CN112884074B - 基于决策树的图像设计方法、设备、存储介质及装置 - Google Patents
基于决策树的图像设计方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN112884074B CN112884074B CN202110305159.4A CN202110305159A CN112884074B CN 112884074 B CN112884074 B CN 112884074B CN 202110305159 A CN202110305159 A CN 202110305159A CN 112884074 B CN112884074 B CN 112884074B
- Authority
- CN
- China
- Prior art keywords
- scene
- image
- preset
- information
- decision tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于决策树的图像设计方法、设备、存储介质及装置,本发明通过基于决策树算法和预设样本数据库对当前待创建场景的场景信息进行场景匹配,并根据场景匹配结果从预设图像数据库中提取当前待创建场景对应的图像数据集,根据场景信息对应的数据样本点对图像数据集进行特征点匹配,根据图像匹配结果生成与当前待创建场景相匹配的目标图像。本发明根据决策树算法对场景信息进行分类并根据预设样本数据库进行匹配,获得场景匹配结果,并根据预设图像数据库中的图像数据集进行特征点匹配获得图像匹配结果,根据图像匹配结果生成目标图像,本发明相对于现有技术人工设计图像,本发明实现了提升了图像设计的效率,以使产品设计周期减短。
Description
技术领域
本发明涉及图像设计领域,尤其涉及一种基于决策树的图像设计方法、设备、存储介质及装置。
背景技术
目前,人工智能赋能图像设计行业,目前图像设计产业正向技术化与数字化转型,作为技术的前沿阵地,当前人工智能与图像设计的结合已经愈发成熟。当下人工智能对设计行业的赋能更多体现在投放过程中,通过程序化图像设计以及解读应用对用户需求的深度挖掘,使得智能图像设计的价值越来越高,然而,现有技术中针对图像设计完全基于人工设计,使得产品设计完成周期长,设计效率低,易导致资源浪费。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于决策树的图像设计方法、设备、存储介质及装置,旨在解决现有技术中对于通过人工设计导致产品完成周期长、效率低的技术问题。
为实现上述目的,本发明提供一种基于决策树的图像设计方法,所述基于决策树的图像设计方法包括以下步骤:
获取当前待创建场景的场景信息;
基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果;
根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;
根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;
根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。
优选地,所述基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果的步骤,包括:
基于决策树算法和所述场景信息确定所述当前待创建场景的场景类型;
基于深度学习算法和所述场景类型从所述预设样本数据库提取与所述当前待创建场景匹配的样本数据点集合;
根据所述决策树算法对所述样本数据点集合进行场景匹配,获得场景匹配结果。
优选地,所述基于决策树算法和所述场景信息确定所述当前待创建场景的场景类型的步骤,包括:
基于决策树算法从所述场景信息中提取所述当前待创建场景对应的设计特征点;
根据所述设计特征点对所述当前待创建场景进行区域划分,并获得最优划分点;
根据所述最优划分点和预设场景模型确定所述当前待创建场景的场景类型。
优选地,所述根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集的步骤,包括:
根据所述设计特征点和预设混合高斯背景更新模型对预设图像数据库进行检测,并获得目标二值图像;
根据预设区域生长算法和所述目标二值图像从预设图像数据库中提取目标划分区域;
根据所述目标划分区域和所述所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集。
优选地,所述根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果的步骤,包括:
从所述场景信息中提取人工标记信息;
根据所述场景信息对应的数据样本点和所述人工标记信息对所述图像数据集进行特征点匹配,并获得图像匹配结果。
优选地,所述根据所述场景信息对应的数据样本点和所述人工标记信息对所述图像数据集进行特征点匹配,并获得图像匹配结果的步骤,包括:
根据所述人工标记信息确定所述当前待创建场景对应的待填充色彩信息及待绘制物体信息;
基于预设数据增强模型和所述待填充色彩信息及待绘制物体信息确定所述当前待创建场景对应的图像数据样本点;
根据所述图像数据样本点和所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果。
优选地,所述根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像的步骤之后,还包括:
将所述目标图像对应的数据点写入所述预设样本数据库;
基于支持向量机和所述预设决策树模型对所述预设样本数据库进行训练,以更新所述预设样本数据库。
此外,为实现上述目的,本发明还提出一种基于决策树的图像设计设备,所述基于决策树的图像设计设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于决策树的图像设计程序,所述基于决策树的图像设计程序配置为实现如上文所述的基于决策树的图像设计方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于决策树的图像设计程序,所述基于决策树的图像设计程序被处理器执行时实现如上文所述的基于决策树的图像设计方法的步骤。
此外,为实现上述目的,本发明还提出一种基于决策树的图像设计装置,所述基于决策树的图像设计装置包括:
信息获取模块,用于获取当前待创建场景的场景信息;
场景匹配模块,用于基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果;
图像提取模块,用于根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;
图像匹配模块,用于根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;
图像生成模块,用于根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。
本发明通过获取当前待创建场景的场景信息;基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果;根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。由于本发明根据决策树算法对场景信息进行分类并根据预设样本数据库进行匹配,以获得场景匹配结果,并根据预设图像数据库中的图像数据集进行特征点匹配以获得图像匹配结果,根据图像匹配结果生成目标图像,本发明相对于现有技术人工设计图像,本发明实现了提升了图像设计的效率,以使产品设计周期减短。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于决策树的图像设计设备的结构示意图;
图2为本发明基于决策树的图像设计方法第一实施例的流程示意图;
图3为本发明基于决策树的图像设计方法第二实施例的流程示意图;
图4为本发明基于决策树的图像设计方法第三实施例的流程示意图;
图5为本发明基于决策树的图像设计装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于决策树的图像设计设备结构示意图。
如图1所示,该基于决策树的图像设计设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于决策树的图像设计设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于决策树的图像设计程序。
在图1所示的基于决策树的图像设计设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述基于决策树的图像设计设备通过处理器1001调用存储器1005中存储的基于决策树的图像设计程序,并执行本发明实施例提供的基于决策树的图像设计方法。
基于上述硬件结构,提出本发明基于决策树的图像设计方法的实施例。
参照图2,图2为本发明基于决策树的图像设计方法第一实施例的流程示意图,提出本发明基于决策树的图像设计方法第一实施例。
在第一实施例中,所述基于决策树的图像设计方法包括以下步骤:
步骤S10:获取当前待创建场景的场景信息。
需说明的是,本实施例执行主体可以是基于决策树的图像设计***,也可以是包含图像设计功能的设备。该设备可以是计算机、笔记本、电脑、手机等,本实施例对此不加以限制。本实施例以图像设计***为执行主体进行说明。
应理解的是,待创建场景可以是指需要设计的场景,例如:根据待设计的图像对应的需求场景,如:对于厨房中的橱柜设计,即可以涉及到对锅碗瓢盆的设计、橱柜颜色及厨房色调的设计。本实施例对场景不加以限制。
可理解的是,场景信息可以是指待设计物体或景观对应的数据,如:在针对桌子图像设计的场景下,可以针对一个桌子的比例、色彩信息及文字信息等数据。
具体实现中,图像设计***可以根据人工输入的场景进行获取场景信息,也可以通过扫描设计初稿获取待创建的场景信息。本实施例对此不加以限制。
步骤S20:基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果。
需说明的是,决策树算法可以是预设的算法,决策树算法是指一种逼近离散函数值得方法,是一种典型的分类方法,决策树算法可以对数据进行处理,利用归纳算法生成可读规则和决策树,然后使用决策对数据进行分析。
可理解的是,预设样本数据库可以是针对场景对应的历史样本场景数据构成的数据库。样本数据库中可以包含各种类型场景对应的数据,在对待创建的场景进行匹配时,可以从数据库中提取样本点继续匹配。
应理解的是,场景匹配结果可以是指根据场景信息匹配对应的场景样本,场景样本可以是背景样本,也可以是物体样本,也可以是色彩样本,本实施例对此不加限制。
具体实现中,图像设计***可以基于决策树算法和预设样本数据库对场景信息进行场景匹配,获得场景匹配结果。
步骤S30:根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集。
需说明的是,预设图像数据库可以是存储历史图像的数据库。图像数据库不仅限制为图片数据库,也可以是存储为视频的数据库。本实施例对此不加以限制。
可理解的是,图像数据集可以是针对场景匹配结果确定待创建场景对应的图像的数据集合。若从预设图像数据库中进行视频图像提取时,可以采用帧提取,将一帧视频对应的图像作为图像数据,本实施例对此不加以限制。
具体实现中,图像设计***可以根据场景匹配结果从预设图像数据库中提取当前待创建场景对应的图像数据集。
步骤S40:根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果。
需说明的是,数据样本点可以是场景信息中同一类型数据对应的样本点,特征点匹配可以是根据图像数据集中对应的数据点进行特征点匹配,并根据匹配后的特征点输出与图像数据集匹配的图像匹配结果。
可理解的是,图像匹配结果可以是根据数据样本点与图像数据集中的特征点匹配后,将特征点匹配度最高的依次排序输出图像匹配结果。
具体实现中,图像设计***可以根据场景信息对应的数据样本点对图像数据集进行特征点匹配,并获得图像匹配结果。
步骤S50:根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。
需说明的是,目标图像可以是根据图像匹配结果从图像数据集中选取匹配度最高的图像作为目标图像。
可理解的是,目标图像可以是完全由图像设计***生成的图像也可以是图像设计***辅助设计师生成的图像,本实施例对此不加以限制。
具体实现中,图像设计***根据图像匹配结果生成与当前待创建场景相匹配的目标图像。
本实施例通过获取当前待创建场景的场景信息;基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果;根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。由于本实施例根据决策树算法对场景信息进行分类并根据预设样本数据库进行匹配,以获得场景匹配结果,并根据预设图像数据库中的图像数据集进行特征点匹配以获得图像匹配结果,根据图像匹配结果生成目标图像,本实施例相对于现有技术人工设计图像,本实施例实现了提升了图像设计的效率,以使产品设计周期减短。
参照图3,图3为本发明基于决策树的图像设计方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于决策树的图像设计方法的第二实施例。
在本实施例中,所述步骤S20,包括:
步骤S201:基于决策树算法和所述场景信息确定所述当前待创建场景的场景类型。
需说明的是,场景类型可以是指根据场景信息中包含的待创建场景所需的设计信息对应的类型,设计信息可以是根据客户需求构建的信息,也可以是设计师或图像设计***根据待设计对象所构建的信息,例如:设计信息可以包含需要设计的图像信息或视频信息,本实施例对此不加以限制,设计信息可以是平面设计信息也可以是三维立体设计信息,例如:在需要对展厅进行平面设计时,根据展厅的空间尺寸进行三维立体设计,图像设计***可以根据决策树算法对三维立体设计信息输出二维平面设计图像信息,以使得展厅在实际布展过程中方便工作人员查阅待布展信息。待布展信息可以包含展厅桌椅板凳、桌布以及展厅灯光色调等信息。本实施例对此不加以限制。
可理解的是,针对不同的设计需求,图像设计***可以根据决策树算法输出不同类型的场景,例如:针对景观设计图,可以采用平行透视法来构造图像,而非必须采用三维空间设计图,即可以根据二维平面呈现三维空间感。
具体实现中,图像设计***可以基于决策树算法和所述场景信息确定当前待创建场景的场景类型。
步骤S202:基于深度学习算法和所述场景类型从所述预设样本数据库提取与所述当前待创建场景匹配的样本数据点集合。
需说明的是,深度学习算法可以是用于对图像识别及深度挖掘的算法,深度学习算法可以是预设的算法,深度学习算法可以通过多层处理对图像进行特征学习,即,图像设计***在对场景信息进行场景类型辨识后,根据深度学习算法对预设样本数据中存在的样本场景进行样本特征点提取,并生成样本数据点集合。
可理解的是,样本数据点集合是基于预设样本数据库中存储的样本场景确定的数据点集合。
具体实现中,图像设计***基于深度学习算法和场景类型从预设样本数据库中提取与场景类型所匹配的样本特征点,并根据场景类型对样本特征点进行分类,以获得与场景类型所对应的数据点集合。
步骤S203:根据所述决策树算法对所述样本数据点集合进行场景匹配,获得场景匹配结果。
需说明的是,决策树算法根据样本数据点集合对应的场景类型进行场景分类,以获得与所述当前待创建场景匹配的样本数据点集合对应的场景类型。
在本实施例中,所述步骤S201包括:基于决策树算法从所述场景信息中提取所述当前待创建场景对应的设计特征点;根据所述设计特征点对所述当前待创建场景进行区域划分,并获得最优划分点;根据所述最优划分点和预设场景模型确定所述当前待创建场景的场景类型。
需说明的是,设计特征点可以是指当前待创建场景中待设计的特征点,例如:在对关于一个饭盒进行包装设计时,可以根据饭盒所需的标注信息、饭盒特征信息作为设计特征点,例如:关于鸡腿、米饭等图像作为设计特征点进行设计,也可以根据客户需求或根据设计师需要加入的特征元素进行设计,本实施例对此不加以限制。
可理解的是,图像设计***可以根据设计特征点将待设计的图像划分为字母、人物、物体及背景等进行区域划分,并获得最优划分点。本实施例对区域划分类型不加以限制。最优划分点可以是根据待设计的图像大小、比例及视觉识别所确定的划分点。
应理解的是,预设场景模型可以是根据历史数据中存在的场景构建的模型,场景模型可以是根据设计时给的历史场景原稿所制作出的环境、道具、符号、字体等物体的模型,本实施例对此不加以限制。预设场景模型可以是室内场景、室外场景及自然场景对应的模型,本实施例对此不加以限制。
具体实现中,图像设计***可以基于决策树算法从场景信息中提取当前待创建场景对应的设计特征点,根据设计特征点对所述当前待创建场景进行区域划分,并获得最优划分点,根据最优划分点和预设场景模型确定当前待创建场景的场景类型。由于根据最优划分点对预设场景模型进行划分,以快速确定当前待创建场景的场景类型,从而提升场景类型的识别效率。
在本实施例中,所述步骤S30包括:
步骤S301:根据所述设计特征点和预设混合高斯背景更新模型对预设图像数据库进行检测,并获得目标二值图像。
需说明的是,预设混合高斯背景更新模型可以是预先设置的模型,混合高斯背景更新模型可以是指基于混合高斯模型进行背景训练、模型匹配及背景更新的模型,图像设计***可以根据彩色图像转化为灰度图的方法来进行高斯混合建模,根据场景的复杂程度确定高斯模型的数量,数量越大表征场景越复杂。目标二值图像可以是基于设计特征点从预设图像数据库中通过视频或图片进行图像提取,并获得与设计特征点匹配得图像,并根据预设混合高斯背景更新模型对匹配得到的图像进行二值化处理,以获得每个像素点均为黑色或白色的图像。从而使得图像处理过程占用空间更少。
可理解的是,预设图像数据库不仅仅是基于图片的图像数据库,也可以是包含视频的图像数据库,图像设计***在对视频进行背景训练时,从视频图像信息中提取一段帧数的视频进行训练,并通过训练帧中所得到的模型计算均值、方差及权重等各参数作为背景模型的参数。在获得背景模型后,通过模板匹配进行前景分割,并对混合高斯模型中的单高斯模型进行降序排序,并确定单高斯模型中最匹配的背景图像,由于噪声等干扰因素会在图像中停留在某一处,其相对应的权值会很小,因此在排序过程中可以设定一个权值阈值T,若排序后所得的第一个高斯模型的权值大于该阈值T,即该高斯模型对应的区域为背景图像。在对背景图像进行提取时,可以通过图像预处理模型对背景图像进行低通滤波去除噪声,从而使得图像提取更加准确。图像预处理模型可以是对图像进行灰度处理的模型,灰度处理的主要方法有平均法、极大值法及加权平均法,本实施例对灰度处理方法不加以限制。
应理解的是,由于设计需求不断加大,即所需要的场景环境不断变化,因此通过训练建立好的背景模型不可能适应新的背景需要,因此需要对背景实时更新,以保证后期提取的正确性,从而使得设计覆盖面更广。
具体实现中,图像设计***根据设计特征点和预设混合高斯背景更新模型对预设图像数据库进行检测,并获得目标二值图像,以实现更加精准的图像检测。
步骤S302:根据预设区域生长算法和所述目标二值图像从预设图像数据库中提取目标划分区域;
需说明的是,预设区域生长算法可以是提前预设在图像设计***中的算法,区域生长算法是指将成组的像素或区域发展成更大区域的过程对应的算法,例如:将各像素点有相似属性强度、灰度级、纹理颜色等的相邻像素合并到同一区域,即可以采用区域生长算法检测连通区域,分析连通区域之间的关系,并标定目标区域。
具体实现中,图像设计***可以根据预设区域生长算法和目标二值图像从预设图像数据库中提取目标划分区域,以实现精准划分。
步骤S304:根据所述目标划分区域和所述所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集。
需说明的是,目标划分区域可以是指对目标二值图像中属性极为相似的进行划分,例如:车和小孩,车作为一个设计区域、小孩作为一个设计区域,即将两者划分为两个区域。
具体实现中,图像设计***根据目标划分区域将关联性极强的区域作为一个区域,并根据场景匹配结果从预设图像数据库中提取当前待创建场景对应的图像数据集。
本实施例通过获取当前待创建场景的场景信息,基于决策树算法和所述场景信息确定所述当前待创建场景的场景类型;基于深度学习算法和所述场景类型从所述预设样本数据库提取与所述当前待创建场景匹配的样本数据点集合;根据所述决策树算法对所述样本数据点集合进行场景匹配,获得场景匹配结果,基于决策树算法从所述场景信息中提取所述当前待创建场景对应的设计特征点;根据所述设计特征点对所述当前待创建场景进行区域划分,并获得最优划分点;根据所述最优划分点和预设场景模型确定所述当前待创建场景的场景类型,根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。由于本实施例根据决策树算法确定场景类型,并根据场景类型及深度学习算法确定场景匹配的样本数据点集合,从而确定场景匹配结果,本实施例相对于现有技术人工设计图像,本实施例实现了提升了图像设计的效率,以使产品设计周期减短。
参照图4,图4为本发明基于决策树的图像设计方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于决策树的图像设计方法的第三实施例。
在本实施例中,所述步骤S40,包括:
步骤S401:从所述场景信息中提取人工标记信息;
需说明的是,人工标记信息可以是基于设计师或用户所需要自主设计部分,例如:根据不同的公司有不同的logo或企业标志符号,即根据不同的设计需求需要将logo区域进行单独添加设计,因此需要将此类特殊需求信息作为人工标记信息进行后期添加。对此类特殊需求信息本实施例对此不加以限制。
具体实现中,人工标记信息可以是人为手动输入也可以是根据图片扫描识别输入。本实施例对人工标记信息输入方式不加以限制。
步骤S402:根据所述场景信息对应的数据样本点和所述人工标记信息对所述图像数据集进行特征点匹配,并获得图像匹配结果。
需说明的是,场景信息对应的数据样本点可以是根据场景信息中包含的特征点提取的样本点,场景信息可以是人为输入的信息也可以是扫描设计初稿提取的样本点,例如:在对一个桌子进行图像设计时,可以通过手动输入长宽高比例,也可以通过扫描设计时手绘初稿进行添加,并进行后期制作,本实施例对样本点提取方式不加以限制。
可理解的是,不同的物体对应的特征点集合不同,例如:从图像信息中提取车的特征点,即将车对应的图像特征点作为一个集合,从而提高后续数据处理效率。
具体实现中,图像设计***可以从场景信息中提取人工标记信息,并根据场景信息对应的数据样本点对图像数据集进行特征点匹配,并获得匹配结果。特征点匹配算法可以采用卷积神经网络算法、深度学习算法,本实施例对此不加以限制。例如:基于卷积神经网络算法从所述场景信息中提取特征点信息时,可以先对图像进行降噪处理,并对降噪后的图像信息进行目标检测,从而提取特征点信息。特征点信息可以是尺寸、对比度、纹理及边缘特征点等,本实施例对此不加以限制。
进一步地,所述步骤S402,包括:根据所述人工标记信息确定所述当前待创建场景对应的待填充色彩信息及待绘制物体信息;基于预设数据增强模型和所述待填充色彩信息及待绘制物体信息确定所述当前待创建场景对应的图像数据样本点;根据所述图像数据样本点和所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果。
需说明的是,待填充色彩信息可以是包含待设计物体或环境对应的色彩信息,色彩信息可以是包含源图色彩信息和方案色彩信息,并根据源图色彩信息和方案色彩信息进行匹配度比较后可以供设计师提供决策参考的色彩信息。色彩信息可以包含色度信息、色调信息及亮度信息等,本实施例对色彩信息不加以限制。
可理解的是,待绘制物体信息可以是基于设计师原稿绘制的物体信息,待绘制物体可以是需要设计师手绘的物体,也可以是根据不同用户需求进行后期绘制添加的物体信息,本实施例对所述物体信息不加以限制。
应理解的是,预设数据增强模型可以是用来增加训练样本多样性的模型,由于在进行图像设计时,当图像设计***识别到对于预设样本数据库中不存在的数据信息,需要提升预设样本数据库的多样性,即可以通过数据增强模型对不存在的数据信息进行更新写入,以增强数据库的完整性。
具体实现中,图像设计***根据人工标记信息确定当前待创建场景对应的待填充色彩信息及待绘制物体信息,并基于预设数据增强模型和所述待填充色彩信息及待绘制物体信息确定当前待创建场景对应的图像数据样本点,根据图像数据样本点和场景信息对应的数据样本点对图像数据集进行特征点匹配,获得图像匹配结果。由于是基于图像数据样本点和场景信息对应的数据样本点对图像数据集进行特征点匹配,以使获得更加准确的图像匹配结果,使得图像匹配结果更加贴合设计需求。
进一步地,所述步骤S50之后,还包括:将所述目标图像对应的数据点写入所述预设样本数据库;基于支持向量机和所述预设决策树模型对所述预设样本数据库进行训练,以更新所述预设样本数据库。
需说明的是,目标图像可以是基于设计师或用户输入的标记信息通过图像设计***最终设计生成的图像,目标图像对应的数据点可以是包含目标图像中色彩、绘制的图像及背景等信息对应的数据点。本实施例对目标图像对应的数据点不加以限制。
可理解的是,支持向量机(Support Vector Machine,SVM)是一类按监督学***面。本实施例中可以将样本点分为线性和非线性的样本,并可以根据正样本和负样本从线性超平面中分离出来。图像设计***可以根据最大边距超平面作为支持向量机的目标,即从样本点之间的间隔最大作为最大边距超平面,上述方式是在样本为线性样本时采用的方式,在样本不是完全线性可分时,可以通过利用拉格朗日乘子法求解具有线性约束的二次规划问题,本实施例对此不加以限制,由于支持向量机的样本是线性可分的,需要用核函数对其进行训练和分类。在SVM算法中,不同的核函数可以形成不同的算法。
应理解的是,根据本实施例中决策树的基本思想,可以在决策树的每个决策节点上训练支持向量机分类器,决策树可以采用二叉决策树,根据目标图像中对应的占空比、长宽比、紧凑度等特征向量作为分类样本进行训练,利用这些分类样本训练支持向量机,支持向量机通过学***面。最后,图像设计***对支持向量机进行训练后,将检测到的目标的特征向量作为测试样本输入到支持向量机中,得到识别结果。并将识别结果存入到预设样本数据库中。
具体实现中,图像设计***可以将目标图像对应的数据点写入预设样本数据库中,并根据支持向量机和决策树模型对预设样本数据库进行训练,并更新数据库。
本实施例中通过获取当前待创建场景的场景信息;基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果;根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;从所述场景信息中提取人工标记信息;根据所述场景信息对应的数据样本点和所述人工标记信息对所述图像数据集进行特征点匹配,并获得图像匹配结果,根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。由于是根据人工标记信息及场景信息对图像数据集进行特征点匹配,并获得图像匹配结果根据图像匹配结果生成目标图像,本实施例相对于现有技术人工设计图像,本实施例实现了提升了图像设计的效率,以使产品设计周期减短。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于决策树的图像设计程序,所述基于决策树的图像设计程序被处理器执行时实现如上文所述的基于决策树的图像设计方法的步骤。
参照图5,图5为本发明基于决策树的图像设计装置第一实施例的结构框图。
如图5所示,本发明实施例提出的基于决策树的图像设计装置包括:
信息获取模块10,用于获取当前待创建场景的场景信息;
场景匹配模块20,用于基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果;
图像提取模块30,用于根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;
图像匹配模块40,用于根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;
图像生成模块50,用于根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。
本实施例通过获取当前待创建场景的场景信息;基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果;根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像。由于本实施例根据决策树算法对场景信息进行分类并根据预设样本数据库进行匹配,以获得场景匹配结果,并根据预设图像数据库中的图像数据集进行特征点匹配以获得图像匹配结果,根据图像匹配结果生成目标图像,本实施例相对于现有技术人工设计图像,本实施例实现了提升了图像设计的效率,以使产品设计周期减短。
进一步地,所述场景匹配模块20还用于基于决策树算法和所述场景信息确定所述当前待创建场景的场景类型;基于深度学习算法和所述场景类型从所述预设样本数据库提取与所述当前待创建场景匹配的样本数据点集合;根据所述决策树算法对所述样本数据点集合进行场景匹配,获得场景匹配结果。
进一步地,所述场景匹配模块20还用于基于决策树算法从所述场景信息中提取所述当前待创建场景对应的设计特征点;根据所述设计特征点对所述当前待创建场景进行区域划分,并获得最优划分点;根据所述最优划分点和预设场景模型确定所述当前待创建场景的场景类型。
进一步地,所述图像提取模块30还用于根据所述设计特征点和预设混合高斯背景更新模型对预设图像数据库进行检测,并获得目标二值图像;根据预设区域生长算法和所述目标二值图像从预设图像数据库中提取目标划分区域;根据所述目标划分区域和所述所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集。
进一步地,所述图像匹配模块40还用于从所述场景信息中提取人工标记信息;根据所述场景信息对应的数据样本点和所述人工标记信息对所述图像数据集进行特征点匹配,并获得图像匹配结果。
进一步地,所述图像匹配模块40还用于根据所述人工标记信息确定所述当前待创建场景对应的待填充色彩信息及待绘制物体信息;基于预设数据增强模型和所述待填充色彩信息及待绘制物体信息确定所述当前待创建场景对应的图像数据样本点;根据所述图像数据样本点和所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果。
进一步地,所述基于决策树的图像设计装置还包括数据更新模块,所述数据更新模块用于将所述目标图像对应的数据点写入所述预设样本数据库;基于支持向量机和所述预设决策树模型对所述预设样本数据库进行训练,以更新所述预设样本数据库。
本发明基于决策树的图像设计装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于决策树的图像设计程序,所述基于决策树的图像设计程序被处理器执行时实现如上文所述的基于决策树的图像设计方法的步骤。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于决策树的图像设计方法,此处不再赘述。
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***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***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***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分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(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于决策树的图像设计方法,其特征在于,所述基于决策树的图像设计方法包括以下步骤:
获取当前待创建场景的场景信息,所述场景信息是指待设计物体或景观对应的数据;
基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果,所述预设样本数据库是针对场景对应的历史样本场景数据构成的数据库;
根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;
根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;
根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像;
所述基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果的步骤,包括:
基于决策树算法从所述场景信息中提取所述当前待创建场景对应的设计特征点;
根据所述设计特征点对所述当前待创建场景进行区域划分,并获得最优划分点;
根据所述最优划分点和预设场景模型确定所述当前待创建场景的场景类型,所述预设场景模型是根据历史数据中存在的场景构建的模型;
基于深度学习算法和所述场景类型从所述预设样本数据库提取与所述当前待创建场景匹配的样本数据点集合;
根据所述决策树算法对所述样本数据点集合进行场景匹配,获得场景匹配结果。
2.如权利要求1所述的基于决策树的图像设计方法,其特征在于,所述根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集的步骤,包括:
根据所述设计特征点和预设混合高斯背景更新模型对预设图像数据库进行检测,并获得目标二值图像,所述预设混合高斯背景更新模型是指预先设置的基于高斯混合模型进行背景训练、模型匹配及背景更新的模型;
根据预设区域生长算法和所述目标二值图像从预设图像数据库中提取目标划分区域,所述预设区域生长算法是指提前预设在图像设计***中将成组的像素或区域发展成更大区域的过程所对应的算法;
根据所述目标划分区域和所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集。
3.如权利要求1所述的基于决策树的图像设计方法,其特征在于,所述根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果的步骤,包括:
从所述场景信息中提取人工标记信息;
根据所述场景信息对应的数据样本点和所述人工标记信息对所述图像数据集进行特征点匹配,并获得图像匹配结果。
4.如权利要求3所述的基于决策树的图像设计方法,其特征在于,所述根据所述场景信息对应的数据样本点和所述人工标记信息对所述图像数据集进行特征点匹配,并获得图像匹配结果的步骤,包括:
根据所述人工标记信息确定所述当前待创建场景对应的待填充色彩信息及待绘制物体信息;
基于预设数据增强模型和所述待填充色彩信息及待绘制物体信息确定所述当前待创建场景对应的图像数据样本点;
根据所述图像数据样本点和所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果。
5.如权利要求3所述的基于决策树的图像设计方法,其特征在于,所述根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像的步骤之后,还包括:
将所述目标图像对应的数据点写入所述预设样本数据库;
基于支持向量机和预设决策树模型对所述预设样本数据库进行训练,以更新所述预设样本数据库。
6.一种基于决策树的图像设计设备,其特征在于,所述基于决策树的图像设计设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于决策树的图像设计程序,所述基于决策树的图像设计程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于决策树的图像设计方法的步骤。
7.一种存储介质,其特征在于,所述存储介质上存储有基于决策树的图像设计程序,所述基于决策树的图像设计程序被处理器执行时实现如权利要求1至5中任一项所述的基于决策树的图像设计方法的步骤。
8.一种基于决策树的图像设计装置,其特征在于,所述基于决策树的图像设计装置包括:
信息获取模块,用于获取当前待创建场景的场景信息,所述场景信息是指待设计物体或景观对应的数据;
场景匹配模块,用于基于决策树算法和预设样本数据库对所述场景信息进行场景匹配,获得场景匹配结果,所述预设样本数据库是针对场景对应的历史样本场景数据构成的数据库;
图像提取模块,用于根据所述场景匹配结果从预设图像数据库中提取所述当前待创建场景对应的图像数据集;
图像匹配模块,用于根据所述场景信息对应的数据样本点对所述图像数据集进行特征点匹配,并获得图像匹配结果;
图像生成模块,用于根据所述图像匹配结果生成与所述当前待创建场景相匹配的目标图像;
所述场景匹配模块,还用于基于决策树算法从所述场景信息中提取所述当前待创建场景对应的设计特征点;根据所述设计特征点对所述当前待创建场景进行区域划分,并获得最优划分点;根据所述最优划分点和预设场景模型确定所述当前待创建场景的场景类型,所述预设场景模型是根据历史数据中存在的场景构建的模型;基于深度学习算法和所述场景类型从所述预设样本数据库提取与所述当前待创建场景匹配的样本数据点集合;根据所述决策树算法对所述样本数据点集合进行场景匹配,获得场景匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110305159.4A CN112884074B (zh) | 2021-03-22 | 2021-03-22 | 基于决策树的图像设计方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110305159.4A CN112884074B (zh) | 2021-03-22 | 2021-03-22 | 基于决策树的图像设计方法、设备、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884074A CN112884074A (zh) | 2021-06-01 |
CN112884074B true CN112884074B (zh) | 2021-10-29 |
Family
ID=76041684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110305159.4A Active CN112884074B (zh) | 2021-03-22 | 2021-03-22 | 基于决策树的图像设计方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884074B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794938B (zh) * | 2021-09-22 | 2024-03-26 | 深圳维盟网络技术有限公司 | 一种增强视频播放和玩游戏的氛围灯照射调控方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576221B2 (en) * | 2014-07-09 | 2017-02-21 | Ditto Labs, Inc. | Systems, methods, and devices for image matching and object recognition in images using template image classifiers |
CN109584354A (zh) * | 2018-11-06 | 2019-04-05 | 重庆邮电大学 | 一种文景转换中交互式场景的生成方法 |
CN109614508B (zh) * | 2018-12-12 | 2021-09-03 | 杭州知衣科技有限公司 | 一种基于深度学习的服装图像搜索方法 |
CN110046656B (zh) * | 2019-03-28 | 2023-07-11 | 南京邮电大学 | 基于深度学习的多模态场景识别方法 |
CN110490953B (zh) * | 2019-07-25 | 2023-04-07 | 维沃移动通信有限公司 | 基于文本的图像生成方法、终端设备及介质 |
-
2021
- 2021-03-22 CN CN202110305159.4A patent/CN112884074B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112884074A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dalla Mura et al. | Classification of hyperspectral images by using extended morphological attribute profiles and independent component analysis | |
JP4469873B2 (ja) | 画像文書の検索装置、プログラム、及び記録媒体 | |
US11854244B2 (en) | Labeling techniques for a modified panoptic labeling neural network | |
CN106096542B (zh) | 基于距离预测信息的图像视频场景识别方法 | |
US9697583B2 (en) | Image processing apparatus, image processing method, and computer-readable recording medium | |
CN105096347B (zh) | 图像处理装置和方法 | |
JP6529686B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN110097616B (zh) | 一种联合绘画方法、装置、终端设备及可读存储介质 | |
Arteaga | Historical map polygon and feature extractor | |
CN108830780A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN115812221A (zh) | 图像生成及着色方法及装置 | |
CN109064525A (zh) | 一种图片格式转换方法、装置、设备和存储介质 | |
CN117058271A (zh) | 用于生成商品主图背景的方法及计算设备 | |
JP2017102622A (ja) | 画像処理装置、画像処理方法及びプログラム | |
Yao et al. | Manga vectorization and manipulation with procedural simple screentone | |
CN112884074B (zh) | 基于决策树的图像设计方法、设备、存储介质及装置 | |
Zhang et al. | Pulse coupled neural network edge-based algorithm for image text locating | |
Bala et al. | Image simulation for automatic license plate recognition | |
CN105354833B (zh) | 一种阴影检测的方法和装置 | |
Liu et al. | Color constancy by combining low-mid-high level image cues | |
JP6151908B2 (ja) | 学習装置、識別装置、およびそのプログラム | |
CN113837236B (zh) | 图像中目标对象的识别方法、装置、终端设备及存储介质 | |
CN112927321B (zh) | 基于神经网络的图像智能设计方法、装置、设备及存储介质 | |
CN112884740A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
JP2004094427A (ja) | 帳票画像処理装置及び該装置を実現するためのプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |