务器1300还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1300可以通过连接在系统总线1305上的网络接口单元1311连接到网络1312,或者说,也可以使用网络接口单元1311来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。
本申请的实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的封面图片的生成方法。可选地,该计算机设备可以是终端,也可以是服务器。
本申请的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行,以实现上述各方法实施例提供的封面图片的生成方法。
本申请的实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的封面图片的生成方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,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 (10)
1.一种封面图片的生成方法,其特征在于,所述方法包括:
获取第一候选图片,所述第一候选图片是由多个图层叠加得到的图片;
对所述多个图层中的至少一个图层进行内容元素提取,将提取得到的内容元素进行素材标签的标注,得到候选素材,并将所述候选素材存储至素材库,所述素材库中的候选素材标记有用于指示推荐领域的素材标签;
获取与待推荐内容关联的目标图片,所述目标图片中包括待替换元素,所述待推荐内容标注有内容标签,所述内容标签表示所述待推荐内容对应的推荐领域;
基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出与所述待推荐内容匹配的目标素材;
在所述目标图片中将所述待替换元素替换为所述目标素材,得到所述待推荐内容对应的封面图片。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出与所述待推荐内容匹配的目标素材,包括:
基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出至少一个目标候选素材;
基于所述待推荐内容和所述至少一个目标候选素材之间的配色匹配度,从所述至少一个目标候选素材中确定出所述目标素材。
3.根据权利要求2所述的方法,其特征在于,所述基于所述待推荐内容和所述至少一个目标候选素材之间的配色匹配度,从所述至少一个目标候选素材中确定出所述目标素材,包括:
对所述待推荐内容所表达的情感语义进行特征提取,得到所述待推荐内容的语义特征表示;
基于所述语义特征表示对所述待推荐内容的内容语义进行分类,确定所述待推荐内容对应的目标情感类别,所述目标情感类别与目标素材配色具有对应关系;
基于所述目标素材配色和所述目标候选素材的素材配色之间的匹配度,从所述至少一个目标候选素材中确定出所述目标素材。
4.根据权利要求2所述的方法,其特征在于,所述基于所述待推荐内容和所述至少一个目标候选素材之间的配色匹配度,从所述至少一个目标候选素材中确定出所述目标素材,包括:
获取所述目标图片的图片配色信息,所述图片配色信息用于指示所述目标图片的色彩搭配情况;
获取所述目标候选素材对应的素材配色信息;
基于色彩搭配网络确定所述图片配色信息和所述素材配色信息之间的配色匹配数据,所述色彩搭配网络是对样本图像中色彩之间的搭配情况学习得到的;
基于所述至少一个候选素材分别对应的配色匹配数据,从所述至少一个目标候选素材中确定出所述目标素材。
5.根据权利要求1至4任一所述的方法,其特征在于,所述方法还包括:
获取可编辑格式的第二候选图片,所述可编辑格式是存储有图片编辑信息的格式;
基于所述第二候选图片的图片编辑信息,识别所述第二候选图片中存在可替换元素的目标图层;
确定所述可替换元素在所述目标图层中的位置信息;
将所述第二候选图片、所述目标图层的图层信息和所述位置信息进行数据结构化处理,得到候选图片模板;
将所述候选图片模板存储至模板库。
6.根据权利要求5所述的方法,其特征在于,所述候选图片模板对应有模板标签;
所述获取与待推荐内容关联的目标图片,包括:
基于所述内容标签和所述模板标签之间的标签相似度,从所述模板库中的候选图片模板中筛选得到所述目标图片。
7.根据权利要求5所述的方法,其特征在于,所述基于所述第二候选图片的图片编辑信息,识别所述第二候选图片中存在可替换元素的目标图层,包括:
基于所述第二候选图片的图片编辑信息,将所述第二候选图片拆分为至少一个图层;
对所述第二候选图片的第i个图层进行边缘提取,得到所述第i个图层对应的第一轮廓信息;
响应于所述第i个图层的所述第一轮廓信息与候选元素的第二轮廓信息之间的相似度达到指定相似阈值,确定所述第i个图层是存在可替换元素的目标图层,所述候选元素是所述待推荐内容对应的推荐领域中的指定元素;
其中,所述指定元素包括所述推荐领域中对象热度达到指定热度阈值的对象元素;或者,所述指定元素包括所述推荐领域中指定对象类别的对象元素。
8.一种封面图片的生成装置,其特征在于,所述装置包括:
获取模块,用于获取第一候选图片,所述第一候选图片是由多个图层叠加得到的图片;
第一生成模块,用于对所述多个图层中的至少一个图层进行内容元素提取,将提取得到的内容元素进行素材标签的标注,得到候选素材,并将所述候选素材存储至素材库,所述素材库中的候选素材标记有用于指示推荐领域的素材标签;
所述获取模块,还用于获取与待推荐内容关联的目标图片,所述目标图片中包括待替换元素,所述待推荐内容标注有内容标签,所述内容标签表示所述待推荐内容对应的推荐领域;
确定模块,用于基于所述待推荐内容的内容标签和所述候选素材的素材标签之间的匹配关系,从所述素材库中确定出与所述待推荐内容匹配的目标素材;
第二生成模块,用于在所述目标图片中将所述待替换元素替换为所述目标素材,得到所述待推荐内容对应的封面图片。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一段程序,所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任一所述的封面图片的生成方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至7任一所述的封面图片的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210840600.3A CN116521919A (zh) | 2022-07-18 | 2022-07-18 | 封面图片的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210840600.3A CN116521919A (zh) | 2022-07-18 | 2022-07-18 | 封面图片的生成方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116521919A true CN116521919A (zh) | 2023-08-01 |
Family
ID=87398135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210840600.3A Pending CN116521919A (zh) | 2022-07-18 | 2022-07-18 | 封面图片的生成方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116521919A (zh) |
-
2022
- 2022-07-18 CN CN202210840600.3A patent/CN116521919A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ortis et al. | Survey on visual sentiment analysis | |
Kavasidis et al. | An innovative web-based collaborative platform for video annotation | |
CN111488931B (zh) | 文章质量评估方法、文章推荐方法及其对应的装置 | |
Wang et al. | Affective image adjustment with a single word | |
Ni et al. | Learning to photograph: A compositional perspective | |
CN105354248A (zh) | 基于灰度的分布式图像底层特征识别方法及系统 | |
Shen et al. | The influence of artificial intelligence on art design in the digital age | |
CN110457523B (zh) | 封面图片的选取方法、模型的训练方法、装置及介质 | |
CN115131698B (zh) | 视频属性确定方法、装置、设备及存储介质 | |
CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
Zhang et al. | A comprehensive survey on computational aesthetic evaluation of visual art images: Metrics and challenges | |
CN114298122A (zh) | 数据分类方法、装置、设备、存储介质及计算机程序产品 | |
Zhao et al. | Generative label fused network for image–text matching | |
Zhang et al. | Online modeling of esthetic communities using deep perception graph analytics | |
Valenzise et al. | Advances and challenges in computational image aesthetics | |
US20230070390A1 (en) | Textual design agent | |
CN116610304B (zh) | 页面代码生成方法、装置、设备和存储介质 | |
Dao et al. | Robust event discovery from photo collections using Signature Image Bases (SIBs) | |
Wang et al. | Intelligent painting identification based on image perception in multimedia enterprise | |
Debnath et al. | Computational approaches to aesthetic quality assessment of digital photographs: state of the art and future research directives | |
CN116977992A (zh) | 文本信息识别方法、装置、计算机设备和存储介质 | |
Zhang et al. | A machine learning paradigm for Studying Pictorial realism: are constable's clouds more real than his contemporaries? | |
CN116958624A (zh) | 指定材质的识别方法、装置、设备、介质及程序产品 | |
Xi et al. | Research on map emotional semantics using deep learning approach | |
CN116521919A (zh) | 封面图片的生成方法、装置、设备及介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40091414 Country of ref document: HK |