一种高美感准规则斑图批量生成方法及装置

本发明涉及数字艺术设计，特别是纺织服装等时尚产业产品设计等领域，具体涉及一种高美感准规则斑图批量生成方法及装置，高效自动生成高质量的准规则斑图，形成花型素材库。

背景技术：

1、基于非线性理论的计算机花型生成方法不仅能够极大地提高设计效率，而且能创造出无穷无尽、变化多样的花型，从而有效地解决传统设计存在设计资源、设计效率及版权等问题。这种方法所生成的花型通常称之为“数字艺术图形”，如分形图形、动力系统图形、准规则斑图等。这类图形天然地具有颜色、形态和纹理等复杂特征，同时它与传统的艺术作品一样存在着抽象性，具有科学和艺术的双重价值,成为建筑、装饰、纺织服装等领域进行花型设计的重要素材。其中，准规则斑图(quasi-regular pattern，简称准规则斑图)是一种通过将哈密顿函数平滑形式进行可视化所生成的数字艺术图形。相对其它数字艺术图形而言，准规则斑图具有较为规则的纹理以及灵活多变的模型与参数变化形式，大大丰富了图形的几何造型与艺术风格，相较于其它数字艺术图形生成模型具有更好的可控性。该模型拥有多个固定的可变参数，每一个参数均具备其独特的几何含义。

2、然而，准规则斑图生成方法依赖于所选的数学模型及参数，不可避免地存在机械性和随机性等问题，特别是对色彩的切分方案均依靠经验，导致其生成的图形未必具有艺术美感，而需要繁重的人工介入筛选具有美感的花型，因而难以有效实现可用素材的批量生成。虽然，已有方法针对分形几何图形提出了基于多特征融合的二分类美学评价模型，可用于指导图形的批量生成，这种方法存在两个问题：其一，该方法将图片分为美与不美两类，较为粗糙；其二，该方法采用先生成分形图形，然后通过评价模型确定其是否保留，由于图形生成过程与美感计算较为耗时，该方式效率较为耗时。

技术实现思路

1、本发明的目的是针对现有技术的不足，提出了一种基于高斯过程回归的高质量准规则斑图批量生成方法。高斯过程回归方法基于统计学理论，具有概率推理的特点，可以量化预测不确定性，对于解决高维非线性的小样本复杂问题上具有鲜明优势，其仅需优化超参数，在少量的样本下就能建模，并且对于梯度消失与爆炸问题具有较好的鲁棒性。本发明不同于传统的先生成图形在评估的方法，直接构建关于参数q的美感函数，在生成阶段确定图形的美感值，然后再根据美感值选择是否生成，避免了生成大量低美感值的图形，从而提高批量生成图形的效率。

2、该方法首先构造带美感值标签的准规则斑图美学评价数据集并训练基于深度神经网络的准规则斑图美感评价模型；通过模块组合方式构建准规则斑图的一般数学模型；结合基于美学评价模型，运用高斯过程回归方法建立准规则斑图参数与其美感值的函数关系；进而借助该函数在参数空间采样，确定准规则斑图生成参数，直接生成具有高美感的图形，从而避免了先生成图再判别的繁琐过程，能够高效地形成设计素材库。

3、本发明的目的是通过以下技术方案来实现的：本发明提供的一种高美感准规则斑图批量生成方法，包括以下步骤：

4、步骤一，构造准规则斑图美学评价数据集：运用准规则斑图数学模型生成若干张图片，通过专家为图片的美感程度进行打分标注；

5、步骤二，构建基于深度神经网络的准规则斑图美感评价模型并基于步骤一中带标注的数据进行训练；

6、步骤三，通过模块组合方式构建准规则斑图的一般数学模型：根据准规则斑图本身的特点，将准规则斑图模型分割为几个相对独立的模块，通过自动组合模块来生成尽可能多的准规则斑图；利用随机数来控制模块的变化，模块的组合顺序应先进行自变量变换，再进行局部变换，接着进行整体变换，最后进行叠加或者连乘变换；在gpu着色器中根据随机数来实现准规则斑图模型的自动组合；

7、步骤四，构建准规则斑图数学模型的参数q与美感函数f(q)：结合准规则斑图美学评价模型，利用高斯过程回归方法，训练出关于q的美感函数f(q)；

8、步骤五，借助美感函数f(q)，遍历参数q的取值空间，筛选出美感值大于给定阈值δ的对应的参数q，结合步骤三的准规则斑图的数学模型生成高美感图形。

9、进一步地，步骤一中，准规则斑图数学模型所表示的几何形状是一个光滑的流形曲面，即r2上定义的光滑高度场，它的基本数学模型源自弱混沌理论，准规则斑图基本模型如下：

10、

11、其中，q表示共振数，(x,y)∈r2为坐标，hq表示准规则斑图模型；准规则斑图模型的轮廓由一系列不同形状的闭合曲线组成，将准规则斑图模型中的高度场划分为若干个离散的区间并且对应于每个区间的连通区域被指定为相同的预定义颜色，由此生成的图形称为准规则斑图。

12、进一步地，所述步骤一中，在gpu上生成准规则斑图：预设n种有区分度的颜色并进行排序作为调色盘；设置所生成的准规则斑图大小为：wx,wy，分别表示宽度和高度；设置比例参数s，平移参数xt,yt，共振参数q，分别对参数xt,yt在指定区间内均匀采样m个数，对参数q在指定区间内均匀采样n个数，对于采样得到的每一组参数<xt,yt,q>，遍历图像空间的每个像素点(nx,ny_，并将其转换为归一化空间[xt,yt]×[xt+sπ,yt+sπ]：

13、

14、将其代入公式(1)得到迭代值hq，根据hq值的最大最小值将其均匀分割成若干个区间，并根据hq值大小设置像素点(nx,ny)的颜色为对应预设调色盘的颜色。

15、进一步地，所述步骤一中，为实现数据集美感值的标注，邀请花型设计领域的专家，分别独立对所生成的准规则斑图根据美感程度进行打分，其中打分区间为：[0,10]；完成打分后，保留分数方差小于3的图片，并计算其平均打分作为该准规则斑图的美感值。

16、进一步地，步骤二中，神经网络模型采用轻量化卷积网络模块mobilenet v3进行特征提取，并连接全连接层输出回归分数；其中输入图片首先将其缩放尺寸为低分辨率图像，并对其进行随机裁剪成尺寸为更小的图像作为神经网络的输入，最后运用步骤一所构造的带标注的数据集进行训练，得到准规则斑图美感评价模型。

17、进一步地，所述步骤三中，将准规则斑图函数模型进行扩展，将其分割为公式(3)所示的几个模块：

18、

19、其中，x0，y0为自变量变换模块，是分别以准规则斑图模型的自变量x和y为自变量的函数；i，ii为局部变换模块，是以准规则斑图模型的参数q和当前迭代次数i为自变量的函数；iii为整体变换模块，是以前两个模块组成的整体作为自变量的函数；iv为叠加或叠乘变换模块，是在整体模块变换后加或乘上想要的函数，其自变量是x，y，i，q；将模型分解后，通过设置随机数来决定模型所要进行的变换以及变换次数；模块的组合顺序应先进行自变量变换，再进行局部变换，接着进行整体变换，最后进行叠加或者连乘变换，其中各种变换包括初等函数变换和高等变换；初等函数变换包括指数变换、对数变换、三角函数变换、幂函数变换和绝对值变换，高等变换包括函数求导、泰勒展开和傅里叶展开；对各部分进行变换后，最终组合成完整的准规则斑图模型。

20、进一步地，所述步骤三中，生成随机数来自动生成准规则斑图模型，是否进行某个变换用布尔数组来控制；每个元素的布尔值随机，用于确定要进行哪几种变换；确定了变换类型后需要确定变换函数和变换次数，由此生成最终的准规则斑图模型。

21、进一步地，所述步骤四中，对于固定的准规则斑图模型，借助步骤二所述的美感评价模型，利用高斯过程回归方法构建关于参数q的美感函数：f(q)；首先，在参数空间采样k个点，依次生成对应的准规则斑图，并利用美感评价模型计算其美感值，由此获得训练数据集{<qi,f(qi)>}，其中qi为第i个采样点的参数q，f(qi)为第i个采样点生成的对应的准规则斑图的美感值；基于该训练数据集，构建高斯过程回归函数gp：f(x)～gp(μ(x),κ(x,x))，其中μ(x)为均值函数，κ(x,x)为协方差函数。

22、进一步地，通过脚本实现对基于步骤三的准规则斑图生成程序的控制，借助美感函数f(q)遍历参数q的取值空间，当参数q对应的美感值大于给定阈值δ，生成高美感图形；由此实现高美感准规则斑图的批量生成，并最终形成图形素材库。

23、第二方面，本发明还提供了一种高美感准规则斑图批量生成装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的一种高美感准规则斑图批量生成方法。

24、本发明的有益效果是：准规则斑图构造带标签的准规则斑图美学评价数据集，构造并训练基于神经网络的准规则斑图美感评价模型，利用高斯过程回归通过建立图形参数与其美感值的函数关系，并借助该函数在参数空间采样，确定高美感准规则斑图的生成参数，利用准规则斑图模型自动生成算法自动生成图形。该方法采用美学值回归的方式计算图形美感，美感评价粒度更为精细，且无需事后筛选，大大提高了图形批量生成效率。总之，该方法能够高效自动生成具有高美感的准规则斑图，避免了人工筛图带来的弊端，所生成的图片能够作为设计素材供设计师采用。