【技术实现步骤摘要】
本专利技术涉及计算机，具体涉及一种基于pinn网络的扎染风格化图案生成方法及系统。
技术介绍
1、现代传承中的扎染工艺包括上百种变化技法，不同技法使得扎染图案都能产生独特的艺术效果，例如“卷上绞”技法能产生晕色丰富、变化自然的效果，即使扎结成千上万朵花，染出后也不会有完全相同的图案出现，因此扎染风格化的图案广泛应用于服装、床单、桌布、窗帘、壁挂、挎包、茶杯垫等多个领域。
2、随着数字化处理技术的发展，现代扎染艺术也开始借鉴数码艺术的设计语言和工具，创造出更多新颖别致的图案和色彩。同时，扎染技艺也在不断创新和发展中，以适应现代社会的审美需求和生活方式，如专利公告号为cn111260755a公开了一种基于深度学习与数字图案处理的数字扎染图案生成方法，采用生成式网络结合计算机图案处理方法获得扎染图案，然而上述公开的图案生成方法并未考虑到实际扎染过程染料与织物的物理交互过程，具体的染料的渗透性、温度和比例等因素都将影响生成扎染图案的准确性和一致性。
3、因此，亟需一种基于pinn网络的扎染风格化图案生成方法以解决现有技术中生成扎染图案未考虑物理交互影响的问题。
技术实现思路
1、针对现有技术的不足，本专利技术提出一种基于pinn网络的扎染风格化图案生成方法及系统。
2、本专利技术第一方面公开了一种基于pinn网络的扎染风格化图案生成方法，包括：
3、采集扎染图案进行预处理准备，获得图案数据集；
4、构建pinn网络模型，所述模型引
5、采用所述数据集训练所述pinn网络模型；
6、采用训练好的所述pinn网络模型生成扎染图案，根据评估指标对所述扎染图案进行相似度评估。
7、作为一个可选的实施方式，在本专利技术第一方面中，所述pinn网络模型包括用于生成图案的生成器以及用于输出图案标签的判别器，所述生成器的输入为所述数据集中图案的常量特征和随机特征，所述判别器的输入为所述数据集中的样本图案以及所述生成器输出的生成图案；
8、所述生成器包括若干个全连接层和卷积层，所述全连接层与所述卷积层间隔设置，所述全连接层对输入的随机向量进行解耦获取具有物理信息的特征向量，所述卷积层对输入的常量特征通过上采样和特征学习进行递增式训练，基于具备物理信息的所述特征向量和特征学习的常量特征通过自适应归一融合生成扎染图案；
9、所述判别器包括若干个卷积层和两个全连接层，所述卷积层对输入的生成图案和样本图案通过增加通道数进行特征提取，以及每两个卷积层分为一组在不同尺度下进行下采样，所述全连接层对经卷积层进行特征提取和下采样后的图案输出类别标签，所述类别标签用于表示输出图案与生成图案和真实图案之间的关系。
10、作为一个可选的实施方式，在本专利技术第一方面中，所述pinn网络模型的图案生成步骤包括：
11、将所述数据集中的一个常量特征矩阵e和一个服从均匀分布的随机向量a～p(a)输入所述pinn网络模型中，其中pinn网络模型的输入与输出间的关系表示为：x＝g(a,e)，x表示输出的生成图案；
12、通过n个全连接层和激活函数将输入的所述随机向量a～p(a)解耦转换为解耦特征p′＝mlp(a)以减少特征间的关联和依赖，所述全连接层中每层神经元数量相同，输入的随机向量a和输出的解耦特征p′的大小和形状均相同，n个全连接层中第n个全连接层的输出公式表示为：
13、m(n)＝σ(n)(w(n)m(n-1)+b(n))，n＝(1,2,3,…n)
14、其中，n表示全连接层的最大数量，n表示n个全连接层中的第n个全连接层，m(n)表示第n个全连接层输出的解耦特征p′，mlp(a)表示随机向量a经过全连接层和激活函数进行转换操作，w(n)表示第n个全连接层的权重矩阵，b(n)表示第n个全连接层的偏置矩阵，σ(n)表示第n个全连接层的激活函数，m(n-1)表示第n-1个全连接层输出的解耦特征p′，则m(0)表示初始输入模型的随机向量a；
15、对所述解耦特征p′引入二维平面的物理扩散，将解耦特征p′赋予物理信息获得物理特征p，所述物理特征p的输出公式表示为：
16、p＝fd(p′)＝p′+α·g(c)
17、其中，p′表示全连接层输出的解耦特征，fd()表示物理扩散表达式，α表示权重参数，c表示二维扩散方程，g(c)表示物理扩散计算的调整量。
18、作为一个可选的实施方式，在本专利技术第一方面中，所述pi nn网络模型的图案生成步骤包括：
19、输入常量特征e经两个卷积层为一组的l层卷积神经网络进行上采样和特征学习生成图案xi，上采样过程的关系式表示为：xi＝fsc(xi-1)，其中xi表示第i层上采样后的特征图案，xi-1表示第i层上采样前的特征图案，fsc()表示卷积神经网络的分数步长卷积；
20、通过嵌入卷积层之间的自适应归一层融合物理特征p以保留图案特征优化图案质量，自适应归一层的表达式为：
21、
22、其中，xi-1表示输入第i个卷积层的特征图案，xi表示第i个卷积层输出的特征图案，μ(p)表示物理特征的均值，σ(p)表示物理特征的方差，μ(xi-1)表示第i个卷积层输入特征图案的均值，σ(xi-1)表示第i个卷积层输入特征图案的方差，adain()表示自适应归一化函数；
23、判别器将生成器输出的生成图案x和图案数据集作为输入，经卷积层和全连接层输出图案对应的标签y，标签y的表达式为：y＝d(x)，其中d()表示标签识别处理。
24、作为一个可选的实施方式，在本专利技术第一方面中，所述所述模型引入扎染物理信息，包括：
25、采用二维扩散方程模拟颜料扩散和混合的建模过程，根据扎染颜料扩散和混合的因素确定描述物理现象的偏微分方程，所述二维扩散方程表示为：
26、
27、其中，c具体表示为c(x,y,t)，c(x,y,t)表示在二维平面的(x,y)位置以及时间t时刻的颜料浓度，d表示颜料在布料上的扩散系数；
28、将颜料浓度随时间变化以及颜料在空间中的扩散关系加入模拟过程中，通过二维扩散方程的离散形式计算二维平面上点(i,j)处的浓度c表示为：
29、
30、其中，表示颜料在时间步为n时位于点(i,j)处的浓度，表示颜料在时间步为n+1时位于点(i,j)处的浓度，δx表示点(i+1,j)和点(i,j)在二维平面x方向上的坐标差，δy表示点(i+1,j)和点(i,j)在二维平面y方向上的坐标差，i表示在二维平面x方向上的坐标位置，j表示在二维平面y方向上的坐标位置；
31、根据增加布料厚度对颜料扩散和混合的影响，引入布料的纹理属性、吸水属性以及温度属性将二维扩散模拟推广至三维扩散模拟，三维扩散方程表示为：
32、
33、其中，t表示温度，ci表示第i种颜料在时间t时本文档来自技高网...
【技术保护点】
1.一种基于PINN网络的扎染风格化图案生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于PINN网络的扎染风格化图案生成方法，其特征在于，所述PINN网络模型包括用于生成图案的生成器以及用于输出图案标签的判别器，所述生成器的输入为所述数据集中图案的常量特征和随机特征，所述判别器的输入为所述数据集中的样本图案以及所述生成器输出的生成图案；
3.根据权利要求2所述的基于PINN网络的扎染风格化图案生成方法，其特征在于，所述PINN网络模型的图案生成步骤包括：
4.根据权利要求3所述的基于PINN网络的扎染风格化图案生成方法，其特征在于，所述PINN网络模型的图案生成步骤包括：
5.根据权利要求4所述的基于PINN网络的扎染风格化图案生成方法，其特征在于，所述模型引入扎染物理信息，包括：
6.根据权利要求5所述的基于PINN网络的扎染风格化图案生成方法，其特征在于，所述采用所述数据集训练所述PINN网络模型，包括：
7.根据权利要求6所述的基于PINN网络的扎染风格化图案生成方法，其特征在于，所述
8.一种基于PINN网络的扎染风格化图案生成系统，其特征在于，所述系统包括：
9.一种基于PINN网络的扎染风格化图案生成设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于PINN网络的扎染风格化图案生成方法。
...【技术特征摘要】
1.一种基于pinn网络的扎染风格化图案生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于pinn网络的扎染风格化图案生成方法，其特征在于，所述pinn网络模型包括用于生成图案的生成器以及用于输出图案标签的判别器，所述生成器的输入为所述数据集中图案的常量特征和随机特征，所述判别器的输入为所述数据集中的样本图案以及所述生成器输出的生成图案；
3.根据权利要求2所述的基于pinn网络的扎染风格化图案生成方法，其特征在于，所述pinn网络模型的图案生成步骤包括：
4.根据权利要求3所述的基于pinn网络的扎染风格化图案生成方法，其特征在于，所述pinn网络模型的图案生成步骤包括：
5.根据权利要求4所述的基于pinn网络的扎染风格化图案生成方法，...
【专利技术属性】
技术研发人员：莫建清，曾威煌，何汉武，刘聪，洪杨，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。