【五】搜索推荐技术在电商导购领域的应用——截图小王子
这是一个古老的问题
商品，在网络虚拟货架上陈列，一张好的封面图对于促成转化是不言而喻的。那么什么样的图片才是好封面呢？我们的侧重点是让图片传递使用价值，让用户直接感知到“如果购买它，我会得到什么”。如下所示，显然后者更胜任传递角色，触动人类的情绪波动。
那如何才能挑选出画质精美、构图有张力、有质感的摄影图片，不选背景单调、黑白、计算机生成的图片呢？
朴素的讲，画质好、构图好的图片是好图片。
画质就是画面质量，包括清晰度、锐度、畸变、色散度、解析度、色域范围、色彩纯度、色彩艳度、色彩平衡等几方面指标。而构图是摄影的基本技巧之一，同样的事物，不同的角度就有不同的构图，不同的构图就是不同的视角，视角不同就是画面语言的个性化，也因此也就有了区别。
大致是这个道理，通常是需要人工来贯彻执行这个原则的。但是在最近一次产品讨论中，大家都觉得这个问题机器算法是不可解的，导致我司一枚工程师的洪荒之力爆发，非要挑战这个不可能的任务。
对，用程序来实现封面图选取，“截图小王子”就此诞生。
截图小王子的数学模型
从图像纹理分析入手，选取一些全局特征来评估画质，一些局部特征来评估构图。
全局特征：
HSL(s): 图片饱和度，0.3-0.8之间人比较舒适。
HSL(l): 图片光照度，0.3-0.8之间人比较舒适。
ASM: 角二阶矩（Angular Second Moment, ASM），图像灰度分布均匀程度和纹理粗细的一个度量，当图像纹理绞细致、灰度分布均匀时，能量值较大，反之，较小。
CON: 对比度（Contrast），反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，CON越大。
COR: 自相关（Correlation），度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。
IDM: 逆差距（Inverse Differential Moment），也叫反差分矩阵，反映图像纹理的同质性，度量图像纹理局部变化的多少。反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较大；杂乱无章的，难于描述的，值较小。
ENT: 熵（Entropy），描述图像具有的信息量的度量，表明图像的复杂程序，当复杂程序高时，熵值较大，反之则较小。ASM，CON，COR，IDM，ENT都属于全局特征，本算法采用Haralick实现。
局部特征：
IPD: 兴趣点描述子（Interesting Point Descriptor），是一种局部特征，本算法主要采用SURF实现。
IPR: 肖像画率（Image Portrait Rate），反映图像是否有明显的前景/背景区分；区分度越明显，值越大。如下图SURF计算
将上述因子整合成一维向量用来描述每一张图片，使用加权和作为每个图片的权重。人工整理出一批训练集，使用LR模型进行训练，生成每个因子的权重系数。
届时，我们的截图小王子诞生了！
最后结果……
以下截图小王子的工作姿势，看起来还不赖~ ^_^
使用前 使用后
参考文献：
画质 http://baike.baidu.com/view/4647819.htm
色彩 http://www.docin.com/p-100266415.html
HSL颜色模型 http://cdc.tencent.com/?p=3760
Haralick全局纹理特征
http://www.cis.rit.edu/~cnspci/references/dip/segmentation/haralick1973.pdf
http://murphylab.web.cmu.edu/publications/boland/boland_node26.html
纹理特征分析
http://blog.****.net/lskyne/article/details/8659225
香农信息熵计算python 实现
http://blog.****.net/daoqinglin/article/details/6906413
http://code.activestate.com/recipes/577476-shannon-entropy-calculation/
k-means聚类
http://baike.baidu.com/view/3066906.htm
http://luispedro.org/software/milk/
https://pythonhosted.org/milk/clustering.html#k-means
surf算法
原著：http://wenku.baidu.com/view/a3f0640eba1aa8114431d92d.html
形象解释：http://blog.****.net/yujiflying/article/details/8203511