CN112927321A - 基于神经网络的图像智能设计方法、装置、设备及存储介质 - Google Patents
基于神经网络的图像智能设计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112927321A CN112927321A CN202110288611.0A CN202110288611A CN112927321A CN 112927321 A CN112927321 A CN 112927321A CN 202110288611 A CN202110288611 A CN 202110288611A CN 112927321 A CN112927321 A CN 112927321A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- design
- intelligent
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像设计技术领域,公开了一种基于神经网络的图像智能设计方法、装置、设备及存储介质,所述方法包括:获取图像需求信息,根据图像需求信息确定图像组成信息;获取根据神经网络训练得到的预设图像智能设计模型,根据预设图像智能设计模型对图像组成信息进行设计,获得当前图像;提取当前图像的参数信息;获取预设设计规则,根据预设设计规则对当前图像的参数信息进行调节,获得目标参数信息;根据目标参数信息对当前图像进行渲染,获得目标图像,通过预设图像智能设计模型对图像需求信息确定的组成信息进行设计,并对设计的当前图像进行参数信息的调节,以及根据调节后的参数信息对当前图像进行渲染,提高智能设计图像的质量。
Description
技术领域
本发明涉及图像设计技术领域,尤其涉及基于神经网络的图像智能设计方法、装置、设备及存储介质。
背景技术
近年来,随着互联网技术的飞速发展,人工智能技术日益成为人们关注的话题,通过人工智能进行图像设计在信息时代普遍应用到各行各业,例如电商行业、电影行业、汽车产业以及虚拟现实行业等等,目前,主要采用的是通过各行业的设计师按照不同的标准进行设计所属领域的图像,例如,平面设计师设计三维方面的作品就存在较多的瑕疵,从而体现得不够专业,客户的满意度低,经过不断的研究和分析,由于人工技术存在误差,使得图像的轮廓在不断的变化以及色彩的失真,因此,人们想到通过人工智能技术设计出图像的整体构造以及需使用的色彩,再由人工技术进行调整和完善,但是这样会导致设计出的图像出现内外不一致的情况,使得设计的图像的质量较低。
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神经网络的图像智能设计方法、装置、设备及存储介质,旨在解决如何提高基于神经网络的智能设计图像的质量的技术问题。
为实现上述目的,本发明提供了一种基于神经网络的图像智能设计方法,所述基于神经网络的图像智能设计方法包括以下步骤:
获取图像需求信息,根据所述图像需求信息确定图像组成信息;
获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像;
提取所述当前图像的参数信息;
获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息;
根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
可选地,所述获取图像需求信息,根据所述图像需求信息确定图像组成信息,包括:
根据所述图像需求信息,确定图像设计类型;
根据所述图像设计类型,获得所述图像所需的文字信息、线条信息、网点以及网穴信息;
根据所述文字信息、线条信息、网点以及网穴信息,对当前图像组成信息进行选取,以确定图像组成信息。
可选地,所述获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像,包括:
对所述图像组成信息进行特征提取,获得目标特征信息以及特征提取顺序;
根据所述特征提取顺序,依序将所述目标特征信息输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,以获得当前图像。
可选地,所述根据所述特征提取顺序,依序将所述目标特征信息输入至预设图像智能设计模型中进行设计,以获得当前图像,包括:
根据所述目标特征信息,确定当前图像的质点位置和轮廓;
根据所述特征提取顺序,将所述质点位置和所述轮廓依序输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,以获得当前图像。
可选地,所述根据所述目标特征信息,确定当前图像的质点位置和轮廓,包括:
根据所述目标特征信息,获得所述当前图像的像素点以及对应的位置信息;
获取当前类型图像的历史信息,根据所述位置信息和所述历史信息,获得所述像素点对应的邻域;
若所述邻域的像素点为预设值且所述像素点为黑色,则删除所述像素点并设置所述当前图像的背景色为黑色,以确定当前图像的质点位置和轮廓。
可选地,所述获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息,包括:
获取当前图像,对所述当前图像进行颜色空间转换,获得所述当前图像的色彩信息和空间信息;
根据所述预设设计规则,对所述色彩信息进行色彩分离,获得所述当前图像的亮度信息、对比度信息以及饱和度信息;
根据所述当前图像的亮度信息、对比度信息以及饱和度信息对所述当前参数信息进行调节,获得目标参数信息。
可选地,所述根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计,包括:
对所述当前图像进行分层,获得对应的图层信息;
分别提取所述图层信息中的像素信息,并对所述像素信息进行解析,获得对应的像素点;
根据所述目标参数信息对所述像素点进行渲染,获得目标像素点;
将所述目标像素点进行遍历组合,获得目标图像,以实现对图像的智能设计。
此外,为实现上述目的,本发明还提出一种基于神经网络的图像智能设计装置,所述基于神经网络的图像智能设计装置包括:
获取模块,用于获取图像需求信息,根据所述图像需求信息确定图像组成信息;
设计模块,用于获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像;
提取模块,用于提取所述当前图像的参数信息;
调节模块,用于获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息;
渲染模块,用于根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
此外,为实现上述目的,本发明还提出一种基于神经网络的图像智能设计设备,所述基于神经网络的图像智能设计设备包括: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神经网络的图像智能设计程序,所述基于神经网络的图像智能设计程序配置为实现如上文所述的基于神经网络的图像智能设计方法的步骤。
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神经网络的图像智能设计程序,所述基于神经网络的图像智能设计程序被处理器执行时实现如上文所述的基于神经网络的图像智能设计方法的步骤。
本发明提出的基于神经网络的图像智能设计方法,通过获取图像需求信息,根据所述图像需求信息确定图像组成信息;获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像;提取所述当前图像的参数信息;获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息;根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,通过预设图像智能设计模型对图像需求信息确定的组成信息进行设计,并对设计的当前图像进行参数信息的调节,以及根据调节后的参数信息对当前图像进行渲染,相较于现有技术通过人工智能设计图像轮廓和人工技术调整和完善,能够有效提高智能设计图像的质量。
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神经网络的图像智能设计设备的结构示意图;
图2为本发明基于神经网络的图像智能设计方法第一实施例的流程示意图;
图3为本发明基于神经网络的图像智能设计方法第二实施例的流程示意图;
图4为本发明基于神经网络的图像智能设计方法第三实施例的流程示意图;
图5为本发明基于神经网络的图像智能设计装置第一实施例的功能模块示意图。
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神经网络的图像智能设计设备结构示意图。
如图1所示,该基于神经网络的图像智能设计设备可以包括: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)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。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(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,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神经网络的图像智能设计设备的限定,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,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于神经网络的图像智能设计程序。
在图1所示的基于神经网络的图像智能设计设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于神经网络的图像智能设计设备中的处理器1001、存储器1005可以设置在基于神经网络的图像智能设计设备中,所述基于神经网络的图像智能设计设备通过处理器1001调用存储器1005中存储的基于神经网络的图像智能设计程序,并执行本发明实施例提供的基于神经网络的图像智能设计方法。
基于上述硬件结构,提出本发明基于神经网络的图像智能设计方法实施例。
参照图2,图2为本发明基于神经网络的图像智能设计方法第一实施例的流程示意图。
在第一实施例中,所述基于神经网络的图像智能设计方法包括以下步骤:
步骤S10,获取图像需求信息,根据所述图像需求信息确定图像组成信息。
需要说明的是,本实施例的执行主体为基于神经网络的图像智能设计设备,还可为其他可实现相同或相似功能的设备,例如基于神经网络的图像智能设计器等,本实施例对此不作限制,在本实施例中,以基于神经网络的图像智能设计器为例进行说明。
应当理解的是,所述图像需求信息指的是需要设计成何样的图像信息,例如平面图像、立体图像等图像,而平面图像有可以分为风景图像、卡通图像以及品牌图像等图像,因此,需要根据用户的需求设计成对应的图像,例如用户的需求为A时,设计的图像应为A1,用户的需求为B,设计的图像为B1,设计的图像是根据用户的需求在不断变化的,在设计前需要将用户的需求确定。
可以理解的是,所述图像组成信息指的是设计该类型图像所需的文字信息、线条信息、网点以及网穴信息,在确定图像的组成信息前,需要根据图像需求信息得到需设计图像的类型,再根据图像设计类型选择对应的组成信息,以平面图像中的风景图像和品牌图像为例,风景图像注重的是线条信息、网点以及网穴信息的分布、图层的层次感,而品牌图像注重的则是文字信息、网点以及网穴信息的排版、设计,因此,在对图像组成信息进行选取的侧重点是不同的,文字信息包括大小、字体、格式等信息,线条信息包括线条粗细、线条长短等信息。
在具体实施中,基于神经网络的图像智能设计器获取图像需求信息,根据所述图像需求信息确定图像组成信息。
步骤S20,获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像。
应当理解的是,所述预设图像智能设计模型通过深度学习卷积神经网络模型训练得到的,还可通过其他可实现相同或相似功能的模型进行训练得到的,本实施例对此不作限制,本实施例中以深度学习卷积神经网络模型为例进行说明,在将图像组成信息输入至深度卷积神经网络模型后,深度卷积神经网络模型会根据图像组成信息进行设计,以输出设计的当前图像。
可以理解的是,所述当前图像是经过预设图像智能设计模型设计的图像,例如,此时图像的组成信息为线条信息、网点以及网穴信息,预设图像智能设计模型在设计前会对该图像组成信息进行识别,在判定设计的图像类型为风景图像时,则根据图像组成信息完成对风景图像的设计,以得到当前图像。
在具体实施中,基于神经网络的图像智能设计器获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像。
步骤S30,提取所述当前图像的参数信息。
应当理解的是,所述参数信息指的是当前图像的亮度、对比度、饱和度等信息,所述亮度信息指的是当前图像的光强与光源面积之比,定义为该光源单位的亮度,即单位投影面积上的发光强度,亮度的单位是坎德拉/平方米(cd/m2),亮度也称明度,表示色彩的明暗程度;所述对比度信息指的是图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,差异范围越大代表对比越大,差异范围越小代表对比越小;所述饱和度指的是色彩的鲜艳程度,也称作纯度,在通过预设图像智能设计模型设计出当图像后,需要将上述参数信息从当前图像中提取出来,以便后续的渲染。
在具体实施中,基于神经网络的图像智能设计器提取所述当前图像的参数信息。
步骤S40,获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息。
应当理解的是,所述预设设计规则指的是将图像中的色彩信息分离前的设计规则,在得到当前图像后,需要将当前图像中的所有图层进行分离,分为图层1、图层2以及图层3等,再根据预设设计规则将分离出的图层1、图层2以及图层3中的亮度信息、对比度信息以及饱和度信息进行色彩分离,并根据分离后的亮度信息、对比度信息以及饱和度信息对当前参数信息进行调节,以得到目标参数信息,例如,在对当前图像进行颜色空间转换后得到当前的图像的色彩信息和空间信息,而依据色彩信息可得到标准情况下该对亮度信息对应的对比度信息和饱和度信息,该得到方式也可以通过三者之间的关系映射表,在已知其中一个条件,其他两个可以通过查表得到。
可以理解的是,所述目标参数信息指的是通过预设设计规则对当前参数信息调节得到的,例如,图像的当前参数为M,通过预设设计规则调节后的参数信息为M1,即目标参数信息为M1。
在具体实施中,基于神经网络的图像智能设计器获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息。
步骤S50,根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
应当理解的是,在得到目标参数信息后,将目标参数信息中的亮度信息、对比度信息以及饱和度信息对当前图像进行渲染,以使当前图像中的色彩更加美观、贴切,实现直观、实时的表面着色效果。
在具体实施中,基于神经网络的图像智能设计器根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
本实施例通过获取图像需求信息,根据所述图像需求信息确定图像组成信息;获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像;提取所述当前图像的参数信息;获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息;根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,通过预设图像智能设计模型对图像需求信息确定的组成信息进行设计,并对设计的当前图像进行参数信息的调节,以及根据调节后的参数信息对当前图像进行渲染,能够有效提高智能设计图像的质量。
在一实施例中,如图3所述,基于第一实施例提出本发明基于神经网络的图像智能设计方法第二实施例,所述步骤S20,包括:
步骤S201,对所述图像组成信息进行特征提取,获得目标特征信息以及特征提取顺序。
可以理解的是,所述目标特征信息是将图像组成信息中的特征提取得到的,以平面图像中的风景图像和品牌图像为例,风景图像注重的是线条信息、网点以及网穴信息的分布、图层的层次感,而品牌图像注重的则是文字信息、网点以及网穴信息的排版、设计,因此,在设计风景图像时需要将线条信息中的特征提取出来,如线条粗细、长短等,在设计品牌图像时需要将文字信息中的特征提取出来,如文字大小、字体等,由于特征信息两者之间存在相互关联,那么在提取时需要标记出提取的顺序,并按照标记的提取顺序将特征输入至预设图像智能设计模型中,以减少因特征顺序对设计当前图像的影响。
在具体实施中,基于神经网络的图像智能设计器对所述图像组成信息进行特征提取,获得目标特征信息以及特征提取顺序。
步骤S202,根据所述特征提取顺序,依序将所述目标特征信息输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,以获得当前图像。
可以理解的是,若目标特征信息为品牌图像中的文字信息,包括文字大小以及字体,其中的文字大小分为14px和28px,14px对应的字体为C,而28px对应的字体则为D,为了更加贴切客户的需求,文字之间在设计和排版时会出现不同程度的叠加,因此,需要将C字体设计在D字体的后面,并将C字体的图层形式进行转换,调整C字体图层的透明度,以便更好的凸显文字信息的内容。
在具体实施中,基于神经网络的图像智能设计器根据所述特征提取顺序,依序将所述目标特征信息输入至预设图像智能设计模型中进行设计,以获得当前图像。
进一步的,为了减小因目标特征信息的顺序对当前图像的影响,还需要根据所述目标特征信息,获得所述当前图像的像素点以及对应的位置信息;获取当前类型图像的历史信息,根据所述位置信息和所述历史信息,获得所述像素点对应的邻域;若所述邻域的像素点为预设值且所述像素点为黑色,则删除所述像素点并设置所述当前图像的背景色为黑色,以确定当前图像的质点位置和轮廓。
应当理解的是,在得到当前图像的目标特征信息后,对目标特征信息进行分析,得到当前图像的像素点以及质点位置,该质点位置指的是当前图像中目标特征排版的位置,可以为整个图像的中心点,再根据当前图像的类型以及对应的历史信息得到当前图像的邻域,邻域指的是除质点位置的周围区域,只有当邻域的像素点为0以及质点位置的像素点为黑色时,才可以将当前图像对应的背景色设置为黑色,以便得到当前图像的轮廓。
本实施例通过对所述图像组成信息进行特征提取,获得目标特征信息以及特征提取顺序;根据所述特征提取顺序,依序将所述目标特征信息输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,通过在进行特征提取时顺将目标特征信息输入至预设图像智能设计模型中,以使所述预设图像智能设计模型在设计过程中减小因目标特征信息的顺序对当前图像的影响,从而提高用户的满意度。
在一实施例中,如图4所述,基于第一实施例提出本发明基于神经网络的图像智能设计方法第三实施例,所述步骤S50,包括:
步骤S501,对所述当前图像进行分层,获得对应的图层信息。
可以理解的是,所述图层信息指的是将当前图层进行分层得到的信息,图像信息包括文字信息、图形信息以及其他等信息,分层的目的是为了将当前图像中的图层分离开,以便于进行后续的操作处理。
在具体实施中,基于神经网络的图像智能设计器对所述当前图像进行分层,获得对应的图层信息。
步骤S502,分别提取所述图层信息中的像素信息,并对所述像素信息进行解析,获得对应的像素点。
可以理解的是,所述像素信息是提取图层信息得到的,像素信息包括像素点的位置以及对应的色彩,而像素点指的是其中某一个,因此在得到像素点前,需要将像素信息进行解析,并按照区域的不同进行划分,以确定每个区域的像素点,解析指的是将像素信息中的每个位置以及色彩值剥离出,以便于得到像素点。
在具体实施中,基于神经网络的图像智能设计器分别提取所述图层信息中的像素信息,并对所述像素信息进行解析,获得对应的像素点。
步骤S503,根据所述目标参数信息对所述像素点进行渲染,获得目标像素点。
可以理解的是,所述目标像素点是对解析出的像素点进行渲染得到的,在得到目标参数信息后,将目标参数信息中的亮度信息、对比度信息以及饱和度信息对像素点进行渲染,以使像素点的亮度、对比度以及饱和度更加美观。
在具体实施中,基于神经网络的图像智能设计器根据所述目标参数信息对所述像素点进行渲染,获得目标像素点。
步骤S504,将所述目标像素点进行遍历组合,获得目标图像,以实现对图像的智能设计。
可以理解的是,所述目标图像是将目标像素点进行遍历组合得到的,遍历组合指的是对目标像素点依次进行扫描查找,得到所有的目标像素点,并将得到的目标像素点按照图像组成规则进行组合,从而得到目标图像,例如图像组成规则可以为D像素点需要分布在顶部,E像素点需要分布在底部等,本实施例对此不作限制。
在具体实施中,基于神经网络的图像智能设计器将所述目标像素点进行遍历组合,获得目标图像,以实现对图像的智能设计。
本实施例通过对所述当前图像进行分层,获得对应的图层信息;分别提取所述图层信息中的像素信息,并对所述像素信息进行解析,获得对应的像素点;根据所述目标参数信息对所述像素点进行渲染,获得目标像素点;将所述目标像素点进行遍历组合,通过将当前图像中的像素点进行提取,根据目标参数对提取的像素点进行渲染,以得到目标像素点,从而能够减少在渲染时对当前图像中其他图层的影响,并提高智能设计图像的质量。
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神经网络的图像智能设计程序,所述基于神经网络的图像智能设计程序被处理器执行时实现如上文所述的基于神经网络的图像智能设计方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图5,本发明实施例还提出一种基于神经网络的图像智能设计装置,所述基于神经网络的图像智能设计装置包括:
获取模块10,用于获取图像需求信息,根据所述图像需求信息确定图像组成信息。
应当理解的是,所述图像需求信息指的是需要设计成何样的图像信息,例如平面图像、立体图像等图像,而平面图像有可以分为风景图像、卡通图像以及品牌图像等图像,因此,需要根据用户的需求设计成对应的图像,例如用户的需求为A时,设计的图像应为A1,用户的需求为B,设计的图像为B1,设计的图像是根据用户的需求在不断变化的,在设计前需要将用户的需求确定。
可以理解的是,所述图像组成信息指的是设计该类型图像所需的文字信息、线条信息、网点以及网穴信息,在确定图像的组成信息前,需要根据图像需求信息得到需设计图像的类型,再根据图像设计类型选择对应的组成信息,以平面图像中的风景图像和品牌图像为例,风景图像注重的是线条信息、网点以及网穴信息的分布、图层的层次感,而品牌图像注重的则是文字信息、网点以及网穴信息的排版、设计,因此,在对图像组成信息进行选取的侧重点是不同的,文字信息包括大小、字体、格式等信息,线条信息包括线条粗细、线条长短等信息。
在具体实施中,基于神经网络的图像智能设计器获取图像需求信息,根据所述图像需求信息确定图像组成信息。
设计模块20,用于获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像。
应当理解的是,所述预设图像智能设计模型通过深度学习卷积神经网络模型训练得到的,还可通过其他可实现相同或相似功能的模型进行训练得到的,本实施例对此不作限制,本实施例中以深度学习卷积神经网络模型为例进行说明,在将图像组成信息输入至深度卷积神经网络模型后,深度卷积神经网络模型会根据图像组成信息进行设计,以输出设计的当前图像。
可以理解的是,所述当前图像是经过预设图像智能设计模型设计的图像,例如,此时图像的组成信息为线条信息、网点以及网穴信息,预设图像智能设计模型在设计前会对该图像组成信息进行识别,在判定设计的图像类型为风景图像时,则根据图像组成信息完成对风景图像的设计,以得到当前图像。
在具体实施中,基于神经网络的图像智能设计器获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像。
提取模块30,用于提取所述当前图像的参数信息。
应当理解的是,所述参数信息指的是当前图像的亮度、对比度、饱和度等信息,所述亮度信息指的是当前图像的光强与光源面积之比,定义为该光源单位的亮度,即单位投影面积上的发光强度,亮度的单位是坎德拉/平方米(cd/m2),亮度也称明度,表示色彩的明暗程度;所述对比度信息指的是图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,差异范围越大代表对比越大,差异范围越小代表对比越小;所述饱和度指的是色彩的鲜艳程度,也称作纯度,在通过预设图像智能设计模型设计出当图像后,需要将上述参数信息从当前图像中提取出来,以便后续的渲染。
在具体实施中,基于神经网络的图像智能设计器提取所述当前图像的参数信息。
调节模块40,用于获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息。
应当理解的是,所述预设设计规则指的是将图像中的色彩信息分离前的设计规则,在得到当前图像后,需要将当前图像中的所有图层进行分离,分为图层1、图层2以及图层3等,再根据预设设计规则将分离出的图层1、图层2以及图层3中的亮度信息、对比度信息以及饱和度信息进行色彩分离,并根据分离后的亮度信息、对比度信息以及饱和度信息对当前参数信息进行调节,以得到目标参数信息,例如,在对当前图像进行颜色空间转换后得到当前的图像的色彩信息和空间信息,而依据色彩信息可得到标准情况下该对亮度信息对应的对比度信息和饱和度信息,该得到方式也可以通过三者之间的关系映射表,在已知其中一个条件,其他两个可以通过查表得到。
可以理解的是,所述目标参数信息指的是通过预设设计规则对当前参数信息调节得到的,例如,图像的当前参数为M,通过预设设计规则调节后的参数信息为M1,即目标参数信息为M1。
在具体实施中,基于神经网络的图像智能设计器获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息。
渲染模块50,用于根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
应当理解的是,在得到目标参数信息后,将目标参数信息中的亮度信息、对比度信息以及饱和度信息对当前图像进行渲染,以使当前图像中的色彩更加美观、贴切,实现直观、实时的表面着色效果。
在具体实施中,基于神经网络的图像智能设计器根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
本实施例通过获取图像需求信息,根据所述图像需求信息确定图像组成信息;获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像;提取所述当前图像的参数信息;获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息;根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,通过预设图像智能设计模型对图像需求信息确定的组成信息进行设计,并对设计的当前图像进行参数信息的调节,以及根据调节后的参数信息对当前图像进行渲染,能够有效提高智能设计图像的质量。
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神经网络的图像智能设计方法,此处不再赘述。
在一实施例中,所述获取模块10,还用于根据所述图像需求信息,确定图像设计类型;根据所述图像设计类型,获得所述图像所需的文字信息、线条信息、网点以及网穴信息;根据所述文字信息、线条信息、网点以及网穴信息,对当前图像组成信息进行选取,以确定图像组成信息。
在一实施例中,所述设计模块20,还用于对所述图像组成信息进行特征提取,获得目标特征信息以及特征提取顺序;根据所述特征提取顺序,依序将所述目标特征信息输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,以获得当前图像。
在一实施例中,所述设计模块20,还用于根据所述目标特征信息,确定当前图像的质点位置和轮廓;根据所述特征提取顺序,将所述质点位置和所述轮廓依序输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,以获得当前图像。
在一实施例中,所述设计模块20,还用于根据所述目标特征信息,获得所述当前图像的像素点以及对应的位置信息;获取当前类型图像的历史信息,根据所述位置信息和所述历史信息,获得所述像素点对应的邻域;若所述邻域的像素点为预设值且所述像素点为黑色,则删除所述像素点并设置所述当前图像的背景色为黑色,以确定当前图像的质点位置和轮廓。
在一实施例中,所述调节模块30,还用于获取当前图像,对所述当前图像进行颜色空间转换,获得所述当前图像的色彩信息和空间信息;根据所述预设设计规则,对所述色彩信息进行色彩分离,获得所述当前图像的亮度信息、对比度信息以及饱和度信息;根据所述当前图像的亮度信息、对比度信息以及饱和度信息对所述当前图像的参数信息进行调节,获得目标参数信息。
在一实施例中,所述渲染模块40,还用于对所述当前图像进行分层,获得对应的图层信息;分别提取所述图层信息中的像素信息,并对所述像素信息进行解析,获得对应的像素点;根据所述目标参数信息对所述像素点进行渲染,获得目标像素点;将所述目标像素点进行遍历组合,获得目标图像,以实现对图像的智能设计。
本发明所述基于神经网络的图像智能设计装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不在赘余。
此外,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。
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(Read Only Memory,ROM)/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,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 (10)
1.一种基于神经网络的图像智能设计方法,其特征在于,所述基于神经网络的图像智能设计方法包括以下步骤:
获取图像需求信息,根据所述图像需求信息确定图像组成信息;
获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像;
提取所述当前图像的参数信息;
获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息;
根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
2.如权利要求1所述的基于神经网络的图像智能设计方法,其特征在于,所述获取图像需求信息,根据所述图像需求信息确定图像组成信息,包括:
根据所述图像需求信息,确定图像设计类型;
根据所述图像设计类型,获得所述图像所需的文字信息、线条信息、网点以及网穴信息;
根据所述文字信息、线条信息、网点以及网穴信息,对当前图像组成信息进行选取,以确定图像组成信息。
3.如权利要求1所述的基于神经网络的图像智能设计方法,其特征在于,所述获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像,包括:
对所述图像组成信息进行特征提取,获得目标特征信息以及特征提取顺序;
根据所述特征提取顺序,依序将所述目标特征信息输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,以获得当前图像。
4.如权利要求3所述的基于神经网络的图像智能设计方法,其特征在于,所述根据所述特征提取顺序,依序将所述目标特征信息输入至预设图像智能设计模型中进行设计,以获得当前图像,包括:
根据所述目标特征信息,确定当前图像的质点位置和轮廓;
根据所述特征提取顺序,将所述质点位置和所述轮廓依序输入至根据神经网络训练得到的预设图像智能设计模型中进行设计,以获得当前图像。
5.如权利要求4所述的基于神经网络的图像智能设计方法,其特征在于,所述根据所述目标特征信息,确定当前图像的质点位置和轮廓,包括:
根据所述目标特征信息,获得所述当前图像的像素点以及对应的位置信息;
获取当前类型图像的历史信息,根据所述位置信息和所述历史信息,获得所述像素点对应的邻域;
若所述邻域的像素点为预设值且所述像素点为黑色,则删除所述像素点并设置所述当前图像的背景色为黑色,以确定当前图像的质点位置和轮廓。
6.如权利要求1所述的基于神经网络的图像智能设计方法,其特征在于,所述获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息,包括:
获取当前图像,对所述当前图像进行颜色空间转换,获得所述当前图像的色彩信息和空间信息;
根据所述预设设计规则,对所述色彩信息进行色彩分离,获得所述当前图像的亮度信息、对比度信息以及饱和度信息;
根据所述当前图像的亮度信息、对比度信息以及饱和度信息对所述当前参数信息进行调节,获得目标参数信息。
7.如权利要求1至6中任一项所述的基于神经网络的图像智能设计方法,其特征在于,所述根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计,包括:
对所述当前图像进行分层,获得对应的图层信息;
分别提取所述图层信息中的像素信息,并对所述像素信息进行解析,获得对应的像素点;
根据所述目标参数信息对所述像素点进行渲染,获得目标像素点;
将所述目标像素点进行遍历组合,获得目标图像,以实现对图像的智能设计。
8.一种基于神经网络的图像智能设计装置,其特征在于,所述基于神经网络的图像智能设计装置包括:
获取模块,用于获取图像需求信息,根据所述图像需求信息确定图像组成信息;
设计模块,用于获取根据神经网络训练得到的预设图像智能设计模型,根据所述预设图像智能设计模型对所述图像组成信息进行设计,获得当前图像;
提取模块,用于提取所述当前图像的参数信息;
调节模块,用于获取预设设计规则,根据所述预设设计规则对所述当前图像的参数信息进行调节,获得目标参数信息;
渲染模块,用于根据所述目标参数信息对所述当前图像进行渲染,获得目标图像,以实现对图像的智能设计。
9.一种基于神经网络的图像智能设计设备,其特征在于,所述基于神经网络的图像智能设计设备包括: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神经网络的图像智能设计程序,所述基于神经网络的图像智能设计程序配置有实现如权利要求1至7中任一项所述的基于神经网络的图像智能设计方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于神经网络的图像智能设计程序,所述基于神经网络的图像智能设计程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的图像智能设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288611.0A CN112927321B (zh) | 2021-03-17 | 2021-03-17 | 基于神经网络的图像智能设计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288611.0A CN112927321B (zh) | 2021-03-17 | 2021-03-17 | 基于神经网络的图像智能设计方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927321A true CN112927321A (zh) | 2021-06-08 |
CN112927321B CN112927321B (zh) | 2022-04-22 |
Family
ID=76174966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110288611.0A Active CN112927321B (zh) | 2021-03-17 | 2021-03-17 | 基于神经网络的图像智能设计方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927321B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150066A (zh) * | 2023-10-27 | 2023-12-01 | 北京朗知网络传媒科技股份有限公司 | 汽车传媒领域的智能绘图方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301566A (zh) * | 2017-06-19 | 2017-10-27 | 郑州航空工业管理学院 | 一种广告设计多媒体信息*** |
CN107832469A (zh) * | 2017-11-29 | 2018-03-23 | 北京洪泰同创信息技术有限公司 | 一种企业logo图像的生成方法及装置 |
CN109360020A (zh) * | 2018-09-29 | 2019-02-19 | 北京奇虎科技有限公司 | 一种广告的生成方法及装置 |
US20190188535A1 (en) * | 2017-12-15 | 2019-06-20 | Google Llc | Machine-Learning Based Technique for Fast Image Enhancement |
CN110866138A (zh) * | 2018-08-17 | 2020-03-06 | 京东数字科技控股有限公司 | 背景生成方法及***、计算机***和计算机可读存储介质 |
CN111882501A (zh) * | 2020-07-28 | 2020-11-03 | 北京三快在线科技有限公司 | 图像获取方法及装置 |
-
2021
- 2021-03-17 CN CN202110288611.0A patent/CN112927321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301566A (zh) * | 2017-06-19 | 2017-10-27 | 郑州航空工业管理学院 | 一种广告设计多媒体信息*** |
CN107832469A (zh) * | 2017-11-29 | 2018-03-23 | 北京洪泰同创信息技术有限公司 | 一种企业logo图像的生成方法及装置 |
US20190188535A1 (en) * | 2017-12-15 | 2019-06-20 | Google Llc | Machine-Learning Based Technique for Fast Image Enhancement |
CN110866138A (zh) * | 2018-08-17 | 2020-03-06 | 京东数字科技控股有限公司 | 背景生成方法及***、计算机***和计算机可读存储介质 |
CN109360020A (zh) * | 2018-09-29 | 2019-02-19 | 北京奇虎科技有限公司 | 一种广告的生成方法及装置 |
CN111882501A (zh) * | 2020-07-28 | 2020-11-03 | 北京三快在线科技有限公司 | 图像获取方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150066A (zh) * | 2023-10-27 | 2023-12-01 | 北京朗知网络传媒科技股份有限公司 | 汽车传媒领域的智能绘图方法和装置 |
CN117150066B (zh) * | 2023-10-27 | 2024-01-23 | 北京朗知网络传媒科技股份有限公司 | 汽车传媒领域的智能绘图方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112927321B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101536078B (zh) | 改进图像蒙板 | |
CN113379775A (zh) | 利用彩色化神经网络基于交互式颜色边缘生成彩色化图像 | |
US20080069444A1 (en) | Image mask generation | |
JP2004348211A (ja) | データ編集装置、データ編集方法及びプログラム | |
WO2017157109A1 (en) | Image processing method and terminal | |
CN115812221A (zh) | 图像生成及着色方法及装置 | |
CN114170227B (zh) | 产品表面缺陷检测方法、装置、设备及存储介质 | |
CN110232726B (zh) | 创意素材的生成方法及装置 | |
CN112308944A (zh) | 仿真唇妆的扩增实境显示方法 | |
WO2018203374A1 (ja) | 線画自動着色プログラム、線画自動着色装置及びグラフィカルユーザインターフェース用プログラム | |
CN112529808A (zh) | 一种图像的颜色调整方法、装置、设备和介质 | |
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 | |
WO2018151043A1 (ja) | 画像処理方法、及びコンピュータプログラム | |
CN114565702A (zh) | 文本图像生成方法、装置及电子设备 | |
CN112419470A (zh) | 目标区域的颜色渲染方法、装置、设备和介质 | |
CN115063800B (zh) | 文本识别方法和电子设备 | |
CN111107264A (zh) | 图像处理方法、装置、存储介质以及终端 | |
CN112884074B (zh) | 基于决策树的图像设计方法、设备、存储介质及装置 | |
Gao et al. | PencilArt: a chromatic penciling style generation framework | |
US20190080488A1 (en) | Intelligent systems and methods for dynamic color hierarchy & aesthetic design computation | |
US20220189088A1 (en) | Method and system for removing scene text from images | |
CN114529624A (zh) | 一种图像色彩匹配方法、***及图像生成方法和*** | |
CN110428360B (zh) | 汽车图像美化方法、设备、存储介质及装置 | |
CN113360820A (zh) | 一种页面展示方法、***、设备和存储介质 | |
CN117952817B (zh) | 一种图像对比展示方法及相关装置 |
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 |