艺术设计教学系统及其方法技术方案

本申请涉及艺术设计领域，其具体地公开了一种艺术设计教学系统及其方法，其通过采用基于深度神经网络模型的特征提取器将所述待投影图像和所述参考图像映射到高维特征空间中，并以两者源域的差分图像来表示两者在高维特征空间中的特征分布差异，将所述差分特征图通过分类器来作为判断所述待投影图像的图像质量是否满足投影清晰度要求的依据，以确保其图像质量满足投影要求。像质量满足投影要求。像质量满足投影要求。

【技术实现步骤摘要】
艺术设计教学系统及其方法


[0001]本申请涉及艺术设计领域，且更为具体地，涉及一种艺术设计教学系统及其方法。

技术介绍

[0002]艺术设计是一门独立的艺术学科，艺术设计是专业名词，主要包含：环境设计专业方向、平面设计专业方向、视觉传达专业方向，产品设计专业方向，等等方向。艺术设计，实际上是设计者自身综合素质(如表现能力、感知能力、想象能力)的体现。
[0003]在艺术设计教学过程中，常常需要使用相应的教学设备，在教学过程中，教师将教学电脑通过控制器与显示器相连，将教学内容输入到显示器内，使显示器显示教学内容，使更多的学生能看到、看清教学内容，从而教学质量和教学效果。但是，在教学者制造教学内容的过程中，其没有关注教学内容中待投影数据(尤其是图像)的投影清晰度要求，导致在教学过程中可能出现投影模糊的投影数据，影响教学效果。
[0004]因此，期待一种艺术设计教学系统，其能够对待投影的图像进行质量分析以确保其图像质量满足投影要求。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种艺术设计教学系统及其方法，其通过采用基于深度神经网络模型的特征提取器将所述待投影图像和所述参考图像映射到高维特征空间中，并以两者源域的差分图像来表示两者在高维特征空间中的特征分布差异，将所述差分特征图通过分类器来作为判断所述待投影图像的图像质量是否满足投影清晰度要求的依据，以确保其图像质量满足投影要求。
[0006]根据本申请的一个方面，提供了一种艺术设计教学系统，其包括：待投影图像采集模块，用于获取待投影图像和参考图像，所述参考图像的图像质量满足投射清晰度要求；降噪模块，用于将所述待投影图像通过基于自动编解码器的降噪生成器以得到降噪后待投影图像；孪生检测模块，用于将所述降噪后待投影图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到检测特征图和参考特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；数据流形校正模块，用于分别对所述检测特征图和所述参考特征图的高维数据流形进行校正以得到校正后检测特征图和校正后参考特征图；差分模块，用于计算所述校正后检测特征图和所述校正后参考特征图之间的差分特征图；以及评估结果生成模块，用于将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待投影图像的图像质量是否满足投影清晰度要求。
[0007]在上述艺术设计教学系统中，所述降噪模块，包括：图像特征提取单元，用于使用所述自动编码器的编码器从所述待投影图像中提取待投影图像特征，其中，所述自动编码器的编码器为卷积层；以及，图像特征解码单元，用于使用所述自动编码器的解码器对所述待投影图像进行解码以得到所述降噪后待投影图像，其中，所述自动编码器的解码器为反卷积层。
[0008]在上述艺术设计教学系统中，所述降噪生成器的编码器为卷积层，所述降噪生成器的解码器为反卷积层。
[0009]在上述艺术设计教学系统中，所述第一图像编码器和所述第二图像编码器为包含多个混合卷积层的深度卷积神经网络模型。
[0010]在上述艺术设计教学系统中，所述孪生检测模块，包括：待投影图像编码单元，用于使用所述第一图像编码器对所述降噪后待投影图像进行深度卷积编码以得到所述检测特征图；以及，参考图像编码单元，用于使用所述第二图像编码器对所述参考图像进行深度卷积编码以得到所述参考特征图。
[0011]在上述艺术设计教学系统中，所述数据流形校正模块，包括：第一校正因子生成单元，用于以如下公式计算所述检测特征图的类小波函数族能量聚合因数；其中，所述公式为：
[0012][0013]其中w1是所述检测特征图的类小波函数族能量聚合因数，是所述检测特征图的第(i,j,k)位置的特征值，且W、H和C是所述检测特征图的宽度、高度和通道数，log表示以2为底的对数；以及，第一校正因子作用单元，用于以所述检测特征图的类小波函数族能量聚合因数作为权重对所述检测特征图进行加权以得到所述校正后检测特征图。
[0014]在上述艺术设计教学系统中，所述数据流形校正模块，包括：第二校正因子生成单元，用于以如下公式计算所述参考特征图的类小波函数族能量聚合因数；其中，所述公式为：
[0015][0016]其中w2是所述参考特征图的类小波函数族能量聚合因数，是所述参考特征图的第(i,j,k)位置的特征值，且W、H和C是所述参考特征图的宽度、高度和通道数，log表示以2为底的对数；以及，第二校正因子作用单元，用于以所述参考特征图的类小波函数族能量聚合因数作为权重对所述参考特征图进行加权以得到所述校正后参考特征图。
[0017]在上述艺术设计教学系统中，所述差分模块，进一步用于：以如下公式计算所述校正后检测特征图和所述校正后参考特征图之间的差分特征图；
[0018]其中，所述公式为：
[0019][0020]其中，F'1表示所述校正后检测特征图，F'2表示所述校正后参考特征图，F
c
表示所述差分特征图，表示按位置差分。
[0021]在上述艺术设计教学系统中，所述评估结果生成模块，包括：展开单元，用于将所述差分特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以
及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0022]根据本申请的另一方面，提供了一种艺术设计教学方法，其包括：获取待投影图像和参考图像，所述参考图像的图像质量满足投射清晰度要求；将所述待投影图像通过基于自动编解码器的降噪生成器以得到降噪后待投影图像；将所述降噪后待投影图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到检测特征图和参考特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；分别对所述检测特征图和所述参考特征图的高维数据流形进行校正以得到校正后检测特征图和校正后参考特征图；计算所述校正后检测特征图和所述校正后参考特征图之间的差分特征图；以及将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待投影图像的图像质量是否满足投影清晰度要求。
[0023]根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的艺术设计教学方法。
[0024]根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的艺术设计教学方法。
[0025]与现有技术相比，本申请提供的一种艺术设计教学系统及其方法，其通过采用基于深度神经网络模型的特征提取器将所述待投影图像和所述参考图像映射到高维特征空间中，并以两者源域的差分图像来表示两者在高维特征空间中的特征分布差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种艺术设计教学系统，其特征在于，包括：待投影图像采集模块，用于获取待投影图像和参考图像，所述参考图像的图像质量满足投射清晰度要求；降噪模块，用于将所述待投影图像通过基于自动编解码器的降噪生成器以得到降噪后待投影图像；孪生检测模块，用于将所述降噪后待投影图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到检测特征图和参考特征图，所述第一图像编码器和所述第二图像编码器具有相同的网络结构；数据流形校正模块，用于分别对所述检测特征图和所述参考特征图的高维数据流形进行校正以得到校正后检测特征图和校正后参考特征图；差分模块，用于计算所述校正后检测特征图和所述校正后参考特征图之间的差分特征图；以及评估结果生成模块，用于将所述差分特征图通过分类器以得到分类结果，所述分类结果用于表示待投影图像的图像质量是否满足投影清晰度要求。2.根据权利要求1所述的艺术设计教学系统，其特征在于，所述降噪模块，包括：图像特征提取单元，用于使用所述自动编码器的编码器从所述待投影图像中提取待投影图像特征，其中，所述自动编码器的编码器为卷积层；以及图像特征解码单元，用于使用所述自动编码器的解码器对所述待投影图像进行解码以得到所述降噪后待投影图像，其中，所述自动编码器的解码器为反卷积层。3.根据权利要求2所述的艺术设计教学系统，其特征在于，所述降噪生成器的编码器为卷积层，所述降噪生成器的解码器为反卷积层。4.根据权利要求3所述的艺术设计教学系统，其特征在于，所述第一图像编码器和所述第二图像编码器为包含多个混合卷积层的深度卷积神经网络模型。5.根据权利要求4所述的艺术设计教学系统，其特征在于，所述孪生检测模块，包括：待投影图像编码单元，用于使用所述第一图像编码器对所述降噪后待投影图像进行深度卷积编码以得到所述检测特征图；以及参考图像编码单元，用于使用所述第二图像编码器对所述参考图像进行深度卷积编码以得到所述参考特征图。6.根据权利要求5所述的艺术设计教学系统，其特征在于，所述数据流形校正模块，包括：第一校正因子生成单元，用于以如下公式计算所述检测特征图的类小波函数族能量聚合因数；其中，所述公式为：其中w1是所述检测特征图的类小波函数族能量聚合因数，是所述检测特征图的第(i,j,k)位置的特征值，且W、H和C是所述检测特征图的宽度、高度和通道数，log表示...

【专利技术属性】
技术研发人员：朱旭光，贾立壮，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：