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技术方案

本发明专利技术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，本发明专利技术提出的ERGAN算法PSNR/SSIM的平均值分别提高了16％/35％，2％/9％，4％/6％。

An Image Conversion Method and System Based on Generative Countermeasure Network and ResNets Technology

The invention belongs to the field of image processing technology, and discloses an image conversion method and system based on the generative countermeasure network and ResNets technology. The image conversion method includes: firstly, an enhanced dual GAN image conversion algorithm is designed by using the dual learning method combining the countermeasure mechanism of two GANs with the norm loss function. The model can adopt labeless data sets; The image transformation based on unsupervised learning is realized. Secondly, the transformation from source distribution to target distribution is realized by introducing constraints of reconstructed consistency loss function, and then the source distribution is reconstructed. Finally, a stable normalization layer is added to the discriminator. Compared with Pix2pixGAN, CycleGAN and DualGAN, the average PSNR/SSIM of the ERGAN algorithm proposed by the present invention is increased by 16%/35%, 2%/9% and 4%/6% respectively.

【技术实现步骤摘要】
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
本专利技术属于图像处理
，尤其涉及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。
技术介绍
目前，业内常用的现有技术是这样的：图像转换最近获得了越来越多的研究关注。图像转换旨在将原始域中的图像映射到另一域中的图像，即将给定的样本图像转成为各种新场景，例如不同季节间、不同的气候间、一天中不同时段的场景间的转换，许多计算机视觉和图像处理任务，特别是图像分割和图像超分辨率也可以被视为图像转换。目前，基于深度学习的图像转换主要应用于数据增强。基于图像转换的数据增强技术在目标检测、目标分割、强化学习等领域得到广泛应用。迄今为止，传统图像转换方法已经在有监督学习下进行了训练，需要具有特定注释的大量配对数据集。然而，在实践中获取这样训练样本是耗时且困难的。因此，设计一种能够在使用不配对、无标签的图像数据集的情况下、将图像从源域转换到目标域的网络框架是很重要的。生成对抗网络(GAN)中，生成器试图捕获实际数据的分布,而鉴别器学会区分真实数据和由生成器生成的数据，通过生成器和鉴别器的对抗学习机制，达到纳什平衡，即生本文档来自技高网...

【技术保护点】
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GA→B生成器、GB→A生成器、DB鉴别器、DA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，

【技术特征摘要】
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GA→B生成器、GB→A生成器、DB鉴别器、DA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；GA→B表示将u域图像转换成v域图像，GB→A表示将v域图像转换成u域图像；DA的作用是判别v域的生成图像是否逼近真实的u域图像，DB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，lrecon(GA→B,GB→A)为重建一致损失函数；步骤三：设计步骤一中ERGAN的生成器GA→B,GB→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DA,DB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。2.如权利要求1所述的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，步骤二具体包括：ERGAN模型包括对偶GAN和ERGAN模型的目标函数，其中目标函数包括重建一致性损失函数和对抗性损失函数；重建一致性损失函数由两个部分组成，一是重建的u域图像与输入u域图像之差；二是重建的v域图像与输入v域图像之差；重建一致性损失函数为以下两部分之和...

【专利技术属性】
技术研发人员：胡辉，崔淼，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西,36