[发明专利]一种基于生成对抗网络的图像多样性增强方法与系统

权利要求书

1.一种基于生成对抗网络的图像多样性增强方法，应用于装有Tensorflow框架的Windows系统设备，其特征在于，包括：

S1：搭建一个生成对抗网络模型，包括聚类模块、具有分类导向的损失函数、判别器模块和生成器模块；

S2：将采集的图像数据形成原始图像数据集，并对所述原始图像数据集做归一化预处理，并定义优化器和损失函数；

所述S2定义的损失函数为编码长度函数和辛普森多样性指数相结合，具体为：

S2.1：定义图像的编码长度函数公式为：

其中，m和D分别为数据的尺寸，对应为图片的长与宽，I为上层网络残差，X为图像张量本身，同理X^T为图像张量的转置，ε为一个用以确定压缩精度的约束常量参数，x表示图像各点像素值；

S2.2：定义辛普森多样性指数公式为：

其中P_i代表：一个群落中，某一个种群被抽中的概率，其计算公式为：

当一个群落中，每个种群的数量相同时，得到辛普森多样性指数的另一种形式，其公式为：

其中，S代表，这个群落中的物种的种类数；

S2.3：将辛普森多样性指数和编码长度函数相结合，得到具有分类导向的损失函数，损失函数公式为：

其中，α是一个阈值，取值范围为（0，1），Ld-loss代表的是判别器损失值，Lg-loss是生成器损失值，E代表期望，x~Ptag代表的是x是tag集合中的数据，SPI是辛普森多样性指数，λ是一个范围为（0，1）的阈值，L（x，ε）代表的是编码长度函数；

S3：使用Tensorflow框架的函数生成噪声，将生成的噪声放入生成器模块，生成对应的图像对抗样本；

S4：所述图像对抗样本进入聚类模块，然后聚类模块对所述图像对抗样本进行聚类，并得出聚类数值；

S5：所述原始图像数据集和所述图像对抗样本进入判别器模块，判别器模块根据所述原始图像数据集对所述图像对抗样本进行判断，输出一个判断结果；

S6：根据判断结果，基于所述聚类数值，利用S2定义的损失函数，计算所述生成器模块的损失值和所述判别器模块的损失值，并通过反向传播的训练方式来提升生成器模块和判别器模块的性能，并获取判别器模块的生成图像作为图像多样性增强样本；

S7：然后循环S3-S6，直到生成器模块和判别器模块的训练次数达到预设的训练阈值，循环结束，生成最终的图像多样性增强数据集。

2.根据权利要求1所述的一种基于生成对抗网络的图像多样性增强方法，其特征在于，所述S1搭建判别器模块和生成器模块具体为：

S1.1：搭建一个八层神经网络结构的判别器模块：利用Keras框架中的Conv2D函数搭建四层卷积神经网络，然后使用BatchNormalization函数搭建两层BN层，以及最后的一个Flatten层和一个全连接层；

S1.2：搭建一个七层神经网络结构的生成器模块：首先搭建一个作为噪声输入大小为N×N的全连接层，再利用Keras框架中的Conv2DTranspose函数搭建四层反卷积神经网络层，然后使用BatchNormalization函数搭建两层BN层，最后一层反卷积神经网络层作为生成器模块的输出。

3.根据权利要求2所述的一种基于生成对抗网络的图像多样性增强方法，其特征在于，S3具体为：

S3.1：生成一个范围在[0-1]之间且大小为N×N的噪声，输入到生成器模块的全连接层中；

S3.2：生成器模块将输入的N×N噪声，进行一个重组操作，将其维度从二维张量改变为三维张量，然后进行反卷积操作；

S3.3：最后一层反卷积神经网络层输出生成的对抗样本图像。