1.基于深度学习与数字图像处理的数字扎染图案生成方法，其特征在于，包括如下步骤：

步骤1，构建ICI-ACDCGAN网络；

步骤2，对ICI-ACDCGAN网络进行训练，得到训练好的生成网络ICI-ACDCGAN；

步骤3，输入图形框架图；

步骤4，利用训练好的生成网络ICI-ACDCGAN生成花形图和背景图，基于校色与关键区域拼贴对图形框架图进行处理，输出图形框架图为生成扎染图。

2.根据权利要求1所述的方法，其特征在于，步骤1中ICI-ACDCGAN网络包括生成网络G和判别网络D，生成网络G用于根据输入随机噪声生成模拟图片，判别网络D用于判断生成模拟图片是否为真实的，并输出图为真的概率和图片类别。

3.根据权利要求2所述的方法，其特征在于，步骤1中，所述生成网络G有5层，输入100维随机向量和m维的类标签向量，m是网络能生成的图形类数，生成网络G第一层是全连接层，大小4×4×1024；第二层反卷积层中卷积核大小为5×5输出512维大小为8×8的特征映射，步长strides为2；第三层反卷积层中卷积核大小为5×5输出256维大小为16×16的特征映射，步长strides为2；第四层反卷积层中卷积核大小为5×5输出128维大小为32×32的特征映射，步长strides为2；第五层反卷积层中卷积核大小为5×5输出3维大小为64×64的特征映射，步长strides为2。

4.根据权利要求3所述的方法，其特征在于，步骤1中，所述判别网络D有6层，其输入是生成网络G输出的三通道RGB图像大小为64×64矩阵，判别网络D的第一层卷积层中卷积核大小为5×5输出64维大小为32×32的特征映射，strides为2；第二层卷积层中卷积核大小为5×5输出128维大小为16×16的特征映射，strides为2；第三层卷积层中卷积核大小为5×5输出256维大小为8×8的特征映射，strides为2；第四层卷积层中卷积核大小为5×5输出512维大小为4×4的特征映射，strides为2；第五层卷积层中卷积核大小为3×3输出1024维大小为4×4的特征映射，然后判别网络D分支成两个同级输出层：一个连接大小为1024全连接层，输出图为真的概率；另一个连接集成分类网络，所述集成分类网络包括k个并行同结构子网分类器，子网分类器连接两个1024和512大小全连接层，输出m个类别Softmax概率估计，最后将m个类别判断送入投票器，投票器判断得票最多的类为生成图片类别。

5.根据权利要求4所述的方法，其特征在于，步骤2包括：

步骤2-1，采集扎染花形图、背景图组成数据集Z，按比例λ随机抽取数据集Z中一部分样本组成k个新数据集，定义训练目标函数：LS＝E[lnP(S＝real|Xreal)]+E[lnP(S＝fake|Xfake)]

其中，LS表示正确图像源的对数似然， 表示第i个子网分类器正确类别的对数似然，i＝1,2…k，判别网络D训练的目标是最大 生成网络G训练的目标是最大 E()指期望值，P(S＝real|Xreal)表示判别网络D判断真实图像为真real的概率；P(S＝fake|Xreal)表示判别网络D判断生成网络G生成的图像为假fake的概率，Pi(Ci＝c|Xreal)表示判别网络D的第i个子网分类器对真实图像分类是否正确的概率，Pi(Ci＝c|Xfake)表示判别网络D的第i个子网分类器对生成图像分类是否正确的概率，Xreal、Xfake分别是真实图和生成图，c是类别标记，Ci是第i个子网分类器输出；

步骤2-2，训练k次ICI-ACDCGAN网络，i＝1,2…k，每次用第i个新的数据集训练整个网络和第i个子网分类器，同时固定其余k-1个子网分类器两个1024和512大小全连接层的参数。

6.根据权利要求5所述的方法，其特征在于，步骤4包括：

步骤4-1，获取图形框架图宽高值W和H，使用区域连通算法提取出图形框架图中所有圆，记录下圆个数n，圆最小相邻间隔距离t，第i个圆中心坐标(xi，yi)，i＝1,2,…n，将所有圆设置为白色，图形框架图区域称为画布图像；

步骤4-2，设置每个ICI-ACDCGAN网络生成方形扎染小图案边长len＝Rnd()/3+2/3，Rnd()为0-1间的随机数；

步骤4-3，将图形框架图均分成p＝ROUNDUP(W/len)×ROUNDUP(H/len)个区域，ROUNDUP()为小数向上取整函数；用训练好的ICI-ACDCGAN网络生成p个背景图，背景图大小缩放至len×len，进行校色操作：步骤4-4，校色后，遍历图形框架图中p个区域，分别将p个校色后背景图复制到p个区域；在RGB三通道采用大小为5*5的滤波窗口进行中值滤波消除相邻图像边缘线；

步骤4-5，用训练好的ICI-ACDCGAN网络生成n个RGB扎染花形图，花形图大小缩放至len×len；

步骤4-6，对扎染花形图做校色处理，剔除花形图案的蓝底部分，通过关键区域拼贴算法解决花形校色及与背景融合的问题；

步骤4-7，输出图形框架图为生成扎染图案。

7.根据权利要求6所述的方法，其特征在于，步骤4-3中，所述校色操作包括：计算所有背景图RGB三通道均值，再单独计算每个背景图RGB均值，选择单图RGB均值与所有背景图RGB三通道欧氏均值距离最近者为参考图像，其它背景图为待校色图像，颜色按下式计算调整：PDiff＝Pr_mean-Pd_mean，

P′＝Pd+PDiff×ρ，

式中，P表示框架图RGB三通道分量，Pr_mean表示参考图像RGB三个通道的平均亮度值；

Pd_mean表示待校色图像RGB三个通道的平均亮度值；PDiff表示待校色图像与参考图像RGB三个通道平均亮度差值；ρ表示待校色图像三个通道的亮度调节因子；Pd表示待校色图像中一像素点RGB三个通道的当前亮度值；Pmax和Pmin分别是待校色图像RGB三个通道的最大值和最小值；P′表示待校色图像中一像素点RGB三个通道校正后的亮度值。

8.根据权利要求7所述的方法，其特征在于，步骤4-6包括：所述通过关键区域拼贴算法解决花形校色及与背景融合的问题，包括：基于Otsu分割算法分别提取出n个RGB扎染花形图的体现花形特征的白色花形区域，对n个白色花形区域按步骤4-3的方法进行校色处理，将校色后每个白色花形区域直接复制到画布坐标(xi，yi)处替换相同区域背景色，最后在画布图像RGB三通道采用大小为3*3的滤波窗口进行均值滤波，消除关键区域与背景间边缘影响。