(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210194146.9 (22)申请日 2022.03.01 (71)申请人 北京沃东天骏信息技 术有限公司 地址 100176 北京市大兴区经济技 术开发 区科创十一 街18号院2号楼4层A402室 申请人 北京京东世纪贸易有限公司 (72)发明人 王晨宇　 (74)专利代理 机构 北京派特恩知识产权代理有 限公司 1 1270 专利代理师 赵翠萍　张颖玲 (51)Int.Cl. G06T 11/40(2006.01) G06T 11/60(2006.01) G06T 11/00(2006.01) G06V 10/762(2022.01)G06V 10/75(2022.01) G06V 10/766(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/56(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种词云图片生 成方法及装置、 计算机可读 存储介质 (57)摘要 本发明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。 权利要求书4页 说明书21页 附图16页 CN 114581559 A 2022.06.03 CN 114581559 A 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 二权　利　要　求　书 1/4 页 2 CN 114581559 A 2二值化图像， 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 征向量， 包括： 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； 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； 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。 10.根据权利要求9所述的方法， 其特征在于， 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： 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； 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； 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。 11.根据权利要求9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权　利　要　求　书 2/4 页 3 CN 114581559 A 3