[发明专利]图像自动裁剪方法、系统、电子设备及存储介质

权利要求书

1.一种图像自动裁剪方法，其特征在于，该方法包括：

获取第一样本集和第二样本集，所述第一样本集包含若干以不同构图方式得到的第一样本图像，且每个所述第一样本图像分别标注有对应的标准中心位置，所述第二样本集包含若干第二样本图像，且每个所述第二样本图像分别标注有对应的标准美学评分；

以预先定义的不同构图方式下不同图像类别对应的权重向量为权重因子，构建机器学习模型；

根据不同构图方式下的所述第一样本图像以及对应的标准中心位置，分别对所述机器学习模型的权重因子进行训练，得到不同构图方式下不同图像类别对应的目标权重向量；

根据所述第二样本集，对预设的图像美学评估网络进行训练；

获取目标图像，并利用预先训练的语义分割模型对所述目标图像进行处理，得到所述目标图像中各个像素的图像类别向量；

根据所述目标图像中各个像素的图像类别向量、以及不同构图方式下不同图像类别对应的目标权重向量，获取所述目标图像在不同构图方式下的重心；

按照预定裁剪比例，以所述目标图像在不同构图方式下的重心为中心，分别对所述目标图像进行裁剪，得到多个侯选裁剪图像；

利用训练后的所述图像美学评估网络，分别对所述多个侯选裁剪图像进行处理，得到所述多个侯选裁剪图像对应的预测美学评分，并将预测美学评分最高的所述侯选裁剪图像作为目标裁剪图像。

2.根据权利要求1所述的图像自动裁剪方法，其特征在于，所述根据所述目标图像中各个像素的图像类别向量、以及不同构图方式下不同图像类别对应的目标权重，获取所述目标图像在不同构图方式下的重心的步骤，包括根据如下式(1)和式(2)获取所述目标图像在不同构图方式下的重心C：

M_mn＝∑_x,yx^myⁿO·W_X                          (1)

其中，M₀₀表示零阶矩，M₁₀、M₀₁表示一阶矩，x表示所述目标图像的行像素数量，y表示所述目标图像的列像素数量，O表示所述目标图像中各个像素的图像类别向量，W_X表示第x种构图方式下不同图像类别的目标权重向量。

3.根据权利要求1所述的图像自动裁剪方法，其特征在于，所述根据不同构图方式下的所述第一样本图像以及对应的标准中心位置，分别对所述机器学习模型的权重因子进行训练，得到不同构图方式下不同图像类别对应的目标权重向量的步骤，包括针对各种构图方式分别执行以下操作：

将以该种构图方式得到的所述第一样本图像的图像数据输入所述机器学习模型进行处理，得到对应的预测中心位置；

根据所述预测中心位置与对应的标准中心位置的之间差异计算所述机器学习模型的损失函数值，并根据所述机器学习模型的损失函数值调整所述机器学习模型的权重因子，直至所述机器学习模型满足对应的预定条件。

4.根据权利要求1所述的图像自动裁剪方法，其特征在于，所述机器学习模型采用逻辑回归模型。

5.根据权利要求1所述的图像自动裁剪方法，其特征在于，所述根据所述第二样本集，对预设的图像美学评估网络进行训练的步骤包括：

将所述第二样本图像的图像数据输入所述图像美学评估网络进行处理，得到对应的预测美学评分；

根据所述预测美学评分与对应的标准美学评分之间的差异计算所述图像美学评估网络的损失函数值，并根据所述图像美学评估网络的损失函数值调整所述图像美学评估网络的权重因子，直至所述图像美学评估网络满足对应的预定条件。

6.根据权利要求1所述的图像自动裁剪方法，其特征在于，所述图像美学评估网络包含特征提取层和全连接层；

在根据所述第二样本集，对预设的图像美学评估网络进行训练之前，所述方法还包括：对所述特征提取层进行预训练。

7.根据权利要求1所述的图像自动裁剪方法，其特征在于，所述语义分割模型采用全卷积网络模型。