[发明专利]一种基于生成式对抗网络和ResNets技术的图像转换方法及系统

权利要求书

1.一种基于生成式对抗网络和ResNets技术的图像转换方法，其特征在于，所述基于生成式对抗网络和ResNets技术的图像转换方法包括：

步骤一：基于重建一致性损失和对偶GAN设计图像转换框架，对偶GAN包括G_A→B生成器、G_B→A生成器、D_B鉴别器、D_A鉴别器；

步骤二：基于步骤一设计图像转换框架建立目标函数，

上式中，u为u域图像,v为v域图像；G_A→B表示将u域图像转换成v域图像，G_B→A表示将v域图像转换成u域图像；D_A的作用是判别v域的生成图像是否逼近真实的u域图像，D_B的作用是判别u域的生成图像是否逼近真实的v域图像。第一个生成对抗网络的对抗函数，是第二个生成对抗网络的对抗函数，l_recon(G_A→B,G_B→A)为重建一致损失函数；

步骤三：设计步骤一中ERGAN的生成器G_A→B,G_B→A的网络结构,由编码器、ResNets网络和编码器组成生成器网络架构；生成器将域图像装换成目标域图像；

步骤四：基于步骤三中生成器网络生成目标域图像后，传送到鉴别器D_A,D_B网络,鉴别器对真实的目标域图像与生成的目标域图像进行评估；

步骤五：完成步骤一至步骤四，然后设置训练参数并用数据集训练ERGAN网络提取特征，同时调整网络参数使得目标函数达到最小。

2.如权利要求1所述的基于生成式对抗网络和ResNets技术的图像转换方法，其特征在于，步骤二具体包括：

ERGAN模型包括对偶GAN和ERGAN模型的目标函数，其中目标函数包括重建一致性损失函数和对抗性损失函数；重建一致性损失函数由两个部分组成，一是重建的u域图像与输入u域图像之差；二是重建的v域图像与输入v域图像之差；重建一致性损失函数为以下两部分之和,如下式所示:

在ERGAN模型中，包括以下两个对抗性损失函数；

目标函数为：

3.如权利要求1所述的基于生成式对抗网络和ResNets技术的图像转换方法，其特征在于，步骤三中，解码器网络由Pixelshuffler层和反卷积层组成；PS层输出的特征通道数为r²，其中r为缩放倍数；公式如下：

I_U^SR＝f^L(I_V^lR)＝PS(W_L*f^L-1(I_V^lR)+b_L)

其中W_L是生成器第L层权重参数，b_L生成器第L层偏置参数，f是激活函数。为残差网络提取低频源域特征；所得的低分辨率图像通过PS操作，将r²维度的H×W×r²C低分辨率特征“组装”成rH×rW×C高分辨率图像，其中H、W、C分别是特征图像的高度、宽度和通道数。为目标域高分辨率图像。

4.一种基于生成式对抗网络和ResNets技术的图像转换计算机程序，其特征在于，所述基于生成式对抗网络和ResNets技术的图像转换计算机程序实现权利要求1～3任意一项所述基于生成式对抗网络和ResNets技术的图像转换方法。

5.一种终端，其特征在于，所述终端至少搭载实现权利要求1～3任意一项所述基于生成式对抗网络和ResNets技术的图像转换方法的控制器。

6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-3任意一项所述的基于生成式对抗网络和ResNets技术的图像转换方法。