买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：贵州大学

摘要：本发明的一种基于残差网络的图像风格迁移方法，首先分别建立蜡染内容图像数据集，刺绣风格图像数据集；输入要优化的内容图像、风格图像；编码器使用卷积神经网络VGG19进行构建，采用高宽缩减4倍的方式进行特征提取，对内容图像特征图、风格图像特征图进行特征融合计算，使用多尺度变换MST一致的融合方式；利用特征融合之后的特征图输入解码器进行图像重建生成；进行损失函数定义，根据由内容损失、风格损失、拉普拉斯损失合并计算获得的总的损失，通过优化器对损失进行求导与更新，从而对解码器的参数更新，并利用网络前向推理，获取相应的最终风格迁移图像。本发明能在快速的图像风格迁移中，获取良好图像质量的特点。

主权项：1.一种基于残差网络的图像风格迁移方法，其特征在于：该方法具体步骤包括：步骤1、图像数据集构建：首先进行内容图像数据集，风格图像数据集的构建，其中对图像进行矫正处理，减少原始图像的扭曲等，然后进行图像数据的裁剪，减少输入过程因为长宽比过大造成的缩放图像扭曲，同时进行数据集扩充；步骤2、图像输入：输入要优化的内容图像、风格图像，并将所有输入图像进行张量形状统一；步骤3、编码器构建：编码器使用卷积神经网络VGG进行构建，采用高宽缩减几倍的方式进行特征提取，对内容图像、风格图像分别进行特征提取，形成内容图像、风格图像特征图；步骤4、特征融合：对内容图像特征图、风格图像特征图进行特征融合计算，经过融合之后，可以在实际的使用过程中进行超参数的控制；步骤5、解码器构建：解码器的结构与编码器进行对应建立，形成镜像关系，利用特征融合之后的特征图分别进行图像重建生成，使重建生成图像与输入图像形状一致，为损失计算做准备；步骤6、损失计算：将生成的图像再次采用卷积神经网络VGG19作为特征提取网络进行特征提取，形成特征图，进行损失函数定义，对特征图进行损失计算；所述损失函数Ltotal定义为： 其中，表示计算内容损失，表示在特征提取网络第i层计算内容损失，α为内容损失权重参数； 表示计算风格损失，表示在特征提取网络第j层计算风格损失，β为局部损失权重参数； 表示计算拉普拉斯矩阵损失，表示在特征提取网络第k层计算拉普拉斯损失，γ为拉普拉斯矩阵权重参数；所述内容损失定义为： 其中，Fx表示重建生成图像经特征提取网络获取的特征图，即生成的风格迁移特征图，Fx_c表示内容图像经特征提取网络获取的内容特征图，两者形状一致，对应的形状尺寸是[b,c,h,w],b表示输入图像的批次数据,c表示通道数，h,w表示特征图的高和宽；所述风格损失定义为： 其中，stdFx、stdFx_s分别表示获取的风格迁移特征图、内容特征图的方差，meanFx、meanFx_s分别表示获取的风格特征图、内容特征图的均值，n、m为相应权重参数；所述拉普拉斯损失：为了对风格迁移图像的细节进行对应的结构控制，引入拉普拉斯算子用于损失计算，以更好保留获取风格迁移图像的结构完整性；计算拉普拉斯损失过程中，先获取风格迁移图像的特征图，内容图像的特征图，然后对特征图使用拉普拉斯算子进行卷积计算，同时进行边缘填充以保持获取的拉普拉斯矩阵的高宽形状不变，拉普拉斯损失用公式5进行计算：lap_f＝[[0,-1,0],[-1,4,-1],[0,-1,0]]4 其中表示计算图像拉普拉斯损失,lapFx,lap_f表示对风格迁移特征图Fx使用算子lap_f进行卷积处理获取特征图的拉普拉斯矩阵；lapFx_c,lap_f表示对内容特征图Fx_c使用算子lap_f进行卷积处理获取内容特征图的拉普拉斯矩阵；步骤7、图像重建：根据由内容损失、风格损失、拉普拉斯损失合并计算，获得总的损失，通过优化器对损失进行求导与更新，从而对解码器的参数更新，并利用网络前向推理，获取相应的最终风格迁移图像。

全文数据：

权利要求：

百度查询： 贵州大学 一种基于残差网络的图像风格迁移方法