[发明专利]一种基于GAN网络的边缘生成图像修复方法

权利要求书

1.一种基于GAN网络的边缘生成图像修复方法，其特征在于，具体按照以下步骤实施：

步骤1，收集整理图像数据，将收集到的图像处理成尺寸相同的图像，制作成图像数据样本集；

步骤2，将图像数据样本集分成训练集和测试集，并将训练集图像进行部分信息遮挡；

步骤3，将训练集图像进行灰度化处理，得到灰度图像，并获取训练集图像的边缘图像以及二值化图像；

步骤4，建立生成式对抗网络的边缘生成图像修复模型，生成式对抗网络的边缘生成图像修复模型包括两个生成器和两个判别器；

步骤5，将步骤3得到的图像输入到步骤4的边缘生成图像修复模型中，并对待修复的图像进行修复，输出修复好的清晰图像。

2.根据权利要求1所述的一种基于GAN网络的边缘生成图像修复方法，其特征在于，所述步骤4中，生成式对抗网络的边缘生成图像修复模型的目标函数，如式(1)所示：

min_G max_DL_G＝min_G(λ_adv max_D(L_adv)+2_FML_FM) (1)；

式(1)中，L_G为生成器G的损失函数，λ_adv和λ_FM为正则化参数，分别为1和10；min表示最小化模型G，max表示最大化模型D，L_adv表示判别器预测掩膜区域的边缘映射对抗损失函数，L_FM为特征损失函数。

3.根据权利要求2所述的一种基于GAN网络的边缘生成图像修复方法，其特征在于，对掩膜区域图像进行边缘条件映射，其函数表达式如式(2)所示；

式(2)中，C_pred为边缘条件映射，G₁为第一个生成器，表示掩膜灰度图像，表示掩膜边缘映射，M表示图像掩膜。

4.根据权利要求2所述的一种基于GAN网络的边缘生成图像修复方法，其特征在于，第一个判别器D₁预测掩膜区域的边缘映射对抗损失函数如式(3)所示；

式(3)中，L_adv，1表示第一个判别器D₁预测掩膜区域的边缘映射对抗损失函数；E表示期望；C_gt为边缘映射；I_gray表示灰度图像；

第一个判别器D₁预测掩膜区域的边缘映射特征损失函数如式(4)所示；

式(4)中，L为第一个判别器的最终卷积层，N_i为第i层激活的元素个数，为第一个判别器第i层激活的元素个数；

生成式对抗网络的图像边缘生成模型的函数映射如下：

C_comp＝C_gt⊙(1-M)+C_pred⊙M (6)；

其中，为二值化后的边缘映射输入函数，C_comp为复合边缘映射，I_pred为颜色信息函数，I_gt为掩膜边缘映射输入函数，C_gt为边缘映射，C_pred为边缘条件映射，G₂为第二个生成器。

5.根据权利要求2所述的一种基于GAN网络的边缘生成图像修复方法，其特征在于，第二个判别器D₂的边缘映射对抗损失函数如公式(8)所示；

其中，L_adv，2表示第二个判别器D₂的边缘映射对抗损失函数，E为期望，D₂为第二个判别器。