[发明专利]基于深度学习的图像融合方法与计算机存储介质

说明书

本发明提供了一种基于深度学习的图像融合方法与计算机存储介质。其中基于深度学习的图像融合方法包括：获取待处理图片；利用预先深度学习得出的吸毒肖像特征对待处理图片进行图像融合处理；以及输出经过图像融合处理的图片。本发明的方案，通过图像融合技术处理人的肖像，使之展现出吸毒后的效果，可以达到宣传吸毒有害身体健康的目的，宣传范围广泛，不仅提升了宣传效果，还有效降低了宣传成本。

技术领域

本发明涉及计算机图像处理领域，特别是涉及一种基于深度学习的图像融合方法与计算机存储介质。

背景技术

目前，日趋严重的毒品问题已经成为全球性的灾难。毒品不仅会严重损害人体健康，而且还从灵魂和心身摧残和毁灭滥用个体。一方面会导致滥用个体经济崩溃、家庭解体；另一方面还会不可避免地衍生盗窃、抢劫、暴力、凶杀等恶性犯罪，给公共社会带来了不可估量的灾难性危害。

但是目前主要通过网络报刊、电台，利用公益广告的版面和时段进行禁毒宣传，这些禁毒宣传的方式有很多缺点，例如信息传播的速度较慢，传播的范围不够广泛，同时宣传所需的成本很高。

发明内容

本发明的一个目的是提供一种高效且低成本的禁毒宣传途径。

本发明一个进一步的目的是扩展图像融合的应用范围。

特别地，本发明提供了一种基于深度学习的图像融合方法，该方法包括：获取待处理图片，待处理图片中至少包括面部图像；利用预先深度学习得出的吸毒肖像特征对待处理图片进行图像融合处理，吸毒肖像特征由深度学习网络模型通过对样本图像训练得出，样本图像为吸毒人员的面部图像；以及输出经过图像融合处理的图片。

可选地，由深度学习网络模型通过对样本图像训练得出吸毒肖像特征的步骤包括：选取预定数量的吸毒人员的面部图像作为样本图像，并将样本图像传入卷积神经网络进行训练，以提取吸毒肖像特征。

可选地，选取样本图像的步骤还包括：对图片库中吸毒人员的面部图像进行图像质量筛选，提取出预定数量图像质量满足要求的图像作为样本图像。

可选地，卷积神经网络由19层VGG网络的16个卷积层和5个池层提供。

可选地，将样本图像传入卷积神经网络进行训练的步骤包括：获取卷积神经网络中特定层从样本图像中提取出来的图像内容，并用白色噪声图像执行梯度下降计算，以找到与样本图像的图像内容特征相匹配的图像；以及使用标准误差反向传播来计算相对于相匹配的图像的梯度，从而提取吸毒肖像特征。

可选地，对待处理图片进行图像融合处理的步骤包括：将待处理图片传入卷积神经网络进行训练，提取出待处理图片的图像内容；以及将待处理图片的图像内容与吸毒肖像特征进行融合。

可选地，将待处理图片传入卷积神经网络进行训练的步骤包括：获取卷积神经网络中特定层从待处理图片提取出来的图像风格；用白色噪声图像执行梯度下降计算，找到与待处理图片的内容特征相匹配的图像；以及通过使待处理图片矩阵与相匹配的图像的矩阵之间的均方距离最小化，提取出待处理图片的图像内容，并且将待处理图片的图像内容与吸毒肖像特征进行融合的步骤包括：使卷积神经网络中特定层从待处理图片提取出来的图像内容和多个层处理的吸毒肖像特征联合最小化，将图像内容与吸毒肖像特征融合，按照指定的卷积网络的迭代次数进行融合处理。

可选地，获取待处理图片的步骤包括：接收用户终端通过网络上传的图片，作为待处理图片。

可选地，输出经过图像融合处理的图片的步骤包括：保存图像融合处理的图片；以及通过网络将图像融合处理的图片发送至上传待处理图片的用户终端，以供用户终端展示。

根据本发明的另一个方面，还提供了一种计算机存储介质，其中存储有计算机程序，并且计算机程序运行时导致计算机存储介质的所在设备执行上述任一种基于深度学习的图像融合方法。