【技術實現步驟摘要】
基于深度學習無感化融合背景的三維碼生成方法和系統
[0001]本專利技術涉及圖像化符號編碼
，特別涉及一種基于深度學習無感化融合背景的三維碼生成方法和系統
。
技術介紹
[0002]現有技術中的三維碼通常是將二維碼圖片中的黑白碼點進行提取，然后將背景圖利用專用工具進行分散圖像視覺要素，然后按二維碼黑白碼點的規則，以及背景圖片的形狀尺寸進行疊加美化技術，通常是利用二維碼自身的糾錯機制，或者是將碼點進行顏色適當融合后直接覆蓋于背景圖像之上
。
這些技術在一定程度上實現了二維碼的美化，賦予二維碼三維化的視覺效果，但二維碼的輪廓和碼點還是能夠通過人眼容易從圖像中分辨出，普通用戶能夠分辨出背景和二維碼的區別，并未達到視覺上的無感化的融合
。
[0003]公布號為
CN109840575A
的中國專利
《
一種基于卷積神經網絡的二維碼風格轉換方法
》
公開了一種利用深度殘差網絡把具有背景圖片的混合二維碼轉換為一定風格的二維碼的方法，通過使用
Adam
優化器對風格轉移網絡進行訓練
。
改進風格轉換網絡，調整風格權重和內容權重，使風格轉移網絡更加適合對二維碼進行風格轉換
。
修復風格轉移網絡生成藝術二維碼的標準定位點，使得到的藝術二維碼具有藝術風格的同時，保證二維碼信息的完整度和可識別度
。
該方法只實現了把背景圖片轉換為指定風格的圖片，最后生成的碼實際上是二維碼放置在背景圖...
【技術保護點】
【技術特征摘要】
1.
基于深度學習無感化融合背景的三維碼生成方法，其特征在于，包括以下步驟：
S1、
建立訓練模型，具體為包括以下步驟：
S11
：根據所需圖片風格類型建立一基礎模型，對所述基礎模型建立信息庫，所述信息庫包含圖片生成提示詞或關鍵詞，輸入與所述基礎模型的目標風格匹配的訓練圖片進行訓練，在輸入訓練模型前進行訓練圖片的預處理，所述基礎模型類型為
LORA
模型
，
并根據基礎模型的類型設置對應的訓練參數，生成對應目標風格信息；
S12
：建立一
SDW
模型，用于接收所述基礎模型輸出的風格信息，結合輸入的二維碼圖片，生成臨時背景圖；
S13
：建立一控制模型，用于調整所述臨時背景圖；
S2、
獲取需要編碼的二維碼信息，按照設置的糾錯等級調整二維碼的糾錯等級，生成一二維碼圖片；
S3、
將所述二維碼圖片作為輸入，輸入至所述基礎模型，并輸入兩個維度的提示詞或關鍵詞，使得所述基礎模型判定需生成的目標風格；
S4、
將所述目標風格以及所述二維碼圖片輸入至所述
SDW
模型，將所述二維碼圖片轉化為與目標風格的圖形風格匹配同時保留完整的碼字結構的一臨時背景圖；
S5、
將所述臨時背景圖輸入至所述控制模型，提取所述臨時背景圖中的特征，根據所述特征調整對應的控制參數，對臨時背景圖進行控制與調整，生成最終的三維碼圖像
。2.
根據權利要求1所述的基于深度學習無感化融合背景的三維碼生成方法，其特征在于，所述步驟
S11
中預處理的步驟具體為：對所述訓練圖片進行切分，僅保留訓練圖片的主體部分，使切分完成的圖片尺寸相同
。3.
根據權利要求1所述的基于深度學習無感化融合背景的三維碼生成方法，其特征在于，所述步驟
S4
具體為：
S41
：獲取所述基礎模型生成的目標風格信息，作為輸入變量之一；
S42
：初始化所述
SDW
模型的權重和偏置參數，將二維碼圖片輸入所述
SDW
模型訓練；
S43
：利用感知差異方法作為損失函數，將所述
SDW
模型訓練的結果值作為輸入，輸出為結果值與期望值之間的差異值，根據差異值，不斷的修正所述
SDW
模型的權重，使得結果值不斷的逼近期望值；
S44:
在所述結果值中迭代地添加隨機噪聲，使用梯度下降法迭代更新生成新的圖像；
S45
：檢測更新生成新的圖像的更新方向是否匹配輸入的提示詞或關鍵詞；
S46
：繼續不斷迭代更新圖像，直到損失函數的值達到預設的閾值或者預設的迭代步數，生成臨時背景圖；
S47:
對臨時背景圖進行亮度和對比度的調整并輸出
。4.
根據權利要求3所述的基于深度學習無感化融合背景的三維碼生成方法，其特征在于，所述步驟
S5
具體為：
S51
：調用控制模型，提取臨時背景圖的特征
，
所述特征為臨時背景圖的明暗特征或者邊緣特征；
S52:
依據所述特征，設置對應的控制參數，使得控制模型以以下的控制方法對所述
SDW
模型進行控制；控制方法具體為：
yc
＝
F(x
；
a)+Z(F(x+Z(c
；
β
_z1)
；
β
_c)
；
β
_z2)
其中
yc
為控制模型的最終輸出結果，
F(x
；
a)
為
SDW
模型的輸出結果，
Z(c
；
β
_z1)
為控制函數的輸出值，
β
_z1
，
β
_c
和
β
_z2
為不同的控制參數，使最終生成的三維碼圖像呈現不同的深度特征；
S53
：利用控制模型完成對
SDW
模型生成圖像的控制，通過獲取圖像的特征來控制，使最終生成的三維碼圖像滿足設定的控制要求，使生成的三維碼圖像更加符合提取的特征
。5.
根據權利要求1所述的基于深度學習無感化融合背景的三維碼生成方法，其特征在于，所述二維碼圖片中的二維碼為具有定位標識符的二維碼，所述二維碼的糾錯等級設置為
30
％
。6.
基于深度學習無感化融合背景的三維碼生成系...
【專利技術屬性】
技術研發人員：陳繩旭，馬吉良，何榮茂，王秋婉，
申請(專利權)人：三維碼廈門網絡科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。