一种基于并行融合的判别模式的图像生成和识别方法

技术领域

本发明涉及图像生成技术领域，尤其涉及一种基于并行融合的判别模式的图像生成和识别方法。

背景技术

对抗生成网络(Generative Adversarial Network，简称GAN)是一种机器学习模型，是近年来人工智能领域的一个研究热点，被认为是无监督学习最具前景的方法之一。该模型由一个生成网络和一个判断网络组成，通过这两个网络不断的相互对抗和调整参数，最终达到生成和真实数据分布一样的样本。GAN在图像生成以难以训练著称，特别是对于具有多个子模态的复杂图像，在传统GAN框架下的模型生成的图像往往集中在某一个子模态，缺乏多样性，该现象极大地阻碍了利用GAN模型生成图像的技术，成为了一个亟待解决的问题。

随着信息科学技术的发展，多传感器信息融合Kalman滤波在国内外引起了广泛关注，也被广泛应用到包括国防、导航、信号处理、GPS定位等多个领域。在信息融合估值理论中，融合估值算法非常重要。两种常用的融合方法是集中式融合和分布式融合两种形式，但是图像生成和识别精度不高。

发明内容

本发明的目的在于提供一种基于并行融合的判别模式的图像生成和识别方法，提高图像生成和识别精度。

为实现上述目的，本发明提供了一种基于并行融合的判别模式的图像生成和识别方法，包括：

将获取的原始图像进行分割和分解后，输入对应的判别器阵列；

将利用生成器生成的训练图片输入对应的所述判别器进行对抗博弈；

将对抗博弈结果进行并行融合，得到生成图像。

其中，所述将获取的原始图像进行分割和分解后，输入对应的判别器，包括：

基于阈值分割法将获取的原始图像分割为多张灰度图，并对多张所述灰度图进行模式分解后，输入对应数量的判别器阵列中，其中，每个所述判别器阵列均包括多个判别器。

其中，所述将利用生成器生成的训练图片输入对应的所述判别器进行对抗博弈，包括：

利用多个生成器接收随机噪声，生成对应数量的训练图片，并将所述训练图片输入对应所述判别器阵列对应的所述判别器中进行对抗博弈，其中，所述生成器的数量与所述判别器阵列的数量相同。

其中，所述将利用生成器生成的训练图片输入对应的所述判别器进行对抗博弈，还包括：

利用所述训练图片对所述判别器进行训练，并利用对应的灰度图对所述训练图片进行真假判断，直至所述判断器不能判断所述训练图片的真假后，输出对应的所述训练图片。

其中，所述将对抗博弈结果进行并行融合，得到生成图像，包括：

将输出的对应的所述训练图片组成判别矩阵后，将相邻两幅所述训练图片进行加权融合后，将得到的结果存放于下一个融合层，循环加权融合后，直至得到唯一融合结果，得到生成图像。

其中，所述将对抗博弈结果进行并行融合，得到生成图像，还包括：

在循环加权融合过程中，若所述融合层为奇数层，则将所述融合层中无匹配融合图片的对应的所述训练图片融合进下一个所述奇数层，作为下一个所述奇数层的匹配融合图片进行加权融合。

本发明的一种基于并行融合的判别模式的图像生成和识别方法，首先利用阈值分割法将获取的原始复杂图片进行分割和分解后，输入多个所述判别器阵列中，然后利用多个生成器接收随机噪声生成对应数量的训练图片后，输入所述判别器阵列中，结合分割得到的灰度图进行对抗博弈；接着将博弈结果输入组成判别矩阵后，将相邻两幅所述训练图片进行加权融合后，将得到的结果存放于下一个融合层，循环加权融合后，直至得到唯一融合结果，得到生成图像，提高图像生成和识别精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于并行融合的判别模式的图像生成和识别方法的步骤示意图。

图2是本发明提供的多输入多输出对抗生成网络结构图。

图3是本发明提供的并行融合示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提供一种基于并行融合的判别模式的图像生成和识别方法，包括：

S101、将获取的原始图像进行分割和分解后，输入对应的判别器阵列。

具体的，基于阈值分割法将获取的原始复杂图像分割为多张灰度图X

S102、将利用生成器生成的训练图片输入对应的所述判别器进行对抗博弈。

具体的，如图2所提供的多输入多输出对抗生成网络结构图所示，利用多个生成器G

S103、将对抗博弈结果进行并行融合，得到生成图像。

具体的，将输出的对应的所述训练图片组成判别矩阵后，输入融合模块进行并行融合，组成矩阵进行输入，可以保证数据的有序存放，且可以保证数据的完整性。融合的具体方法为：将相邻两幅所述训练图片进行加权融合后，将得到的结果存放于下一个融合层，在循环加权融合过程中，若所述融合层为奇数层，则将所述融合层中无匹配融合图片的对应的所述训练图片融合进下一个所述奇数层，作为下一个所述奇数层的匹配融合图片进行加权融合，循环加权融合后，直至得到唯一融合结果，得到准确的生成图像，如图3所提供的并行融合示意图所示，第0层中的70个数据进行两两加权融合，并放入第一层，然后第一层中的35个数据再次进行两两加权融合，其中，第35个数据没有融合匹配数据，则直接放入下一层，得到18个数据的第二层，进而得到含有9个数据的第三层，由于两两融合中，第四层和第五层均为偶数层，因此第三层的第9个数据则直接融合进第六层中进行匹配融合，得到只有唯一且准确的数据的第七层，总结出来就是：第1步、基于

本发明的一种基于并行融合的判别模式的图像生成和识别方法，首先利用阈值分割法将获取的原始复杂图片进行分割和分解后，输入多个所述判别器阵列中，然后利用多个生成器接收随机噪声生成对应数量的训练图片后，输入所述判别器阵列中，结合分割得到的灰度图进行对抗博弈，可以捕捉真实图像的完整的模态信息；接着将博弈结果输入组成判别矩阵后，将相邻两幅所述训练图片进行加权融合后，将得到的结果存放于下一个融合层，循环加权融合后，直至得到唯一融合结果，得到准确的生成图像，提高图像生成和识别精度。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。