一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统

1.一种获取图片推荐滤镜信息的方法，其特征在于，包括：
步骤1：获取一定数量的样本图片，提取每张样本图片中的原始图片信息及滤镜信息；
所述滤镜信息包括滤镜子属性；
步骤2：根据每张样本图片中的原始图片信息提取每张样本图片的特征向量；
步骤3：选择待训练的模式识别模型；所述模式识别模型的数量与所述滤镜信息的滤镜子属性数量相同，且每一个模式识别模型对应一个滤镜子属性；
步骤4：训练每一个模式识别模型，训练方法为：依次以每张样本图片的特征向量为模式识别模型的输入，以模式识别模型对应的滤镜子属性在该样本图片滤镜信息中的取值为所述模式识别模型的输出训练该模式识别模型；
步骤5：获取待推荐滤镜信息的目标原始图片；
步骤6：提取目标原始图片的特征向量；
步骤7：将目标原始图片的特征向量依次输入各个训练后的模式识别模型，各个训练后的模式识别模型输出其对应的滤镜子属性的取值；将各个模式识别模型输出的滤镜子属性的取值进行整合得到推荐的滤镜信息。
2.根据权利要求1所述的一种获取图片推荐滤镜信息的方法，其特征在于，所述特征向量包含色彩空间特征值、纹理特征值及结构特征值。
3.根据权利要求1所述的一种获取图片推荐滤镜信息的方法，其特征在于，所述滤镜子属性包括纹理、光圈、特效、色温、色调、曝光度、对比度、鲜艳度及高光。
4.根据权利要求3所述的一种获取图片推荐滤镜信息的方法，其特征在于，所述模式识别模型包括分类模式识别模型及回归模式识别模型；对应纹理、光圈及特效三个滤镜子属性的模式识别模型为分类模式识别模型；对应色温、色调、曝光度、对比度、鲜艳度及高光六个滤镜子属性的模式识别模型为回归模式识别模型。
5.一种图片滤镜信息推荐系统，其特征在于，包括：
样本图片信息提取单元，用于获取一定数量的样本图片，提取每张样本图片中的原始图片信息及滤镜信息；所述滤镜信息包括滤镜子属性；
样本图片特征向量提取单元，用于根据每张样本图片中的原始图片信息提取每张样本图片的特征向量；
模式识别模型确定单元，用于选择待训练的模式识别模型；所述模式识别模型的数量与所述滤镜信息的滤镜子属性数量相同，且每一个模式识别模型对应一个滤镜子属性；
模式识别模型训练单元，用于训练每一个模式识别模型，训练方法为：依次以每张样本图片的特征向量为模式识别模型的输入，以模式识别模型对应的滤镜子属性在该样本图片滤镜信息中的取值为所述模式识别模型的输出训练该模式识别模型；
目标原始图片获取单元，用于获取待推荐滤镜信息的目标原始图片；
目标原始图片特征向量提取单元，用于提取目标原始图片的特征向量；
滤镜子属性识别单元，用于将目标原始图片的特征向量依次输入各个模式识别模型，得到各个模式识别模型输出的滤镜子属性的取值；其中，每一个模式识别模型对应一个滤镜子属性，用于根据目标原始图片的特征向量计算其对应的滤镜子属性的取值；
滤镜信息整合单元，用于将各个模式识别模型输出的滤镜子属性的取值进行整合得到推荐的滤镜信息。
6.根据权利要求5所述的一种图片滤镜信息推荐系统，其特征在于，所述特征向量包含色彩空间特征值、纹理特征值及结构特征值。
7.根据权利要求5所述的一种图片滤镜信息推荐系统，其特征在于，所述滤镜子属性包括纹理、光圈、特效、色温、色调、曝光度、对比度、鲜艳度及高光。
8.根据权利要求7所述的一种图片滤镜信息推荐系统，其特征在于，所述模式识别模型包括分类模式识别模型及回归模式识别模型；对应纹理、光圈、特效三个滤镜子属性的模式识别模型为分类模式识别模型；对应色温、色调、曝光度、对比度、鲜艳度及高光六个滤镜子属性的模式识别模型为回归模式识别模型。

一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统\n技术领域\n[0001] 本发明涉及图片处理技术领域。\n背景技术\n[0002] 目前绝大多数的拍照应用程序都为用户提供了为图片增加滤镜的功能，用户可以根据自己的喜好为拍摄的图片增加滤镜以达到美化图片的目的。随着移动终端拍照APP（应用程序，外语全称：Application）的不断发展，为了给用户提供更加广阔的创造空间，不少APP为用户提供的滤镜编辑接口越来越多，例如有特效、光圈、纹理、色彩、偏色、层次、美肤、清晰度、色温、暗角等等。但是当这么多可编辑的滤镜子属性参数放在用户面前时，大多数用户却不能很好利用这些功能，并让其觉得这是个很复杂、专业性很强的工具。\n[0003] 为了解决这个问题，现有技术中出现了不少滤镜推荐算法，其主要思想是根据图片场景内容直接推荐可能的滤镜给用户，但是这样推荐的结果很笼统，用户体验度并不佳。\n因为一旦涉及到艺术性的范畴，使用单一的因果关系（例如场景内容与滤镜）来描述时，总会遗漏大量重要信息。\n发明内容\n[0004] 基于这样的现实问题，本发明旨在提供一种智能滤镜推荐的方法及系统，基本思想是将滤镜信息拆分为多个滤镜子属性（实际上每个滤镜都是由一组滤镜子属性来描述的），以大量加过滤镜的图片（包括原始图片信息，即未经过后期图像处理的图片或照片，及用户为其添加的滤镜信息）作为训练样本去训练多个模式识别模型（每个模式识别模型用于识别一个滤镜子属性），使各个模型具备根据图片特征识别适合该图片的滤镜子属性的取值的能力。最后将各个模型输出的滤镜子属性的取值进行整合得到推荐的滤镜信息。\n[0005] 基于上述发明基本实现，本发明采用的具体技术手段包括：\n[0006] 步骤1：获取一定数量的样本图片，提取每张样本图片中的原始图片信息及滤镜信息；所述滤镜信息包括若干滤镜子属性；\n[0007] 步骤2：根据每张样本图片中的原始图片信息提取每张样本图片的特征向量；\n[0008] 步骤3：选择待训练的模式识别模型；所述模式识别模型的数量与所述滤镜信息的滤镜子属性数量相同，且每一个模式识别模型对应一个滤镜子属性；\n[0009] 步骤4：按照以下方法训练每一个模式识别模型：依次以每张样本图片的特征向量为模式识别模型的输入，以模式识别模型对应的滤镜子属性在该样本图片滤镜信息中的取值为所述模式识别模型的输出训练该模式识别模型；\n[0010] 步骤5：获取待推荐滤镜信息的目标原始图片；\n[0011] 步骤6：提取目标原始图片的特征向量；\n[0012] 步骤7：将目标原始图片的特征向量依次输入各个训练后的模式识别模型，各个训练后的模式识别模型输出其对应的滤镜子属性的取值；将各个模式识别模型输出的滤镜子属性的取值进行整合得到推荐的滤镜信息。\n[0013] 优选地，所述特征向量包含色彩空间特征值、纹理特征值及结构特征值。\n[0014] 优选地，所述滤镜子属性包括纹理、光圈、特效、色温、色调、曝光度、对比度、鲜艳度及高光。\n[0015] 优选地，所述模式识别模型包括分类模式识别模型及回归模式识别模型；对应纹理、光圈及特效三个滤镜子属性的模式识别模型为分类模式识别模型；对应色温、色调、曝光度、对比度、鲜艳度及高光六个滤镜子属性的模式识别模型为回归模式识别模型。\n[0016] 本发明还提供了一种图片滤镜信息推荐系统，包括：\n[0017] 目标原始图片获取单元，用于获取待推荐滤镜信息的目标原始图片；\n[0018] 目标原始图片特征向量提取单元，用于提取目标原始图片的特征向量；\n[0019] 滤镜子属性识别单元，用于将目标原始图片的特征向量依次输入各个模式识别模型，得到各个模式识别模型输出的滤镜子属性的取值；其中，每一个模式识别模型对应一个滤镜子属性，用于根据目标原始图片的特征向量计算其对应的滤镜子属性的取值；\n[0020] 滤镜信息整合单元，用于将各个模式识别模型输出的滤镜子属性的取值进行整合得到推荐的滤镜信息。\n[0021] 进一步，所述各个模式识别模型按照以下方式得到：\n[0022] 步骤1：获取一定数量的样本图片，提取每张样本图片中的原始图片信息及滤镜信息；所述滤镜信息包括若干滤镜子属性；\n[0023] 步骤2：根据每张样本图片中的原始图片信息提取每张样本图片的特征向量；\n[0024] 步骤3：选择待训练的模式识别模型；所述模式识别模型的数量与所述滤镜信息的滤镜子属性数量相同，且每一个模式识别模型对应一个滤镜子属性；\n[0025] 步骤4：按照以下方法训练每一个模式识别模型：依次以每张样本图片的特征向量为模式识别模型的输入，以模式识别模型对应的滤镜子属性在该样本图片滤镜信息中的取值为所述模式识别模型的输出训练该模式识别模型。\n[0026] 进一步，还包括：\n[0027] 样本图片信息提取单元，用于获取一定数量的样本图片，提取每张样本图片中的原始图片信息及滤镜信息；所述滤镜信息包括若干滤镜子属性；\n[0028] 样本图片特征向量提取单元，用于根据每张样本图片中的原始图片信息提取每张样本图片的特征向量；\n[0029] 模式识别模型确定单元，用于选择待训练的模式识别模型；所述模式识别模型的数量与所述滤镜信息的滤镜子属性数量相同，且每一个模式识别模型对应一个滤镜子属性；\n[0030] 模式识别模型训练单元，用于按照以下方法训练每一个模式识别模型：依次以每张样本图片的特征向量为模式识别模型的输入，以模式识别模型对应的滤镜子属性在该样本图片滤镜信息中的取值为所述模式识别模型的输出训练该模式识别模型。\n[0031] 由于采用了上述技术手段，本发明具有以下有益效果：\n[0032] 1.本发明将滤镜信息分解为描述其的若干滤镜子属性，为每个滤镜子属性训练一个模式识别模型，对于每张新的原始图片，本发明中的模式识别模型根据其特征向量计算为其推荐一个滤镜子属性，再将各个滤镜子属性整合为滤镜信息，这样为图片推荐的滤镜信息更加准确、贴切，用户体验度佳。\n[0033] 2.本发明中图片的特征向量包括色彩空间特征值、纹理特征值及结构特征值，更加全面的描述了原始图片的特征，保证了推荐算法的准确度，同时这三种特征值计算量较小，减少了资源耗费，使本发明既能适用于计算机又能适用于各类移动智能设备。\n[0034] 3.本发明针对滤镜子属性的数值形式（离散或连续）选用了不同的模式识别类型，确保了滤镜子属性的识别准确度。\n附图说明\n[0035] 本发明将通过例子并参照附图的方式说明，其中：\n[0036] 图1为本发明方法一个具体实施例的流程图。\n具体实施方式\n[0037] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。\n[0038] 本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。\n[0039] 如图1，本发明的一个具体实施例包括滤镜子属性识别模型的建立及为目标原始图片推荐滤镜信息两个阶段。\n[0040] 其中建立滤镜子属性识别模型的过程包括：\n[0041] 步骤1：获取一定数量的样本图片，并提取每张样本图片中的原始图片信息及滤镜信息。\n[0042] 这里所需要的样本图片是指用户以为其增加过滤镜效果的图片，其描述信息中包含原始图片信息及滤镜信息。其中，原始图片信息是指未经过后续图像处理技术处理过的图片的信息，例如包括原始图片每个像素点的R、G、B值等信息，滤镜信息包含描述其的滤镜子属性。不同的拍照APP为用户开放的可编辑的滤镜子属性不同，例如滤镜子属性包括但不限于纹理（Lighting）、光圈（TiltShift）、特效（filter）、层次（EnhanceHdr）、美肤（EnhanceSkin）、清晰度（sharpness）、 色温（Temperature）、色调（Hue）、曝光度（Exposure）、对比度（Contrast）、鲜艳度（Vibrance）、饱和度（Saturation）、高光（HighLight）、阴影（Shadow）、 暗角（VignetteStrong）、中心亮度（CenterStrong）。\n[0043] 这里所述的一定数量可以是几百张，也可以是上千张。样本图片的数量越大，来源越丰富，使用这些样本图片训练得到的模式识别模型就越准确。\n[0044] 步骤2：根据每张样本图片中的原始图片信息提取每张样本图片的特征向量。\n[0045] 图片特征的提取是一个较复杂的领域，但是考虑到实时性和计算量，本发明选择计算量相对较小，但是有具有区分性的特征，包括色彩空间特征，纹理特征和结构特征三大类特征。这三大类特征的提取均采用现有技术，下面2说本实施例采用的方法，但是不应当将本实施例选优的方法作为本发明中图片特征向量的限制。\n[0046] 色彩空间特征\n[0047] 本实施例选择了RGB, HSV, LAB三个颜色空间的区间直方图，以及均值和方差。同时还加上了灰度图的的区间直方图。将这些值组成一个子向量，这样色彩空间就有了1586个特征值：gray_hist(32) + RGB_hist(512) + HSV_hist(512) + LAB_hist(512) + RGB_mean_std(6) +HSV_mean_std(6) + LAB_mean_std(6)，其中灰度图的区间直方图gray_hist具有32个特征值；RGB颜色空间的区间直方图RGB_hist、HSV颜色空间的区间直方图HSV_hist、 LAB颜色空间的区间直方图LAB_hist均具有512个特征值；RGB颜色空间的均值、方差RGB_mean_std、HSV颜色空间的均值、方差HSV_mean_std、 LAB颜色空间的均值、方差LAB_mean_std均具有6个特征值。\n[0048] 在其他实施例中，色彩空间的特征值可以只包括上述几种特征值的一部分，也可以在上述几种特征值的基础上增加其他色彩空间的区间直方图、均值和/或方差等。\n[0049] 纹理特征\n[0050] 本实施例采用gabor核方法对图片进行处理得到32个特征。具体的核方法是先生成16个核，使用每个核与图片求卷积，在计算卷积结果的整体均值和方差，从而得到32个特征值。\n[0051] 在其他实施例中，可以使用8个gabor核提取图片的纹理特征值。\n[0052] 结构特征\n[0053] 本实施例使用HOG算法（方向梯度直方图，Histogram of Oriented Gradient），提取了一张图片的128个特征。具体的作法是选择了8 个方向，如上、下、左、右、左上角45°方向、左下角45°方向、右上角45°方向及右下角45°方向。 将图片分为若干个cell，每个cell包含32×32个像素点；每个block包含1×1个cell。\n[0054] 在其他实施例中，可以在HOG算法中只选择4个方向。\n[0055] 步骤3：选择待训练的模式识别模型；所述模式识别模型的数量与所述滤镜信息的滤镜子属性数量相同，且每一个模式识别模型对应一个滤镜子属性。\n[0056] 模式识别模型具有很多类型，包括用于输出值为离散值的可用于分类的模式识别模型，如SVM（支持向量机模型）及输出值为连续值的回归模式识别模型，如多元线性回归模型。\n[0057] 本实施例根据滤镜子属性的取值特点，为不同的滤镜子属性选择了不同的模式识别模型。如Lighting、TiltShift及ilter三个滤镜子属性取值为离散值，为此本实施例选用输出值为离散值的可用于分类的模式识别模型，Temperature、Hue、Exposure、Contrast、Vibrance及Highlight等滤镜子属性的取值为连续值，为此本实施例选用输出值为连续值的回归模式识别模型。\n[0058] 步骤4：按照以下方法训练每一个模式识别模型：依次以每张样本图片的特征向量为模式识别模型的输入，以模式识别模型对应的滤镜子属性在该样本图片滤镜信息中的取值为所述模式识别模型的输出训练该模式识别模型。当样本图片数量越多时，训练出来的模型识别准确率越高。\n[0059] 步骤5：通过拍照、截图等方式获取待推荐滤镜信息的目标原始图片。\n[0060] 步骤6：按照步骤2同样的方法提取目标原始图片的特征向量。\n[0061] 步骤7：将目标原始图片的特征向量依次输入各个训练后的模式识别模型，各个训练后的模式识别模型会自动计算并输出其对应的滤镜子属性的取值；将各个模式识别模型输出的滤镜子属性的取值进行整合得到推荐的滤镜信息。\n[0062] 本发明还提供了一种图片滤镜信息推荐系统，该系统可直接安装于移动智能设备上，包括：\n[0063] 目标原始图片获取单元，用于获取待推荐滤镜信息的目标原始图片。\n[0064] 目标原始图片特征向量提取单元，用于提取目标原始图片的特征向量。\n[0065] 滤镜子属性识别单元，用于将目标原始图片的特征向量依次输入各个模式识别模型，得到各个模式识别模型输出的滤镜子属性的取值；其中，各个模式识别模型预先训练成熟，每一个模式识别模型对应一个滤镜子属性，用于根据目标原始图片的特征向量计算其对应的滤镜子属性的取值。\n[0066] 滤镜信息整合单元，用于将各个模式识别模型输出的滤镜子属性的取值进行整合得到推荐的滤镜信息。\n[0067] 其中，所述各个模式识别模型按照以下方式得到：\n[0068] 步骤1：获取一定数量的样本图片，提取每张样本图片中的原始图片信息及滤镜信息；所述滤镜信息包括若干滤镜子属性；\n[0069] 步骤2：根据每张样本图片中的原始图片信息提取每张样本图片的特征向量；\n[0070] 步骤3：选择待训练的模式识别模型；所述模式识别模型的数量与所述滤镜信息的滤镜子属性数量相同，且每一个模式识别模型对应一个滤镜子属性；\n[0071] 步骤4：按照以下方法训练每一个模式识别模型：依次以每张样本图片的特征向量为模式识别模型的输入，以模式识别模型对应的滤镜子属性在该样本图片滤镜信息中的取值为所述模式识别模型的输出训练该模式识别模型。\n[0072] 本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。