[发明专利]一种多尺度通道注意力网络的图像纹理合成方法及系统

权利要求书

1.一种多尺度通道注意力网络的图像纹理合成方法，其特征在于，所述方法包括：

步骤S1：获取噪声图像；

步骤S2：将所述噪声图像输入至生成器模型进行特征提取与融合，获得特征融合图像；所述生成器模型包括浅层特征提取模块、深层特征提取模块和融合生成模块；

步骤S3：给定样本纹理图像，并将所述样本纹理图像进行随机裁剪，获得训练集；所述训练集中包括多个经过裁剪后的图像块；

步骤S4：将所述训练集和所述特征融合图像输入至判别器模型，采用生成对抗损失函数优化生成器模型和判别器模型，获得多尺度通道注意力图像纹理合成模型；多尺度通道注意力图像纹理合成模型包括优化后的生成器模型和判别器模型；

步骤S5：将待合成纹理图像输入所述多尺度通道注意力图像纹理合成模型进行纹理合成，获得纹理合成图像。

2.根据权利要求1所述的多尺度通道注意力网络的图像纹理合成方法，其特征在于，所述将所述噪声图像输入至生成器模型进行特征提取与融合，获得特征融合图像，具体包括：

将所述噪声图像输入所述浅层特征提取模块进行浅层特征提取，获得第一特征图；

将所述第一特征图输入所述深层特征提取模块进行深层特征提取，获得第二特征图；

将所述第二特征图输入所述融合生成模块进行融合，获得特征融合图像。

3.根据权利要求2所述的多尺度通道注意力网络的图像纹理合成方法，其特征在于，所述将所述第一特征图输入所述深层特征提取模块进行深层特征提取，获得第二特征图，具体包括：

对所述第一特征图进行卷积及归一化处理后，获得第三特征图；

对所述第三特征图进行全局平均池化操作、多尺度操作以及拼接处理后，获得第二特征图。

4.根据权利要求2所述的多尺度通道注意力网络的图像纹理合成方法，其特征在于，所述将所述噪声图像输入所述浅层特征提取模块进行浅层特征提取，获得第一特征图，具体计算公式为：

其中，L()表示子像素卷积运算，H()表示卷积运算和归一化计算，δ()表示ReLU激活函数，I_Z表示噪声图像，SFG_n()表示第n个浅层特征生成单元对应的函数，E_n表示经过n个浅层特征生成单元输出的第一特征图，E₁表示经过1个浅层特征生成单元输出的特征图。

5.根据权利要求3所述的多尺度通道注意力网络的图像纹理合成方法，其特征在于，所述对所述第一特征图进行卷积及归一化处理后，获得第三特征图，具体计算公式为：

其中，E_n表示经过n个浅层特征生成单元输出的第一特征图，DP¹()表示第二卷积层卷积运算、BatchNorm归一化和ReLU激活函数运算，Resnet_m()表示第m个带有归一化的残差单元对应的函数，DP²()表示第三卷积层卷积运算和BatchNorm归一化运算，S_m表示经过m个带有归一化的残差单元输出的特征图，L()表示子像素卷积运算，S_up表示依次经过m个归一化残差运算以及子像素卷积运算后获得的第三特征图。

6.根据权利要求3所述的多尺度通道注意力网络的图像纹理合成方法，其特征在于，所述对所述第三特征图进行全局平均池化操作、多尺度操作以及拼接处理后，获得第二特征图，具体计算公式为：

其中，S_up表示依次经过m个归一化残差运算以及子像素卷积运算后获得的第三特征图，Avg()表示对输入全局平均池化操作，R()表示1×1卷积操作，γ()表示Sigmoid激活函数，表示使用膨胀率为1的扩张卷积，表示使用膨胀率为2的扩张卷积，表示使用膨胀率为4的扩张卷积，表示使用膨胀率为6的扩张卷积，Cat[]表示对四种扩张卷积的结果进行拼接操作，y表示经过全局平均池化、1×1卷积和Sigmoid后输出的特征图，z表示特征图拼接后再经过1×1卷积运算输出的特征图，Mul()表示矩阵相乘操作，x_i表示经过多尺度通道注意力单元输出的第二特征图。