CN117271817A - 生成分享素材的方法及装置、设备、存储介质 - Google Patents
生成分享素材的方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN117271817A CN117271817A CN202311163076.1A CN202311163076A CN117271817A CN 117271817 A CN117271817 A CN 117271817A CN 202311163076 A CN202311163076 A CN 202311163076A CN 117271817 A CN117271817 A CN 117271817A
- Authority
- CN
- China
- Prior art keywords
- photo
- model
- sampling
- preset
- image quality
- 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
- 239000000463 material Substances 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005070 sampling Methods 0.000 claims abstract description 76
- 238000012216 screening Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013441 quality evaluation Methods 0.000 claims description 11
- 230000004075 alteration Effects 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 19
- 239000000523 sample Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001292396 Cirrhitidae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010897 surface acoustic wave method 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
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/55—Clustering; Classification
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Library & Information Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种生成分享素材的方法及装置、设备、存储介质,能够根据筛选照片、素材模板信息和预设的AI模型,生成分享素材,提高生成分享素材的效率,不再依赖第三方软件对照片进行处理。本申请实施例方法包括:获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;根据所述筛选条件选取筛选照片;根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
Description
技术领域
本申请实施例涉及神经网络技术,涉及但不限于一种生成分享素材的方法及装置、设备、存储介质。
背景技术
在一些相册中,有叫“回忆”的功能,会根据用户某一个地点的时间线生成一段音乐短片(Music Video,MV);还有一个精选照片的功能,该功能选取的是所有时间线的照片,根据预设规则选取一定数量的照片展示给用户。生成的精选照片无任何模板,单图显示,用户需要二次编辑才能分享至社交平台。
发明内容
有鉴于此,本申请实施例提供的生成分享素材的方法及装置、设备、存储介质,能够根据筛选照片、素材模板信息和预设的AI模型,生成分享素材,提高生成分享素材的效率,不再依赖第三方软件对照片进行处理。本申请实施例提供的生成分享素材的方法及装置、设备、存储介质是这样实现的:
本申请实施例提供的生成分享素材的方法,可以包括:获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;根据所述筛选条件选取筛选照片;根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
本申请实施例提供的生成分享素材的装置,可以包括:
获取模块,用于获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;
选取模块,用于根据所述筛选条件选取筛选照片;
生成模块,用于根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;
其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
本申请实施例提供的计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请实施例所述的方法。
本申请实施例提供的计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请实施例提供的所述的方法。
本申请实施例公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本申请第一方面所述的方法。
本申请实施例公开一种应用发布平台,所述应用发布平台用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本申请第一方面所述的方法。
本申请实施例所提供的生成分享素材的方法、装置、计算机设备和计算机可读存储介质,通过获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;根据所述筛选条件选取筛选照片;根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。即可以根据筛选照片、素材模板信息和预设的AI模型,直接生成分享素材,不需要借助第三方软件对照片进行处理才能得到分享素材,所以可以提高生成分享素材的效率,节约系统资源,从而解决背景技术中所提出的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例中生成分享素材的方法的一个实施例示意图;
图2A为本申请实施例中用户打开相册的一个示意图;
图2B为本申请实施例中手机系统在显示界面上提示是否需要生成分享社交圈的素材的一个示意图;
图2C为本申请实施例中用户在个性化配置界面进行配置操作的一个示意图;
图2D为本申请实施例中生成的分享素材的一个实施例示意图;
图3A为本申请实施例提供的生成分享素材的方法的总体流程图;
图3B为本申请实施例提供的生成视频分享素材和照片分享素材的一个流程示意图;
图4为本申请实施例提供的生成分享素材的装置的结构示意图;
图5为本申请实施例中终端设备的一个实施例示意图;
图6为本申请实施例中终端设备的另一个实施例示意图;
图7为本申请实施例提供一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
需要指出,本申请实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
下面先对本申请中所涉及的一些术语做一个简要的说明,如下所示:
EXIF:可交换图像文件的英文缩写,英文全称:Exchangeable Image Fileformat,是专门为数码相机的照片设定的,可以记录数码照片的属性信息和拍摄数据。
ROI(region of interest),感兴趣区域。机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI,并进行图像的下一步处理。
在“回忆”功能中,例如:长沙,1月份—6月份范围的照片,会根据其设定的策略选取一定的照片生成一段MV并配音。不管是在“回忆”或精选照片功能中,生成的MV没有任何特效,用户视觉体验较差;而且图片选取不够智能,会选入一些无意义的截图、拍模糊的照片。
下面以实施例的方式,对本申请技术方案做进一步的说明,如图1所示,为本申请实施例中生成分享素材的方法的一个实施例示意图,可以包括:
101、获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息。
可选的,所述筛选条件可以包括但不限于时间范围、地理位置、照片类型。
可选的,所述个性化配置信息还可以包括目标照片总数量,所述目标照片总数量为最后生成的分享素材中的照片总数量。
可选的,所述个性化配置信息还可以包括每个筛选条件对应选取的照片数量。
可选的,所述照片类型可以包括但不限于自拍照片、全景照片、截图照片、人像照片、风景照片、生活照片、孩子照片、春/夏/秋/冬照片。
可选的,所述素材模板信息包括素材模板。
可选的,所述素材模板信息还可以包括配音和字幕中的至少一项。
可选的,所述配音可以是用户自定义的,也可以是从预设的音乐中选择的。所述字幕可以是用户自定义的,也可以是预设的字幕中选择的。
可选的,配置的时间范围可以包括至少一个时间范围。例如:用户配置的时间范围为2020年1月1日-2020年6月30日,对应配置选取的照片数量为5;以及2023年5月1日-2023年5月5日,对应配置选取的照片数量为10。
可选的,配置的地理位置也可以包括至少一个地理位置,例如:西安、重庆和北京。
可选的,配置的照片类型也可以包括至少一个照片类型。
示例性的,手机响应用户打开相册的操作,打开相册,手机系统在显示界面上提示是否需要生成分享社交圈的素材(可以简称为分享素材),响应用户点击“是”的操作,弹出个性化配置界面,该个性化配置界面上会显示筛选参考条件、视频参考模板、照片参考模板、参考配音、参考字幕等信息,以供用户配置,响应用户在个性化配置界面的配置操作,得到用户的个性化配置信息;响应用户点击“否”的操作,退出。如图2A所示,为本申请实施例中用户打开相册的一个示意图。如图2B所示,为本申请实施例中手机系统在显示界面上提示是否需要生成分享社交圈的素材的一个示意图。如图2C所示,为本申请实施例中用户在个性化配置界面进行配置操作的一个示意图。
102、根据所述筛选条件选取筛选照片。
示例性的,如果筛选条件中的时间范围为2023年8月1号到2023年8月31号,可以在照片库中选取2023年8.1号到8.31号的照片,作为筛选照片。
如果筛选条件中的地理位置为重庆,那么,可以在照片库中选取照片定位在重庆的照片,作为筛选照片。
如果筛选条件中选取的是自拍,那么,可以在照片库中选取属于自拍的照片,作为筛选照片。
如果筛选条件中选取的是全景,那么,可以在照片库中选取属于全景的照片,作为筛选照片。
如果筛选条件中选取的是自拍,那么,可以在照片库中选取属于截图的照片,作为筛选照片。
103、根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量。
其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
下面对预设的AI模型分两种情况分别进行说明,如下所示:
1、所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型
可选的,所述根据所述筛选照片、所述素材模板信息和所述预设的人工智能AI模型,生成分享素材,可以包括:将所述筛选照片向所述预设的AI模型输入,输出目标照片;根据所述目标照片和所述素材模板信息,生成分享素材。
可选的,所述方法还可以包括:获取所述采样照片;对所述采样照片进行模型训练,得到所述预设的AI模型。
可选的,所述对所述采样照片进行模型训练,得到所述预设的AI模型,可以包括:对所述采样照片进行图片质量评估,得到图像质量分数;根据所述图像质量分数对所述采样照片进行选择,得到实际选择照片;在所述实际选择照片与参考选择照片相同,或,在所述实际选择照片与所述参考选择照片的误差小于第一预设误差阈值,或,在达到第一预设学习次数的情况下,得到所述预设的AI模型。
可选的,所述根据所述图像质量分数对所述采样照片进行选择,得到实际选择照片,可以包括:根据所述图像质量分数和预设照片质量,对所述采样照片进行选择,得到实际选择照片,所述实际选择照片大于所述预设照片质量。
可选的,所述根据所述图像质量分数对所述采样照片进行选择,得到实际选择照片,可以包括:根据预设照片数量,对所述采样照片按照图像质量分数从高到低进行选择,得到实际选择照片。
可选的,所述对所述采样照片进行图片质量评估,得到图像质量分数,可以包括:获取所述采样照片的图像质量参数,所述图像质量参数包括亮度、对比度、高光/暗部占比、饱和度、白平衡、色差及清晰度中的至少两项;根据所述图像质量参数,计算每个采样照片的图像质量分数。可以理解的是,图像质量参数还可以包括其他的参数,例如人脸参数,此处不做具体限定。
可选的,所述根据所述图像质量参数,计算每个采样照片的图像质量分数,可以包括:根据每个图像质量参数的值是否在对应的范围,计算每个图像质量参数的分数;根据每个图像质量参数的分数,计算每个采样照片的图像质量分数。
下面对图像质量参数先做一个简要的说明,如下所示:
(1)亮度:图片从RGB色彩空间转到Lab色彩空间(属于开源技术),然后通过计算L通道的平均值ɑ,该值表示全画面平均亮度。图像亮度通俗理解便是图像的明暗程度。
其中,RGB即是代表红(red)、绿(green)、蓝(blue)三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是运用最广的颜色系统之一.
Lab颜色模型由三个要素组成,一个要素是亮度(L),a和b是两个颜色通道。a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值);b是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)。因此,这种颜色混合后将产生具有明亮效果的色彩。
(2)对比度:
指的是图像暗和亮的落差值,即图像最大灰度级和最小灰度级之间的差值。分析每一个像素的亮度的平方的平均值与所有像素的平均亮度的平方的差的开方,相当于计算全画面像素亮度分布的离散度。
(3)高光占比/暗部占比:
图片从RGB色彩空间转到Lab色彩空间,采用统计的方法,例如:统计L>240的像素数量count1,假设总像素量为count,则高光占比为count1/count;同理L小于<20的像素量为count2,则count2/count为暗部占比。
高光占比/暗部占比=(count1/count)/(count2/count)。
(4)饱和度:RGB转HSV颜色空间,提取S通道求平均值。
其中,HSV颜色空间,也叫六角锥颜色空间,这种颜色空间也是有三个参数,其中H代表色相(hue),S代表饱和度(saturation),V代表明度(value)。HSV颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集,圆锥的顶面对应于V=1,它包含RGB模型中的R=1,G=1,B=1三个面,所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色对应于角度0°,绿色对应于角度120°,蓝色对应于角度240°。在HSV颜色空间中,每一种颜色和它的补色相差180°。饱和度S取值从0到1,所以圆锥顶面的半径为1。
(5)白平衡:统计全画面RGB三通道的比值。
(6)色差:用于判断图片是否偏色,通过统计图像平均Lab实现。
代码示意如下:
def delta_E(img):
img_Lab=cv2.cvtColor(img,cv2.COLOR_BGR2Lab)
L=np.mean(img_Lab[:,:,0])/2.55
L=np.mean(img_Lab[:,:,1])/-128
L=np.mean(img_Lab[:,:,2])/-128
Return((L,a,b))
(7)清晰度:
可以对画面边缘提取,采用sobel边缘提取方法;进行边缘统计;画面越清晰度锐利,清晰度数值越大。
代码示意如下:
def Tenengrad(img):
from skimage import filters
imgGray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
tmp=filters.sobel(imgGray)
out=np.sum(tmp**2)
out=np.sqrt(out)
return out
如果有人脸,可以根据写入exif的ROI信息进行人脸以下信息分析:
亮度、对比度、肤色色调、肤色饱和度等,和前面介绍的计算方法是一致的,只不过ROI限定为人脸区域。如果是多人脸,则会根据人脸的大小最多选取例如3个人脸区域进行计算。
示例性的,假设一张好照片经过实验室测量得到每个参数的范围如下所示:
亮度:(a1,b1);对比度:(a2,b2);高光占比/暗部占比:(a3,b3);饱和度:(a4,b4);白平衡:(a5,b5);色差:(a6,b6);清晰度:(a7,b7)。
如果不在以上范围区间,则认为它在该项是劣势的,权重会降低。
那么每张照片都会计算一个分数,也即图像质量分数,分数越高被选择的几率越大。假设有一张照片的数据如下所示:
亮度为L1,对比度为L2,高光占比/暗部占比为L3,饱和度为L4,白平衡为L5,色差为L6,清晰度为L7。
若不符合对应的区间则该项目分数为0,即权重为0。
若L1靠近b1远离a1,分数计算为:[(L1-a1)/(b1-a1)]*b1,得出亮度分数;例如:(a1,b1)为(100,120),当前亮度L1为115,则亮度分数为:[(115-100)/(120-100)]*120=90。
若L1靠近a1远离b1,分数计算为:[(L1-a1)/(b1-a1)]*a1,得出亮度分数。
若L2靠近b2远离a2,分数计算为:[(L2-a2)/(b2-a2)]*b2,得出对比度分数;若L2靠近a2远离b2,分数计算为:[(L2-a2)/(b2-a2)]*a2,得出对比度分数。
若L3靠近b3远离a3,分数计算为:[(L3-a3)/(b3-a3)]*b3,得出高光占比/暗部占比分数;若L3靠近a3远离b3,分数计算为:[(L3-a3)/(b3-a3)]*a3,得出高光占比/暗部占比分数。
若L4靠近b4远离a4,分数计算为:[(L4-a4)/(b4-a4)]*b4,得出饱和度分数;若L4靠近a4远离b4,分数计算为:[(L4-a4)/(b4-a4)]*a4,得出饱和度分数。
若L5靠近b5远离a5,分数计算为:[(L5-a5)/(b5-a5)]*b5,得出白平衡分数;若L5靠近a5远离b5,分数计算为:[(L5-a5)/(b5-a5)]*a5,得出白平衡分数。
若L6靠近b6远离a6,分数计算为:[(L6-a6)/(b6-a6)]*b6,得出色差分数;若L6靠近a6远离b6,分数计算为:[(L6-a6)/(b6-a6)]*a6,得出色差分数。
若L7靠近b7远离a7,分数计算为:[(L7-a7)/(b7-a7)]*b7,得出清晰度分数;若L7靠近a7远离b7,分数计算为:[(L7-a7)/(b7-a7)]*a7,得出清晰度分数。
最后计算每个图像的图像质量分数(为每个图像质量参数的分数总和),将每个照片的图像质量分数按高到底排序,越高被选取的几率越大。可选的,如果用户标了喜欢或收藏,则可以不参与图像质量分数的计算,可以直接选到已选列表中。关于有人像的照片和其它类别的照片如何选取,会给人像照片额外的人脸分数,但不会和风景照片差距很大,是否选择还是看每个照片最终的图像质量分数。
2、所述预设的AI模型是对采样照片和采样素材模板信息进行模型训练得到的模型
可选的,所述根据所述筛选照片、所述素材模板信息和所述预设的人工智能AI模型,生成分享素材,可以包括:将所述筛选照片和所述素材模板信息向所述预设的AI模型输入,输出分享素材。
可选的,所述方法还可以包括:获取所述采样照片和采样素材模板信息;根据所述采样照片和所述采样素材模板信息进行模型训练,得到所述预设的AI模型。
可选的,所述根据所述采样照片和所述采样素材模板信息进行模型训练,得到所述预设的AI模型,可以包括:对所述采样照片进行图片质量评估,得到图像质量分数;根据所述图像质量分数对所述采样照片进行选择,得到实际选择照片;根据所述实际选择照片和所述采样素材模板信息,得到实际分享素材;在所述实际分享素材与参考分享素材相同,或,在所述实际分享素材与所述参考分享素材的误差小于第二预设误差阈值,或,在达到第二预设学习次数的情况下,得到所述预设的AI模型。
需要说明的是,关于根据图像质量分数对采用照片进行选择的实现方式,具体可参考上述说明,此处不再赘述。
可选的,所述对所述采样照片进行图片质量评估,得到图像质量分数,可以包括:对所述采样照片进行分类,对分类后的采样照片进行图片质量评估,得到图像质量分数。
可选的,所述对所述采样照片进行分类,对分类后的采样照片进行图片质量评估,得到图像质量分数,可以包括:根据所述照片类型对所述采样照片进行分类,对分类后的采样照片进行图片质量评估,得到图像质量分数。
可以理解的是,可以借助相机的识别功能,识别地理位置、拍摄时间、人物、年龄、场景等信息,根据这些信息对采样照片进行分类,得到各个照片类型的照片。
示例性的,例如用户配置的照片类型为2个,目标照片总数量为10,最终每个照片类型选取的目标照片可以是5个。也可以根据两个照片类型各自对应的照片数量按比例进行分配。例如:第一照片类型的筛选照片有30张,第二照片类型的筛选照片有70张,那么,从第一照片类型的筛选照片中选取的目标照片为3张,从第二照片类型的筛选照片中选取的目标照片为7张。
如果用户未配置照片类型,有配置目标照片总数量,可以根据图像质量分数,由大到小,选取满足目标照片总数量的目标照片。
如果用户未配置照片类型,也未配置目标照片总数量,可以根据预设照片数量或预设照片质量,选取目标照片。
如图2D所示,为本申请实施例中生成的分享素材的一个实施例示意图。
可选的,所述目标照片包括含有收藏标识,和/或,喜欢标识的照片。
可选的,所述分享素材包括照片和视频中的至少一项。
可选的,所述分享素材中的照片为经过图像处理的照片。
可选的,所述图像处理可以包括但不限于滤镜、美颜等处理。即预设的AI模型还可以自动对选取的目标照片进行图像处理。
可选的,所述方法还可以包括:响应用户对所述分享素材的清晰度的选择,生成对应清晰度的分享素材。
本申请实施例所提供的生成分享素材的方法、装置、计算机设备和计算机可读存储介质,通过获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;根据所述筛选条件选取筛选照片;根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。即为用户提供了一种更便捷的社交平台分享素材生成的方法,用户不再依赖于第三方的图像处理软件对图像进行编辑处理,才能得到分享素材。本申请可以根据筛选照片、素材模板信息和预设的AI模型,直接生成分享素材,所以可以提高生成分享素材的效率,节约系统资源。
如图3A所示,为本申请实施例提供的生成分享素材的方法的总体流程图。
本申请技术方案是基于人工智能(Artificial Intelligence,AI)模型对相册照片进行智能识别。示例性的,提取用户某一段或多段时间范围(时间范围可由用户设置)的筛选照片,智能生成分享社交圈的素材(可根据不同社交平台的风格进行定制,如微信朋友圈:根据用户配置的素材模板进行MV的剪辑与生成。用户配置的素材模板可以包括常见的九宫格拼图、六宫格拼图、三宫格拼图或是加特效的单图等,也可以包括其他的素材模板(用户自定义的或从预设的素材模板中选取的)。
用户打开相册后系统会提示是否需要生成分享社交圈的素材,用户点击“是”后,手机会响应用户的点击操作,弹出个性化配置界面。在个性化配置界面,用户可以选取如视频编辑模板、是否配音、是否配字幕、照片时间范围等(具体的需要产品去定义,统称这些功能为用户个性化配置信息)。配置个性化配置信息后,会根据用户选定时间范围读取照片,作为筛选照片送入预设的AI模型处理。
如图3B所示,为本申请实施例提供的生成视频分享素材和照片分享素材的一个流程示意图。AI模型收到筛选照片后,将加密的可交换图像文件(英语:Exchangeable imagefile format,EXIF)进行解析,获取到如场景识别信息、地理位置等,根据分类算法进行智能分类。照片类型分类规则简述:该过程可以将照片分成不同的小类,如风景、人像、风景占比大人像占比小等类型。之后可以根据用户配置的目标照片总数量,或预设照片数量,或,预设照片质量,或,用户配置的每个照片类型数量等,进行照片的精选。在一些可选的实现方式中,可以根据每个照片类型的数量多少进行权重分配,数量越多的照片类型选取的照片数量可能会较多(此处还有一个特殊条件:如果用户在看图时这张图片被点了“收藏”之类的标签,该图必选,参考苹果(iPhone)手机在相册有一个爱心的标志用于标记用户收藏的图像)。若是生成照片,则会按照用户配置的照片模板进行拼接,如九宫格图或三连长图等。若是生成视频,则按照用户预设的视频模板进行剪辑配音加字幕。最后根据EXIF的内容智能生成发布文案,例如:在张家界景区用户拍摄了大量自然风景图片,可以生成如下文案:“悬崖峭壁吊桥通,万丈深渊脚底空。侠客游来争试胆,魂惊腿软抱栏行。”可选的,如果生成的文案用户不满意,可以重新生成,或者,用户可以自定义文案。最后输出分享素材保存至相册,用户还可以选择分享素材的清晰度。
在本申请实施例中,用户不再依赖于三方的图像处理软件对图像进行编辑处理,生成分享素材,可以根据筛选照片、素材模板信息和预设的AI模型,直接生成分享素材,所以可以提高生成分享素材的效率,节约系统资源,省时省力。
应该理解的是,虽然上述各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于前述的实施例,本申请实施例提供一种生成分享素材的装置,该装置所包括的各模块、以及各模块所包括的各单元,可以通过处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
如图4所示,为本申请实施例提供的生成分享素材的装置的结构示意图,该装置可以包括:
获取模块401,用于获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;
选取模块402,用于根据所述筛选条件选取筛选照片;
生成模块403,用于根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;
其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
可选的,生成模块403,具体用于将所述筛选照片向所述预设的AI模型输入,输出目标照片;根据所述目标照片和所述素材模板信息,生成分享素材。
可选的,该装置还可以包括:模型训练模块404;
获取模块401,还用于获取所述采样照片;
模型训练模块404,用于对所述采样照片进行模型训练,得到所述预设的AI模型。
可选的,生成模块403,具体用于将所述筛选照片和所述素材模板信息向所述预设的AI模型输入,输出分享素材。
可选的,该装置还可以包括:模型训练模块404;
获取模块401,还用于获取所述采样照片和采样素材模板信息;
模型训练模块404,用于根据所述采样照片和所述采样素材模板信息进行模型训练,得到所述预设的AI模型。
可选的,模型训练模块404,具体用于对所述采样照片进行图片质量评估,得到图像质量分数;根据所述图像质量分数对所述采样照片进行选择,得到实际选择照片;在所述实际选择照片与参考选择照片相同,或,在所述实际选择照片与所述参考选择照片的误差小于预设误差阈值,或,在达到预设学习次数的情况下,得到所述预设的AI模型。
可选的,模型训练模块404,具体用于获取所述采样照片的图像质量参数,所述图像质量参数包括亮度、对比度、高光/暗部占比、饱和度、白平衡、色差及清晰度中的至少两项;根据所述图像质量参数,计算每个采样照片的图像质量分数。
可选的,模型训练模块404,具体用于根据每个图像质量参数的值是否在对应的范围,计算每个图像质量参数的分数;根据每个图像质量参数的分数,计算每个采样照片的图像质量分数。
可选的,该装置还可以包括:
分类模块405,还用于对所述采样照片进行分类,对分类后的采样照片进行图片质量评估,得到图像质量分数。
可选的,目标照片包括含有收藏标识,和/或,喜欢标识的照片;
所述分享素材包括照片和视频中的至少一项。
如图5所示,为本申请实施例中终端设备的一个实施例示意图,可以包括如图4所示的生成分享素材的装置。
在本申请实施例中,终端设备可以是手机(Mobile Phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality,VR)终端设备、增强现实(AugmentedReality,AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self driving)中的无线终端设备、远程医疗(remote medical)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备或智慧家庭(smart home)中的无线终端设备等。
作为示例而非限定,在本申请实施例中,该终端设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备,是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能,例如:智能手表或智能眼镜等,以及只专注于某一类应用功能,需要和其它设备如智能手机配合使用,如各类进行体征监测的智能手环、智能首饰等。
如图6所示,为本申请实施例中终端设备的另一个实施例示意图,可以包括:
下面结合图6对终端设备中的手机的各个构成部件进行具体的介绍:
RF电路610可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器680处理;另外,将设计上行的数据发送给基站。通常,RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器620可用于存储软件程序以及模块,处理器680通过运行存储在存储器620的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器620可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元630可包括触控面板631以及其他输入设备632。触控面板631,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板631可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器680,并能接收处理器680发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631,输入单元630还可以包括其他输入设备632。具体地,其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元640可包括显示面板641,可选的,可以采用液晶显示器(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板641。进一步的,触控面板631可覆盖显示面板641,当触控面板631检测到在其上或附近的触摸操作后,传送给处理器680以确定触摸事件的类型,随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图6中,触控面板631与显示面板641是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板631与显示面板641集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器650,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板641的亮度,接近传感器可在手机移动到耳边时,关闭显示面板641和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路660、扬声器661,传声器662可提供用户与手机之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号,传输到扬声器661,由扬声器661转换为声音信号输出;另一方面,传声器662将收集的声音信号转换为电信号,由音频电路660接收后转换为音频数据,再将音频数据输出处理器680处理后,经RF电路610以发送给比如另一手机,或者将音频数据输出至存储器620以便进一步处理。
Wi-Fi属于短距离无线传输技术,手机通过Wi-Fi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图6示出了Wi-Fi模块670,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器680是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器620内的软件程序和/或模块,以及调用存储在存储器620内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器680可包括一个或多个处理单元;优选的,处理器680可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器680中。
手机还包括给各个部件供电的电源690(比如电池),优选的,电源可以通过电源管理系统与处理器680逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本申请实施例中,处理器680,用于获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;根据所述筛选条件选取筛选照片;根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;
其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
可选的,处理器680,具体用于将所述筛选照片向所述预设的AI模型输入,输出目标照片;根据所述目标照片和所述素材模板信息,生成分享素材。
可选的,处理器680,还用于获取所述采样照片;对所述采样照片进行模型训练,得到所述预设的AI模型。
可选的,处理器680,具体用于将所述筛选照片和所述素材模板信息向所述预设的AI模型输入,输出分享素材。
可选的,处理器680,还用于获取所述采样照片和采样素材模板信息;根据所述采样照片和所述采样素材模板信息进行模型训练,得到所述预设的AI模型。
可选的,处理器680,具体用于对所述采样照片进行图片质量评估,得到图像质量分数;根据所述图像质量分数对所述采样照片进行选择,得到实际选择照片;在所述实际选择照片与参考选择照片相同,或,在所述实际选择照片与所述参考选择照片的误差小于预设误差阈值,或,在达到预设学习次数的情况下,得到所述预设的AI模型。
可选的,处理器680,具体用于获取所述采样照片的图像质量参数,所述图像质量参数包括亮度、对比度、高光/暗部占比、饱和度、白平衡、色差及清晰度中的至少两项;根据所述图像质量参数,计算每个采样照片的图像质量分数。
可选的,处理器680,具体用于根据每个图像质量参数的值是否在对应的范围,计算每个图像质量参数的分数;根据每个图像质量参数的分数,计算每个采样照片的图像质量分数。
可选的,处理器680,还用于对所述采样照片进行分类,对分类后的采样照片进行图片质量评估,得到图像质量分数。
可选的,目标照片包括含有收藏标识,和/或,喜欢标识的照片;
所述分享素材包括照片和视频中的至少一项。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中所示的生成分享素材的装置对模块的划分是示意性的,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。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
如图7所示,为本申请实施例提供一种计算机设备的结构示意图,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中提供的方法中的步骤。
本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例提供的方法中的步骤。
本领域技术人员可以理解,计算机设备中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的生成分享素材的装置可以实现为一种计算机程序的形式,计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成上述装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质、存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。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。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如对象A和/或对象B,可以表示:单独存在对象A,同时存在对象A和对象B,单独存在对象B这三种情况。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,所述模块的划分,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,如:多个模块或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的,作为模块显示的部件可以是、或也可以不是物理模块;既可以位于一个地方,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全部模块来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能模块可以全部集成在一个处理单元中,也可以是各模块分别单独作为一个单元,也可以两个或两个以上模块集成在一个单元中;上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种生成分享素材的方法,其特征在于,所述方法包括:
获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;
根据所述筛选条件选取筛选照片;
根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;
其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述筛选照片、所述素材模板信息和所述预设的人工智能AI模型,生成分享素材,包括:
将所述筛选照片向所述预设的AI模型输入,输出目标照片;
根据所述目标照片和所述素材模板信息,生成分享素材。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述采样照片;
对所述采样照片进行模型训练,得到所述预设的AI模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述筛选照片、所述素材模板信息和所述预设的人工智能AI模型,生成分享素材,包括:
将所述筛选照片和所述素材模板信息向所述预设的AI模型输入,输出分享素材。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述采样照片和采样素材模板信息;
根据所述采样照片和所述采样素材模板信息进行模型训练,得到所述预设的AI模型。
6.根据权利要求3所述的方法,其特征在于,所述对所述采样照片进行模型训练,得到所述预设的AI模型,包括:
对所述采样照片进行图片质量评估,得到图像质量分数;
根据所述图像质量分数对所述采样照片进行选择,得到实际选择照片;
在所述实际选择照片与参考选择照片相同,或,在所述实际选择照片与所述参考选择照片的误差小于预设误差阈值,或,在达到预设学习次数的情况下,得到所述预设的AI模型。
7.根据权利要求6所述的方法,其特征在于,所述对所述采样照片进行图片质量评估,得到图像质量分数,包括:
获取所述采样照片的图像质量参数,所述图像质量参数包括亮度、对比度、高光/暗部占比、饱和度、白平衡、色差及清晰度中的至少两项;
根据所述图像质量参数,计算每个采样照片的图像质量分数。
8.根据权利要求7所述的方法,其特征在于,所述根据所述图像质量参数,计算每个采样照片的图像质量分数,包括:
根据每个图像质量参数的值是否在对应的范围,计算每个图像质量参数的分数;
根据每个图像质量参数的分数,计算每个采样照片的图像质量分数。
9.根据权利要求6所述的方法,其特征在于,所述对所述采样照片进行图片质量评估,得到图像质量分数,包括:
对所述采样照片进行分类,对分类后的采样照片进行图片质量评估,得到图像质量分数。
10.根据权利要求1-9中任一项所述的方法,其特征在于,目标照片包括含有收藏标识,和/或,喜欢标识的照片;
所述分享素材包括照片和视频中的至少一项。
11.一种生成分享素材的装置,其特征在于,包括:
获取模块,用于获取用户的个性化配置信息,所述个性化配置信息包括筛选条件和素材模板信息;
选取模块,用于根据所述筛选条件选取筛选照片;
生成模块,用于根据所述筛选照片、所述素材模板信息和预设的人工智能AI模型,生成分享素材,所述分享素材中的照片质量大于预设照片质量;
其中,所述预设的人工智能AI模型是对采样照片进行模型训练得到的模型,或,是对采样照片和采样素材模板信息进行模型训练得到的模型。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至10任一项所述方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163076.1A CN117271817A (zh) | 2023-09-08 | 2023-09-08 | 生成分享素材的方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163076.1A CN117271817A (zh) | 2023-09-08 | 2023-09-08 | 生成分享素材的方法及装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117271817A true CN117271817A (zh) | 2023-12-22 |
Family
ID=89209703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311163076.1A Pending CN117271817A (zh) | 2023-09-08 | 2023-09-08 | 生成分享素材的方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271817A (zh) |
-
2023
- 2023-09-08 CN CN202311163076.1A patent/CN117271817A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191410B (zh) | 一种人脸图像融合方法、装置及存储介质 | |
CN109816663B (zh) | 一种图像处理方法、装置与设备 | |
CN109961453B (zh) | 一种图像处理方法、装置与设备 | |
CN107273510B (zh) | 照片推荐方法及相关产品 | |
CN105809647B (zh) | 一种自动去雾拍照方法、装置和设备 | |
WO2018228168A1 (zh) | 图像处理方法及相关产品 | |
CN107613202B (zh) | 一种拍摄方法及移动终端 | |
WO2020192692A1 (zh) | 图像处理方法以及相关设备 | |
EP2299693B1 (en) | Methods and devices for displaying an overlay on a device display screen | |
EP4047549A1 (en) | Method and device for image detection, and electronic device | |
CN106134189B (zh) | 图像处理装置、摄像装置、图像处理方法及程序 | |
CN106844580B (zh) | 一种缩略图的生成方法、装置及移动终端 | |
CN108600647A (zh) | 拍摄预览方法、移动终端及存储介质 | |
CN108280813A (zh) | 一种图像处理方法、终端及计算机可读存储介质 | |
CN109784327B (zh) | 边界框确定方法、装置、电子设备及存储介质 | |
CN109151428A (zh) | 自动白平衡处理方法、装置以及计算机存储介质 | |
CN113129222A (zh) | 颜色阴影校正方法、终端设备及计算机可读存储介质 | |
CN108427938A (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN105488819B (zh) | 颜色模板的生成方法、图像处理方法及装置 | |
CN111562955B (zh) | 终端设备主题色彩的配置方法、装置和终端设备 | |
CN112419218A (zh) | 图像处理方法、装置及电子设备 | |
CN105469107B (zh) | 图像分类方法及装置 | |
CN117271817A (zh) | 生成分享素材的方法及装置、设备、存储介质 | |
CN115729427A (zh) | 消息提示方法和电子设备 | |
EP3273437A1 (en) | Method and device for enhancing readability of a display |
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 |