基于门控卷积生成对抗网络的图像修复方法技术

本发明专利技术揭示了一种基于门控卷积生成对抗网络的图像修复方法，包括如下步骤：S1、构建门控卷积生成对抗网络；S2、获取训练图像并对所获取的训练图像进行预处理；S3、将经过预处理后的训练图像输入已建立的门控卷积生成对抗网络中、对门控卷积生成对抗网络进行训练；S4、将待修复图像输入已完成训练的门控卷积生成对抗网络中，边缘修复网络先对待修复图像进行处理、得到完整边缘图像，纹理修复网络再对待修复图像及完整边缘图像进行处理、得到最终的修复图像。本发明专利技术通过在边缘修复和纹理修复两阶段的修复网络中引入门控卷积的方式，有效地改善了网络在修复过程中产生不自然孔洞、修复区域与已知区域不一致等问题。

【技术实现步骤摘要】
基于门控卷积生成对抗网络的图像修复方法
本专利技术为一种图像修复方法，具体涉及一种基于门控卷积生成对抗网络的图像修复方法，属于计算机视觉

技术介绍
图像修复技术是图像处理领域研究的一项重要内容，其目的是根据图像或视频中的已知部分来重建其丢失部分(即掩码区域)。现有的图像修复方法主要包括基于序列的方法、基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)的方法和基于生成对抗网络(GenerativeAdversarialNetwork，GAN)的方法。其中，基于序列的方法又可以具体分为基于扩散和基于补丁两种方式。上述这些方法在针对小区域遮挡和裂缝修复任务时非常有效，但是当图像包含很多纹理或图像掩码区域比例超过10％时，方法处理效率会显著下降、修复效果较差。当前，随着人工智能技术的兴起，基于深度学习的图像修复技术凭借其优异的性能逐渐成为业内的主流研究方向，其中具有代表性的方法包括基于卷积神经网络的方法和基于生成对抗网络的方法两种。方法的发展过程简述如下。Pathak等人在传统卷积神经网络的基础上本文档来自技高网...

【技术保护点】
1.一种基于门控卷积生成对抗网络的图像修复方法，其特征在于，包括如下步骤：/nS1、构建门控卷积生成对抗网络，所述门控卷积生成对抗网络由按序相连的边缘修复网络及纹理修复网络组成；/nS2、获取训练图像并对所获取的训练图像进行预处理；/nS3、将经过预处理后的训练图像输入已建立的所述门控卷积生成对抗网络中、对所述门控卷积生成对抗网络进行训练；/nS4、将待修复图像输入已完成训练的所述门控卷积生成对抗网络中，所述边缘修复网络先对待修复图像进行处理、得到完整边缘图像，所述纹理修复网络再对待修复图像及完整边缘图像进行处理、得到最终的修复图像。/n

【技术特征摘要】
1.一种基于门控卷积生成对抗网络的图像修复方法，其特征在于，包括如下步骤：
S1、构建门控卷积生成对抗网络，所述门控卷积生成对抗网络由按序相连的边缘修复网络及纹理修复网络组成；
S2、获取训练图像并对所获取的训练图像进行预处理；
S3、将经过预处理后的训练图像输入已建立的所述门控卷积生成对抗网络中、对所述门控卷积生成对抗网络进行训练；
S4、将待修复图像输入已完成训练的所述门控卷积生成对抗网络中，所述边缘修复网络先对待修复图像进行处理、得到完整边缘图像，所述纹理修复网络再对待修复图像及完整边缘图像进行处理、得到最终的修复图像。


2.根据权利要求1所述的基于门控卷积生成对抗网络的图像修复方法，其特征在于：所述边缘修复网络及所述纹理修复网络内均包含有生成器及判别器。


3.根据权利要求2所述的基于门控卷积生成对抗网络的图像修复方法，其特征在于：所述边缘修复网络及所述纹理修复网络二者内的所述生成器均采用下采样+残差块+上采样的结构。


4.根据权利要求2所述的基于门控卷积生成对抗网络的图像修复方法，其特征在于：所述边缘修复网络及所述纹理修复网络二者内的所述判别器均采用谱归一化马尔科夫判别器。


5.根据权利要求2所述的基于门控卷积生成对抗网络的图像修复方法，其特征在于：所述门控卷积生成对抗网络的目标函数由L1重建损失函数及SN-PatchGAN损失函数组成。


6.根据权利要求2所述的基于门控卷积生成对抗网络的图像修复方法，其特征在于：所述...

【专利技术属性】
技术研发人员：霍智勇，高杰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32