一种基于神经网络的古生物图像生成方法技术

本发明专利技术公开了一种基于神经网络的古生物图像生成方法，包括获取古生物图像数据集和非古生物图像数据集；对古生物图像数据集和非古生物图像数据集进行预处理；将预处理后的古生物图像数据集和非古生物图像数据集进行视角图像分割处理，根据分割结果训练生成对抗网络Style GAN；利用训练后的生成对抗网络Style GAN生成第一视角图像，并与视角图像分割得到的第二视角图像进行拼接，生成新的古生物图像。本发明专利技术通过对古生物图像数据集和非古生物图像数据集进行视角图像分割后训练生成对抗网络Style GAN，从而能够生成清晰的对抗图像，并且保证图像信息更加完整。并且保证图像信息更加完整。并且保证图像信息更加完整。

【技术实现步骤摘要】
一种基于神经网络的古生物图像生成方法


[0001]本专利技术涉及古生物图像处理
，具体涉及一种基于神经网络的古生物图像生成方法。

技术介绍

[0002]古生物是古代就生活在地球上的生物，它们存在于地球历史中的地质年代里，目前绝大部分的古生物都已经灭绝，只有古生物的遗体、遗物和生活遗迹在特定的条件下被大自然所保留，经过石化以化石的形式保留了下来形成了古生物化石。古生物化石作为古生物保存下来的痕迹，是不可再生的自然遗产。通过古生物数据集，人类可以获取到关于久远过去的地球生态环境的信息。并且古生物数据集可以有效地将古生物和数据与计算机科学和数据库编程对接。随着互联网的发展和人工智能的进步，利用机器学习技术研究古生物标识是也是有效的。
[0003]现如今建立的古生物学的数据库，主要分为两类。一类是收藏管理型数据库，其对科普的贡献明显大于对科学研究的贡献，且数据质量难以保证。另一类是研究型数据库，研究内容主要包括生物古地理研究，以及古生态与形态演化分析等。但这些数据库都无法满足计算机视觉研究的要求。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供了一种基于神经网络的古生物图像生成方法。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]一种基于神经网络的古生物图像生成方法，包括以下步骤：
[0007]S1、获取古生物图像数据集和非古生物图像数据集；
[0008]S2、对古生物图像数据集和非古生物图像数据集进行预处理；
[0009]S3、将预处理后的古生物图像数据集和非古生物图像数据集进行视角图像分割处理，根据分割结果训练生成对抗网络Style GAN；
[0010]S4、利用训练后的生成对抗网络Style GAN生成第一视角图像，并与步骤S3中视角图像分割得到的第二视角图像进行拼接，生成新的古生物图像。
[0011]可选地，步骤S2具体包括以下分步骤：
[0012]S21、采用Frequency Tuned算法分别对古生物图像数据集和非古生物图像数据集进行窗口大小为5
×
5的高斯平滑，去除图像数据中的高频信息；
[0013]S22、采用Luminance Contrast算法分别对古生物图像数据集和非古生物图像数据集进行全局对比度凸显处理。
[0014]可选地，所述Frequency Tuned算法中像素的显著性的计算公式为：
[0015][0016]其中，I
μ
为图像像素的算术平均值，为对原图像进行的高斯模糊，||.||为欧式距离。
[0017]可选地，所述Luminance Contrast算法中像素的显著性的计算公式为：
[0018][0019]其中，I
k
为图像I中像素点k的像素值，I
i
为灰度值。
[0020]可选地，步骤S3具体包括以下分步骤：
[0021]S31、分别对预处理后的古生物图像数据集和非古生物图像数据集进行左视角图像L、中间视角图像C、右视角图像R的分割处理，得到古生物图像数据集和非古生物图像数据集对应的n组三视角图像数据集；
[0022]S32、从古生物图像数据集和非古生物图像数据集对应的三视角图像数据集中随机抽取一组三视角图像，将左视角图像L和右视角图像R组成一对样本(L,R)，将中间视角图像C作为该对样本的真值C；
[0023]S33、重复上述操作对三视角图像数据集中剩余的(n
‑
1)组三视角图像进行处理，得到n对样本(L,R)和n个真值C；
[0024]S34、将n对样本(L,R)按比例随机划分为训练样本集和测试样本集，采用训练样本集对构建的生成对抗网络Style GAN进行训练，优化生成对抗网络Style GAN的参数，得到训练后的生成对抗网络Style GAN；利用测试集对所有训练后的生成对抗网络Style GAN的生成器G进行测试，评估生成器G的图像修复性能，挑选出最优生成器G。
[0025]可选地，步骤S4具体包括：
[0026]将测试样本集中的样本(L,R)依次输入最优生成器G中，得到第一视角图像A，将第一视角图像A拼接到真值C的左右两边，生成新的古生物图像。
[0027]本专利技术具有以下有益效果：
[0028]1.本专利技术设计了一种数据集的生成方法，该数据集的生成方式可以用于其他视觉数据集的生成。
[0029]2.本专利技术首次收集并生成了一个古生物图像数据集，该数据集可以帮助研究人员设计古生物自动识别的人工智能技术。这个古生物数据集可以用来设计和评估新的网络模型，帮助古生物学家更快速地分辨遗迹化石。
[0030]3.本专利技术通过对古生物图像数据集和非古生物图像数据集进行视角图像分割后训练生成对抗网络Style GAN，从而能够生成清晰的对抗图像，并且保证图像信息更加完整。
附图说明
[0031]图1为本专利技术实施例中一种基于神经网络的古生物图像生成方法的流程示意图；
[0032]图2为本专利技术实施例中古生物图像的数据集的提取流程示意图；
[0033]图3为本专利技术实施例中人工提取论文图片示意图；
[0034]图4为本专利技术实施例中消除有人工标记的图片轮廓示意图；
[0035]图5为本专利技术实施例中非古生物图像数据集的采集流程示意图；
[0036]图6为本专利技术实施例中古生物图像数据集的预处理过程示意图；
[0037]图7为本专利技术实施例中非古生物图像数据集的预处理过程示意图；
[0038]图8为本专利技术实施例中生成对抗网络Style GAN的训练流程示意图。
具体实施方式
[0039]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0040]如图1所示，本专利技术实施例提供了一种基于神经网络的古生物图像生成方法，包括以下步骤S1至S4：
[0041]S1、获取古生物图像数据集和非古生物图像数据集；
[0042]在本专利技术的一个可选实施例中，本次专利技术首次收集一个古生物遗迹化石的图像数据集(简称古生物图像数据集)，通过一种注意机制—显著性检测对原始图像进行预处理，突出古生物图像中的化石，并通过神经网络模型生成古生物图像。新生成的古生物数据集可以有效地将古生物和深度学习领域的计算机视觉技术相结合。
[0043]显微镜下的古生物图像识别难点有:(1)地层中古生物几乎不分布，很难获得完整的古生物遗迹化石样本。因此，常用卷积法需要大量训练图像的神经网络方法在这里似乎不适用。(2)显微图像复杂，样品内外充满各种矿物。此外，岩石在成岩过程中存在交代作用和压实作用造成的古生物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的古生物图像生成方法，其特征在于，包括以下步骤：S1、获取古生物图像数据集和非古生物图像数据集；S2、对古生物图像数据集和非古生物图像数据集进行预处理；S3、将预处理后的古生物图像数据集和非古生物图像数据集进行视角图像分割处理，根据分割结果训练生成对抗网络Style GAN；S4、利用训练后的生成对抗网络Style GAN生成第一视角图像，并与步骤S3中视角图像分割得到的第二视角图像进行拼接，生成新的古生物图像。2.根据权利要求1所述的一种基于神经网络的古生物图像生成方法，其特征在于，步骤S2具体包括以下分步骤：S21、采用Frequency Tuned算法分别对古生物图像数据集和非古生物图像数据集进行窗口大小为5
×
5的高斯平滑，去除图像数据中的高频信息；S22、采用Luminance Contrast算法分别对古生物图像数据集和非古生物图像数据集进行全局对比度凸显处理。3.根据权利要求2所述的一种基于神经网络的古生物图像生成方法，其特征在于，所述Frequency Tuned算法中像素的显著性的计算公式为：其中，I
μ
为图像像素的算术平均值，为对原图像进行的高斯模糊，||.||为欧式距离。4.根据权利要求2所述的一种基于神经网络的古生物图像生成方法，其特征在于，所述Luminance Contrast算法中像素的显著性的计算公式为：其中，I
k
为图像...

【专利技术属性】
技术研发人员：饶云波，王奕文，曾少宁，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：