基于生成对抗网络GAN自动生成水墨画的方法技术

本发明专利技术公开了基于生成对抗网络GAN自动生成水墨画的方法，包括以下步骤：1)获取水墨画图片数据集，对水墨画图片进行预处理；2)将预处理后的水墨画数据集分解为不同类别的数据集；3)利用非局部均值去噪算法对数据集进行去噪，得到特征数据集；4)利用训练数据集建立生成对抗网络GAN，并确定输入图片大小；5)将特征数据集输入到生成对抗网络GAN中训练，得到训练好的GAN神经网络模型；6)将类别标签数据输入到训练好的GAN神经网络模型中，自动生成对应标签的水墨画。本发明专利技术解决了传统设计方法中手工操作繁琐、创作效率低的问题。

【技术实现步骤摘要】
基于生成对抗网络GAN自动生成水墨画的方法
本专利技术涉及深度学习、计算机视觉领域，具体是基于生成对抗网络GAN自动生成水墨画的方法。
技术介绍
近年来，利用深度神经网络进行图像的研究已经成为机器学习和计算机视觉研究的热点。生成对抗网络最初由IanGoodfellow提出，通过在实际训练过程中对生成器和判别器都适用一种对抗性损失，有效地鼓励生成器的输出与原始数据分布相似。GAN在图像生成、图像传输、超分辨率等生成任务中取得了令人印象深刻的结果，广泛应用于各类应用场景。利用计算机生成各种美术风格的图像是数字图像领域的一个热点问题，艺术风格图像的自动生成技术在影视制作、游戏开发、艺术创作等方面具有广泛的应用，可以大大减轻手工绘制的复杂性，提高作品创作效率。水墨画是中国绘画的代表，其写实与抽象结合，色彩微妙，意境丰富。水墨画具有特殊的质感和美感，讲究笔法和用墨的结合，需要特殊的绘画材料，也正因如此，传统手绘的水墨动画制作及其复杂、费时，并且无法修改。利用现有制作软件来创作水墨风格绘画也受到工具的限制，复杂程度并不亚于手工，效果也不尽理想，存在一定的局本文档来自技高网...

【技术保护点】
1.基于生成对抗网络GAN自动生成水墨画的方法，其特征在于，包括以下步骤：/n1)获取所述水墨画图片数据集，对水墨画图片进行预处理，并打上类别标签。/n2)利用非局部均值去噪算法对预处理后的水墨画图片进行去噪，得到更新后的水墨画图片数据集；/n3)利用训练数据集建立生成对抗网络CGAN，并确定输入图片大小；根据输入图片大小对更新后的水墨画图片数据集中所有水墨画图片进行裁剪，得到水墨画图片训练集；/n4)将水墨画图片训练集输入到生成对抗网络CGAN中训练，得到训练好的CGAN神经网络模型；/n5)将水墨画图片类别标签数据输入到训练好的生成对抗网络CGAN中，自动生成类别标签对应的水墨画。/n

【技术特征摘要】
1.基于生成对抗网络GAN自动生成水墨画的方法，其特征在于，包括以下步骤：
1)获取所述水墨画图片数据集，对水墨画图片进行预处理，并打上类别标签。
2)利用非局部均值去噪算法对预处理后的水墨画图片进行去噪，得到更新后的水墨画图片数据集；
3)利用训练数据集建立生成对抗网络CGAN，并确定输入图片大小；根据输入图片大小对更新后的水墨画图片数据集中所有水墨画图片进行裁剪，得到水墨画图片训练集；
4)将水墨画图片训练集输入到生成对抗网络CGAN中训练，得到训练好的CGAN神经网络模型；
5)将水墨画图片类别标签数据输入到训练好的生成对抗网络CGAN中，自动生成类别标签对应的水墨画。


2.根据权利要求1或2所述的基于生成对抗网络GAN自动生成水墨画的方法，其特征在于，所述水墨画数据集包括山水画和花鸟画。所述水墨画数据集通过网络爬虫从开放式网络获取。


3.根据权利要求1所述的基于生成对抗网络GAN自动生成水墨画的方法，其特征在于，对水墨画图片进行预处理的主要步骤为：
1)统一水墨画数据集中所有水墨画图片格式；
2)对水墨画图片进行裁剪，令水墨画图片像素统一为M×N；
3)为不同类别的水墨画图片添加类别标签，并将类别标签转换为独热编码；水墨画图片类别包括山水、花鸟。
4)提取水墨画数据集中的水墨画图片信息，并统一编码格式；所述水墨画图片信息包括RGB三通道颜色值和对比度A。


4.根据权利要求1所述的基于生成对抗网络GAN自动生成水墨画的方法，其特征在于，CGAN神经网络模型包括生成器、判别器和一个条件变量y；
所述生成器包括输入层、全连接层、卷积层和输出层；
所述判别器包括输入层、卷积层、全连接层和输出层；
所述条件变量为水墨画图片类别标签。


5.根据权利要求4所述的基于生成对抗网络GAN自动生成水墨画的方法，其特征在于，CGAN神经网络模型训练过程如下：
1)固定CGAN神经网络模型生成器参数，学习判别器参数，包括以下步骤：
1.1)从训练数据集中取出m个正样本{(y1,x1),(y2,x2),…,(ym,xm)}；m表示批处理大小；
1.2)从高斯分布中生成噪声数据集z＝{z1,z2,…,zm}；
1.3)将噪声数据集z和条件变量y输入到CGAN神经网络模型中，得到生成数据集第i个生成数据G(yi,zi)为CGAN神经网络模型生成器输出数据；i＝1，2，…，m；
1.4)更新CGAN神经网络模型判别器参数θd：η为学习率；为目标函数对判别器参数θd的偏导数；
1.5)使目标函数最大化，即令：



式中，为修改后的生成数据；D()为判别值；
2)固定CGAN神经网络模型判别器参数，学习生成器参数，包括以下步骤：
2.1)从高斯分布中生成m个噪...

【专利技术属性】
技术研发人员：刘礼，张怡迪，廖军，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50