本发明属于计算机辅助设计领域，具体涉及设备造型的截面图像在经过编码的基础上，寻找最优造型的方法。
背景技术：
随着计算机技术的发展，目前计算机图像已经广泛应用到各领域之中。在工业设计领域，已经广泛使用计算机来辅助进行工业设备尤其是精密器件的设计工作。
在目前的设备器件的设计中，设计人员主要还是使用人类的先验知识来设计新的造。但很多设备部件的最优造型往往不能根据先验的专业知识直接得出，使得新造型的设计效率大受影响。例如在设计优化风力发电机的风轮造型时，在复杂的使用环境下，很难去根据现有的理论知识直接推算出最优的风轮造型。
于是我们想到将设备器件的截面图像通过编码的方式降维到低维的隐变量上，进而在低维的空间上寻找最优解。但是并不能直接通过将设备造型隐变量映射到一个流形空间上用于寻优实验，其主要原因在于图像编码器的高度非线性性与寻优算法的相似性假设向矛盾。随机寻优算法往往假设流形上某一邻域范围内的所有解都互相相似，然而图像自编码器在训练过程中存在大量的极小值点，其网络结构中大量采用非线性度极高甚至不连续的计算单元。
技术实现要素：
鉴于以上所述现有技术的缺点，本发明提供一种在流形上小领域的相似性强化方法，实现参数化方法的新颖性约束，一方面增加流行上小邻域内的解的相似性，另一方面，为流形增加更多的新颖解，降低劣质解的占比。
本发明解决其技术问题所采用的技术方案是：
一种在流形上小领域的相似性强化方法，所述方法包括以下步骤：
1)图像随机扰动：对输入的图像按照一定的扰动强度进行扰动，输出一张经过扰动后的全新的图像；
2)隐变量随机扰动：输入经编码后生成的隐变量，根据一定的扰动强度对隐变量进行扰动，输出经过扰动后的隐变量；
3)流形构造：将图像映射到一个平滑的流形上，在同样扰动强度的前提下，同一张图像经所述两种扰动技术生成的两张图像近乎相似。
进一步，所述步骤3)中，在流形上对图像做相似性强化之前，会先对图像做预处理。所述预处理例如对图像做稀疏的二值化操作，可以提高后期做相似性强化的速度。
再进一步，所述步骤2)中，根据某一干扰强度使用正态随机分布或均匀随机分布等随机数生成方法在图像的不同维度上做随机扰动。
更进一步，所述步骤1)中，使用对抗自编码器对图像进行编解码，并使编码后生成的隐变量符合某一预定义的先验概率分布。
优选的，所述步骤3)中，采用基于深度神经网络的流形构造技术，使用梯度下降的方法更新网络的参数，使判决器能够识别输入图片是来自原图像随机扰动还是来自隐变量随机扰动。
本发明的有益效果主要表现在：可以方便的在流形上寻找需要的最优造型。
附图说明
图1为本发明流形上小领域内相似性强化方法的技术组成示意图。
图2为本发明流形上小领域内相似性强化方法于一实例中的结构示意图。
图3为本发明流形上小领域内相似性强化方法于一实例中的流程示意图。
原件标号说明，2-流形上小领域内相似性强化方法，21-图像随机扰动技术，22-隐变量随机扰动技术，23-流形构造技术。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种在流形上小领域的相似性强化方法，所述方法包括以下步骤：
1)图像随机扰动：对输入的图像按照一定的扰动强度进行扰动，输出一张经过扰动后的全新的图像；
2)隐变量随机扰动：输入经编码后生成的隐变量，根据一定的扰动强度对隐变量进行扰动，输出经过扰动后的隐变量；
3)流形构造：将图像映射到一个平滑的流形上，在同样扰动强度的前提下，同一张图像经所述两种扰动技术生成的两张图像近乎相似。
进一步，所述步骤3)中，在流形上对图像做相似性强化之前，会先对图像做预处理。所述预处理例如对图像做稀疏的二值化操作，可以提高后期做相似性强化的速度。
再进一步，所述步骤2)中，根据某一干扰强度使用正态随机分布或均匀随机分布等随机数生成方法在图像的不同维度上做随机扰动。
更进一步，所述步骤1)中，使用对抗自编码器对图像进行编解码，并使编码后生成的隐变量符合某一预定义的先验概率分布。
优选的，所述步骤3)中，采用基于深度神经网络的流形构造技术，使用梯度下降的方法更新网络的参数，使判决器能够识别输入图片是来自原图像随机扰动还是来自隐变量随机扰动。
图像随机扰动步骤中，在扰动强度为0时，输出图像与输入图像相同，输出隐变量与输入隐变量相同；
随着所述图像随机扰动技术扰动强度的增大，输出图像与输入图像的差异也会增大，输出隐变量与输入隐变量的差异也会增大。
隐变量扰动处理过程包含以下模块：图像编码模块，用于将图像编码为隐变量；隐变量扰动模块，用于对编码后的隐变量按一定扰动强度进行扰动；图像解码模块，用于将扰动后的隐变量解码为图像。
所述图像编码模块中，将高维的图像信息编码为低维的隐变量数据；所述图像解码器中，将低维的隐变量数据还原为图像。
隐变量扰动步骤中，输出的扰动隐变量不能显著改变原先输入隐变量的统计概率特性；大量的重复扰动可以实现隐变量的大小正比于扰动强度的邻域内的各个解的遍历。
所述流形构造处理过程包括：新颖性判决器，用于输入经图像随机扰动生成的图像，以及解码经隐变量随机扰动生成的隐变量，由新颖性判决器判断两图像受扰动的强度是否相似。所述新颖性判决器能够根据输出结果与正确结果的差异更新判决器的参数。
图2是本发明的一种实施例的结构模块示意图。
所述图像随机扰动模块根据一个扰动强度，生成一张扰动后的图像。扰动图像与原图像的差异随着扰动强度的增大而增大。定义图像随机扰动器mb(x,s)，当给定原图像x和扰动强度s，扰动器mb(x,s)给出一个与x相似的扰动后图像o，两者的差异以大概率正比于扰动强度s。
在本实施例中，采用离散余弦变换(dct)作为图像随机扰动器的实现途径，采用的方法如下：
1)使用二维dct变换计算图像数据库中每张图像的频域矩阵，及第j张图像xj的频域矩阵为mj。
2)计算每个矩阵中每个元素在数据库中各自的最大最小值，构成最大值矩阵max和最小值矩阵min。
3)对每个矩阵进行归一化mj＝(mj-min)/(max-min)，其中减法和除法为矩阵元素级操作。
4)以-1～1的均匀分布生成一个与mj尺寸相同的随机矩阵r。
5)对mj进行随机扰动ij＝mj+r*s，其中加法和乘法为矩阵元素级操作。
6)对ij进行逆归一化和逆二维dct变换即可获得随机扰动后的图像oj。
7)以oj中所有像素值的绝对值为阈值对oj进行二值化。
8)使用图像编码器中的判决器对图像oj进行判定，如果判决器认为oj不属于原图像数据集的数据，则重复步骤4)～8)，否则输出扰动后的图像oj。
在一些实施例中，步骤4可以使用高斯分布或其他随机分布方式生成一个随机矩阵。
如图2所示，隐变量随机扰动模块包含一个自编码器和一个隐变量随机扰动器。使用自编码器中的编码部分将图像编码为低维的隐变量数据z，采用隐变量随机扰动器对隐变量进行扰动，最后由自编码器的解码部分将扰动后的隐变量解码为一张新的图片。
需要注意的是隐变量随机扰动模块输出的扰动隐变量需要服从原隐变量的统计概率特性，并且大量的重复扰动可以实现隐变量的大小正比于扰动强度的邻域内的各个解的遍历。
在满足以上隐变量的特征前提下，于本实施例中，将所述隐变量随机扰动器定义为ml(z,s),具体的实施方法如下：
1)以-1～1为上下限的均匀随机分布生成一个与隐变量z尺寸相同的随机向量p。
2)对隐变量z进行随机扰动v＝z+p*s，其中加法和乘法为向量的元素级操作
3)输出v作为z的随机扰动结果
在一些实施例中，产生的随机数的上下限可以定义为为其他任意实数。
在一些实施例中，可以根据其他概率分布方式产生随机数，例如高斯分布等。
参考图2，所述流形构成模块是基于一个对抗生成网络来实现的。将图像随机扰动模块输出的图像作为正样本，隐变量扰动模块输出的图像为负样本输入新颖性判别器，由新颖性判别器判断图片是由哪个模块产生的。
在本实施例中，所述流形构造方法如下：
1)生成扰动扰动强度s，并从训练库中随机选取一张图像x
2)使用图像随机扰动器mb(x,s)生成扰动图像o
3)使用隐变量随机扰动器ml(z,s)生成扰动隐变量v，并由编码器g生成扰动图像t
4)优化公式(3)，使之取得最小值。其中d为新颖性判决器，ld为新颖性判决器的对抗误差函数，lr(g)为预定义的自编码器重构误差函数。
ld(d)＝e[log(1-d(o,x,s))]+e[log(d(t,x,s))](1)
ld(g)＝e[log(1-d(t,x,s))](2)
minlr(g)+minld(d)+minld(g)(3)
5)重复步骤1)至4)，直到公式(3)最优并成功构建流形。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点和功效。本发明还可以通过另外不同的具体实例方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互结合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目环志，其实际实施时各组件的数量及比例可为一种随意的改变。