商品拍摄与美化教学大纲（共2篇）（共2篇）
1.商品拍摄与美化教学大纲 篇一
用Photoshop美化图片，卖家经常会遇到不知从何下手的窘境;明明是促销旺季时节，但卖家们却不知道该如何更好的地在宝贝图片上表达，所有这些困惑，其实都是因为没有一个好的“老师”来指导。美图淘淘这款专家网店卖家设计的工具软件，就在用户操作指导方面做得很到位，再配合专业的美化素材以及简单的美化过程，可让卖家们在非常轻松的操作中即达到既定的美化目的。
一、帮助中心自带软件操作教程
美图淘淘的操作特色就是简单好用，不过针对一些初使用的用户，软件仍然提供了详尽的图文操作教程，通过软件主界面右上方“帮助→帮助中心”(或按下F1键)，即可打开在线版的教程专区，如图1所示。这里有新手入门指南，也有操作常见问题解答和技巧提高等丰富的教程内容。点击相应的链接，即可在官方制作的图文并茂的教程中(如图2)，进入美图淘淘精彩的P图世界啦!
图1 在线版的教程专区
图2 打开图文并茂的在线教程
不仅如此，针对一些操作上的小技巧小心得，美图淘淘还专门制作了更加详细的注释教程，每一步操作怎么进行都有详尽的步骤标注(如图3)，可谓费尽心力。如此详细的使用教程，相信每一位卖家都能在其帮助下很快的上手，
图3 标注具体操作步骤的教程
二、淘宝网官方帮派增进卖家美图互动
美图淘淘还特别为广大卖家朋友在淘宝网设立了一个互动帮派，如图4所示。在这里，不仅可以第一时间分享到软件官方发布的一些功能详解、技巧解读，而且大家也能聚在这里一起讨论美图心得，提出自己在使用美图淘淘过程中的一些问题等等;说不定还会因此寻到志同道合的朋友、或是结成网店经营的知心同盟哦!
图4 美图淘淘淘宝网官方帮派
三、软件中随时随地的操作指引
除了这些在线互动类的教程外，其实在软件中随时也可看到这些温馨的教程指引或是进程提示的。如图5所示，批量导入图片后软件会温馨提示你可对单张图片进行分别的编辑处理;同时软件下方状态上也会实时的更新一些操作技巧，这些都很利于新手用户快速的完成图片美化操作。
图5 软件中的教程和操作提示
通过以上介绍我们不难发现，美图淘淘易于使用的特性绝不是空口无凭的!随处可以见到的操作教程，加上软件本就非常简洁的美化流程，对于平常没有多少时间和没有多少美图知识的网店卖家来说，无疑是相当有吸引力的。当然，也就能大大促进他们宝贝图片美化的效率!
2.商品拍摄与美化教学大纲 篇二
在现今的互联网上,图片已经成为一种的必要信息载体,是影响网上购物成交量的一个重要的因素。商品图片可以分为计算机生成图片和相机拍摄图片,由于这两类图片所附带的信息类型不同,根据具体的处理需求,在很多场合需要将其区分开来进行不同的处理。例如,商家销售商品时,会提供一些附加的图片来介绍其商品。如尺码介绍、买家好评、店铺公告等,这些图片都是计算机生成图片,如图1所示。它们都并非与特定商品严格相关,会给基于图片的数据挖掘带来很大的干扰,因此需要在做数据挖掘之前,将其剔除出来。
现有的一些用于区分计算机生成图片和相机拍摄图片的判断方法[1,2,3,9,10],分别利用了图片色彩数、主颜色率、色彩饱和度、图片边缘锐度等判断项进行判断。本文对这些方法进行了实现,并采用互联网上的商品图进行测试,发现这些方法并不满足商品图的批量处理需求。通过对商品图中的计算机生成图片的观察,发现这些图片中大部分是文字图片或者视觉感很差、色彩暗淡的图片。针对这两类图片本文分别提出了区分文字图片和图像图片的判断项,以及视觉垃圾图的判断项。对同样的商品图测试集进行测试,发现采用这两个判断项进行的计算机生成图片和相机拍摄图片的区分,其运行时间、召回率、准确率优于之前的判断项。
1 相关工作
通过提取图片的特征来区分计算机生成图片和相机拍摄图片,可以应用于网络图片搜索,商品垃圾图的剔除,图像处理的优化等方面。由于这些需求,前面的学者提出了一些判断方法来实现计算机生成图片和相机拍摄图片的区分。
Athitos V等[1]提出了一种基于图片色彩数、主颜色率、相邻最远距离大于阈值的点数、色彩饱和度、颜色直方图相关性等判断项的综合判断方法。他们认为计算机生成图片的颜色比较单一,主颜色率比较高,相邻像素点的差别比较大,色彩饱和度高的像素点较多。并且计算机生成图片的颜色直方图和统计所得的计算机生成图片的平均颜色直方图的相关性大于与统计所得的相机拍摄图片的平均颜色直方图的相关性。最后采用决策树整合这里判断项,综合的判定计算机生成图片和相机拍摄图片。
Chen Yuanhao等[2]在Athitos V的工作的基础上做出了改进,采用高频色彩率代替了主颜色率;采用均值、标准方差、失真度这三个色彩参量[4]代替了颜色直方图判断项;提出了色彩空间相关性[5]判断项,即像素与其领域点像素相似的概率统计;提出了高频色彩空间区域判断项,即统计大块的单色区域面积所占的比例;沿用了相邻最远距离直方图判断项。
Rainer Lienhart等[3]提出了采用图片的噪声量来区分计算机生成图片和相机拍摄图片的方法。认为相机拍摄图片不可避免的存在自然噪声,而计算机生成图片所含的噪声较少。在文章中作者不但对计算机生成图片和相机拍摄图片做了区分,还进一步对计算机生成图片做了细分,分成幻灯片图片、漫画卡通图片和其他图片;并进一步将相机拍摄图片细分成相机拍摄图片,人工合成但是和计算机拍摄图片很相近的图片。
另外还有一些采用贝叶斯统计结构[6]、图像纹理[7]、色彩直方图和纹理方向[8]等来实现户外拍摄图片和户内拍摄图片、城市图片和乡村图片等各式各样的图片的区分,这些判断项设置不同的阈值条件,也可以应用于计算机生成图片和相机拍摄图片的区分。
本文采用商品图片集测试了上述文献中的方法之后,发现这些文献中提到的判断项在处理商品图时效果很差,不能有效的进行区分。主要是因为商品图为了显示的方便,所采用的图片压缩改变了原本图片的一些性质,如颜色数、主颜色率等,使得这些特征对计算机生成图片和相机拍摄图片的区分力度变弱,甚至不能区分。本文在总结这些方法的基础上提出了一种简单实用的区分商品图中计算机生成图片和相机拍摄图片的方法。
2 方法讨论
对于计算机生成图片和相机拍摄图片的区分,不管采用什么样的判断项,都存在一定的局限性,针对不同的数据集其所需采用的判断项也应当不同。现有判断项都有一定理论依据,下面测试了常用的几个简单的判断项,基于测试的结果,分析了其在商品图中失败的原因。并阐述了我们提出的判别方法以及实现结果。
2.1 图片预处理
对于大规模的图片处理,必须考虑商品图片的具体情况,以及精确度和运算时间的权衡。商品图片是指商家提供用于展示其所需销售的商品的图片,大部分是商家自己拍摄的该商品的图片,另外还有一部分网上流传的该商品的模特图片。
在互联网上的商品图,由于显示的需求一般都需要压缩到指定的尺度大小。压缩的过程往往附带了插值运算,而插值运算一定会改变图片原有的信息,使得相应的判断项的值发生改变,以致一些判断项失去分辨计算机生成图片和相机拍摄图片的能力。本文中的处理都是采用预先压缩到200×200大小的图片,我们直接调用了Image magick中的Zoom方法进行尺度压缩,该方法采用双线型插值算法实现。
图像像素可以表示为R、G、B三原色,根据存储器的不同分为32 bit和64 bit像素,即RGB的取值范围分别为(0,256)、(0,216)。某些判断项的运算时间和色彩空间的大小是存在必然联系的,色彩空间过大必将导致分类时间的增加,以至于不适应于互联网上批量图片的处理。比如,对色彩数这个判断项来说,在一个有2 000张图片的测试集中,如果色彩空间为(0,28),每幅图片所需的平均时间为184 ms;而如果色彩空间为(0,25),那么每幅图片所需的平均处理时间将变为2 ms。针对这样的情况,本文在处理的过程中,将会对不同的判断项使用不同的色彩空间尺度进行压缩,以适应实时需求。
在表1中列出了,测试的几个判断项的阈值设定,色度空间的压缩尺度,以及实验结果的召回率、准确率、Fmeasure和每幅图运行时间(ms/幅)。其中,Fmeasure=2×(召回率×准确率)/(召回率+准确率)。下面将逐项对这些判断项进行描绘,并阐述它们具体的实现过程。
2.2 现有判断项和判别失败原因
1)颜色数
通过颜色数的统计来区分计算机生成图片和相机拍摄图片是一条常用的判断项。普遍认为由计算机生成的图片一般颜色比较单一,而相机拍摄的相机拍摄图片其颜色是相对比较复杂。于是,可以统计图片的色彩数并设定一个恰当阈值,高于这个阈值的图片认为是相机拍摄图片,低于该阈值的认为是计算机生成图片。
该判断项在理论上有一定的道理,但是在对商品图的处理中,实际商品图片存在的尺度压缩以及色彩空间的压缩都导致颜色数的统计发生了变化。具体实现中,首先将图片压缩到200×200大小,然后将色彩空间压缩到(0,25),再提取图片的色彩数。图片的压缩处理中的插值操作使得原本色彩数比较单一的计算机生成图片色彩数增加了,而色彩较为复杂的相机拍摄图片的色彩数增加却不明显;同时色彩空间的压缩也消除了相机拍摄图片的细节颜色,计算机生成图片的色彩影响却比较小。上述的两项操作使得理论上色彩数差别比较大的计算机生成图片和相机拍摄图片实际统计的结果其差别已经不再明显。如图2所示,设置阈值为100时所得到的计算机生成图片其中有大部分是判断失误的。对10 000幅图片的测试集,平均每幅图片的运行时间为2.3 ms,其准确率为14/37,召回率为14/193。
2)主颜色率与次主颜色率
主颜色率即为图片中频率最高的颜色在图片中所占的比率。由计算机生成的图片往往背景比较单一,即对应的主颜色率往往比较大。可以通过主颜色率来区分计算机生成图片和相机拍摄图片,但是在互联网上的商品图往往都是商家自己拍摄的,而且习惯于将其商品放在一个单一的背景进行拍摄,如墙上,地板上等。在计算这些商品图时发现他们的主颜色率也很高,这就是失去了以主颜色率作为计算机生成图片和相机拍摄图片判断项的实际意义。
为了剔除上述的影响,我们采用了次主颜色率作为新的判断项,即在去掉最高频颜色后再计算新的最高频色彩数所对应的覆盖率。这样子计算的色彩覆盖率就摒弃了商品图背景的影响。测试发现对于衣物类图片来说,存在大量的纯色的商品。设置次主颜色率的阈值为0.3,最后得到的计算机生成图片如图3所示,从同样的10 000幅图片的测试集得到相应的召回率为8/193,准确率为8/97,可见本方法不能适应商品图中区分计算机生成图片和相机拍摄图片的需求。
3)图像边缘锐度
图像边缘锐度是统计像素与其周围四个像素相差距离比较大的像素点所占的比率。假设一个像素的色彩向量为(r,g,b),其中的一个4领域像素的色彩向量为(r′,g′,b′),则相应的距离定义为d=|r-r′|+|g-g′|+|b-b′|。由于在求取该值之前将图片的色彩空间压缩到(0,32),则d的取值范围为0到96。求得每个像素与其4领域中的四个像素的距离中的最大值,当该值大于某个阈值的时候,本文通过测试选定的阈值为33,将该像素认定为高锐度值点。最后统计这类像素所占的比率作为图像边缘锐度的判断项。
由于相机感光元件的性质,其边缘是平滑过渡的,所以相机拍摄图片的边缘锐度比较低。相对的,计算机生成图片是由计算机生成的其边缘显得比较生硬一些,则其边缘锐度比较高。但是前面已经提到商品图都经过图片压缩处理,其中的插值操作会将原本生硬的边缘过渡变得平滑。再加上色彩处理过程中色彩空间的压缩也使得该判断最后的测试结果很差,找到的计算机生成图片大部分为格子图案的商品,如图4所示。10 000图片集测试其平均每幅运行时间为4.3 ms,召回率为10/193,准确率为10/68。可见该判断项同样不适用于计算机生成图片和相机拍摄图片的分类判定。
4)图像饱和度
图像饱和度[1]也是在之前文献中作为判断计算机生成图片和相机拍摄图片的一个判断项。由于计算机生成图片一般使用确定的色彩,使得计算机生成图片普遍饱和度比较高,相对而言相机拍摄图片的饱和度比低。然而,测试发现,对于商品图这项判断是失效的。大量的商品图片,其中的商品色彩是比较艳丽的,图像饱和点也比较多。在处理的过程中,没法找到一个合适的阈值来区分计算机生成图片和相机拍摄图片。该判断项可以用于判断自然风景相机拍摄图片,但是不能用于商品图的判定。
从上述四个常见的判断项的测试结果我们发现他们不适用于针对商品图的处理,商品图为了显示的需要而进行的Zoom尺度压缩,使得这些判断项失去了原本的区分意义。同时,为了降低运行时间所采用的色度空间的压缩也使得这些判断项适用性降低。基于这些考虑,我们提出了新的判别方法来区分商品图中的计算机生成图片和相机拍摄图片。
2.3 我们的判断项
1)文字图片判断项
在一个有文字图片和图像图片的集合中,人眼一般可以很容易分辨出文字图片和图像图片,这说明文字图片和图像图片存在很强烈的视觉差异。而商品图中的文字图片一般都是计算机生成图片,如商家的描绘图片,买家好评等。从这一点考虑,我们提出一个实现简单、运行速度快的判别文字图片的判断项。
从视觉的角度来说,人眼能够很方便的分辨出文字图片和图像图片,首先是因为文字图片所带来的整体的视觉影响,也就是说,文字图片中横向或者纵向的像素的堆积效应。因此可以通过统计横向和纵向的像素统计直方图来对文字图片进行判定,如图5所示。如果该直方图呈现出特殊的分布,对于文字图片来说直方图会出现图5所示的大量的梯度分布。统计这些梯度分布就可以方便的判断图片为文字图片还是图像图片,我们将判断的文字图片视为计算机生成图片,将图像图片视为相机拍摄图片。
同样测试上述的10 000张图片集合,选定合适的阈值,最后得到的基于该判断项的计算机生成图片,如图6所示。从图中可以看到,通过该判断项可以方便的挑出文字图片,还有一部分标记尺码的图片。在测试的图片集中,该判断项的平均每幅所花的时间为1.6 ms,其召回率为75/193,准确率为75/142。相比于前面提到的几个判断项,判断是否是文字的该判断项其招回率和准确率都有较大的提高。而且,该判断项的运算时间和色彩空间的大小没有必然的联系,可以更大的保留原有图片的色彩,使得判断的真实性更强,且运算时间又能满足实际的商品图需求。
2)视觉垃圾图判断项
观察商品图中计算机生成图片,发现有一部分计算机生成图片颜色比较暗淡,它们的主体颜色为白色或灰色或纯黑色。这部分图片的主观视觉感受是很差的,也就是这样的图片即使不是计算机生成图片它所携带的商品信息从视觉的角度来说也是有限的。可以通过简单判断它们大致的色彩情况以及所携带的色彩信息量将它们判定为计算机生成图片。
首先,判断图片的主颜色是否为白色或纯黑色,如果是则认为该图片有可能为垃圾图。但仍需进一步判断,因为有一定数量的商品图是将商品置于白色或黑色的背景下拍摄的。于是,将图片分成九个块,分别求取每个块中的主颜色,如果主颜色为黑色的图片其九个块中的主颜色也为黑色,则判定该图片为计算机生成图片;如果主颜色为白色,多个块中的主颜色也偏白色,且图片的有效颜色数比较低,则判定为计算机生成图片;如果主颜色为白色,中间块中主颜色也为白色,且对角上有主颜色为白色的块,也判定为计算机生成图片。结果如图7所示。
由于上述对图片的主颜色都是大致的判定,对色彩多样性的细节没有考虑,所以在实际处理的过程中可以对图片的色彩空间做大尺度的压缩,这里,我们将颜色空间压缩到(0,8)。这样不会影响判断,却能大量的节约运算时间。
在上述的10 000测试的图片集中,该判断项的平均每幅所花的时间为1.9 ms,其召回率为52/193,准确率为52/76。
从上述的几个判断项测试的情况来看,如表1所示,针对商品图的数据特征,文字图片判断项和视觉垃圾图判断项准确率远高于其他判断项或者它们的组合;分析这两项判断项以及它们的组合所得到的召回率可见,这两项判断具有很高的互补性;从所有判断项组合判定所得的召回率和准确率来看,其他判断项的加入对召回率提高并不大,却大大的降低了准确率,由此可见文字图片判断项和视觉垃圾图判断项对其他判断项的覆盖率比较高;从每幅图片所花的时间来看,这两个判断项所花的时间相对比较低。于是将这两个判断项结合起来判断计算机生成图片和相机拍摄图片。在前面的数据中,文字图片判断项的召回率比视觉垃圾图判断项的高,也就是它比视觉垃圾图判断项对更多的图片做出了判定,并且它对单幅图片的运算时间也短于视觉垃圾图判断项。基于上述的考虑,在处理过程中我们先做文字图片判定再进行视觉垃圾图判定。采用同样的10 000张图片的集合进行测试,两项结合的平均每幅所花的时间为2.3 ms,其召回率为109/192,准确率为109/201。同时我们也测试一个更大包含40 000张图片的集合,其召回率为412/682=0.604,准确率为412/828=0.498。可见对于不同的数据集,其相应的召回率和准确率将会不同。并且召回率和准确率对同一个方法来说是相互矛盾的两个参量。
3 结论
本文从商品图的图片特征和商品图的实时处理需求入手,提出了区分文字图片和图像图片方法,以及提取视角垃圾图的方法,并将它们结合用于商品图的计算机生成图片和相机拍摄图片区分。目前400张/s图片的处理量可以满足商品图的批量快速处理需求,50%左右的召回率和准确率也远高于其他的几个判断项。本文所提到的区分商品图中的计算机生成图片和相机拍摄图片的方法通过大量数据的测试显示不管从运行时间还是从召回率和准确率来说都是简单有效的。
参考文献
[1]Athitsos Vassilis,Swain Michael J,Frankel Charles.Distinguishing Photographs and Graphics on the World Wide Web[C]//IEEE Workshop on Content-Based Access of Image and Video Libraries,San Juan,Puerto Rico,June20,1997:10-17.
[2]CHEN Yuan-hao,LI Zhi-wei,LI Ming-jing,et al.Automatic Classification of Photographs and Graphics[C]//IEEE International Conference on Multimedia and Expo,Toronto,Ont,July9-12,2006:973-976.
[3]Lienhart Rainer,Hartmann Alexander.Classifying Images on the Web Automatically[J].Journal of Electronic Imaging(S1017-9909),2002,11(4):445-454.
[4]Stricker Markus A,Orengo Markus.Similarity of color images[J].Proc.of SPIE(S0277-786X),1995,2420:381-392.
[5]Huang Jing,Kumar S Ravi,Mitra Mandar,et al.Image Indexing Using Color Correlograms:USA,US6,246,790B1[P].2001-6-12.
[6]Vailaya Aditya,Figueiredo Mario,Jain Anil,et al.Content-based hierarchical classification of vacation images[C]//Processing of the IEEE International Conference on Multimedia Computing and Systems,Florence,Italy,June7-11,1999,1:518-523.
[7]Gorkani M M,Picard R W.Texture orientation for sorting photos"at a glance"[C]//Proceedings of the12th IAPR International Conference on Pattern Recognition,Jerusalem,Israel,Oct9-13,1994,1:459-464.
[8]Yiu Elaine C.Image Classification Using Color Cues and Texture Orientation[D].Cambridge of USA:Department of Electrical Engineering and Computer Science of MIT,1996.
[9]Ng Tian-Tsong,Chang Shih-Fu,Hsu Jessie,et al.Physics-motivated features for distinguishing photographic images and computer graphics[C]//Proceedings of the13th annual ACM international conference on Multimedia,Hilton,Singapore,Nov6-11,2005:239-248.