[发明专利]一种基于深度学习的珠宝图片美化算法

说明书

本发明公开了一种基于深度学习的珠宝图片美化算法，涉及图像处理领域。本发明包括如下步骤：S01、数据收集：从网络上收集大量实物图和大量美化实物图；S02、数据标定：随机从收集的实物图中抽取若干张实物图进行美化处理，形成相互对应的标定图片；S03、搭建网络模型：将实物图、美化实物图和标定图片输入模型进行训练；S04、定义损失函数：计算每次训练迭代的损失函数，获取最优模型；S05、训练图片：将实物图、美化图、标注图片输入输入模型获取最优模型。本发明通过深度学习对珠宝图片进行美化，对一小部分的图片进行标定，进行监督学习的同时，加入未标定数据进行对抗训练，训练学习后能够直接输出编辑后的美化图片，提升珠宝图片的美化效果和处理效率。

技术领域

本发明属于图像处理领域，特别是涉及一种基于深度学习的珠宝图片美化算法。

背景技术

随着互联网的发展以及手机等数码产品的普及，图片的获取与之前相比，现在变得更加容易。从而也使得对图片的智能编辑的需求也十分急迫。Photoshop等软件适用于专业人员，提供了可对图片进行复杂编辑的工具。同时也对使用者提出了更高的要求。使用者必须进行专业软件的培训，才能对软件进行操作。对于普通人来说，急需一种傻瓜式的方式来对图片进行编辑的功能。这种工具，不需要用户具有专业的知识，因此，软件的上手也不需要额外的进行培训，降低了使用的门槛，同时也能满足用户大部分的需求。

随着深度学习的发展，这种傻瓜式的工具成为可能。如果有足够量的图片，而这在互联网时代不是问题。搭建一个合适的神经网络，并且有足够量的图片进行监督学习，那么经过训练学习后，用户输入任意一张图片，该系统就可以直接输出编辑后的图片。但是训练集中图片需要人工进行标定，这需要耗费大量的人力进行人工标定图片，并且需要有严格的标定评定系统对标定结果进行评估。因此，训练数据的获取，即数据集的人工标定，成为了限制训练结果，即系统好坏的瓶颈。

因此，本发明提出了一种基于小数据集训练，但加入未标注样本进行对抗训练的方法，来提升图片的美化效果，能够有效解决上述的瓶颈问题。

发明内容

本发明的目的在于提供一种基于深度学习的珠宝图片美化算法，通过深度学习对珠宝图片进行美化，对一小部分的图片进行标定，进行监督学习的同时，加入未标定数据进行对抗训练，解决了现有的图片处理需要人工标定效率低、图片美化效果不佳的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于深度学习的珠宝图片美化算法，包括如下步骤：

步骤S01、数据收集：从网络上收集大量珠宝实物图和大量美化珠宝实物图；

步骤S02、数据标定：随机从收集的珠宝实物图中抽取若干张实物图进行美化处理，形成相互对应的标定图片；

步骤S03、搭建网络模型：将珠宝实物图、美化珠宝实物图和标定图片输入模型进行训练；

步骤S04、定义损失函数：计算每次训练迭代的损失函数，获取最优模型；

步骤S05、训练图片：将实物图、美化图、标注图片输入输入模型获取最优模型；

其中，步骤S03中，模型包括美化网络和判别网络；所述美化网络为一23层卷积神经网络；所述美化网络中卷积主要分为步长为2，核为3*3的卷积、步长为1，核为3*3的卷积和步长为1/2，核为3*3的卷积；所述判别网络为一7层卷积神经网络且最后一层为全连接层；所述判别网络第一层使用5*5的卷积，其他层使用核为3*3的卷积。

优选地，所述步骤S04中，输入图片时损失函数分为三类：

(1)当输入为标注的图片时，损失函数为：

(2)当输入图片为未标注的实物图示，损失函数为：