[发明专利]一种基于生成式对抗网络和ResNets技术的图像转换方法及系统

摘要

本发明属于图像处理技术领域，公开了一种基于生成式对抗网络和ResNets技术的图像转换方法及系统，图像转换方法包括：首先利用两个GAN的对抗机制与范数损失函数结合的对偶学习的方法，设计了增强的高分辨率对偶GAN图像转换算法，该模型能采用无标签数据集、实现基于无监督学习的图像转换；其次通过引入重建一致性损失函数约束条件，实现从源分布转换为目标分布，然后重建源分布；最后在鉴别器中增加了稳定归一化层。与Pix2pixGAN,CycleGAN,DualGAN生成图像分辨率相比，本发明提出的ERGAN算法PSNR/SSIM的平均值分别提高了16％/35％，2％/9％，4％/6％。

主权项

1.一种基于生成式对抗网络和ResNets技术的图像转换方法，其特征在于，所述基于生成式对抗网络和ResNets技术的图像转换方法包括：步骤一：基于重建一致性损失和对偶GAN设计图像转换框架，对偶GAN包括G_A→B生成器、G_B→A生成器、D_B鉴别器、D_A鉴别器；步骤二：基于步骤一设计图像转换框架建立目标函数，上式中，u为u域图像,v为v域图像；G_A→B表示将u域图像转换成v域图像，G_B→A表示将v域图像转换成u域图像；D_A的作用是判别v域的生成图像是否逼近真实的u域图像，D_B的作用是判别u域的生成图像是否逼近真实的v域图像。第一个生成对抗网络的对抗函数，是第二个生成对抗网络的对抗函数，l_recon(G_A→B,G_B→A)为重建一致损失函数；步骤三：设计步骤一中ERGAN的生成器G_A→B,G_B→A的网络结构,由编码器、ResNets网络和编码器组成生成器网络架构；生成器将域图像装换成目标域图像；步骤四：基于步骤三中生成器网络生成目标域图像后，传送到鉴别器D_A,D_B网络,鉴别器对真实的目标域图像与生成的目标域图像进行评估；步骤五：完成步骤一至步骤四，然后设置训练参数并用数据集训练ERGAN网络提取特征，同时调整网络参数使得目标函数达到最小。