一种基于生成式对抗网络的蘑菇表型图像生成方法技术

本发明专利技术公开了一种基于生成式对抗网络的蘑菇表型图像生成方法，该方法步骤为：(1)数据预处理，形成真实图像训练样本数据；(2)构建生成式对抗网络模型：该模型包括生成器和判别器，其中生成器负责生成图片，通过接收随机噪声z，并通过这个噪声生成图片G(z)，判别器负责判断图片真假部分，其通过接收一张图片x，输出对这张图片的判别结果D(x)；(3)采用梯度惩罚训练策略对生成式抗网络框架进行优化训练；(4)通过拟合Wasserstein距离，将Wasserstein距离作为相似度衡量指标，获得高质量蘑菇表型图像的生成模型。本发明专利技术可以使用少量的蘑菇数据集模拟出该种蘑菇各个生长阶段的图像，不仅与传统图像生成方式相比效率较高，而且在各类生成式模型中效率也较高。

A Mushroom Phenotype Image Generation Method Based on Generative Countermeasure Network

【技术实现步骤摘要】
一种基于生成式对抗网络的蘑菇表型图像生成方法
本专利技术属于计算机、人工智能及图像处理领域，具体涉及到一种基于生成式对抗网络的蘑菇表型图像生成方法。
技术介绍
生成式对抗网络(GenerativeAdversarialNetwork,GAN)目前已经应用于人脸识别、风格迁移等领域，但是目前没有专门可用于蘑菇表型图像生成的产品。虽然目前市场上存在大量的图像生成框架，但是很难生成蘑菇各个生长阶段的高质量的表型图像。具体主要有以下一些问题需要解决：(1)如何将大规模图像集转化为统一尺寸的数据集，使用卷积神经网络提取蘑菇图像特征，减少由于角度、光照、变形等问题对识别准确率的影响。(2)如何基于Wasserstein距离构建生成式网络框架，使用梯度惩罚策略解决生成式对抗网络框架的训练不稳定性。(3)如何通过拟合Wasserstein距离问题，在全局数据集上使得生成蘑菇表型图像与原始图像之间的相似性最高，获得一个可生成高质量蘑菇图像的模型。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的不足，提供一种基于生成式对抗网络的蘑菇表型图像生成方法，该方可以根据数据集训练相应模型并生成蘑菇各个生长本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于包括以下步骤：(1)数据预处理，形成真实图像训练样本数据；(2)构建生成式对抗网络模型：该模型包括生成器和判别器，所述生成器负责生成图片，通过接收随机噪声z，并通过这个噪声生成图片G(z)，所述判别器负责判断图片真假部分，其通过接收一张图片x，输出对这张图片的判别结果D(x)；(3)采用梯度惩罚训练策略对生成式抗网络框架进行优化训练；(4)通过拟合Wasserstein距离，将Wasserstein距离作为相似度衡量指标，获得高质量蘑菇表型图像的生成模型。

【技术特征摘要】
1.一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于包括以下步骤：(1)数据预处理，形成真实图像训练样本数据；(2)构建生成式对抗网络模型：该模型包括生成器和判别器，所述生成器负责生成图片，通过接收随机噪声z，并通过这个噪声生成图片G(z)，所述判别器负责判断图片真假部分，其通过接收一张图片x，输出对这张图片的判别结果D(x)；(3)采用梯度惩罚训练策略对生成式抗网络框架进行优化训练；(4)通过拟合Wasserstein距离，将Wasserstein距离作为相似度衡量指标，获得高质量蘑菇表型图像的生成模型。2.根据权利要求1所述的一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于，所述步骤(1)中，训练样本数据集共四种蘑菇图像，每种蘑菇图像在200到300张之间，种类包括口蘑、香菇、柱状田头菇、凤尾菇。3.根据权利要求1或2所述的一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于，所述数据预处理方法包括随机翻转、随机亮度变换、随机对比度变换和图像归一化；数据预处理相关参数如下：(a)随机上下翻转概率Pf＝0.5；(b)随机亮度调整因子Pl＝0.1；(c)随机对比度Pd变化范围[0.9,1.1]。4.根据权利要求1所述的一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于，所述生成器包括FC全连接层和DeConv卷积层，其中DeConv卷积层作为反卷积层共设置5个。5.根据权利要求4所述的一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于，所述DeConv卷积层中，第一层输入数据尺寸为4×4×512，反卷积层的卷积核数为256个，卷积核的移动步长为2，卷积核大小为5×5，卷积核初始化为标准差为0.02的截断的正态分布，采用“SAME”填充方式，输入数据经过反卷积后得到的数据为8×8×256，再经过批归一化层及ReLU激活函数后将结果输出到下一层；第二层输入数据尺寸为8×8×256，反卷积层的卷积核数为128个，卷积核的移动步长为2，卷积核大小为5×5，卷积核初始化为标准差为0.02的截断的正态分布，采用“SAME”填充方式，输入数据经过反卷积后得到的数据为16×16×128，再经过批归一化层及ReLU激活函数后将结果输出到下一层；第三层输入数据尺寸为16×16×128，反卷积层的卷积核数为64个，卷积核的移动步长为2，卷积核大小为5×5，卷积核初始化为标准差为0.02的截断的正态分布，采用“SAME”填充方式，输入数据经过反卷积后得到的数据为32×32×64，再经过批归一化层及ReLU激活函数后将结果输出到下一层；第四层输入数据尺寸为32×32×64，反卷积层的卷积核数为32个，卷积核的移动步长为2，卷积核大小为5×5，卷积核初始化为标准差为0.02的截断的正态分布，采用“SAME”填充方式，输入数据经过反卷积后得到的数据为64×64×32，再经过批归一化层及ReLU激活函数后将结果输出到下一层；第五层输入数据尺寸为64×64×32，反卷积层的卷积核数为3个，卷积核的移动步长为2，卷积核大小为5×5，卷积核初始化为标准差为0.02的截断的正态分布，采用“SAME”填充方式，输入数据经过反卷积后得到的数据为128×128×3，再经过批归一化层及Tanh激活函数后将结果输出到下一层。6.根据权利要求5所述的一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于，所述批归一化的算法公式如下：步骤一：沿通道计算同一批次内所有图片的均值μB，如公式(1)：步骤二：沿通道计算同一批次所有图片的方差如公式(2)：步骤三：对图像做归一化处理xi，如公式(3)：步骤四：加入缩放变量γ和平移变量β，得出结果，如公式(4)：其中xi采样于批数据集B＝{x1,x2，…，xm}，缩放变量平移变量β和防止方差为0的参数ν，ν设置为1e-5。7.根据权利要求1所述的一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于：所述生成器包括Conv卷积层和FC全连接层，其中Conv卷积层作为卷积层共设置4个。8.根据权利要求7所述的一种基于生成式对抗网络的蘑菇表型图像生成方法，其特征在于，所述Conv卷积层中，第一层输入数据...

【专利技术属性】
技术研发人员：袁培森，吴茂盛，徐焕良，顾兴健，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32