【技术实现步骤摘要】
一种基于GAN网络的边缘生成图像修复方法
本专利技术属于计算机视觉与图像处理
，具体涉及一种基于GAN网络的边缘生成图像修复方法。
技术介绍
视觉感官是人类感知外部信息极其重要的器官。随着计算机科学技术的发展，图像作为视觉信息获取和传播的主要载体，越来越受到人们的重视。一幅完整的图像被损坏或内容缺失，或图像分辨率比较低、图像模糊等问题都会导致人们的视觉感知不连贯。而图像修复技术作为图像处理的一个分支，对于解决图像的复原问题产生了重要的作用。目前，传统图像修复方法分为两大类，一是基于数字图像处理的盲修复，主要有直接修复法、正则化和自适应算法等。直接修复法是利用信号处理技术解决图像修复问题，包括逆滤波技术、递归图像处理和使用最大积累量评判准则得出一个修复质量最佳的复原滤波器的方法，针对小面积修复有较好的作用。正则化方法是采用非线性迭代选择正则化距离参数，并利用一种无参考方法来抑制震荡效应问题，通过不断迭代来做性能优化，提升纹理的复原效果。自适应算法可以不用考虑一些先验知识，不需要对噪声进行严格的抗干扰处理，通过自适...
【技术保护点】
1.一种基于GAN网络的边缘生成图像修复方法，其特征在于，具体按照以下步骤实施：/n步骤1，收集整理图像数据，将收集到的图像处理成尺寸相同的图像，制作成图像数据样本集；/n步骤2，将图像数据样本集分成训练集和测试集，并将训练集图像进行部分信息遮挡；/n步骤3，将训练集图像进行灰度化处理，得到灰度图像，并获取训练集图像的边缘图像以及二值化图像；/n步骤4，建立生成式对抗网络的边缘生成图像修复模型，生成式对抗网络的边缘生成图像修复模型包括两个生成器和两个判别器；/n步骤5，将步骤3得到的图像输入到步骤4的边缘生成图像修复模型中，并对待修复的图像进行修复，输出修复好的清晰图像。/n
【技术特征摘要】 【专利技术属性】
1.一种基于GAN网络的边缘生成图像修复方法，其特征在于，具体按照以下步骤实施：
步骤1，收集整理图像数据，将收集到的图像处理成尺寸相同的图像，制作成图像数据样本集；
步骤2，将图像数据样本集分成训练集和测试集，并将训练集图像进行部分信息遮挡；
步骤3，将训练集图像进行灰度化处理，得到灰度图像，并获取训练集图像的边缘图像以及二值化图像；
步骤4，建立生成式对抗网络的边缘生成图像修复模型，生成式对抗网络的边缘生成图像修复模型包括两个生成器和两个判别器；
步骤5，将步骤3得到的图像输入到步骤4的边缘生成图像修复模型中，并对待修复的图像进行修复，输出修复好的清晰图像。
2.根据权利要求1所述的一种基于GAN网络的边缘生成图像修复方法，其特征在于，所述步骤4中，生成式对抗网络的边缘生成图像修复模型的目标函数，如式(1)所示：
minGmaxDLG＝minG(λadvmaxD(Ladv)+2FMLFM)(1)；
式(1)中，LG为生成器G的损失函数，λadv和λFM为正则化参数，分别为1和10；min表示最小化模型G，max表示最大化模型D，Ladv表示判别器预测掩膜区域的边缘映射对抗损失函数，LFM为特征损失函数。
3.根据权利要求2所述的一种基于GAN网络的边缘生成图像修复方法，其特征在于，对掩膜区域图像进行边缘条件映射，其函数表达式如式(2)所示；
式(2)中，Cpred为边缘条件映射，G1为第一个生成器，表示掩膜灰度图像，表示掩膜边缘映射，M表示图像掩膜。
4.根据权利要求2所述的一种基于GAN网络的边缘生成图像修复方法，其特征在于，第一个判别器D1预测掩膜区域的边缘映射对抗损失函数如式(3)所示；
式(3)中，Ladv，1表示第一个判别器D1预测掩膜区域的边缘映射对抗损失函数；E表示期望；Cgt为边缘映射；Igray表示灰度图像；
第一个判别器D1预测掩膜区域的边缘映射特征损失函数如式(4)所示；
式(4)中，L为第一个判别器的最终卷积层，Ni为第i层激活的元素个数，为第一个判别器第i层激活的元素个数；
生成式对抗网络的图像边缘生成模型的函数映射如下：
Ccomp＝Cgt⊙(1-M)+Cpred⊙M(6)；
技术研发人员：李云红，朱绵云，穆兴，李传真，姚兰，罗雪敏，刘畅，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。