一种词云图片生成方法及装置、计算机可读存储介质制造方法及图纸

本发明专利技术实施例公开了一种词云图片生成方法及装置、存储介质，包括：获取待生成词云图片；其中，所述待生成词云图片包括第一前景图元和第一背景图元；基于所述第一前景图元和所述第一背景图元，通过预设的卷积神经网络进行特征提取，得到所述第一前景图元的第一特征图和所述第一背景图元的第二特征图；基于所述第一特征图和所述第二特征图，通过目标检测特殊层进行处理，确定固定维度特征向量；基于所述固定维度特征向量，通过预设的回归预测网络进行预测排版，得到初步词云图片；对所述初步词云图片进行着色处理，确定生成的词云图片。上述方案中通过预设的卷积神经网络和预设的回归预测网络生成初步词云图片，提高了词云图片生成的效率。生成的效率。生成的效率。

【技术实现步骤摘要】
一种词云图片生成方法及装置、计算机可读存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种词云图片生成方法及装置、计算机可读存储介质。

技术介绍

[0002]在平面设计领域中，有一种词云图片的设计，词云图片除了可以展示大量文本数据，从而让读者快速抓住重点外，更重要的是它的艺术效果好，放在文章中，很快能获得的读者关注，但是词云中的文字数量很大，如果人工逐一的对每个文字进行排版与配色，则耗时耗力。现有技术通过对每个词的图元建立多层次box，对图元之间进行两两重叠检测，使得图元之间保持一定的距离，按照文字的重要性确定文字的尺寸与位置。图元之间的逐层重叠检测比较耗时，效率低，同时在一些特殊的背景形状区域条件下填充效果较差。

技术实现思路

[0003]本专利技术实施例提供一种词云图片生成方法及装置、计算机可读存储介质，能够解决词云图片生成效率低和填充效果差的问题。
[0004]本专利技术的技术方案是这样实现的：
[0005]本专利技术实施例提供例了一种词云图片生成方法，其特征在于，包括：
[0006]获取待生成词云图片；其中，所述待生成词云图片包括第一前景图元和第一背景图元；
[0007]基于所述第一前景图元和所述第一背景图元，通过预设的卷积神经网络进行特征提取，得到所述第一前景图元的第一特征图和所述第一背景图元的第二特征图；
[0008]基于所述第一特征图和所述第二特征图，通过目标检测特殊层进行处理，确定固定维度特征向量；
[0009]基于所述固定维度特征向量，通过预设的回归预测网络进行预测排版，得到初步词云图片；
[0010]对所述初步词云图片进行着色处理，确定生成的词云图片。
[0011]上述方案中，所述基于所述前景图元和所述背景图元，通过预设的卷积神经网络进行特征提取，得到所述前景图元和所述背景图元各自对应的特征图之前，所述方法还包括：
[0012]获取多张训练图片；其中，每张训练图片包括多个前景图元和训练背景图元；
[0013]基于所述多个前景图元，通过类型选择处理，确定当前图元类型的训练前景图元；
[0014]基于所述训练前景图元和所述训练背景图元，通过卷积扫描，确定所述训练前景图元的参数；
[0015]基于所述训练前景图元的参数，得到所述多张训练图片各自对应的初始词云图片，筛选出合格的图片作为训练样本数据；
[0016]基于所述训练样本数据，对初始卷积神经网络进行训练，得到所述预设的卷积神
经网络。
[0017]上述方案中，所述基于所述训练前景图元和所述训练背景图元，通过卷积扫描，确定所述训练前景图元的参数，包括：
[0018]基于所述训练前景图元，通过二值化处理，得到所述训练前景图元的第一二值化图像；
[0019]基于所述训练背景图元，通过二值化处理，得到所述训练背景图元的第二二值化图像
[0020]基于所述第一二值化图像和所述第二二值化图像，确定所述训练前景图元的参数。
[0021]上述方案中，所述基于所述训练前景图元，通过二值化处理，得到所述训练前景图元的第一二值化图像，包括：
[0022]基于所述训练前景图元，通过缩放处理，得到多尺寸训练前景子图元；
[0023]基于所述多尺寸训练前景子图元的每个前景子图元，通过旋转处理，得到所述每个前景子图元的多角度训练前景子图元；
[0024]基于所述多角度训练前景子图元，通过二值化处理，得到所述训练前景图元的所述第一二值化图像。
[0025]上述方案中，所述基于所述训练前景图元和所述训练背景图元，通过卷积扫描，确定所述训练前景图元的参数，包括：
[0026]基于所述训练前景图元和所述训练背景图元，通过二值化处理，得到所述训练前景图元的第三二值化图像和所述训练背景图元的第四二值化图像；
[0027]将所述第三二值化图像在所述第四二值化图像上进行卷积扫描，得到每步的乘积值；
[0028]基于所述乘积值和所述第三二值化图像，确定所述训练前景图元的参数。
[0029]上述方案中，所述基于所述第一二值化图像和所述第二二值化图像，确定所述训练前景图元的参数，包括：
[0030]基于所述第二二值化图像，通过预设的空白检测算法进行运算，确定所述第二二值化图像的空白中心位置；
[0031]基于所述第一二值化子图像和所述第二二值化图像的所述空白中心位置，通过卷积扫描处理，确定所述第一前景图元的参数。
[0032]上述方案中，所述基于所述第二二值化图像，通过预设的空白检测算法进行运算，确定所述第二二值化图像的空白中心位置，包括：
[0033]基于所述第二二值化图像，选择空白区域作为扫描初始位置；
[0034]基于所述扫描初始位置和预设场强计算准则，进行运算，确定所述第二二值化图像中每个单元格的场强；
[0035]基于所述第二二值化图像中每个单元格的场强，通过预设梯度计算准则进行运算，得到所述每个单元格的场强梯度；
[0036]基于所述每个单元格的场强梯度，进行迭代运算，直到得到场强的最大值，确定所述场强的最大值对应的单元格；
[0037]将所述场强的最大值对应的单元格作为空白中心位置。
[0038]上述方案中，所述基于所述多个前景图元，通过类型选择处理，确定第一前景图元，包括：
[0039]基于所述多个前景图元，通过建立四叉树进行数据管理，得到数据管理结构；
[0040]基于所述数据管理结构，进行搜索，确定所述当前前景图元的临近图元；
[0041]根据临近图元的类型，确定所述当前前景图元的类型；
[0042]基于所述当前前景图元的类型，确定所述第一前景图元。
[0043]上述方案中，所述基于所述第一特征图和所述第二特征图，通过目标检测特殊层进行处理，确定固定维度特征向量，包括：
[0044]基于所述第一背景图元的第二特征图，通过特征提取处理，确定所述第二特征图的局部特征图；
[0045]基于所述第一特征图和所述第二特征图的局部特征图，通过所述目标检测特殊层进行处理，得到所述第一特征图的第一固定维度向量和所述第二特征图的第二固定维度向量；
[0046]基于所述第一固定维度向量和所述第二固定维度向量，通过融合处理，得到所述固定维度特征向量。
[0047]上述方案中，所述基于所述第一背景图元的第二特征图，通过特征提取处理，确定所述第二特征图的局部特征图，包括：
[0048]基于所述第一背景图元的第二特征图，通过预设的空白检测算法进行检测，获得所述第二特征图的空白中心位置；
[0049]基于所述第二特征图和所述第二特征图的空白中心位置，进行环绕扫描处理，得到所述第二特征图的特征点；
[0050]基于所述第二特征图的特征点，通过进行窗口截取处理，获得所述第二特征图的所述局部特征图。
[0051]上述方案中，所述基于所述第一特征图和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种词云图片生成方法，其特征在于，包括：获取待生成词云图片；其中，所述待生成词云图片包括第一前景图元和第一背景图元；基于所述第一前景图元和所述第一背景图元，通过预设的卷积神经网络进行特征提取，得到所述第一前景图元的第一特征图和所述第一背景图元的第二特征图；基于所述第一特征图和所述第二特征图，通过目标检测特殊层进行处理，确定固定维度特征向量；基于所述固定维度特征向量，通过预设的回归预测网络进行预测排版，得到初步词云图片；对所述初步词云图片进行着色处理，确定生成的词云图片。2.根据权利要求1所述的方法，其特征在于，所述基于所述前景图元和所述背景图元，通过预设的卷积神经网络进行特征提取，得到所述前景图元和所述背景图元各自对应的特征图之前，所述方法还包括：获取多张训练图片；其中，每张训练图片包括多个前景图元和训练背景图元；基于所述多个前景图元，通过类型选择处理，确定当前图元类型的训练前景图元；基于所述训练前景图元和所述训练背景图元，通过卷积扫描，确定所述训练前景图元的参数；基于所述训练前景图元的参数，得到所述多张训练图片各自对应的初始词云图片，筛选出合格的图片作为训练样本数据；基于所述训练样本数据，对初始卷积神经网络进行训练，得到所述预设的卷积神经网络。3.根据权利要求2所述的方法，其特征在于，所述基于所述训练前景图元和所述训练背景图元，通过卷积扫描，确定所述训练前景图元的参数，包括：基于所述训练前景图元，通过二值化处理，得到所述训练前景图元的第一二值化图像；基于所述训练背景图元，通过二值化处理，得到所述训练背景图元的第二二值化图像；基于所述第一二值化图像和所述第二二值化图像，确定所述训练前景图元的参数。4.根据权利要求3所述的方法，其特征在于，所述基于所述训练前景图元，通过二值化处理，得到所述训练前景图元的第一二值化图像，包括：基于所述训练前景图元，通过缩放处理，得到多尺寸训练前景子图元；基于所述多尺寸训练前景子图元的每个前景子图元，通过旋转处理，得到所述每个前景子图元的多角度训练前景子图元；基于所述多角度训练前景子图元，通过二值化处理，得到所述训练前景图元的所述第一二值化图像。5.根据权利要求2所述的方法，其特征在于，所述基于所述训练前景图元和所述训练背景图元，通过卷积扫描，确定所述训练前景图元的参数，包括：基于所述训练前景图元和所述训练背景图元，通过二值化处理，得到所述训练前景图元的第三二值化图像和所述训练背景图元的第四二值化图像；将所述第三二值化图像在所述第四二值化图像上进行卷积扫描，得到每步的乘积值；基于所述乘积值和所述第三二值化图像，确定所述训练前景图元的参数。6.根据权利要求3所述的方法，其特征在于，所述基于所述第一二值化图像和所述第二
二值化图像，确定所述训练前景图元的参数，包括：基于所述第二二值化图像，通过预设的空白检测算法进行运算，确定所述第二二值化图像的空白中心位置；基于所述第一二值化子图像和所述第二二值化图像的所述空白中心位置，通过卷积扫描处理，确定所述第一前景图元的参数。7.根据权利要求6所述的方法，其特征在于，所述基于所述第二二值化图像，通过预设的空白检测算法进行运算，确定所述第二二值化图像的空白中心位置，包括：基于所述第二二值化图像，选择空白区域作为扫描初始位置；基于所述扫描初始位置和预设场强计算准则，进行运算，确定所述第二二值化图像中每个单元格的场强；基于所述第二二值化图像中每个单元格的场强，通过预设梯度计算准则进行运算，得到所述每个单元格的场强梯度；基于所述每个单元格的场强梯度，进行迭代运算，直到得到场强的最大值，确定所述场强的最大值对应的单元格；将所述场强的最大值对应的单元格作为空白中心位置。8.根据权利要求2所述的方法，其特征在于，所述基于所述多个前景图元，通过类型选择处理，确定第一前景图元，包括：基于所述多个前景图元，通过建立四叉树进行数据管理，得到数据管理结构；基于所述数据管理结构，进行搜索，确定所述当前前景图元的临近图元；根据临近图元的类型，确定所述当前前景图元的类型；基于所述当前前景图元的类型，确定所述第一前景图元。9.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征图和所述第二特征图，通过目标检测特殊层进行处理，确定固定维度特征向...

【专利技术属性】
技术研发人员：王晨宇，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：