【技术实现步骤摘要】
本专利技术属于计算机学科下的计算机视觉领域，具体涉及一种用于水果图像生成网络的属性配准机制。
技术介绍
1、图像风格迁移，是一种将两幅图像特征进行提取，并将其中一幅图像的特征迁移到另一幅图像当中，特征进行融合生成基于第二幅图像风格，以第一幅图像为原始内容的新图像的技术。
2、在申请号为202010920337.x，即申请公布号为cn112070145a的专利中，提出的基于对抗网络的水果图像的新鲜度属性迁移方法，基于生成对抗网络，能够针对任意新鲜度的水果图像，对水果图像中的新鲜度属性进行修改，并保持原图像的水果外形和在图像中的位置等属性不变。在该专利描述的方法中，生成对抗网络需分别使用不同新鲜度分类的图像训练集，将表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类训练集图像作为模型输入，训练获得四个不同的生成器模型。
3、通过实验发现，在生成器模型的训练过程中，每类训练集图像的数量是影响生成图像质量的重要因素，训练集图像的数量越多生成图像的质量越高；同时，在通过生成器模型生成的图像中会存在一些不合理的结果，在实际使用中需要对生成图像进行审核和筛选。
4、通过大量实验发现，对于不同新鲜度分类中的每一类训练集图像来说，图像中的对象个数、对象类型，以及生成器网络的输入源图像和训练集中图像的相似性是影响训练效率和训练后模型的生成图像质量的主要影响因素。
技术实现思路
1、有鉴于此，本专利技术提出一种用于水果图像生成网络的属性配准机制，通过该机制将图像分类和
2、一种用于水果图像生成网络的属性配准机制，其实现方案如下：
3、步骤一、针对训练集中的图像进行预处理；
4、训练集是已标注好的水果图像集合，可以使用爬虫从网络上爬取，可以下载分开的图像库，也可以自行准备合适的水果图像；最终需要得到正常水果图像，并按不同新鲜程度分为四类：表面新鲜、表面颜色暗淡、表面褶皱、表面部分腐烂；
5、步骤1.1、移除错误的图像文件；
6、使用程序预读的方式，移除错误图像，以防止图像文件损坏或读取错误造成训练过程出错；
7、步骤1.2、去除重复的图像文件；
8、使用md5信息摘要算法去除重复存在的图像文件，以防止图像重复降低最终的模型性能；
9、步骤1.3、统一图像文件格式；
10、将数据集中的png、gif两种格式的图像文件，统一转换为jpg格式的文件；
11、步骤1.4、统一图像的尺寸；
12、将数据集中的图像进行缩放，使得最终的图像大小为256*256像素；
13、步骤1.5、对图像文件进行统一编号；
14、为了数据的规范性，将所有图像文件进行统一编号，便于后续训练和测试过程；
15、步骤二、识别水果图像训练集中图像的属性，包括图像中的水果的新鲜度、类型、个体数量；
16、步骤2.1使用alexnet模型识别训练集中水果的新鲜度；
17、导入alexnet模型并修改最后一层，使其适合于水果新鲜度分类任务；水果的新鲜度的输出共四类，包括表面新鲜、表面褶皱、表面颜色暗淡和表面部分腐烂；
18、步骤2.2、使用yolo v2模型识别训练集中水果的数量和类型；
19、使用结构较为简单、运算复杂度较低的tiny-yolo-voc作为yolo v2的基础网络；水果数量的输出共三类，包括1个、2个、多个；水果类型的输出共八类，包括苹果、桃子、橘子、芒果、西瓜、草莓、葡萄、其他；
20、步骤三、根据训练集图像的识别结果，建立训练集图像的属性向量；
21、训练集图像的属性向量为ncfi＝(ni，ci，fi)，其中ni，ci，fi依次为训练集图像中的水果数量、类别和新鲜度；ni的范围为1、2、3，依次表示1个、2个、多个；ci的范围为1至8，依次表示苹果、桃子、橘子、芒果、西瓜、草莓、葡萄、其他八种类型；fi的范围为1、2、3、4，依次表示表面新鲜、表面褶皱、表面颜色暗淡和表面部分腐烂；
22、步骤四、根据输入源图像的识别结果，建立输入源图像的属性向量；
23、输入源图像的属性向量为ncfs＝(ns，cs，fs)，其中ns，cs，fs依次为输入源图像中的水果数量、类别和新鲜度，ns，cs，fs的范围与步骤三的ni，ci，fi相同；
24、步骤五、根据需生成的目标图像的新鲜度，建立需生成的目标图像的属性向量；
25、需生成的目标图像的属性向量为ncft＝(ns，ct，ft)；其中ct，ft为需生成的目标图像中的水果的类型和新鲜度，ct，ft的范围分别与步骤三的ci，fi相同；由于目标图像是由输入源图像改变新鲜度属性生成，因此其水果数量ns与输入源图像属性相同；
26、步骤六、基于图像属性的相似度，对图像进行预筛选；
27、步骤6.1、基于属性向量计算训练集中每张图像与输入源图像的相对筛选权重，计算公式如公式(1)所示，
28、wis＝||a·(ncfi-ncfs)||
29、＝a1·(ni-ns)2+a2·(ni-ns)2+a3·(ni-ns)2 (1)
30、其中，wis是训练集第i张图像与输入源图像的相对筛选权重；a＝(a1，a2，a3)是设置向量；ni，ci，fi为步骤三中的训练集图像的属性向量分量，ns，cs，fs为步骤四中的输入源图像的属性向量分量；
31、步骤6.2、根据训练集中每张图像与输入源图像的相对筛选权重，由小到大从训练集中筛选出n张图像，筛选出的图像组合为筛选数据集a；
32、筛选的图像数量n设置在60到200之间，n＜60则生成的目标图像质量较差，n＞200则生成的目标图像的质量提高不大；
33、步骤6.3、基于属性向量计算训练集中每张图像与需生成的目标图像的相对筛选权重，计算公式如公式(2)所示，
34、wit＝|la·(ncfi-ncft)||
35、＝a1·(ni-ns)2+a2·(ci-ct)2+a3·(fi-ft)2 (2)
36、其中，wit是训练集第i张图像与需生成的目标图像的相对筛选权重；a＝(a1，a2，a3)是设置向量；ni，ci，fi为步骤三中的训练集图像的属性向量分量，ns为输入源图像的属性向量的水果数量分量，ct和ft为需生成的目标图像的属性向量的类别和水果新鲜度分量；
37、步骤6.4、根据训练集中每张图像与需生成的目标图像的相对筛选权重，由小到大从训练集中筛选出n张图像，筛选出的图像组合为筛选数据集b；
38、筛选的图像数量n需设置为与步骤6.2中的n数值相同；
39、步本文档来自技高网...
【技术保护点】
1.一种用于水果图像生成网络的属性配准机制，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种用于水果图像生成网络的属性配...
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。