【技术实现步骤摘要】
一种基于深度学习的多张绘画生成3D模型的方法及系统
[0001]本专利技术涉及绘画建模
,尤其涉及一种基于深度学习的多张绘画生成3D模型的方法及系统。
技术介绍
[0002]深度学习是一种机器学习方法,通过构建多层神经网络进行训练,自动地从数据中提取特征并实现分类、回归等任务。
[0003]目前,绘画生成算法已成为人工智能领域的研究热点之一。利用深度学习技术,通过对大量艺术品样本的学习和分析,可以实现高质量、多样性的绘画生成,具有广泛的应用前景。
[0004]在相关技术中,在对多张绘画进行3D模型生成时,需要人工对每一张绘画进行建模,且多张绘画之间的关联性无法很好的进行识别,需要大量的时间和准备工作。
技术实现思路
[0005]为了现有技术存在的上述技术缺陷,本专利技术提供了一种基于深度学习的多张绘画生成3D模型的方法及系统,可以有效解决
技术介绍
中的问题。
[0006]为了解决上述技术问题,本专利技术提供的技术方案具体如下:
[0007]第一方面,本专利技术实施例公开了一种基于深度学习的多张绘画生成3D模型的方法,包括以下步骤:
[0008]将多张绘画图像进行预处理,并提取每一个绘画图像的特征向量;
[0009]根据特征向量计算两两绘画图像间的关联度,并对所有绘画图像进行聚类;
[0010]根据聚类结果标记每张图像的所属类别,并在所属类别中挑选重要特征;
[0011]依据挑选的重要特征构建深度学习模型,并获取训练样本集;
[ ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的多张绘画生成3D模型的方法,其特征在于:包括以下步骤:将多张绘画图像进行预处理,并提取每一个绘画图像的特征向量;根据特征向量计算两两绘画图像间的关联度,并对所有绘画图像进行聚类;根据聚类结果标记每张图像的所属类别,并在所属类别中挑选重要特征;依据挑选的重要特征构建深度学习模型,并获取训练样本集;根据训练样本集对深度学习模型进行训练,并将多张绘画图像输入至训练完成的深度学习模型中,输出的对应的3D模型。2.根据权利要求1所述的基于深度学习的多张绘画生成3D模型的方法,其特征在于:所述将多张绘画图像进行预处理,并提取每一个绘画图像的特征向量,包括以下步骤:将多张绘画图像空白区域进行裁剪,并通过公式:对每张绘画图像进行归一化,其中,I
min
和I
max
分别为绘画图像中的最小和最大像素值,I1为归一化后的绘画图像;将绘画图像中的每一个像素点分配到不同的语义标签;从每个区域中提取有用的特征,并建立每个区域的特征向量;通过公式:X
i
=[f
i,1
,f
i,2
,
…
,f
i,Nr
],f
i,j
∈R
D
,对绘画图像的特征向量进行表示,其中,X
i
为特征矩阵,f
i,j
为第i个绘画图像中第j个区域的特征向量,Nr为一个绘画图像中的总区域数,D表示每个区域的特征向量的维度,R为实数集。3.根据权利要求2所述的基于深度学习的多张绘画生成3D模型的方法,其特征在于:所述将绘画图像中的每一个像素点分配到不同的语义标签,包括:通过相关技术构建语义分割模型,设置比输入图像为X∈R
W*H*C
,模型输出的每个像素点的概率分布矩阵为Y∈R
W*H*N
,则语义分割为Y=f
seg
(X),其中,W、H、C和N分别为图像的宽度、高度、通道数和类别数量,f
seg
为CNN模型;通过公式:计算语义分割模型预测值与真实标签之间的差异,以通过L
seg
训练f
seg
,其中,y
i1,j1,n
为预测的Y矩阵中第(i1,j1)个像素点属于第n个类别的概率,y
true,i1,j1,n
为真实标签。4.根据权利要求3所述的基于深度学习的多张绘画生成3D模型的方法,其特征在于:所述步骤从每个区域中提取有用的特征,并建立每个区域的特征向量,包括:将图像中每个区域表示为一个特征向量f
i,j
∈R
D
,并计算出每个区域内的统计信息,其中f
i,j
为第i个绘画图像中第j个区域的特征向量,D表示每个区域的特征向量的维度,R为实数集;提取区域的边缘信息,并通过公式:计算出该区域的边缘特征向量,其中,E
j
为第j个区域中的边缘像素集合,len(E
j
)、width(E
j
)和shape(E
j
)分别为边缘的长度、平均宽度和曲率;通过深度卷积神经网络提取区域的深度信息,则深度特征向量为:其中,w1、H1和c1分别为深度特征的宽度、高度和通道数,Z为深
度卷积神经网络的输出,f
fc
为全连接层,为D维特征向量,Z
j
为卷积特征。5.根据权利要求4所述的基于深度学习的多张绘画生成3D模型的方法,其特征在于:所述根据特征向量计算两两绘画图像间的关联度,并对所有绘画图像进行聚类,包括以下步骤:通过公式计算两两绘画图像间的余弦相似度,其中,s
i2,j2
为第i2张绘画图像和第j2张绘画图像之间的余弦相似度,x
i2
和x
j2
分别为第i2张绘画图像的特征向量和第j2张绘画图像的特征向量;随机...
【专利技术属性】
技术研发人员:甘凌,顾大桐,王步国,
申请(专利权)人:北京元跃科技有限公司,
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。