本發(fā)明涉及圖像處理，尤其涉及一種基于ai深度學習的自適應圖像生成方法、設備及其介質(zhì)。

背景技術：

1、隨著互聯(lián)網(wǎng)的發(fā)展和智能設備的廣泛普及，數(shù)字圖像數(shù)據(jù)的規(guī)模和復雜度不斷增加。如何快速、準確地識別和理解數(shù)字圖像數(shù)據(jù)，成為當今社會面臨的重要挑戰(zhàn)，而圖像識別和圖像生成技術的發(fā)展，可以幫助人們更好地利用和分析數(shù)字圖像數(shù)據(jù)。

2、隨著數(shù)字圖像技術的發(fā)展，圖像數(shù)據(jù)的數(shù)量和復雜度不斷增加，人們對如何自動識別和理解圖像的需求也越來越強烈。盡管圖像識別技術已經(jīng)取得了很大進展，但在處理復雜場景時仍然存在一定的困難。圖像生成在給定的圖像上進行修改和編輯但在處理大規(guī)模、高維度的圖像數(shù)據(jù)時，生成的圖像往往存在一些模糊、失真等問題。圖像識別和圖像生成技術之間有著密切的聯(lián)系，兩者可以相互促進；因為真實場景中的圖像數(shù)據(jù)往往存在質(zhì)量不一、標注不準確、數(shù)量有限等問題，這給圖像識別技術的發(fā)展和應用帶來了很大的挑戰(zhàn)，圖像識別的準確度往往決定了模型訓練的效果，提取的圖像特征不足往往容易造成準確率及召回率低導致生成的圖像往往存在一些模糊、失真。因此亟需研發(fā)一種處理效率快、準確性高的圖像生成生成方法。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題是：為了解決現(xiàn)有的圖像生成方法，難以在保證高準確率及召回率的前提下高效、準確的得進行圖像識別及圖像生成的技術問題，本發(fā)明提供一種基于ai深度學習的自適應圖像生成方法，生成的圖像處理效率快、準確率高。

2、本發(fā)明解決其技術問題所采用的技術方案是：一種基于ai深度學習的自適應圖像生成方法，所述方法包括以下步驟：

3、s1，構建或獲取目標物的圖像數(shù)據(jù)集；

4、s2，通過目標檢測模型對所述圖像數(shù)據(jù)集中的每張原圖像進行特征提取，得到所述目標物的特征信息；

5、s3，構建生成對抗網(wǎng)絡，并對所述生成對抗網(wǎng)絡訓練，其中，所述生成對抗網(wǎng)絡包括生成器和鑒別器；

6、s4，通過所述生成器與所述鑒別器，結合所述目標物的特征信息進行目標物的圖像訓練，得到目標圖像；

7、s5，對所述目標圖像進行質(zhì)量檢測，并對檢測合格的目標圖像進行優(yōu)化處理，得到所述目標物的重建圖像。

8、進一步，具體地，所述目標檢測模型為改進后的目標檢測模型，改進后的目標檢測模型在原始目標檢測模型的基礎上，對所述原始目標檢測模型的原始骨干網(wǎng)絡進行改進得到的；

9、所述原始骨干網(wǎng)絡的改進包括在所述原始目標檢測模型的原始骨干網(wǎng)絡中添加cbam通道注意力模塊，所述cbam通道注意力模塊與所述原始骨干網(wǎng)絡seattention機制中的通道注意力模塊并行運行。

10、進一步，具體地，所述步驟s2中具體包括以下步驟：

11、s21，從所述圖像數(shù)據(jù)集中獲取所述目標物的原圖像，并對所述原圖像預處理；

12、s22，將預處理后的所述原圖像輸入至目標檢測模型，對所述原圖像進行特征縮放；

13、s23，通過所述cbam通道注意力模塊與所述原始骨干網(wǎng)絡seattention機制中的通道注意力模塊并行運行，處理所述縮放后的原圖像，提取所述原圖像的通道數(shù)，得到目標特征圖；

14、s24，通過目標檢測模型的預測頭對所述目標特征圖中的所述目標物進行預測，得到所述目標物的特征信息，所述特征信息包括所述目標物的位置信息、類別以及屬性信息。

15、進一步，具體地，所述步驟s3具體包括以下步驟：

16、s31，構建生成對抗網(wǎng)絡，包括搭建所述生成器和所述鑒別器的網(wǎng)絡結構，其中，所述生成器的輸入是一個隨機噪聲，輸出為與真實數(shù)據(jù)相似的假數(shù)據(jù)，所述鑒別器的輸入是真實數(shù)據(jù)或假數(shù)據(jù)，輸出為二元分類結果；

17、s32，隨機初始化所述生成器和所述鑒別器的參數(shù)；

18、s33，從真實數(shù)據(jù)集中隨機選擇數(shù)據(jù)樣本，作為所述鑒別器的訓練樣本；

19、s34，從隨機噪聲中生成假數(shù)據(jù)樣本，作為所述生成器的輸出；

20、s35，將所述鑒別器分別對真實數(shù)據(jù)和假數(shù)據(jù)進行分類，并計算第一損失函數(shù)；

21、s36，根據(jù)所述鑒別器的輸出結果，讓所述生成器調(diào)整自身的參數(shù)，使得生成的假數(shù)據(jù)接近真實數(shù)據(jù)，并計算第二損失函數(shù)；

22、s37，更新所述鑒別器和所述生成器的參數(shù)；

23、s38，重復步驟s33至步驟s37直至所述生成對抗網(wǎng)絡收斂或達到預設的訓練輪次。

24、進一步，具體地，在步驟s5中，通過計算目標檢測的準確率、召回率以及f1值，并與預設的期待值比較，對所述目標圖像進行質(zhì)量檢測。

25、進一步，具體地，在步驟s5中對檢測合格的目標圖像進行優(yōu)化處理包括去噪、銳化以及提升對比度的優(yōu)化步驟。

26、進一步，具體地，在所述步驟s37中，通過adam算法更新所述鑒別器和所述生成器的參數(shù)，具體包括：

27、所述adam算法公式表示為：

28、

29、其中，mt和vt分別是參數(shù)的一階矩估計和二階矩估計，gt為參數(shù)的梯度，β1和β2為衰減系數(shù)，通常取值為0.9和0.999，{m}t和{v}t為偏差修正后的一階矩估計和二階矩估計，α為學習率通常設置為0.001，∈為一個非常小的數(shù)，設置為10-8；

30、更新一階矩估計mt和二階矩估計vt：

31、

32、對一階矩估計mt和二階矩估計$vt進行偏差修正：

33、

34、根據(jù)修正后的一階矩估計{m}t和二階矩估計{v}t來更新所述鑒別器和所述生成器的參數(shù)：

35、

36、一種計算機設備，包括：

37、處理器；

38、存儲器，用于存儲可執(zhí)行指令；

39、其中，所述處理器用于從所述存儲器中讀取所述可執(zhí)行指令，并執(zhí)行所述可執(zhí)行指令以實現(xiàn)如上所述的基于ai深度學習的自適應圖像生成方法。

40、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，當所述計算機程序被處理器執(zhí)行時，使得處理器實現(xiàn)如上所述的基于ai深度學習的自適應圖像生成方法。

41、本發(fā)明的有益效果是，本發(fā)明的基于ai深度學習的自適應圖像生成方法，通過目標檢測模型和生成對抗網(wǎng)絡結合處理圖像，避免提取的圖像特征不足造成準確率及召回率低導致生成的圖像往往存在一些模糊、失真的問題，生成的圖像處理效率快、準確率高并且提高圖像可讀性和可用性，以及在圖像對比度和色彩準確度方面有一定的提升。

技術特征：

1.一種基于ai深度學習的自適應圖像生成方法，其特征在于，所述方法包括以下步驟：

2.如權利要求1所述的基于ai深度學習的自適應圖像生成方法，其特征在于，所述目標檢測模型為改進后的目標檢測模型，改進后的目標檢測模型在原始目標檢測模型的基礎上，對所述原始目標檢測模型的原始骨干網(wǎng)絡進行改進得到的；

3.如權利要求2所述的基于ai深度學習的自適應圖像生成方法，其特征在于，所述步驟s2中具體包括以下步驟：

4.如權利要求1所述的基于ai深度學習的自適應圖像生成方法，其特征在于，所述步驟s3具體包括以下步驟：

5.如權利要求1所述的基于ai深度學習的自適應圖像生成方法，其特征在于，在步驟s5中，通過計算目標檢測的準確率、召回率以及f1值，并與預設的期待值比較，對所述目標圖像進行質(zhì)量檢測。

6.如權利要求5所述的基于ai深度學習的自適應圖像生成方法，其特征在于，在步驟s5中對檢測合格的目標圖像進行優(yōu)化處理包括去噪、銳化以及提升對比度的優(yōu)化步驟。

7.如權利要求4所述的基于ai深度學習的自適應圖像生成方法，其特征在于，在所述步驟s37中，通過adam算法更新所述鑒別器和所述生成器的參數(shù)，具體包括：

8.一種計算機設備，其特征在于，包括：

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有計算機程序，當所述計算機程序被處理器執(zhí)行時，使得處理器實現(xiàn)如權利要求1至7中任一項所述的基于ai深度學習的自適應圖像生成方法。

技術總結
本發(fā)明涉及圖像處理技術領域，尤其涉及一種基于AI深度學習的自適應圖像生成方法、設備及其介質(zhì)，方法包括以下步驟：構建或獲取目標物的圖像數(shù)據(jù)集；通過目標檢測模型對圖像數(shù)據(jù)集中的每張原圖像進行特征提取，得到目標物的特征信息；構建生成對抗網(wǎng)絡，并對生成對抗網(wǎng)絡訓練，其中，生成對抗網(wǎng)絡包括生成器和鑒別器；通過生成器與鑒別器，結合目標物的特征信息進行目標物的圖像訓練，得到目標圖像；對目標圖像進行質(zhì)量檢測，并對檢測合格的目標圖像進行優(yōu)化處理，得到目標物的重建圖像。本發(fā)明提供一種基于AI深度學習的自適應圖像生成方法，生成的圖像處理效率快、準確率高。

技術研發(fā)人員：董鑫
受保護的技術使用者：常州大學
技術研發(fā)日：
技術公布日：2024/10/21