一种基于深度学习的图像风格迁移方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的图像风格迁移方法，首先获取原始图像，并对所述原始图像进行内容图像的特征提取和风格图像的特征提取，分别得到第一特征图像和第二特征图像；创建白噪声图像，将所得到的第一特征图像和第二特征图像通过迭代优化后导入到所创建的白噪声图像中；再将所述白噪声图像进行迭代最小化，并结合风格损失函数和内容损失函数获得具有原始图像内容和预设风格的迁移后图像。上述方法及装置能够解决现有图像风格迁移技术合成较为粗糙、合成效果差的问题。

【技术实现步骤摘要】
一种基于深度学习的图像风格迁移方法及装置
本专利技术涉及图像处理
，尤其涉及一种基于深度学习的图像风格迁移方法及装置。
技术介绍
目前图像处理技术开始越来越广泛地应用到社会各个领域，这其中人工智能与艺术的交叉碰撞，在相关的
和艺术领域引起了高度关注，各类与图像艺术化相关的应用也盛行起来，如动画制作、游戏渲染、广告设计等。图像风格迁移又可以看成是图像纹理转移的问题，在计算机发展之初，科学家专利技术了真实感绘制技术，它是以数学、计算机科学等相关知识作为基础，利用真实世界中的场景、造型、光源等因素，在计算机图形输出设备上绘制出逼真景象的技术，但由于其时间成本巨大，于是随着计算机技术的发展，图形学上又出现了非真实感绘制技术，与传统计算机图形学追求真实感不同，其主要用于模拟艺术式绘制风格的技术，在电影、电子游戏领域、艺术领域、科研领域都有所应用。但现有的图像风格迁移技术通常是对图片进行颜色转换、纹理的简单合成，最终的图像合成较为粗糙，合成效果较差，难以符合实际需求。
技术实现思路
本专利技术的目的是提供一种基于深度本文档来自技高网...

【技术保护点】
1.一种基于深度学习的图像风格迁移方法，其特征在于，所述方法包括：/n步骤1、获取原始图像，并对所述原始图像进行内容图像的特征提取和风格图像的特征提取，分别得到第一特征图像和第二特征图像；/n步骤2、创建白噪声图像，将所得到的第一特征图像和第二特征图像通过迭代优化后导入到所创建的白噪声图像中；/n步骤3、再将所述白噪声图像进行迭代最小化，并结合风格损失函数和内容损失函数获得具有原始图像内容和预设风格的迁移后图像。/n

【技术特征摘要】
1.一种基于深度学习的图像风格迁移方法，其特征在于，所述方法包括：
步骤1、获取原始图像，并对所述原始图像进行内容图像的特征提取和风格图像的特征提取，分别得到第一特征图像和第二特征图像；
步骤2、创建白噪声图像，将所得到的第一特征图像和第二特征图像通过迭代优化后导入到所创建的白噪声图像中；
步骤3、再将所述白噪声图像进行迭代最小化，并结合风格损失函数和内容损失函数获得具有原始图像内容和预设风格的迁移后图像。


2.根据权利要求1所述基于深度学习的图像风格迁移方法，其特征在于，在所述步骤1中，具体是利用卷积神经网络对所述原始图像进行内容图像的特征提取和风格图像的特征提取，所选用的卷积神经网络为VGG-19网络模型；
基于所述VGG-19网络模型的激活函数为ReLU函数，其表达式为：
f(x)＝max(0，x)
其中，x是输入信号，f(x)输出信号；当输入信号小于零时，输出为零；当输入信号大于零时，输出为输入信号的值。


3.根据权利要求1所述基于深度学习的图像风格迁移方法，其特征在于，在步骤3中，所述内容损失函数是通过将内容图像和所创建的白噪声图像分别传入卷积神经网络，并用二范数建立起内容图像和白噪声图像之间的距离函数，以此作为损失函数；
所述风格损失函数是通过将风格图像和所创建的白噪声图像分别传入卷积神经网络后，计算在各个卷积层间的格莱姆矩阵来建立的。


4.根据权利要求3所述基于深度学习的图像风格迁移方法，其特征在于，在步骤3中，对应所述白噪声图像中的第L层的内容损失函数通过以下公式得到：



其中，为原始图像，为生成图像，表示第i个过滤器在层L中的第j个位置的ReLU激活函数；Fl和Pl为各自在L层中的特征表达。

【专利技术属性】
技术研发人员：张宁，范崇睿，任晗，谢敏怡，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：北京;11