基于深度学习的图像融合方法与计算机存储介质技术

本发明专利技术提供了一种基于深度学习的图像融合方法与计算机存储介质。其中基于深度学习的图像融合方法包括：获取待处理图片；利用预先深度学习得出的吸毒肖像特征对待处理图片进行图像融合处理；以及输出经过图像融合处理的图片。本发明专利技术的方案，通过图像融合技术处理人的肖像，使之展现出吸毒后的效果，可以达到宣传吸毒有害身体健康的目的，宣传范围广泛，不仅提升了宣传效果，还有效降低了宣传成本。

【技术实现步骤摘要】
基于深度学习的图像融合方法与计算机存储介质
本专利技术涉及计算机图像处理领域，特别是涉及一种基于深度学习的图像融合方法与计算机存储介质。
技术介绍
目前，日趋严重的毒品问题已经成为全球性的灾难。毒品不仅会严重损害人体健康，而且还从灵魂和心身摧残和毁灭滥用个体。一方面会导致滥用个体经济崩溃、家庭解体；另一方面还会不可避免地衍生盗窃、抢劫、暴力、凶杀等恶性犯罪，给公共社会带来了不可估量的灾难性危害。但是目前主要通过网络报刊、电台，利用公益广告的版面和时段进行禁毒宣传，这些禁毒宣传的方式有很多缺点，例如信息传播的速度较慢，传播的范围不够广泛，同时宣传所需的成本很高。
技术实现思路
本专利技术的一个目的是提供一种高效且低成本的禁毒宣传途径。本专利技术一个进一步的目的是扩展图像融合的应用范围。特别地，本专利技术提供了一种基于深度学习的图像融合方法，该方法包括：获取待处理图片，待处理图片中至少包括面部图像；利用预先深度学习得出的吸毒肖像特征对待处理图片进行图像融合处理，吸毒肖像特征由深度学习网络模型通过对样本图像训练得出，样本图像为吸毒人员的面部图像；以及输出经过图像融合处理的图片。可选地，由深度学习网络模型通过对样本图像训练得出吸毒肖像特征的步骤包括：选取预定数量的吸毒人员的面部图像作为样本图像，并将样本图像传入卷积神经网络进行训练，以提取吸毒肖像特征。可选地，选取样本图像的步骤还包括：对图片库中吸毒人员的面部图像进行图像质量筛选，提取出预定数量图像质量满足要求的图像作为样本图像。可选地，卷积神经网络由19层VGG网络的16个卷积层和5个池层提供。可选地，将样本图像传入卷积神经网络进行训练的步骤包括：获取卷积神经网络中特定层从样本图像中提取出来的图像内容，并用白色噪声图像执行梯度下降计算，以找到与样本图像的图像内容特征相匹配的图像；以及使用标准误差反向传播来计算相对于相匹配的图像的梯度，从而提取吸毒肖像特征。可选地，对待处理图片进行图像融合处理的步骤包括：将待处理图片传入卷积神经网络进行训练，提取出待处理图片的图像内容；以及将待处理图片的图像内容与吸毒肖像特征进行融合。可选地，将待处理图片传入卷积神经网络进行训练的步骤包括：获取卷积神经网络中特定层从待处理图片提取出来的图像风格；用白色噪声图像执行梯度下降计算，找到与待处理图片的内容特征相匹配的图像；以及通过使待处理图片矩阵与相匹配的图像的矩阵之间的均方距离最小化，提取出待处理图片的图像内容，并且将待处理图片的图像内容与吸毒肖像特征进行融合的步骤包括：使卷积神经网络中特定层从待处理图片提取出来的图像内容和多个层处理的吸毒肖像特征联合最小化，将图像内容与吸毒肖像特征融合，按照指定的卷积网络的迭代次数进行融合处理。可选地，获取待处理图片的步骤包括：接收用户终端通过网络上传的图片，作为待处理图片。可选地，输出经过图像融合处理的图片的步骤包括：保存图像融合处理的图片；以及通过网络将图像融合处理的图片发送至上传待处理图片的用户终端，以供用户终端展示。根据本专利技术的另一个方面，还提供了一种计算机存储介质，其中存储有计算机程序，并且计算机程序运行时导致计算机存储介质的所在设备执行上述任一种基于深度学习的图像融合方法。本专利技术的基于深度学习的图像融合方法，通过获取待处理图片，利用预先深度学习得出的吸毒肖像特征对待处理图片进行图像融合处理，然后输出经过图像融合处理的图片，其中待处理图片中至少包括面部图像，吸毒肖像特征由深度学习网络模型通过对样本图像训练得出，样本图像为吸毒人员的面部图像，通过图像融合技术来处理人的肖像，使之展现出吸毒后的效果，可以达到宣传吸毒有害身体健康的目的，宣传范围广泛，不仅提升了宣传效果，还有效降低了宣传成本。进一步地，本专利技术的基于深度学习的图像融合方法与计算机存储介质，对图片库中吸毒人员的面部图像进行图像质量筛选，提取出预定数量图像质量满足要求的图像作为样本图像，通过提升样本图像的质量来提高图像融合处理的图片的质量以及处理图像的效率，上传自己的肖像作为待处理图片，经过图像融合处理后，以自己的肖像为输出，相比传统的以他人的事例为切入点，更加真实可信，有效提升警示效果。根据下文结合附图对本专利技术具体实施例的详细描述，本领域技术人员将会更加明了本专利技术的上述以及其他目的、优点和特征。附图说明后文将参照附图以示例性而非限制性的方式详细描述本专利技术的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：图1是根据本专利技术一个实施例的基于深度学习的图像融合方法的示意图；图2是根据本专利技术一个实施例的基于深度学习的图像融合方法适用的硬件系统架构示意图；图3是根据本专利技术一个实施例的基于深度学习的图像融合方法的详细流程图；以及图4是根据本专利技术一个实施例的计算机存储介质的示意图。具体实施方式本专利技术实施例提供的基于深度学习的图像融合方法提供了一种低成本、高效的禁毒宣传途径，而且扩展了图像融合的应用范围，可以有效提高禁毒、缉毒的效果。图1是根据本专利技术一个实施例的基于深度学习的图像融合方法的示意图。如图所示，该基于深度学习的图像融合方法包括以下步骤：步骤S102，获取待处理图片；步骤S104，利用预先深度学习得出的吸毒肖像特征对待处理图片进行图像融合处理；步骤S106，输出经过图像融合处理的图片。在以上步骤中，步骤S102中的待处理图片至少包括面部图像，并且可以是用户终端110通过网络上传。一般地，该待处理图片可以包括用户自己的面部图像，以在进行图像融合处理后，对输出的图片更加有代入感。用户终端110可以是具备照相功能的终端设备，直接将拍摄的图像作为图片，也可以是具有图片存储功能的设备，以从已存储的图片中选取本地图片作为待处理图片。在一种具体的实施例中，在获取待处理图片后，可以相对待处理图片进行人脸检测，若检测到包括面部图像，则判定为合理图片；若没有检测到面部图像，则判定为不合理图片，与此同时，可以输出报错的提示信息，以提醒用户重新上传包括面部图像的合理图片。另外，由于图像融合的结果与待处理图片的质量息息相关，提高待处理图片的质量可以提高图像融合结果的质量以及效率。因此，在进行图像融合之前可以首先进行图像预处理，一个具体图像预处理实例为：检测出面部图像的若干特征点，然后根据特征点，找到人双眼的位置。在找到人双眼位置之后，旋转图像，使其两眼水平对齐，再对图像进行切割，使其拥有合适的像素值，并且便于后续训练。步骤S104中，吸毒肖像特征由深度学习网络模型通过对样本图像训练得出，样本图像为吸毒人员的面部图像。通过将吸毒人员的吸毒肖像特征与待处理图片进行图像融合处理，可以使处理后的图片展现出吸毒后的效果，在待处理图片为用户本人肖像的情况下，使得用户直面吸毒的后果，能够有效提升警示效果。本实施例的基于深度学习的图像融合方法可以应用于禁毒、缉毒宣传中，其可以由用户终端直接执行，在另一些实施例中，基于深度学习的图像融合方法适用于一种包含网络设备的硬件系统，以网络为介质，可以更加迅速、广泛地进行禁毒、缉毒宣传。图2是根据本专利技术一个实施例的基于深度学习的图像融合方法适用的硬件系统架构示意图。该硬件系统一般性地可以包括：用户终端110、网络设备120本文档来自技高网...

【技术保护点】
一种基于深度学习的图像融合方法，包括：获取待处理图片，所述待处理图片中至少包括面部图像；利用预先深度学习得出的吸毒肖像特征对所述待处理图片进行图像融合处理，所述吸毒肖像特征由深度学习网络模型通过对样本图像训练得出，所述样本图像为吸毒人员的面部图像；以及输出经过所述图像融合处理的图片。

【技术特征摘要】
1.一种基于深度学习的图像融合方法，包括：获取待处理图片，所述待处理图片中至少包括面部图像；利用预先深度学习得出的吸毒肖像特征对所述待处理图片进行图像融合处理，所述吸毒肖像特征由深度学习网络模型通过对样本图像训练得出，所述样本图像为吸毒人员的面部图像；以及输出经过所述图像融合处理的图片。2.根据权利要求1所述的方法，其中由深度学习网络模型通过对样本图像训练得出所述吸毒肖像特征的步骤包括：选取预定数量的吸毒人员的面部图像作为所述样本图像，并将所述样本图像传入卷积神经网络进行训练，以提取所述吸毒肖像特征。3.根据权利要求2所述的方法，其中选取所述样本图像的步骤还包括：对图片库中吸毒人员的面部图像进行图像质量筛选，提取出所述预定数量图像质量满足要求的图像作为所述样本图像。4.根据权利要求2所述的方法，其中，所述卷积神经网络由19层VGG网络的16个卷积层和5个池层提供。5.根据权利要求2所述的方法，其中将所述样本图像传入卷积神经网络进行训练的步骤包括：获取所述卷积神经网络中特定层从所述样本图像中提取出来的图像内容，并用白色噪声图像执行梯度下降计算，以找到与所述样本图像的图像内容特征相匹配的图像；以及使用标准误差反向传播来计算相对于所述相匹配的图像的梯度，从而提取所述吸毒肖像特征。6.根据权利要求5所述的方法，其中对所述待处理图片进行图像融合处理的步骤包括：将所述待处理图片传...

【专利技术属性】
技术研发人员：张政操，江阳生，闫泽裕，张泰泉，
申请(专利权)人：广州市顺潮广告有限公司，
类型：发明
国别省市：广东,44