一种漫画生成方法、系统、电子设备及介质技术方案

本发明专利技术提供一种漫画生成方法、系统、电子设备及介质，所述的方法：提供多维元素，所述多维元素包括图片以下之一：漫画图片、预处理漫画图片和实际图片；提供神经网络，将所述多维元素输入所述神经网络进行训练，获取生成模型；将所述多维元素输入所述生成模型，获取目标漫画。不仅考虑实际图片转化为漫画图片的内容损失，而且考虑到实际图片转化过程中的风格损失，通过训练，降低内容损失和风格损失，达到实际图片的风格迁移的目的。

【技术实现步骤摘要】
一种漫画生成方法、系统、电子设备及介质
本专利技术涉及图像处理技术，特别是涉及一种漫画生成方法、系统、电子设备及介质。
技术介绍
在动画及漫画创作过程中，需要依据实际图片进行风格迁移，以获取相关的漫画作品，目前，通常采用降低实际图片与生成漫画之间的内容损失方法获取理想的生成漫画，往往造成生成漫画的风格与理想的生成漫画的风格产生偏差。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种漫画生成方法、系统、电子设备及介质，用于解决现有技术中生成漫画效果不佳的问题。为实现上述目的及其他相关目的，本专利技术提供一种漫画生成方法，包括：提供多维元素，所述多维元素包括图片以下之一：漫画图片、预处理漫画图片和实际图片；提供神经网络，将所述多维元素输入所述神经网络进行训练，获取生成模型；将所述多维元素输入所述生成模型，获取目标漫画。可选的，所述预处理漫画图片的生成过程包括：对所述漫画图片边缘进行平滑处理，获取所述预处理漫画图片。可选的，提供神经网络，将所述多维元素输入所述神经网络进行训练，获取生成模型的步骤包括：所述神经网络包括生成网络和鉴别网络，将所述实际图片输入所述生成网络，获取转化漫画图片；分别将所述漫画图片、所述转化漫画图片以及所述预处理漫画图片输入所述鉴别网络，获取对应的鉴别结果；依据所述漫画图片、所述转化漫画图片以及所述预处理漫画图片所对应的鉴别结果、内容特征、风格特征确定第一损失函数和第二损失函数，其中，所述第一损失函数为鉴别网络的损失函数，所述第二损失函数为生成网络的损失函数；通过配置所述第一损失函数对所述鉴别网络进行训练，通过所述第二损失函数对所述生成网络进行训练，获取所述生成模型。可选的，所述第一损失函数的数学表达为：d_total_loss＝BCELoss(D_real，1)+BCELoss(D_fake，0)+BCELoss(D_edge，0)其中，d_total_loss为所述第一损失函数，BCELoss为二进制交叉熵损失函数，D_real为所述漫画图片的鉴别结果，D_fake为所述转化漫画图片的鉴别结果，D_edge为所述预处理漫画图片的鉴别结果。BCELoss的数学表达如下：ln＝-[yn·log(xn)+(1-yn)·log(1-xn)]其中，x为输入值，y为目标向量值，y的所有元素取值0到1区间，BCELoss用于衡量输入x与目标二进制值y之间的差异。可选的，所述第二损失函数的数学表达为：g_total_loss＝BCELoss(D_fake，1)+L1Loss(x_feature，G_feature)+L1Loss(y_feature，G_feature)其中，g_total_loss为第二损失函数，L1Loss为l1范数损失度量函数，D_fake为所述转化漫画图片的鉴别结果，x_feature为实际图片经VGG网络提取的内容特征，G_feature为转化漫画图片经VGG网络提取的风格特征，y_feature为所述漫画图片经VGG网络提取的风格特征；L1Loss的数学定义如下：其中：ln＝|xn-yn|可选的，所述实际图片的内容特征、所述转化漫画图片的风格特征以及所述漫画图片的风格特征的提取过程包括：提供VGG神经网络，去掉VGG网络的全连接层，仅保留VGG的所有卷积层输出作为风格特征提取器，由VGG网络对所述实际图片提取内容特征，对所述漫画图片及所述转化漫画图片提取风格特征。可选的，所述神经网络包括GAN网络，所述生成网络包括G网络，所述鉴别网络包括D网络。一种漫画生成系统，包括：数据集模块，用于提供多维元素，所述多维元素包括图片以下之一：漫画图片、预处理漫画图片和实际图片；神经网络模块，用于提供神经网络，将所述多维元素输入所述神经网络进行训练，获取生成模型；生成模块，用于将所述多维元素输入所述生成模型，获取目标漫画。一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行中一个或多个所述的方法。一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如一个或多个所述的方法。如上所述，本专利技术提供的一种漫画生成方法、系统、电子设备及介质，具有以下有益效果：不仅考虑实际图片转化为漫画图片的内容损失，而且考虑到实际图片转化过程中的风格损失，通过训练，降低内容损失和风格损失，达到实际图片的风格迁移的目的。附图说明图1为本专利技术实施例中漫画生成方法的流程示意图。图2为本专利技术实施例中S2的流程示意图。图3为本专利技术实施例中生成网络的结构示意图。图4为本专利技术实施例中鉴别网络的结构示意图。图5为本专利技术实施例中漫画生成系统的结构示意图。图6为一实施例提供的终端设备的硬件结构示意图。图7为另一实施例提供的终端设备的硬件结构示意图。元件标号说明10数据集模块20神经网络模块30生成模块1100输入设备1101第一处理器1102输出设备1103第一存储器1104通信总线1200处理组件1201第二处理器1202第二存储器1203通信组件1204电源组件1205多媒体组件1206语音组件1207输入/输出接口1208传感器组件具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。请参阅图1，本专利技术提供一种漫画生成方法，包括：S1：提供多维元素，所述多维元素包括图片以下之一：漫画图片、预处理漫画图片和实际图片；S2：提供神经网络，将所述多维元素输入所述神经网络进行训练，不仅降低转化漫画图片与实际图片之间的内容损失，而且减低了转化漫画图片与漫画图片之间的风格损失，获取生成模型；S3：将所述实际图片输入所述生成模型，获取目标漫画。通过降低转化漫画图片与实际图片之间的内容损失，提高了漫画的接近程度，通过降低转化漫画图片与漫画图片之间的风格损失，使得目标漫本文档来自技高网...

【技术保护点】
1.一种漫画生成方法，其特征在于，包括：/n提供多维元素，所述多维元素包括图片以下之一：漫画图片、预处理漫画图片和实际图片；/n提供神经网络，将所述多维元素输入所述神经网络进行训练，获取生成模型；/n将所述多维元素输入所述生成模型，获取目标漫画。/n

【技术特征摘要】
1.一种漫画生成方法，其特征在于，包括：
提供多维元素，所述多维元素包括图片以下之一：漫画图片、预处理漫画图片和实际图片；
提供神经网络，将所述多维元素输入所述神经网络进行训练，获取生成模型；
将所述多维元素输入所述生成模型，获取目标漫画。


2.根据权利要求1所述的漫画生成方法，其特征在于，所述预处理漫画图片的生成过程包括：对所述漫画图片边缘进行平滑处理，获取所述预处理漫画图片。


3.根据权利要求1或者2所述的漫画生成方法，其特征在于，提供神经网络，将所述多维元素输入所述神经网络进行训练，获取生成模型的步骤包括：
所述神经网络包括生成网络和鉴别网络，将所述实际图片输入所述生成网络，获取转化漫画图片；
分别将所述漫画图片、所述转化漫画图片以及所述预处理漫画图片输入所述鉴别网络，获取对应的鉴别结果；
依据所述漫画图片、所述转化漫画图片以及所述预处理漫画图片所对应的鉴别结果、内容特征、风格特征确定第一损失函数和第二损失函数，其中，所述第一损失函数为鉴别网络的损失函数，所述第二损失函数为生成网络的损失函数；
通过配置所述第一损失函数对所述鉴别网络进行训练，通过所述第二损失函数对所述生成网络进行训练，获取所述生成模型。


4.根据权利要求3所述的漫画生成方法，其特征在于，所述第一损失函数的数学表达为：
d_total_loss＝BCELoss(D_real，1)+BCELoss(D_fake，0)+BCELoss(D_edge，0)
其中，d_total_loss为所述第一损失函数，BCELoss为二进制交叉熵损失函数，D_real为所述漫画图片的鉴别结果，D_fake为所述转化漫画图片的鉴别结果，D_edge为所述预处理漫画图片的鉴别结果；
BCELoss的数学表达如下：



ln＝-[yn·log(xn)+(1-yn)·log(1-xn)]
其中，x为输入值，y为目标向量值。


5.根据权利要求3所述的漫画生成方法，其特征在于，所述第二损失函数的数学表达为：
g_total_loss＝BCELoss(D_fake，1)+L...

【专利技术属性】
技术研发人员：雷杨，刘鹏，黄跃中，
申请(专利权)人：广州梦映动漫网络科技有限公司，
类型：发明
国别省市：广东;44