[发明专利]一种改进GAN模型的图像生成方法

说明书

本发明公开了一种改进GAN模型的图像生成方法，首先读取本地已有的原始图像样本；预训练改进LeNet模型；将改进LeNet模型当做改进GAN模型的判别模型；根据原始GAN模型的生成模型设计改进GAN模型的生成模型；以随机噪声为生成模型的输入，经过反卷积操作后得到生成的图像样本；以生成的图像样本和已有的原始图像样本为判别模型的输入，得到图片是真的概率，并将结果返回给步骤3中的判别模型和步骤4中的生成模型；判别模型更新参数来更好的分辨图片的真假，生成模型生成更加真实的图片；生成模型和判别模型相互竞争，相互促进，训练N步后结束，最终生成模型生成真实的样本。本发明不仅能够为厂家节省成本而且能够为后续的分类问题提供更多的样本。

技术领域

本发明属于图像处理技术领域，涉及一种图像生成方法，具体涉及一种改进GAN模型的图像生成方法。

背景技术

在处理生产线上分类问题时，厂家提供的样本数量有限，为增加样本的特征提高分类模型的稳定性，需要根据已有样本来生成图片。

目前GAN模型在图像生成中应用广泛，但是存在模型崩溃和模型难以训练的问题。

发明内容

为了解决上述技术问题，本发明结合改进LeNet模型和GAN模型，提供了一种改进GAN模型的图像生成方法。

本发明所采用的技术方案是：一种改进GAN模型的图像生成方法，其特征在于，包括以下步骤：

步骤1：读取本地已有的原始图像样本；

步骤2：预训练改进LeNet模型；

步骤3：将改进LeNet模型当做改进GAN模型的判别模型；

步骤4：根据原始GAN模型的生成模型设计改进GAN模型的生成模型；

步骤5：以随机噪声为生成模型的输入，经过反卷积操作后得到生成的图像样本；

步骤6：以生成的图像样本和已有的原始图像样本为判别模型的输入，得到图片是真的概率，并将结果返回给步骤3中的判别模型和步骤4中的生成模型；

使用梯度上升算法更新判别模型参数，其中参数为各层卷积层的权重，分辨图片的真假，生成模型生成更加真实的图片；

步骤7：生成模型和判别模型相互竞争，相互促进，训练N步后结束，最终生成模型生成真实的样本。

作为优选，步骤2中所述改进LeNet模型，由3组相同的模块组成，每组模块结构包括2个3*3卷积和一个1*1卷积，每个卷积需要经过归一化处理、relu激活函数激活，之后将3个卷积操作做残差处理，最后连接2*2的池化操作。

作为优选，步骤2中所述预训练改进LeNet模型，以卷积神经网络训练的方法训练改进LeNet模型参数，其中参数包括改进LeNet的各层卷积层的权重，获得的效果为各权重达到最优值让模型能够判断图片的真假。

作为优选，步骤4中所述改进GAN模型的生成模型，包括4组相同的模块，每组模块包括5*5反卷积和1*1卷积，每个反卷积和卷积之后经过经过归一化处理、relu激活函数激活。

作为优选，步骤7中所述生成模型和判别模型相互竞争，相互促进，具体实现过程是：首先生成模型G接收到随机噪声Z，生成假的样本；然后将生成的样本和原始真实的样本作为判别模型D的输入判断真假；将结果返回给G和D让两个模型，G生成新一批的样本来欺骗D，而D更新参数来更准确的区分真假；两个网络模型相互促进更新，直到最后D生成的样本与真实样本有相同分布，G也无法再区分生成样本与真实样本的真假。

本发明结合改进LeNet和GAN提出改进GAN，并提出先分类后生成图片的训练方法，不仅能够为厂家节省成本而且能够为后续的分类问题提供更多的样本。

附图说明