一种基于深度学习的传统香包纹样生成方法、系统技术方案

本发明专利技术公开了一种基于深度学习的传统香包纹样生成方法、系统，方法包括：获取纹样图案样本集；对纹样图案样本集进行预处理，获得轮廓检测后的图像集；依据轮廓检测后的图像集对纹样图案样本集进行分类；然后对各个类别的纹样图案样本图像利用仿射变换进行图像扩增且扩增后每个类别图像数量一致；对于扩增后的每个类别的图像大小进行统一，获得纹样图案训练样本集；将纹样图案训练样本集输入深度学习网络进行训练，获得纹样图案训练模型。本发明专利技术一定程度上弥补了现有纹样图案样本集数量缺少的不足；极大地缓解目前纹样图案设计新颖度不够，产量小的问题。产量小的问题。产量小的问题。

【技术实现步骤摘要】
一种基于深度学习的传统香包纹样生成方法、系统


[0001]本专利技术涉及一种基于深度学习的传统香包纹样生成方法、系统，属于人工智能领域。

技术介绍

[0002]随着国民文化素养和社会经济水平的不断提高，国民越来越注重中华传统文化的传承，“中国风”开始了新一轮的时尚“革命”。含有中国风元素的场景应用也越来越广泛。香包文化具有悠久的历史传统，香包上的纹样图案寄托着人们祈求祥瑞、丰收年年的美好愿望。日常生活文化的丰富导致越来越多的人开始喜爱中国传统香包的制作，因此香包纹样图案的生成则具有巨大的商业价值和娱乐价值。传统人工设计纹样图案不仅耗时长、新颖度不够而且成本高，无法满足现代化的需求，所以创新性生成香包纹样的思想营运而生。因为有必要研究关于传统香包纹样生成方法。

技术实现思路

[0003]本专利技术提供了一种基于深度学习的传统香包纹样生成方法，以用于生成香包纹样；并进一步地适用于现有香包纹样样本不足的情况。
[0004]本专利技术的技术方案是：一种基于深度学习的传统香包纹样生成方法，包括：
[0005]S1、获取纹样图案样本集；
[0006]S2、对纹样图案样本集进行预处理，获得轮廓检测后的图像集；
[0007]S3、依据轮廓检测后的图像集对纹样图案样本集进行分类；然后对各个类别的纹样图案样本图像利用仿射变换进行图像扩增且扩增后每个类别图像数量一致；对于扩增后的每个类别的图像大小进行统一，获得纹样图案训练样本集；
[0008]S4、将纹样图案训练样本集输入深度学习网络进行训练，获得纹样图案训练模型。
[0009]所述预处理包括：对纹样图案样本集中的每张纹样图案样本图像依次进行灰度转换处理、平滑处理、计算像素梯度、设置高低阈值处理，获得轮廓检测后的图像集。
[0010]所述灰度转换处理为：通过对纹样图案样本图像的R、G、B三个通道进行加权处理实现灰度转化，获得灰度纹样图案样本图像。
[0011]所述平滑处理为：对灰度纹样图案样本图像通过设定步长移动a*a大小的核，对每个核进行像素加权处理并将加权后的像素大小作为当前核的中心位置像素大小，所得加权后中心位置的像素用于下一个核的像素加权处理。
[0012]所述加权处理采用的权重公式为其中，x和y分别代表图像在x方向和y 方向像素点的坐标。
[0013]所述设置高低阈值处理，具体为：对于像素梯度计算后的图像中每个像素值进行高低阈值处理，如果像素值小于th1或者大于th2，则赋值为0；否则，不做处理；其中，th1表示低阈值，th2表示高阈值，且th1＝0.4th2。
[0014]所述仿射变换，采用以下至少之一的方式处理：水平镜像、旋转、色彩饱和度变化。
[0015]所述色彩饱和度变化采用线性变换函数；其中，线性变换函数中的线性比例因子取0.3， 1.2，1.6。
[0016]所述深度学习网络包括生成神经网络和判别神经网络；生成神经网络包括四层卷积层，每层卷积核大小为4*4，步长为2，卷积核采样时对于图像边缘像素进行填充“0”，每层卷积层的激活函数采用Relu函数，输入通道数为100，输出通道数为3；所述判别神经网络包括四层卷积层，每层卷积核大小为4*4，步长为2，卷积核采样时对于图像边缘像素进行填充“0”，每层卷积层的激活函数采用leakyRelu函数，输入通道数为3，输出通道数为1。
[0017]根据本专利技术实施例的另一方面，提供了一种基于深度学习的传统香包纹样生成系统，包括：
[0018]获取模块，用于获取纹样图案样本集；
[0019]第一获得模块，用于对纹样图案样本集进行预处理，获得轮廓检测后的图像集；
[0020]第二获得模块，用于依据轮廓检测后的图像集对纹样图案样本集进行分类；然后对各个类别的纹样图案样本图像利用仿射变换进行图像扩增且扩增后每个类别图像数量一致；对于扩增后的每个类别的图像大小进行统一，获得纹样图案训练样本集；
[0021]第三获得模块，用于将纹样图案训练样本集输入深度学习网络进行训练，获得纹样图案训练模型。
[0022]本专利技术的有益效果是：
[0023]本专利技术首先基于拍摄的真实的纹样图案构成纹样图案样本；采用灰度转换处理、平滑处理、计算像素梯度、设置高低阈值处理的共同配合下完成了纹样图案的轮廓检测，并实现了纹样图案样本集的分类；通过水平镜像、旋转、色彩饱和度变化等方式实现了图像扩增，一定程度上弥补了现有纹样图案样本集数量缺少的不足。
[0024]鉴于传统纹样图案具有很多细腻的特征，使得香包纹样的清晰程度主要受获取的细节特征影响，而本专利技术采用尽大可能保留图像的原始特征的样本集输入至深度学习网络，且生成神经网络中的卷积层能实现图像特征降维，使得模型能迅速充分学习输入图像的细节特征并仿造出类似的图案特征，并且生成神经网络的卷积层能直接将随机噪声与卷积层的特征输入相连接，这一方式不仅保证了模型的学习效果也保证了模型训练的稳定性；显然本专利技术的方式能更好地适用于香包纹样的生成，从而极大地缓解目前纹样图案设计新颖度不够，产量小的问题。
附图说明
[0025]图1为本专利技术方法的流程图；
[0026]图2为实际拍摄的凤凰纹样图案的灰度展示；
[0027]图3为实际拍摄的凤凰纹样图案彩图进行预处理后获得的轮廓检测后的图像；
[0028]图4为仿射变换效果图一；
[0029]图5为仿射变换效果图二；
[0030]图6为模型概率分布变化图；
[0031]图7为网络层参数图；
[0032]图8生成图像迭代10000次效果图；
[0033]图9生成图像迭代20000次效果图；
[0034]图10生成图像迭代35000次效果图。
具体实施方式
[0035]下面结合附图和实施例，对专利技术做进一步的说明，但本专利技术的内容并不限于所述范围。
[0036]实施例1：如图1
‑
7所示，一种基于深度学习的传统香包纹样生成方法，包括：
[0037]S1、获取纹样图案样本集；
[0038]具体而言，通过拍摄非物质文化传承者所拥有的实物样品和香包博物馆展览的实物形成最初的纹样图案样本集；通过获取2000张纹样图案样本图像构建纹样图案样本集，如图2所示，为实际拍摄的一张凤凰纹样图案样本图像的灰度展示，实际参与灰度转换处理时采用的是彩图，图2、4、5、8、9、10实际均为彩图，本申请进行了灰度展示。
[0039]S2、对纹样图案样本集进行预处理，获得轮廓检测后的图像集；
[0040]S3、依据轮廓检测后的图像集对纹样图案样本集进行分类；然后对各个类别的纹样图案样本图像利用仿射变换进行图像扩增且扩增后每个类别图像数量一致；对于扩增后的每个类别的图像大小进行统一，获得纹样图案训练样本集；
[0041]S4、将纹样图案训练样本集输入深度学习网络进行训练，获得纹样图案训练模型。
[0042]进一步地，可以设置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的传统香包纹样生成方法，其特征在于：包括：S1、获取纹样图案样本集；S2、对纹样图案样本集进行预处理，获得轮廓检测后的图像集；S3、依据轮廓检测后的图像集对纹样图案样本集进行分类；然后对各个类别的纹样图案样本图像利用仿射变换进行图像扩增且扩增后每个类别图像数量一致；对于扩增后的每个类别的图像大小进行统一，获得纹样图案训练样本集；S4、将纹样图案训练样本集输入深度学习网络进行训练，获得纹样图案训练模型。2.根据权利要求1所述的基于深度学习的传统香包纹样生成方法，其特征在于：所述预处理包括：对纹样图案样本集中的每张纹样图案样本图像依次进行灰度转换处理、平滑处理、计算像素梯度、设置高低阈值处理，获得轮廓检测后的图像集。3.根据权利要求2所述的基于深度学习的传统香包纹样生成方法，其特征在于：所述灰度转换处理为：通过对纹样图案样本图像的R、G、B三个通道进行加权处理实现灰度转化，获得灰度纹样图案样本图像。4.根据权利要求2所述的基于深度学习的传统香包纹样生成方法，其特征在于：所述平滑处理为：对灰度纹样图案样本图像通过设定步长移动a*a大小的核，对每个核进行像素加权处理并将加权后的像素大小作为当前核的中心位置像素大小，所得加权后中心位置的像素用于下一个核的像素加权处理。5.根据权利要求4所述的基于深度学习的传统香包纹样生成方法，其特征在于：所述加权处理采用的权重公式为其中，x和y分别代表图像在x方向和y方向像素点的坐标。6.根据权利要求2所述的基于深度学习的传统香包纹样生成方法，其特征在于：所述设置高低阈值处理，具体为：对于像素梯度计算后的图像中每个像素值进行高低阈值处理，如果像素值小于...

【专利技术属性】
技术研发人员：冯松，董泽银，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：