[发明专利]一种基于深度卷积神经网络的图像色彩表达模式迁移方法

说明书

本发明提供一种能够完成图像风格识别任务的深度卷积神经网络，并提供一种图像色彩表达模式迁移方法，其通过物体识别任务中预训练好的深度卷积神经网络提取待处理内容图像和初始化的图像的内容表示特征并计算的内容损失函数，通过图像风格识别任务中预训练好的深度卷积神经网络来提取初始化的图像与风格图像的风格表示特征并计算风格损失函数，并最终获得总损失函数；根据总损失函数，在图像域，从初始化的图像开始，使用梯度下降算法迭代优化，获得总损失函数最小的对应的图像作为最终的结果图像。本发明的方法能够完成图像色彩表达模式迁移，同时避免输出的结果图像存在大量的与印象派绘画图像类似的笔触，保留原有自然图像的结构信息。

技术领域

本发明专利涉及深度学习，尤其涉及一种深度卷积神经网络和一种基于深度卷积神经网络的图像色彩表达模式迁移方法。

背景技术

随着深度学习的发展，深度卷积神经网络在分离并组合重构图像的内容和风格的任务中表现出了强大的能力，图像风格迁移取得了极大的进步。但目前在图像风格迁移任务中，关于图像风格尚无精确的定义，一幅图像的风格可以是图像的任何视觉属性，如纹理、颜色等，所以图像风格迁移的结果也没有统一的标准进行评价。

在目前的风格迁移方法中，即使借助于深度卷积神经网络的强大的图像特征表示能力，图像的内容和风格依然无法完全地分离，所以目前风格化后的图像具有一些风格图像的结构信息，如在自然图像和印象派绘画图像间实现风格迁移时，输出的结果图像存在大量的与印象派绘画图像类似的笔触，破坏了原有自然图像的结构信息。其主要原因是目前主流的风格迁移方法全部使用在ImageNet数据集上训练得到的VGG-19(或者VGG-16)网络来提取图像的内容表示和风格表示，而该网络是在ImageNet数据集上针对1000类别的物体分类任务训练而来，深度神经网络模型的特征提取由任务导向，所以即使使用该分类任务中训练而来的VGG-19(或者VGG-16)提取的特征表示的统计度量，依然会保留小区域内的结构信息，导致生成的结果图像具有结构上的失真。

发明内容

本发明的目的在于提供一种基于深度卷积神经网络的图像色彩表达模式迁移方法，其能够将风格图像的色彩表达模式迁移到待处理内容图像上，形成色彩表达模式迁移后的结果图像；结果图像的内容和结构信息与待处理内容图像高度相似，其色彩表达模式与风格图像相似。

本发明是通过以下技术方案来实现：

一种基于深度卷积神经网络的图像色彩表达模式迁移方法，其特征在于，包括步骤：

步骤1、从输入的待处理内容图像x_c中用物体识别任务中预训练好的深度卷积神经网络提取待处理内容图像x_c的内容表示特征F_c；

从输入的风格图像x_s中用在图像风格识别任务中预训练好的深度卷积神经网络来提取风格图像x_s的风格表示特征G_s；

从输入的初始化的图像x₀中用物体识别任务中预训练好的深度卷积神经网络提取初始化的图像x₀的内容表示特征F_r，用在图像风格识别任务中预训练好的深度卷积神经网络来提取初始化的图像x₀的风格表示特征G_r；

步骤2、计算图像优化的内容损失函数L_content：

其中表示初始化的图像x₀的内容表示特征F_r中的第i个元素，表示待处理内容图像x_c的内容表示特征F_c中的第i个元素；ρ₁＝0,1或2；

计算图像优化的风格损失函数L_style：