[发明专利]基于生成对抗网络的兵马俑色彩复原方法

权利要求书

1.一种基于生成对抗网络的兵马俑色彩复原方法，其特征在于，该方法以GAN网络为基础构建兵马俑色彩复原网络模型，并对该兵马俑色彩复原网络模型进行训练，进而将相应的兵马俑图像进行色彩复原，具体按以下步骤进行：

步骤1，收集兵马俑图像并扩充数据集；

步骤2，对GAN网络的生成器采用连续相同的卷积块，对GAN网络的判别器结构不做改变；

步骤3，为了提高着色的多样性，将GAN网络的生成器噪声通道连接到GAN网络的生成器的前半部分；

步骤4，设计对YUV与RGB图像训练时的损失函数

对于由YUV表示的图像，需要考虑的损失只有U和V通道的损失，Y通道只用来表示亮度信息，因此，对于CGAN来说是一个由灰度图像y和噪声向量z输出到彩色图像的过程，其损失函数如下式：

对于由RGB表示的图像，不仅需要考虑RGB三通道的损失，还需要考虑图像亮度损失，因此需要加入L1损失，表示如下：

损失函数如下式所示：

步骤5，对构建的兵马俑色彩复原网络模型设计训练算法并进行训练；所述训练首先确定兵马俑图像参数值：K_G＝1，K_D＝1，m＝64，s_z＝100，s＝64；训练过程步骤包括：

步骤5.1：随机生成m组噪声，每组噪声大小为s_z，表示为{z⁽¹⁾，z⁽²⁾，z⁽³⁾，…，z^(m)}；

步骤5.2：随机选取m张灰度图，大小为64x64x1，表示为{y⁽¹⁾，y⁽²⁾，y⁽³⁾，…，y^(m)}；

步骤5.3：将上述组合输入到兵马俑色彩复原网络模型中，由生成器生成m张彩色图像，表示为{x⁽¹⁾，x⁽²⁾，x⁽³⁾，…，x^(m)}；

步骤5.4：由损失函数计算损失并且更新判别器参数：

步骤5.5，随机生成m组噪声，每组噪声大小为s_z，表示为{z⁽¹⁾，z⁽²⁾，z⁽³⁾，…，z^(m)}；

步骤5.6，随机选取m张灰度图，大小为64x64x1，表示为{y⁽¹⁾，y⁽²⁾，y⁽³⁾，…，y^(m)}；

步骤5.7，通过损失函数计算损失值并更新生成器参数：

步骤5.8，重复上述过程；

步骤6，对兵马俑色彩复原网络模型进行测试，完成兵马俑色彩复原。

2.如权利要求1所述的方法，其特征在于，步骤6中，所述对兵马俑色彩复原网络模型进行测试的过程如下：

首先设置兵马俑图像默认参数，m＝64，s_z＝100；

步骤6.1，随机选取m张灰度图；

步骤6.2，随机生成m组噪声，每组噪声大小为(m，s_z)；

步骤6.3，使用训练好的兵马俑色彩复原网络模型完成色彩复原。