利用深度学习训练的图像生成系统及方法技术方案

本发明专利技术公开了一种利用深度学习训练的图像生成系统及方法，其中系统包括本包括初始采集模块、模型提取模块、对抗网络生成模块、优化处理模块。其中，初始采集模块用于对用户选择的多张初始图像图片进行处理和预处理，并将处理后的数据传递给特征提取模块；模型提取模块用于提取数据中的关键属性和特征，并将其传递给生成器模块；生成器模块根据提取到的关键属性和特征生成新的图像，并将其传递给；通过反馈机制不断调整生成器模块的预设模型收敛参数，以达到最优的效果。该系统可以根据用户选择的图像图片生成新的图像，并且可以通过反馈机制不断调整生成器模块的预设模型收敛参数，以适应用户感兴趣图像属性的变化。以适应用户感兴趣图像属性的变化。以适应用户感兴趣图像属性的变化。

【技术实现步骤摘要】
利用深度学习训练的图像生成系统及方法


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种利用深度学习训练的图像生成系统及方法。

技术介绍

[0002]随着人们生活水平的不断提高，图像处理技术在各个领域得到了广泛的应用；
[0003]同时随着图像技术的发展，在图像生成技术也得到了广泛的发展，对此针对个人用户需求会提供海量的图像数据，对此个人用户可以在短时间内选择多张海量的图像图片，随后可以根据深度学习模型对这些用户选择的多张图像图片进行学习训练，从而构建深度学习模型；但是进一步的研究发现，这种深度学习模型在建立一段时间后用户的感兴趣图像属性会发生变化，此时原有的深度学习模型应当重构，应当重新选择感兴趣的图像图片进行训练，对此如何准确的验证把握深度学习模型重构的时间点，对此提出一种利用深度学习训练的图像生成重构系统及方法。

技术实现思路

[0004]本专利技术的目的在于提供一种利用深度学习训练的图像生成系统及方法，解决了现有技术中指出的上述技术问题。
[0005]本专利技术提供了一种利用深度学习训练的图像生成系统，包括初始采集模块、模型提取模块、对抗网络生成模块、优化处理模块；
[0006]初始采集模块，用于数据处理模块接收并处理用户选择的多张初始图像图片，对所述初始图像图片进行预处理操作；
[0007]模型提取模块，用于特征提取模块利用卷积神经网络模型对处理后的目标图像数据进行特征提取，提取出目标图像对应的目标关键属性和目标图像特征；
[0008]对抗网络生成模块，用于生成器模块利用生成对抗网络算法根据提取到的目标关键属性和目标图像特征、以及预设模型收敛参数生成新的图像；
[0009]优化处理模块，用于利用反馈机制不断调整生成器模块的预设模型收敛参数，以达到最优的效果。
[0010]较佳地，所述模型提取模块还用于利用卷积神经网络(CNN)对处理后的目标图像数据进行学习以及特征提取，提取出目标图像对应的目标关键属性和目标图像特征；不断提高卷积神经网络的分类器的准确性，利用交叉验证方式来优化卷积神经网络模型，用以提升目标关键属性和目标图像特征的提取精度以及提取速度。
[0011]较佳地，还包括二次图像处理模块；所述二次图像处理模块用于通过对初始图像图片进行旋转、平移、缩放变换，生成多个不同的图像，将多个不同的图像作为卷积神经网络模型的数据集；预设样本数据集，对预设样本数据集中的数据集进行筛选，选择光线均匀且清晰度高的图像作为最终的数据集进行训练。
[0012]较佳地，对抗网络生成模块，用于将目标关键属性和目标图像特征作为输入向量
输入到生成器模块中；使用预设的生成器网络结构对输入向量进行处理，生成一张新的图像；将生成的新图像输出给用户。
[0013]较佳地，优化处理模块还用于将由用户选择的多张初始图像图片生成的新图像与用户选择的原始图像进行比较，并计算出它们之间的误差；将误差传递给生成器模块，生成器模块根据误差进行预设模型收敛参数调整；使用调整后的预设模型收敛参数重新生成一张新的图像；将重新生成的图像输出给用户。
[0014]相应地，本专利技术提供的一种利用深度学习训练的图像生成方法，所述方法包括如下操作步骤：
[0015]步骤S1：数据处理模块接收并处理用户选择的多张初始图像图片，对所述初始图像图片进行预处理操作；
[0016]步骤S2：特征提取模块利用卷积神经网络模型对处理后的目标图像数据进行特征提取，提取出目标图像对应的目标关键属性和目标图像特征；
[0017]步骤S3：生成器模块利用生成对抗网络算法根据提取到的目标关键属性和目标图像特征、以及预设模型收敛参数生成新的图像；
[0018]步骤S4：利用反馈机制不断调整生成器模块的预设模型收敛参数，以达到最优的效果。
[0019]较佳地，特征提取模块利用卷积神经网络模型对处理后的目标图像数据进行特征提取，提取出目标图像对应的目标关键属性和目标图像特征，具体包括：
[0020]步骤S21：利用卷积神经网络(CNN)对处理后的目标图像数据进行学习以及特征提取，提取出目标图像对应的目标关键属性和目标图像特征；
[0021]步骤S22：不断提高卷积神经网络的分类器的准确性，利用交叉验证方式来优化卷积神经网络模型，用以提升目标关键属性和目标图像特征的提取精度以及提取速度。
[0022]较佳地，在执行步骤步骤S21之前，还包括针对上述针对强光线异常变化的图像难以判断的情况进行按照二次图像处理。
[0023]步骤S20、采用数据集多样性获取以及数据集精选方式提升卷积神经网络模型的鲁棒性。
[0024]较佳地，采用数据集多样性获取以及数据集精选方式提升卷积神经网络模型的鲁棒性，具体包括：
[0025]步骤S201：数据集多样性获取：通过对初始图像图片进行旋转、平移、缩放变换，生成多个不同的图像，将多个不同的图像作为卷积神经网络模型的数据集；
[0026]步骤S202：数据筛选：预设样本数据集，对预设样本数据集中的数据集进行筛选，选择光线均匀且清晰度高的图像作为最终的数据集进行训练。
[0027]较佳地，生成器模块利用生成对抗网络算法根据提取到的目标关键属性和目标图像特征、以及预设模型收敛参数生成新的图像，具体包括；
[0028]步骤S31、输入向量生成：将目标关键属性和目标图像特征作为输入向量输入到生成器模块中；
[0029]步骤S32、生成器网络：使用预设的生成器网络结构对输入向量进行处理，生成一张新的图像；
[0030]步骤S33、输出图像：将生成的新图像输出给用户。
[0031]较佳地，步骤S4执行过程中，利用反馈机制不断调整生成器模块的预设模型收敛参数，以达到最优的效果：
[0032]步骤S41、图像比较：将由用户选择的多张初始图像图片生成的新图像与用户选择的原始图像进行比较，并计算出它们之间的误差；
[0033]步骤S42、误差反馈：将误差传递给生成器模块，生成器模块根据误差进行预设模型收敛参数调整；
[0034]步骤S43、重新生成图像：使用调整后的预设模型收敛参数重新生成一张新的图像；
[0035]步骤S44、输出图像：将重新生成的图像输出给用户
[0036]与现有技术相比，本专利技术实施例至少存在如下方面的技术优势：
[0037]分析本专利技术提供的上述一种利用深度学习训练的图像生成方法可知，其中系统包括初始采集模块、模型提取模块、对抗网络生成模块、优化处理模块；
[0038]初始采集模块，用于数据处理模块接收并处理用户选择的多张初始图像图片，对所述初始图像图片进行预处理操作；
[0039]模型提取模块，用于特征提取模块利用卷积神经网络模型对处理后的目标图像数据进行特征提取，提取出目标图像对应的目标关键属性和目标图像特征；
[0040]对抗网络生成模块，用于生成器模块利用生成对抗网络算法根据提取到的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用深度学习训练的图像生成系统，其特征在于，包括初始采集模块、模型提取模块、对抗网络生成模块、优化处理模块；初始采集模块，用于数据处理模块接收并处理用户选择的多张初始图像图片，对所述初始图像图片进行预处理操作；模型提取模块，用于特征提取模块利用卷积神经网络模型对处理后的目标图像数据进行特征提取，提取出目标图像对应的目标关键属性和目标图像特征；对抗网络生成模块，用于生成器模块利用生成对抗网络算法根据提取到的目标关键属性和目标图像特征、以及预设模型收敛参数生成新的图像；优化处理模块，用于利用反馈机制不断调整生成器模块的预设模型收敛参数，以达到最优的效果。2.根据权利要求1所述的一种利用深度学习训练的图像生成系统，其特征在于，所述模型提取模块还用于利用卷积神经网络(CNN)对处理后的目标图像数据进行学习以及特征提取，提取出目标图像对应的目标关键属性和目标图像特征；不断提高卷积神经网络的分类器的准确性，利用交叉验证方式来优化卷积神经网络模型，用以提升目标关键属性和目标图像特征的提取精度以及提取速度。3.根据权利要求1所述的一种利用深度学习训练的图像生成系统，其特征在于，还包括二次图像处理模块；所述二次图像处理模块用于通过对初始图像图片进行旋转、平移、缩放变换，生成多个不同的图像，将多个不同的图像作为卷积神经网络模型的数据集；预设样本数据集，对预设样本数据集中的数据集进行筛选，选择光线均匀且清晰度高的图像作为最终的数据集进行训练。4.根据权利要求3所述的一种利用深度学习训练的图像生成系统，其特征在于，对抗网络生成模块，用于将目标关键属性和目标图像特征作为输入向量输入到生成器模块中；使用预设的生成器网络结构对输入向量进行处理，生成一张新的图像；将生成的新图像输出给用户。5.根据权利要求1所述的一种利用深度学习训练的图像生成系统，其特征在于，优化处理模块还用于将由用户选择的多张初始图像图片生成的新图像与用户选择的原始图像进行比较，并计算出它们之间的误差；将误差传递给生成器模块，生成器模块根据误差进行预设模型收敛参数调整；使用调整后的预设模型收敛参数重新生成一张新的图像；将重新生成的图像输出给用户。6.一种利用深度学习训练的图像生成方法，其特征在于，所述方法应用于权利要求1
‑
5任一项所述的一种利用深度学习训练的图像生成系统，所述方法包括如下操作步骤：步骤S1：数据处理模块接收并处理用户选择的多张初始图像图片，对所述初始图像图片进行预处理操作；步骤S2：特征提取模块利用卷积神经网络模型对处理后的目标图像数据进行特征提取，提取出目标图像对应的目标关键属...

【专利技术属性】
技术研发人员：于中阳，张萌飞，陈平，
申请(专利权)人：上海芯赛云计算科技有限公司，
类型：发明
国别省市：