[发明专利]基于GAN网络的图像风格迁移方法

说明书

本发明公开基于GAN网络的图像风格迁移方法，具体方法如下：步骤1，获取相关图片数据集，将夏季图像作为数据集X，冬季图像作为数据集Y；步骤2，对分好类的数据集X,Y分别提取内容及风格特征；步骤3，将ssubgt;2/subgt;与csubgt;1/subgt;结合生成同一景物的不同场景Gsubgt;1/subgt;(ssubgt;2/subgt;,csubgt;1/subgt;)；步骤4，通过生成器Gsubgt;2/subgt;将提取到的两类图片的内容特征与风格特征相互结合，生成Gsubgt;2/subgt;(ssubgt;1/subgt;,csubgt;2/subgt;)和Gsubgt;2/subgt;(ssubgt;2/subgt;,csubgt;1/subgt;)；步骤5，生成器Gsubgt;2/subgt;与判别器Dsubgt;2/subgt;对抗学习迭代训练，判别器Dsubgt;2/subgt;指导生成器Gsubgt;2/subgt;生成图像的质量，当损失函数趋于稳定时认为生成图像的质量与原图像一致，结束训练。该方法解决了实现图像真实化风格迁移时无法最大程度保留图像具体细节的问题。

技术领域

本发明属于风格迁移学习技术领域，涉及一种基于GAN网络的图像风格迁移方法。

背景技术

近年来，随着神经网络和深度学习的快速发展，涌现出了许多优秀的人工智能技术，强有力地推进了计算机视觉领域的研究工作，世界已进入信息化社会。图像是描述世界的重要手段，通过图像可以获得大量文字无法表达的信息。随着信息时代的到来，互联网上的图像数据爆发式增长，这促使计算机视觉领域得到快速发展和重大突破。在处理图像时，传统的算法大多是针对特定的问题来设计用于特定应用场景的模型，例如图像压缩、分割、分类等，随着卷积神经网络的发展，出现了越来越多的图像转换问题，此类方法的出现恰好满足了人们的需求，增强了人们的视觉感和图像的美观性，它广泛应用于各个领域，包括图像检测、图像识别、图像修复、AI换脸等。

基于卷积神经网络的技术已经超越了现代人在许多视觉任务上的表现。深度卷积神经网络的学习和表达能力已经得到广泛验证，并在图像处理领域实现了重大突破，其技术也已被扩展到更具挑战性的应用场景。当前，在国内外的图像处理研究中，人们提出了越来越多的创新思路。特别是在图像风格迁移方面，深度学习技术的快速发展推动了该领域的快速发展和进步。近几年，生成对抗网络已经成为学术界中一个炙手可热的研究领域，被广泛应用于计算机视觉领域，它在图像风格迁移问题上也取得了显著的成果。由于GAN拥有更好的生成能力和灵活的设计，因此GAN及其相关模型已被广泛应用于图像风格迁移问题，并在此领域中取得了巨大的成功。预计未来将出现越来越多基于深度学习的算法来实现更多图像风格迁移模型。

发明内容

本发明的目的是提供一种基于GAN网络的图像风格迁移方法，解决了实现图像真实化风格迁移时无法最大程度保留图像具体细节的问题。

本发明所采用的技术方案是，基于GAN网络的图像风格迁移方法，具体方法如下：

步骤1，获取相关图片数据集，将夏季图像作为数据集X，冬季图像作为数据集Y；

步骤2，对分好类的数据集X,Y分别提取内容及风格特征，数据集X采用自编码器中的编码部分提取图像的内容特征c₁，采用变分自编码中的编码部分提取图像的风格特征s₁；同理，数据集Y采用自编码器的编码部分提取图像的内容特征c₂，采用变分自编码的编码部分提取图像的风格特征s₂；

步骤3，通过生成器G₁将s₁与c₂结合生成同一场景的不同景物G₁(s₁,c₂)，将s₂与c₁结合生成同一景物的不同场景G₁(s₂,c₁)；