基于深度学习无感化融合背景的三维码生成方法和系统

技术领域

本发明涉及图像化符号编码技术领域，特别涉及一种基于深度学习无感化融合背景的三维码生成方法和系统。

背景技术

现有技术中的三维码通常是将二维码图片中的黑白码点进行提取，然后将背景图利用专用工具进行分散图像视觉要素，然后按二维码黑白码点的规则，以及背景图片的形状尺寸进行叠加美化技术，通常是利用二维码自身的纠错机制，或者是将码点进行颜色适当融合后直接覆盖于背景图像之上。这些技术在一定程度上实现了二维码的美化，赋予二维码三维化的视觉效果，但二维码的轮廓和码点还是能够通过人眼容易从图像中分辨出，普通用户能够分辨出背景和二维码的区别，并未达到视觉上的无感化的融合。

公布号为CN109840575A的中国专利《一种基于卷积神经网络的二维码风格转换方法》公开了一种利用深度残差网络把具有背景图片的混合二维码转换为一定风格的二维码的方法，通过使用Adam优化器对风格转移网络进行训练。改进风格转换网络，调整风格权重和内容权重，使风格转移网络更加适合对二维码进行风格转换。修复风格转移网络生成艺术二维码的标准定位点，使得到的艺术二维码具有艺术风格的同时，保证二维码信息的完整度和可识别度。该方法只实现了把背景图片转换为指定风格的图片，最后生成的码实际上是二维码放置在背景图片的上方，仍然具有明显的视觉分裂感。该方法虽然在一定程度上提高了码的艺术性，但并未真正从深度网络中生成一个指定的场景，该场景中完全融合二维码码的内容，能够视觉无感化的将码字内容和背景场景完全融合，各码点完全融合成场景中的组成部分。

发明内容

本发明提供，旨在解决目前的问题。

为解决上述问题，本发明采用的技术方案为：

基于深度学习无感化融合背景的三维码生成方法，包括以下步骤：

S1、建立训练模型，具体为包括以下步骤：

S11：根据所需图片风格类型建立一基础模型，对所述基础模型建立信息库，所述信息库包含图片生成提示词或关键词，输入与所述基础模型匹配的目标风格匹配的训练图片进行训练，在输入训练模型前进行训练图片的预处理，所述基础训练模型为LORA模型，并根据基础模型的类型设置对应的训练参数，生成对应目标风格信息；

S12：建立一SDW模型，用于接收所述基础模型输出的风格信息，结合输入的二维码图片，生成临时背景图；

S13：建立一控制模型，用于调整所述临时背景图；

S2、获取需要编码的二维码信息，按照设置的纠错等级调整二维码的纠错等级，生成一二维码图片；

S3、将所述二维码图片作为输入，输入至所述基础模型，并输入两个维度的提示词或关键词，使得所述基础模型判定需生成的目标风格；

S4、将所述目标风格以及所述二维码图片输入至所述SDW模型，将所述二维码图片转化为与目标风格的图形风格匹配同时保留完整的码字结构的一临时背景图；

S5、将所述临时背景图输入至所述控制模型，提取所述临时背景图中的特征，根据所述特征调整对应的控制参数，对临时背景图进行控制与调整，生成最终的三维码图像。

所述步骤S11中预处理的步骤具体为：对所述训练图片进行切分，仅保留训练图片的主体部分，使切分完成的图片尺寸相同。

所述步骤S4具体为：

S41：获取所述基础模型生成的目标风格信息，作为输入变量之一；

S42：初始化所述SDW模型的权重和偏置参数，将二维码图片输入所述SDW模型训练；

S43：利用感知差异方法作为损失函数，将所述SDW模型训练的结果值作为输入，输出为结果值与期望值之间的差异值，根据差异值，不断的修正所述SDW模型的权重，使得结果值不断的逼近期望值；

S44:在所述结果值中迭代地添加随机噪声，使用梯度下降法迭代更新生成新的图像；

S45：检测更新生成新的图像的更新方向是否匹配输入的提示词或关键词；

S46：继续不断迭代更新图像，直到损失函数的值达到预设的阈值或者预设的迭代步数，生成临时背景图；

S47:对临时背景图进行亮度和对比度的调整并输出。

所述步骤S5具体为：

S51：调用控制模型，提取临时背景图的特征，所述特征为临时背景图的明暗特征或者边边缘特征；

S52:依据所述特征，设置对应的控制参数，使得控制模型以以下的控制方法对所述SDW模型块进行控制；

控制方法具体为：

yc＝F(x；a)+Z(F(x+Z(c；β_z1)；β_c)；β_z2)

其中yc为控制模型的最终输出结果，F(x；a)为为SDW模型的输出结果，Z(c；β_z1)为控制函数的输出值，β_z1，β_c和β_z2为不同的控制参数，使最终生成的三维码图像呈现不同的深度特征；

S53：利用控制网络模型完成对SDW模型生成图像的控制，通过获取图像的特征来控制，使最终生成的三维码图像满足设定的控制要求，使生成的三维码图像更加符合提取的特征。

所述二维码图片中的二维码为具有定位标识符的二维码，所述二维码的纠错等级设置为30％。

基于深度学习无感化融合背景的三维码生成系统，包含存储器、处理器以及存储于存储器上并能够使所述处理器执行以下步骤的计算机程序：

S1、建立训练模型，具体为包括以下步骤：

S11：根据所需图片风格类型建立一基础模型，对所述基础模型建立信息库，所述信息库包含图片生成提示词或关键词，输入与所述基础模型匹配的图片风格类型的图片进行训练，在输入训练模型前进行图片的预处理，所述基础训练模型为LORA模型，并根据基础模型的类型设置对应的训练参数，生成对应目标风格的图片；

S12：建立一SDW模型，用于接收所述基础模型输出的风格信息，结合输入的二维码图片，生成临时背景图；

S13：建立一控制模型，用于调整所述临时背景图；

S2、获取需要编码的二维码信息，并调高二维码的纠错等级，生成一二维码图片；

S3、将所述二维码图片作为输入，输入至所述基础模型，并输入两个维度的提示词或关键词，使得所述基础模型判定需生成的目标风格；

S4、将所述目标风格以及所述二维码图片输入至所述SDW模型，将所述二维码图片转化为目标风格的图形结构生成一临时背景图；

S5、将所述临时背景图输入至所述控制模型，提取所述临时背景图中的特征，根据所述特征输入对应的控制参数，对临时背景图进行控制与调整，生成最终的三维码图像。

所述步骤S11中预处理的步骤具体为：对所述图片进行切分，仅保留图片的主体部分，使切分完成的图片尺寸相同。

所述步骤S4具体为：

S41：获取所述基础模型生成的目标风格，作为输入变量之一；

S42：初始化所述SDW模型的权重和偏置参数，将二维码图片输入SDW模型训练；

S43：利用感知差异方法作为损失函数，将所述的标准模型SDW训练的结果值作为输入，输出为结果值与期望值之间的差异值，根据差异值，不断的修正所述SDW模型的权重，使得结果值不断的逼近期望值；

S44:在输入的所述二维码图片中迭代地添加随机噪声，使用梯度下降法迭代更新生成新的图像；

S45：检测更新的图像的更新方向是否匹配输入的提示词或关键词；

S46：继续不断迭代更新图像，直到损失函数的值达到预设的阈值或者预设的迭代步数，生成临时背景图；

S47:对临时背景图进行亮度和对比度的调整并输出。

所述步骤S5具体为：

S51：调用控制网络模型，提取临时背景图的特征，所述特征为临时背景图的明暗特征或者边边缘特征；

S52:依据所述特征，设置对应的控制参数，使得控制网络模型以以下的控制方法对扩散性的神经网络块进行控制；

控制方法具体为：

yc＝F(x；a)+Z(F(x+Z(c；β_z1)；β_c)；β_z2)

其中yc为控制模型的最终输出结果，F(x；a)为SDW模型的输出结果，Z(c；β_z1)为控制函数的输出值，β_z1，β_c和β_z2为不同的控制参数，使最终生成的三维码图像呈现不同的深度特征；

S53：利用控制网络模型完成对SDW模型生成图像的控制，通过获取图像的特征来控制，使最终生成的三维码图像满足设定的控制要求，使生成的三维码图像更加符合提取的特征。

所述二维码图片中的二维码为具有定位标识符的二维码，所述二维码的纠错等级设置为30％。

与现有技术相比，本发明的有益技术效果在于：

1.本发明提供的基于深度学习无感化融合背景的三维码生成方法和系统，通过设置训练图片风格的基础模型，可以自动生成指定风格的图片，采用微调模型技术的LORA模型训练具有特定风格的模型，大大降低了训练模型所需要的数据量，同时降低了模型的参数和大小，可以满足低端配置场景的使用。在SDW模型中将二维码的码点与背景场景无感化相融合，使得人眼不再容易区分具体的码点和背景的区别。在深度学习生成场景的过程中加入了控制网络，通过控制网络对原有生成过程进行控制，提高了最后生成的码具有可识读性的成功率。

2.本发明提供的基于深度学习无感化融合背景的三维码生成方法和系统，通过对训练图片进行有效切分，仅保留主体部分，避免无效数据，同时切分为标准化尺寸能够提高训练速度。

3.本发明提供的基于深度学习无感化融合背景的三维码生成方法和系统，通过设置损失函数，计算输入值与期望值的差异，输入是网络中一次训练的结果值，输出则是结果值与期望值之间的差异；网络能利用这个差异值进行反向传播，不断的修正神经网络的权重，从而使输入值不断的逼近期望值。通过添加随机噪声，能够增加图像的多样性和随机性。通过梯度下降法迭代更新，用于最小化目标函数的值。通过计算目标函数在当前权重值处的梯度(即导数)方向以及梯度大小可以确定下一步的权重值更新方向和距离。梯度下降法具有收敛速度快、算法简单、扩展性强特点。通过设置阈值或迭代步数，使得训练过程中会不断的根据训练图像与真实图像值之间的差异来不断调整网络的权重，从而网络会不断的逼近真实值。

4.本发明提供的基于深度学习无感化融合背景的三维码生成方法和系统，通过提取临时背景图的明暗特征或者边边缘特征。比如明暗特征，由于二维码都是有黑白块构成，提取其明暗特征，哪些区域是亮的，哪些区域是暗的，在生成图像时根据这些特征来逼近真实情况。通过控制影响的是SDW模型的生成过程，由于图像生成过程是随机的，结果可能不是预想的结果，通过加入控制网络，控制图像在生成过程中按照明暗特征、边缘特征进行生成，网络在生成过程中就会利用这些控制参数去尽量逼近所提取的特征。

附图说明

图1是本发明提供的基于深度学习无感化融合背景的三维码生成方法的流程示意图；

图2是本发明提供的基于深度学习无感化融合背景的三维码生成方法的训练模型训练架构示意图；

图3是本发明基于深度学习无感化融合背景的三维码生成方法生成的三维码示意图。

具体实施方式

以下结合附图1-3对本发明作进一步详细说明。

实施例一

根据图1所示，本发明实施例公开了一种基于深度学习无感化融合背景的三维码生成方法，包括以下步骤：

S1、建立训练模型，具体为包括以下步骤：

S11：根据所需图片风格类型建立一基础模型，对所述基础模型建立信息库，所述信息库包含图片生成提示词或关键词，输入与所述基础模型匹配的目标风格匹配的训练图片进行训练，在输入训练模型前进行图片的预处理，所述基础训练模型为LORA模型，并根据基础模型的类型设置对应的训练参数，生成对应目标风格信息，例如要生成一幅雪乡的三维码，则只需在LORA模型中添加以下关键词命令：(lora:cubism painting of a townwith a lot of houses in the snow with a sky background,Andreas Rocha,mattepainting concept art,a detailed matte painting:1)。

S13：建立一SDW模型，用于接收所述基础模型输出的风格信息，结合输入的二维码图片，生成临时背景图。选择生成方法和生成参数：生成方法选择DPM++2M Karras，参数设置：采样步长(sampling step)设置为20，生成图像宽度和高度均设置为768，CFG Scale设置为7。SDW模型是指Self-Dual Wasserstein Generative Adversarial Network，它是一种用于生成对抗网络(GAN)的模型结构。SDW模型通过使用自对偶Wasserstein距离来训练生成器和判别器，从而实现生成高质量的图像。它是GAN领域的一种改进模型，旨在提供更好的生成图像质量和训练稳定性。

SDW模型的结构包括以下几个关键部分：

(1)生成器(Generator)：生成器是一个神经网络，接受一个随机噪声向量作为输入，并生成合成图像作为输出。生成器的目标是学习生成逼真的图像，以欺骗判别器。通常，生成器使用卷积神经网络(CNN)来生成图像。

(2)判别器(Discriminator)：判别器也是一个神经网络，接受真实图像和生成图像作为输入，并输出一个标量值，表示输入图像是真实图像的概率。判别器的目标是准确地区分真实图像和生成图像。

(3)Wasserstein距离(Wasserstein Distance)：在SDW模型中使用自对偶Wasserstein距离作为生成器和判别器之间的目标损失函数。Wasserstein距离是一种用于衡量两个分布之间差异的指标。通过最小化Wasserstein距离，SDW模型可以产生更稳定的生成图像。

(4)自对偶性(Self-Duality)：SDW模型利用了自对偶性的概念，即通过同时最小化生成器和判别器的损失函数来实现稳定的训练。这个特性使得SDW模型更容易收敛，并产生高质量的生成图像。只要设置网络的层数、权重和损失函数，网络就会利用提示词从模型中生成图像。网络根据提示词从基础模型和微调模型中逐步迭代符合提示词的图片，生成器是根据提示词来生成图片，而判别器是计算生成图像与真实图像间的差异。在生成过程中，可以利用控制网络来干预生成过程，使生成的图像更符合某种特征。例如满足二维码的分布特征。

S14：建立一控制模型，用于调整所述临时背景图。所述控制模型选用controlNet作为控制模型，在controlNet页面中上传S2步骤中生成的二维码。

S2、获取需要编码的二维码信息，按照设置的纠错等级调整二维码的纠错等级，生成一二维码图片。所述二维码可以是QR码。

S3、将所述二维码图片作为输入，输入至所述基础模型，并输入两个维度的提示词或关键词，两个维度：1.可以是；2.不可以是，使得所述基础模型判定需生成的目标风格。

S4、将所述目标风格以及所述二维码图片输入至所述SDW模型，所述二维码图片转化为与目标风格的图形风格匹配同时保留完整的码字结构的一临时背景图。

S5、将所述临时背景图输入至所述控制模型，提取所述临时背景图中的特征，根据所述特征输入对应的控制参数，对临时背景图进行控制与调整，生成最终的三维码图像。如图2所示，各训练模型训练架构示意图，展示了二维码生成三维码的过程。

所述步骤S11中预处理的步骤具体为：对所述训练图片进行切分，仅保留训练图片的主体部分，使切分完成的图片尺寸相同。

所述步骤S4具体为：

S41：获取所述基础模型生成的目标风格信息，作为输入变量之一。

S42：初始化所述SDW模型的权重和偏置参数,通过使用高斯分布随机初始化偏置参数，将二维码图片输入所述SDW模型训练。

S43：利用感知差异方法作为损失函数，将所述SDW模型训练的结果值作为输入，输出为结果值与期望值之间的差异值，根据差异值，不断的修正所述SDW模型的权重，使得结果值不断的逼近期望值。在神经网络中，损失函数就是计算输入值与期望值的差异，它的输入是网络中一次训练的结果值，输出则是结果值与期望值之间的差异；网络能利用这个差异值进行反向传播，不断的修正神经网络的权重，从而使输入值不断的逼近期望值。

Lpd＝ΣW

Lpd是感知差异损失函数，G(x)是生成器合成的图像，y是真实图像，F(,l)表示在网络中获取第l层的特征表示，||·||

S44:在所述结果值(即二维码图片生成的初步背景图)中迭代地添加随机噪声，添加随机噪声是为了增加图像的多样性和随机性。随机噪声可以通过多种方式引入，其中一种常见的方法是添加服从特定标准的随机分布的噪声，如高斯分布、均匀分布、拉普拉斯分布等。使用梯度下降法迭代更新生成新的图像。梯度下降法是一种优化算法，用于最小化目标函数的值。该算法通过计算目标函数在当前权重值处的梯度(即导数)方向以及梯度大小来确定下一步的权重值更新方向和距离。梯度下降法具有收敛速度快、算法简单、扩展性强等优势。

S45：检测更新生成新的图像的更新方向是否匹配输入的提示词或关键词。

S46：继续不断迭代更新图像，直到损失函数的值达到预设的阈值或者预设的迭代步数，生成临时背景图。在训练网络时，若训练出的结果与真实值之间的值满足一个阈值，比如距离小于0.0001，或者网络不一定收敛到这个值，但达到了规定的训练次数，比如10000次，那么网络就会终止训练。训练过程中会不断的根据训练图像与真实图像值之间的差异来不断调整网络的权重，从而网络会不断的逼近真实值。

S47:对临时背景图进行亮度和对比度的调整并输出。临时背景图的图像亮度不够或者对比度不够时，会提高图像的亮度和对比度，使图像呈现比较自然的亮度和对比度。可以通过图像直方图均衡化、图像锐化等操作来完成。

所述步骤S5具体为：

S51：调用控制模型(也可称为控制网络模型)，提取临时背景图的特征，所述特征为临时背景图的明暗特征或者边边缘特征。比如明暗特征，正常的二维码都是有黑白块构成，这时可提取其明暗特征，哪些区域是亮的，哪些区域是暗的，在生成图像时根据这些特征来逼近真实情况。

S52:依据所述特征，设置对应的控制参数，使得控制模型以以下的控制方法对扩散性的神经网络即所述SDW模型块进行控制。

控制方法具体为：

yc＝F(x；a)+Z(F(x+Z(c；β_z1)；β_c)；β_z2)

其中yc为控制模型的最终输出结果，即临时背景图特征加上控制函数的输出特征等于最终图像的生成特征，F(x；a)为原有扩散模型在该神经网络块的输出结果，Z(c；β_z1)为控制函数的输出值，β_z1，β_c和β_z2为不同的控制参数，使图像呈现不同的深度特征，表示在指定的深度特征对神经网络块即SDW模型进行修改和调整，而保持所有其他神经网络块不变。这里的控制其实影响的是SDW模型的生成过程，由于图像生成过程是随机的，结果可能不是我们想要的结果，而加入控制网络，如控制图像在生成过程中按照明暗特征、边缘特征进行生成，那么网络在生成过程中就会利用这些控制参数去尽量逼近所提取的特征，这也是干预生成过程的一种方法。输入的是图像，输出的也是图像。干预了输出图像的生成过程，使其更符合预期结果。

S53：利用控制网络模型完成对SDW模型生成图像的控制，通过获取图像的特征(可以是指定特征)来控制，使最终生成的三维码图像满足设定的控制要求，使生成的三维码图像更加符合提取的特征，即使最终生成的图像的特征与期望的特征的符合程度达到预期。如图3所示，在步骤S11中输入雪乡相关的关键词后，最终输出雪乡背景的三维码图片。

所述二维码图片中的二维码为具有定位标识符的二维码，所述二维码的纠错等级设置为30％。

实施例二

基于深度学习无感化融合背景的三维码生成系统，包含存储器、处理器以及存储于存储器上并能够使所述处理器执行以下步骤的计算机程序：

S1、建立训练模型，具体为包括以下步骤：

S11：根据所需图片风格类型建立一基础模型，对所述基础模型建立信息库，所述信息库包含图片生成提示词或关键词，输入与所述基础模型匹配的目标风格匹配的训练图片进行训练，在输入训练模型前进行图片的预处理，所述基础训练模型为LORA模型，并根据基础模型的类型设置对应的训练参数，生成对应目标风格信息，例如要生成一幅雪乡的三维码，则只需在LORA模型中添加以下关键词命令：(lora:cubism painting of a townwith a lot of houses in the snow with a sky background,Andreas Rocha,mattepainting concept art,a detailed matte painting:1)。

S13：建立一SDW模型，用于接收所述基础模型输出的风格信息，结合输入的二维码图片，生成临时背景图。选择生成方法和生成参数：生成方法选择DPM++2M Karras，参数设置：采样步长(sampling step)设置为20，生成图像宽度和高度均设置为768，CFG Scale设置为7。SDW模型是指Self-Dual Wasserstein Generative Adversarial Network，它是一种用于生成对抗网络(GAN)的模型结构。SDW模型通过使用自对偶Wasserstein距离来训练生成器和判别器，从而实现生成高质量的图像。它是GAN领域的一种改进模型，旨在提供更好的生成图像质量和训练稳定性。

SDW模型的结构包括以下几个关键部分：

(1)生成器(Generator)：生成器是一个神经网络，接受一个随机噪声向量作为输入，并生成合成图像作为输出。生成器的目标是学习生成逼真的图像，以欺骗判别器。通常，生成器使用卷积神经网络(CNN)来生成图像。

(2)判别器(Discriminator)：判别器也是一个神经网络，接受真实图像和生成图像作为输入，并输出一个标量值，表示输入图像是真实图像的概率。判别器的目标是准确地区分真实图像和生成图像。

(3)Wasserstein距离(Wasserstein Distance)：在SDW模型中使用自对偶Wasserstein距离作为生成器和判别器之间的目标损失函数。Wasserstein距离是一种用于衡量两个分布之间差异的指标。通过最小化Wasserstein距离，SDW模型可以产生更稳定的生成图像。

(4)自对偶性(Self-Duality)：SDW模型利用了自对偶性的概念，即通过同时最小化生成器和判别器的损失函数来实现稳定的训练。这个特性使得SDW模型更容易收敛，并产生高质量的生成图像。只要设置网络的层数、权重和损失函数，网络就会利用提示词从模型中生成图像。网络根据提示词从基础模型和微调模型中逐步迭代符合提示词的图片，生成器是根据提示词来生成图片，而判别器是计算生成图像与真实图像间的差异。在生成过程中，可以利用控制网络来干预生成过程，使生成的图像更符合某种特征。例如满足二维码的分布特征。

S14：建立一控制模型，用于调整所述临时背景图。所述控制模型选用controlNet作为控制模型，在controlNet页面中上传S2步骤中生成的二维码。

S2、获取需要编码的二维码信息，按照设置的纠错等级调整二维码的纠错等级，生成一二维码图片。所述二维码可以是QR码。

S3、将所述二维码图片作为输入，输入至所述基础模型，并输入两个维度的提示词或关键词，两个维度：1.可以是；2.不可以是，使得所述基础模型判定需生成的目标风格。

S4、将所述目标风格以及所述二维码图片输入至所述SDW模型，所述二维码图片转化为与目标风格的图形风格匹配同时保留完整的码字结构的一临时背景图。

S5、将所述临时背景图输入至所述控制模型，提取所述临时背景图中的特征，根据所述特征输入对应的控制参数，对临时背景图进行控制与调整，生成最终的三维码图像。如图2所示，各训练模型训练架构示意图，展示了二维码生成三维码的过程。

所述步骤S11中预处理的步骤具体为：对所述训练图片进行切分，仅保留训练图片的主体部分，使切分完成的图片尺寸相同。

所述步骤S4具体为：

S41：获取所述基础模型生成的目标风格信息，作为输入变量之一。

S42：初始化所述SDW模型的权重和偏置参数,通过使用高斯分布随机初始化偏置参数，将二维码图片输入所述SDW模型训练。

S43：利用感知差异方法作为损失函数，将所述SDW模型训练的结果值作为输入，输出为结果值与期望值之间的差异值，根据差异值，不断的修正所述SDW模型的权重，使得结果值不断的逼近期望值。在神经网络中，损失函数就是计算输入值与期望值的差异，它的输入是网络中一次训练的结果值，输出则是结果值与期望值之间的差异；网络能利用这个差异值进行反向传播，不断的修正神经网络的权重，从而使输入值不断的逼近期望值。

Lpd＝ΣW

Lpd是感知差异损失函数，G(x)是生成器合成的图像，y是真实图像，F(,l)表示在网络中获取第l层的特征表示，||·||

S44:在所述结果值(即二维码图片生成的初步背景图)中迭代地添加随机噪声，添加随机噪声是为了增加图像的多样性和随机性。随机噪声可以通过多种方式引入，其中一种常见的方法是添加服从特定标准的随机分布的噪声，如高斯分布、均匀分布、拉普拉斯分布等。使用梯度下降法迭代更新生成新的图像。梯度下降法是一种优化算法，用于最小化目标函数的值。该算法通过计算目标函数在当前权重值处的梯度(即导数)方向以及梯度大小来确定下一步的权重值更新方向和距离。梯度下降法具有收敛速度快、算法简单、扩展性强等优势。

S45：检测更新生成新的图像的更新方向是否匹配输入的提示词或关键词。

S46：继续不断迭代更新图像，直到损失函数的值达到预设的阈值或者预设的迭代步数，生成临时背景图。在训练网络时，若训练出的结果与真实值之间的值满足一个阈值，比如距离小于0.0001，或者网络不一定收敛到这个值，但达到了规定的训练次数，比如10000次，那么网络就会终止训练。训练过程中会不断的根据训练图像与真实图像值之间的差异来不断调整网络的权重，从而网络会不断的逼近真实值。

S47:对临时背景图进行亮度和对比度的调整并输出。临时背景图的图像亮度不够或者对比度不够时，会提高图像的亮度和对比度，使图像呈现比较自然的亮度和对比度。可以通过图像直方图均衡化、图像锐化等操作来完成。

所述步骤S5具体为：

S51：调用控制模型(也可称为控制网络模型)，提取临时背景图的特征，所述特征为临时背景图的明暗特征或者边边缘特征。比如明暗特征，正常的二维码都是有黑白块构成，这时可提取其明暗特征，哪些区域是亮的，哪些区域是暗的，在生成图像时根据这些特征来逼近真实情况。

S52:依据所述特征，设置对应的控制参数，使得控制模型以以下的控制方法对扩散性的神经网络即所述SDW模型块进行控制。

控制方法具体为：

yc＝F(x；a)+Z(F(x+Z(c；β_z1)；β_c)；β_z2)

其中yc为控制模型的最终输出结果，F(x；a)为SDW模型的输出结果，Z(c；β_z1)为控制函数的输出值，β_z1，β_c和β_z2为不同的控制参数，使最终生成的三维码图像呈现不同的深度特征。这里的控制其实影响的是SDW模型的生成过程，由于图像生成过程是随机的，结果可能不是我们想要的结果，而加入控制网络，如控制图像在生成过程中按照明暗特征、边缘特征进行生成，那么网络在生成过程中就会利用这些控制参数去尽量逼近所提取的特征，这也是干预生成过程的一种方法。输入的是图像，输出的也是图像。干预了输出图像的生成过程，使其更符合预期结果。

S53：利用控制网络模型完成对SDW模型生成图像的控制，通过描述图像的特征来控制，使最终生成的三维码图像满足设定的控制要求，使生成的三维码图像更加符合提取的特征，即使最终生成的图像的特征与期望的特征的符合程度达到预期。如图3所示，在步骤S11中输入雪乡相关的关键词后，最终输出雪乡背景的三维码图片。

所述二维码图片中的二维码为具有定位标识符的二维码，所述二维码的纠错等级设置为30％。

以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。