[发明专利]使用预生成的元数据的图像裁剪

说明书

在对电子商务市场进行操作时，预生成的元数据被用于在接收到请求之后实时且低延时地对图像进行变换。为了实现高速图像变换，使用机器学习获得相关图像特征的离线注释，并且基于结果存储元数据。然后，元数据被用于在请求时执行高速图像变换。变换可以包括图像裁剪，在饱和度、对比度、亮度方面调整，提s取图像的部分等。在一个示例中，元数据包括给出如何对图像进行裁剪的坐标的边界框，使得可以在不对图像的内容或背景进行分析的情况下对图像进行裁剪。相反，为了获得边界框的坐标，在预请求处理中对图像的内容和背景进行分析。以这种方式，当接收到请求时，已经完成更困难且耗时的处理。

背景技术

在电子商务市场中，顾客每天查看数百万个图像，诸如时尚图像。第三方供应商向电子商务市场供应他们的产品的图像。由于顾客的偏好和趋势随时间变化，网站开发人员想要快速测试网站零售页面上的新理念。虽然实现低级图像变换(诸如调整大小或改变图像质量)通常很简单，但内容感知图像处理造成了新颖的挑战。对图像目录中的图像进行替换通常涉及与大量第三方供应商的协调以及重要的质量保证努力。图像替换的快速迭代很难实现。在请求时执行图像更改允许对过程进行更多控制，但延时问题(latency concern)和图像更改的数量使请求时的(request-time)更改变得不切实际。

附图说明

图1示出了用于请求时图像更改(request-time image alteration)的元数据的生成的示例。

图2是根据一个实施方式的用于生成用于请求时图像更改的元数据的系统，其中请求被示出为具有裁剪样式标签。

图3是根据另一实施方式的系统，其中元数据被生成用于图像的目录。

图4是根据另一实施方式的系统，其中元数据生成器接收通知以对图像进行处理并生成用于对图像进行裁剪的元数据。

图5是根据一个实施方式的使用所存储的元数据进行图像裁剪的流程图。

图6是根据另一实施方式的用于生成用于对图像进行裁剪的元数据的流程图。

图7是根据又一实施方式的用于在请求中使用裁剪样式标签的流程图。

图8描绘了可以实现所描述的创新的合适的计算环境的一般性示例。

具体实施方式

在对电子商务市场进行操作时，预生成的元数据被用于在接收到请求之后实时且低延时地对图像进行裁剪。通过机器学习模型生成的元数据可以被用于图像变换，诸如：基于图像统计(例如，饱和度、亮度、对比度)的像素的调整、或对作为整体的图像或对图像的部分应用内核操作(例如，锐化)。因此，图像变换比生成所需的用于变换的元信息快得多。具体的示例可以是：每当在图像中发现穿着红色套装的女性时，图像的饱和度应该被增大以增大红色套装的强度。如果发现穿着绿色套装的女性，则图像的饱和度应该被减小，并且图像应该看起来比原来“更平”。调整图像的饱和度取决于运行需要对图像进行语义理解的特定计算机视觉任务。因此，本文中的实施方式可以基于更高级语义图像理解的提取来执行不需要对图像进行任何理解的低级计算机视觉任务。

在一个示例中，元数据包括给出如何对图像进行裁剪的坐标的边界框，使得可以在不对图像的内容或背景进行分析的情况下对图像进行裁剪。相反，为了获得边界框的坐标，在预请求处理中对图像的内容和背景进行分析。以这种方式，当接收到请求时，已经完成更困难且耗时的处理。该系统通过可用的面部检测模型和试探法达到所需的精度。当用户请求网页时，原始图像(未裁剪)可以基于请求并且在高速下被动态地裁剪。为了实现高速裁剪，使用机器学习获得相关图像特征的离线注释，并且基于结果存储元数据。然后，元数据被用于在运行时执行高速裁剪。