[发明专利]一种基于生成对抗网络模型改变图像风格的方法

说明书

本发明公开了一种基于生成对抗网络模型改变图像风格的方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型，通过生成器生成图像并输入至判别器进行网络训练；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、利用卷积神经网络获取图像数据集中的风格数据分布；S5、在生成器每次迭代的过程中加入风格数据分布，进行训练。本方法构建的基于改变图像风格的原始生成对抗网络模型，通过学习图像数据集的风格特征，得到图像风格的数据分布，在生成器的训练过程中加入图像风格的数据分布，从而达到了改变图像风格信息的效果。

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于生成对抗网络模型改变图像风格的方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在传统的对抗网络模型中，判别器只对输入的图像数据集和生成图像进行辨别，并没有学习图像的特征，也没有获取图像风格的数据分布，而生成器在训练过程中也只是对数据集的数据分布进行训练，风格是一致的。目前技术中，没有通过原始生成对抗网络模型学习图像数据集的风格特征，实现改变图像风格的应用。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于生成对抗网络模型改变图像风格的方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于生成对抗网络模型改变图像风格的方法，所述的方法包括下列步骤：

S1、构造原始生成对抗网络模型，通过生成器生成图像并输入至判别器进行网络训练；

S2、构造神经网络充当生成器与判别器的功能；

S3、初始化随机噪声，输入生成器中；

S4、利用卷积神经网络获取图像数据集中的风格信息的数据分布；

S5、在生成器每次迭代的过程中加入风格信息的数据分布，更新损失函数，进行后续训练。

进一步地，所述的步骤S4过程如下：

S41、通过卷积神经网络提取图像数据集中的风格信息；

S42、得到风格信息的数据分布。

进一步地，所述的步骤S5过程如下：

在生成器每次迭代的过程中，在生成器生成图像的数据分布的基础上加入风格信息的数据分布，更新损失函数，进行后续训练。

进一步地，所述的损失函数的表达式为：

其中，D(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度。

本发明相对于现有技术具有如下的优点及效果：

本发明根据改变图像风格的操作过程，通过提取图像数据集中的风格信息，得到风格信息的数据分布，输入至生成器中，能够达到改变图像风格信息强度的效果，具有良好的针对性。

附图说明

图1是本发明中原始生成对抗网络通过改变图像风格进行训练的整体流程图。

具体实施方式