【技术实现步骤摘要】
一种基于深度卷积生成对抗网络的草图着色方法及系统
本专利技术属于图像处理
，更具体地，涉及一种基于深度卷积生成对抗网络的草图着色方法及系统。
技术介绍
随着深度学习的到来，对图像自动处理的需求也逐渐增大，其中草图着色是图像处理中比较重要的一个领域。草图自动着色技术能够快速的完成大量图片的上色工作，可以把早期的一些漫画书、电影等赋予颜色，因此具有极大的应用价值。以往传统的方法，针对草图着色都是利用一些人工定制的规则，对草图进行着色，得到的结果大多出现颜色溢出和着色不完全的情况，最重要的是这种方法很难根据用户的意愿去进行相应的着色。随着大数据时代的降临，利用深度学习进行图像处理成了一种趋势。图像着色也迎来了又一波研究热潮，主要分为两个方向。一些研究者针对灰度图进行着色，利用数据驱动搭建一个端到端的网络，从而让网络学习到灰度图到彩色图的直接映射，从而达到着色的目的。而另一些研究者这对草图进行着色，因为草图相比灰度图而言，信息量更小，因为草图没有纹理信息和明暗信息，因此着色难度更加的困难。论文《OutlineC...
【技术保护点】
1.一种基于深度卷积生成对抗网络的草图着色方法，其特征在于，包括以下步骤：/nS100，利用灰度图生成器GGN提取草图的特征，并对草图特征反卷积生成草图对应的灰度图；/nS110，利用彩色图生成器CGN对所述灰度图和用户对所述草图的涂鸦信息进行特征提取，对提取的灰度图和涂鸦信息的特征反卷积生成相应的彩色图；所述GGN和CGN均属于深度卷积生成对抗网络。/n
【技术特征摘要】
1.一种基于深度卷积生成对抗网络的草图着色方法，其特征在于，包括以下步骤：
S100，利用灰度图生成器GGN提取草图的特征，并对草图特征反卷积生成草图对应的灰度图；
S110，利用彩色图生成器CGN对所述灰度图和用户对所述草图的涂鸦信息进行特征提取，对提取的灰度图和涂鸦信息的特征反卷积生成相应的彩色图；所述GGN和CGN均属于深度卷积生成对抗网络。
2.根据权利要求1所述的草图着色方法，其特征在于，所述GGN包括生成器、辨别器以及自编码器；
所述GGN中辨别器和自编码器用于辅助GGN中生成器基于草图生成灰度图；
所述GGN中辨别器用于辨别生成器生成的灰度图的质量，以便生成灰度图的质量最优；
所述自编码器用于对灰度图的特征进行编码和解码，自编码器提取出灰度图的特征向量后，与GGN提取草图的特征向量计算相应的欧式距离作为GGN的一个损失函数，以使GGN提取草图的特征向量尽量和灰度图的特征相似，从而使得GGN通过反卷积能够生成质量最优的灰度图。
3.根据权利要求2所述的草图着色方法，其特征在于，所述GGN中生成器损失函数的Loss_GGN计算公式为：
Loss_GGN＝Ladv_GGN_g+Lpix_GGN+Lfeat_GGN+Lpercep_GGN
其中，Ladv_GGN_g为GGN中的对抗损失，Lpix_GGN为GGN生成的灰度图和标签灰度图的像素损失，Lfeat_GGN为GGN中的特征损失，Lfeat_GGN目的是让GGN提取草图的特征向量与自编码器提取草图对应的标签灰度图的特征向量尽量相似，从而使GGN生成的灰度图尽量逼真，Lpercep_GGN为GGN中的感官损失，Lpercep_GGN目的是促使生成的灰度图尽量逼真；s代表草图，g代表s对应的标签灰度图，代表GGN生成的灰度图；表示从草图s和标签灰度图g对应的数据分布Pdata(s,g)中随机抽取出来的一组草图和灰度图，表示从GGN生成的灰度图和标签灰度图g对应的数据分布中随机抽取出来的一组草图和灰度图，Nl和Φl分别代表预训练模型VGG16第l层特征图的像素个数和第l层特征图；Diss和Gens分别代表GGN的辨别器和生成器，Es和EG分别代表自编码器的编码部分和生成器的编码部分。
4.根据权利要求3所述的草图着色方法，其特征在于，所述GGN中辨别器损失函数Ladv_GGN_d的计算公式为：
5.根据权利要求3所述的草图着色方法，其特征在于，所述GGN...
【专利技术属性】
技术研发人员：张俊松，朱少强，刘坤祥，杨宗凯，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：湖北;42
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。