一种基于风格图像的数字藏品生成方法和系统技术方案

本发明专利技术提供了一种基于风格图像的数字藏品生成方法和系统，其中，该基于风格图像的数字藏品生成方法，包括：根据图像数据的图像关键点，对用户上传的图像数据进行预处理，得到个人图像模型；根据用户选择的目标处理风格，从预生成的多个

【技术实现步骤摘要】
一种基于风格图像的数字藏品生成方法和系统


[0001]本专利技术涉及区块链
，尤其涉及一种基于风格图像的数字藏品生成方法和系统
。

技术介绍

[0002]AIGC(AI generated content
，
AI
生成内容
)
，是继专业生产内容
、
用户生产内容之后的新型内容创作方式，可以在创意
、
表现力
、
迭代
、
传播和个性化等方面充分发挥技术优势，打造新的数字内容生成与交互形态
。
随着
AIGC
技术的不断发展，
AI
写作
、AI
配乐
、AI
视频生成
、AI
语音合成以及逐渐兴起的
AI
生成图像，都为内容创作领域带来一波新的热潮
。
[0003]AIGC
技术广泛应用于
AI
图像生成领域，通过
AIGC
技术，用户只要在
AI
图像模型中简单输入一些关键词，就能在很短时间内就能生成一张全新的图像
。
目前
AI
图像生成领域，通常采用基于生成对抗网络或者扩散模型的
AIGC
技术进行图像的生成
。
因为扩散模型相比生成对抗网络在图像生成训练更加稳定，参数规模更小且生成的图像质量更高，所以基于扩散模型的
AI
图像生成技术应用越来越广泛
。
现有的基于扩散模型的
AI
图像生成技术，通常是用户输入个人图像和选定风格，然后扩散模型根据用户选定的风格对图像进行降噪预测，转变为具有特定风格的图像
。
[0004]在图像的生成过程中，风格图像并不唯一属于该用户，因此风格图像容易被非法盗用，存在数据泄露和版权争端的风险；而且由于风格图像并不专属于用户，导致风格图像不具有收藏价值
。

技术实现思路

[0005]本专利技术提供一种基于风格图像的数字藏品生成方案，能够解决现有技术中风格图像容易被非法盗用，存在数据泄露和版权争端，且风格图像不具有收藏价值的问题
。
[0006]为解决上述问题，根据本专利技术的第一方面，本专利技术提出了一种基于风格图像的数字藏品生成方法，包括：
[0007]根据图像关键点对用户上传的图像数据进行预处理，得到个人图像模型；
[0008]根据用户选择的目标处理风格，从预生成的多个
AI
风格生成模型中选择与目标处理风格对应的
AI
风格生成模型，将个人图像模型输入至
AI
风格生成模型，生成得到目标风格图像；
[0009]使用非同质化通证
NFT
技术生成目标风格图像的通证
ID
，将通证
ID
上链存储，得到目标风格图像对应的数字藏品
。
[0010]优选的，上述数字藏品生成方法中，根据图像关键点对用户上传的图像数据进行预处理，得到个人图像模型的步骤，包括：
[0011]截取用户上传的图像数据；
[0012]使用云端视觉服务平台对图像数据进行智能识别，提取得到图像数据的多个图像关键点；
[0013]从多个图像关键点中选取特定位置关键点，使用特定位置关键点对图像数据进行标准对齐位置映射，得到对齐后的个人图像模型；
[0014]使用计算机视觉算法对对齐后的个人图像模型进行剪裁；
[0015]根据用户选择的美化样式，对剪裁后的个人图像模型进行美化处理，得到美化后的个人图像模型
。
[0016]优选的，上述数字藏品生成方法中，从多个图像关键点中选取特定位置关键点，使用特定位置关键点对图像数据进行标准对齐位置映射，得到对齐后的个人图像模型的步骤，包括：
[0017]从多个图像关键点中选取双目中心关键点和嘴唇中心关键点；
[0018]分别设置双目中心关键点和嘴唇中心关键点的标准对齐位置；
[0019]使用仿射变换矩阵分别将双目中心关键点和嘴唇中心关键点的坐标映射至标准对齐位置，得到对齐后的个人图像模型，其中，
x
和
y
分别为特定位置关键点的横坐标和纵坐标，
x
’
和
y
’
分别为标准对齐位置的横坐标和纵坐标，
a1、a2、a3和
a4分别为仿射变换矩阵的变换系数，
t
x
和
t
y
分别为仿射变换矩阵的横截距和纵截距
。
[0020]优选的，上述数字藏品生成方法中，使用计算机视觉算法对对齐后的个人图像模型进行剪裁的步骤，包括：
[0021]读取对齐后的个人图像模型；
[0022]使用计算机视觉算法对应的图像检测模型检测个人图像模型，记录需要剪裁的模型矩阵大小；
[0023]根据需要剪裁的模型矩阵大小，计算需要剪裁的个人图像模型；
[0024]绘制并生成剪裁后的个人图像模型
。
[0025]优选的，上述数字藏品生成方法中，根据用户选择的目标处理风格，从预生成的多个
AI
风格生成模型中选择与目标处理风格对应的
AI
风格生成模型，将个人图像模型输入至
AI
风格生成模型，生成得到目标风格图像的步骤，包括：
[0026]获取用户从预生成的多个处理风格中选定的目标处理风格；
[0027]从预生成的多个
AI
风格生成模型中，选取与目标处理风格对应的
AI
风格生成模型；
[0028]将个人图像模型输入至
AI
风格生成模型，生成与用户等级对应数量和质量的多张目标风格图像
。
[0029]优选的，上述数字藏品生成方法中，根据用户选择的目标处理风格，从预生成的多个
AI
风格生成模型中选择与目标处理风格对应的
AI
风格生成模型的步骤之前，还包括：
[0030]分别提炼得到多个预生成的处理风格中
、
每一处理风格对应的风格提示词；
[0031]使用
AI
风格生成算法对每一处理风格对应的风格提示词进行训练；
[0032]根据训练结果对
AI
风格生成算法的模型参数进行优化，分别得到每一处理风格对应的
AI
风格生成模型；
[0033]存储每一处理风格对应的
AI
风格生成模型
。
[0034]优选的，上述数字藏品生成方法中，使用非同质化通证
NFT
技术生成目标风格图像
的通证
ID
，将通证
ID
上链存储，得到目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于风格图像的数字藏品生成方法，其特征在于，包括：根据图像关键点对用户上传的图像数据进行预处理，得到个人图像模型；根据用户选择的目标处理风格，从预生成的多个
AI
风格生成模型中选择与所述目标处理风格对应的
AI
风格生成模型，将所述个人图像模型输入至所述
AI
风格生成模型，生成得到目标风格图像；使用非同质化通证
NFT
技术生成所述目标风格图像的通证
ID
，将所述通证
ID
上链存储，得到所述目标风格图像对应的数字藏品
。2.
根据权利要求1所述的数字藏品生成方法，其特征在于，所述根据图像关键点对用户上传的图像数据进行预处理，得到个人图像模型的步骤，包括：截取用户上传的图像数据；使用云端视觉服务平台对所述图像数据进行智能识别，提取得到所述图像数据的多个图像关键点；从所述多个图像关键点中选取特定位置关键点，使用所述特定位置关键点对所述图像数据进行标准对齐位置映射，得到对齐后的个人图像模型；使用计算机视觉算法对所述对齐后的个人图像模型进行剪裁；根据用户选择的美化样式，对剪裁后的所述个人图像模型进行美化处理，得到美化后的所述个人图像模型
。3.
根据权利要求2所述的数字藏品生成方法，其特征在于，所述从所述多个图像关键点中选取特定位置关键点，使用所述特定位置关键点对所述图像数据进行标准对齐位置映射，得到对齐后的个人图像模型的步骤，包括：从所述多个图像关键点中选取双目中心关键点和嘴唇中心关键点；分别设置所述双目中心关键点和嘴唇中心关键点的标准对齐位置；使用仿射变换矩阵分别将所述双目中心关键点和嘴唇中心关键点的坐标映射至所述标准对齐位置，得到对齐后的所述个人图像模型，其中，
x
和
y
分别为所述特定位置关键点的横坐标和纵坐标，
x
’
和
y
’
分别为所述标准对齐位置的横坐标和纵坐标，
a1、a2、a3和
a4分别为所述仿射变换矩阵的变换系数，
t
x
和
t
y
分别为所述仿射变换矩阵的横截距和纵截距
。4.
根据权利要求2所述的数字藏品生成方法，其特征在于，所述使用计算机视觉算法对所述对齐后的个人图像模型进行剪裁的步骤，包括：读取对齐后的所述个人图像模型；使用计算机视觉算法对应的图像检测模型检测所述个人图像模型，记录需要剪裁的模型矩阵大小；根据所述需要剪裁的模型矩阵大小，计算需要剪裁的个人图像模型；绘制并生成剪裁后的个人图像模型
。5.
根据权利要求1所述的数字藏品生成方法，其特征在于，所述根据用户选择的目标处理风格，从预生成的多个
AI
风格生成模型中选择与所述目标处理风格对应的
AI
风格生成模型，将所述个人图像模型输入至所述
AI
风格生成模型，生成得到目标风格图像的步骤，包
括：获取用户从预生成的多个处理风格中选定的目标处理风格；从预生成的多个
AI
风格生成模型中，选取与所述目标处理风格对应的
AI
风格生成模型；将所述个人图像模型输入至所述
AI
风格生成模型，生成与所述用户等级对应数量和质量的多张目标风格图像
。6.
根据权利要...

【专利技术属性】
技术研发人员：于中阳，王亚菁，杨文辉，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：