[发明专利]一种基于GAN网络的边缘生成图像修复方法

说明书

本发明公开了一种基于GAN网络的边缘生成图像修复方法，具体为：首先，收集整理图像数据，制作成图像数据样本集并分成训练集和测试集，将训练集图像进行部分信息遮挡，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；再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；最后将图像输入到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。利用两次判别器判别生成信息的准确性，平衡了生成器，使训练时实现网络权重和参数共享，避免梯度下降和梯度消失及复杂的迭代运算，有利于残损图像的修复，并产生良好视觉感知效果。

技术领域

本发明属于计算机视觉与图像处理技术领域，具体涉及一种基于GAN网络的边缘生成图像修复方法。

背景技术

视觉感官是人类感知外部信息极其重要的器官。随着计算机科学技术的发展，图像作为视觉信息获取和传播的主要载体，越来越受到人们的重视。一幅完整的图像被损坏或内容缺失，或图像分辨率比较低、图像模糊等问题都会导致人们的视觉感知不连贯。而图像修复技术作为图像处理的一个分支，对于解决图像的复原问题产生了重要的作用。

目前，传统图像修复方法分为两大类，一是基于数字图像处理的盲修复，主要有直接修复法、正则化和自适应算法等。直接修复法是利用信号处理技术解决图像修复问题，包括逆滤波技术、递归图像处理和使用最大积累量评判准则得出一个修复质量最佳的复原滤波器的方法，针对小面积修复有较好的作用。正则化方法是采用非线性迭代选择正则化距离参数，并利用一种无参考方法来抑制震荡效应问题，通过不断迭代来做性能优化，提升纹理的复原效果。自适应算法可以不用考虑一些先验知识，不需要对噪声进行严格的抗干扰处理，通过自适应算法进行自动化约束，从而保证修复部分的边缘比较平滑，图像看起来比较有连贯性。二是基于相似性匹配和启发式搜索算法的图像修复算法，主要有总变分(Total Variation，TV)法和PatchMatch算法等。TV算法是一种总体变分算法，它充分考虑到了图像像素点之间的连贯特征以及平滑的特性，这种方法针对比较小的缺失区域或者去除图像中的小孔洞和杂乱噪声点是很有用的。在待修复的图像中，寻找与孔洞这些缺失内容纹理类似的特征来进行填充修复。同时，利用一些先验知识，比如对图像的图像块的偏移、平面性或者低秩性的统计，可以大大改善修复的结果。PatchMatch算法是小面积修复的经典算法之一，它通过在缺失人脸图像中不断搜索与缺失区域相似的图像块来对缺失部分进行填充修复，这种算法效率比较高而且修复结果好，还原度比较真实。

以上传统的图像修复算法针对一些发生退化或部分损坏的小面积区域图像进行修复时，修复效果比较好，而对于图像大面积损坏缺失的现象修复效果不理想，存在图像边缘模糊、细节纹理不清晰的问题。因此，具有一定的局限性。随着深度学习的兴起，图像修复技术在深度学习领域取得了爆炸式的进步。深度学习主要通过深度神经网络提取人类所感知不到的更加抽象的高层语义图像特征，进行图像特征更加深层次的自动学习，从而得到理想模型，实现图像大面积缺失、纹理复杂、分辨率低的修复问题。

发明内容

本发明的目的是提供一种基于GAN网络的边缘生成图像修复方法，解决了现有技术中存在的图像大面积缺失修复不连贯的现象、纹理边缘复杂修复不清晰，分辨率低的问题。

本发明所采用的技术方案是，一种基于GAN网络的边缘生成图像修复方法，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，得到遮挡图像；

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；