一种基于对抗生成网络的建筑立面识别与生成方法技术

本发明专利技术公开了一种基于对抗生成网络的建筑立面识别与生成方法，包括以下步骤：A:获得训练图像集A，所述训练图像集由不同风格的建筑立面图像组成；B:将训练图像集A作为输入图像输入至生成器G中得到建筑立面隐含特征图集B，所述生成器G采用卷积到批标准化到激活Relu函数的卷积单元形式的网络结构；C:将待处理的图像与生成器G中得到的建筑隐含特征图集B相加得到风格迁移图像C，并将该图像C输入至判别器D中；D:通过判别器D与生成器G博弈，输出生成器G的最终图像。本发明专利技术将对抗生成网络技术运用到建筑立面的图像处理上，解决传统的建筑立面的图像处理中分析、整理、评价以及再设计等步骤，降低了建筑立面的设计门槛和设计成本。

【技术实现步骤摘要】
一种基于对抗生成网络的建筑立面识别与生成方法
本专利技术涉及图像处理
，特别涉及一种基于对抗生成网络的建筑立面识别与生成方法。
技术介绍
随着城镇化的快速推进，城市风貌建设的乱象引起各界高度重视，各级城乡政府积极响应，建立相应的城市建筑风貌控制导则。如何将渐失的城市风貌和建筑特色得以传承成为当下社会关注的热点。建筑立面是建筑风貌的主要组成部分，其相关研究与品质提升涉及现状收集、分析、整理、评价以及再设计等步骤，以往该过程涉及大量人工操作，包括人工标记扣取图片中的立面要素、人工对大量立面要素进行整理归纳，非常费时费力且最终提取总结出的立面特征有较强主观性，且建筑立面的生成效率降低。
技术实现思路
本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于对抗生成网络的建筑立面识别与生成方法，解决目前在设计建筑立面的过程中需要大量人工操作，导致建筑立面的生成效率降低的技术问题。为了解决上述技术问题，本专利技术提供了如下的技术方案：本专利技术一种基于对抗生成网络的建筑立面识别与生成方法，包括以下步骤：A:获得训练图像集A，所述训练图像集由不同风格的建筑立面图像组成；B:将训练图像集A作为输入图像输入至生成器G中得到建筑立面隐含特征图集B，所述生成器G采用卷积到批标准化到激活Relu函数的卷积单元形式的网络结构；C:将待处理的图像与生成器G中得到的建筑隐含特征图集B相加得到风格迁移图像C，并将该图像C输入至判别器D中；D:构造一个与生成器G具有相同的卷积单元形式的判别器D对图像C和训练图像集A进行判别，若判别器D将图像C与训练图像集A归为一类，那么再次训练判别器D的调节参数，若判别器D将图像C与训练图像集A分为两类，则再次训练生成器G的调节参数，并重新执行步骤B，直到判别器D与生成器G没有更多的改进余地，输出生成器G的最终图像。作为本专利技术的一种优选技术方案，所述步骤D中输出生成器G的最终图像的计算公式为其中，D(x，y)表示图像x输入至判别器D的映射值，G(x，z)表示图像x和随机噪声向量z输入至生成器G的映射值，G*表示最终的输出值；为生成器G的的损失函数的值。作为本专利技术的一种优选技术方案，所述生成器G包括八个卷积基层、八个反卷积层和八个concat层，所述concat层用于将输入图片映射到反卷积过程，所述卷积与反卷积的结构对齐，第i层会链接到第n-i层，其中n是生成器G中层的总数，所述判别器D包括四个卷积层、一个标准化层以及一个归一化层。作为本专利技术的一种优选技术方案，所述激活函数Relu为线性函数，当输入数值为负值时，输出值为0，当输入数值为正值时，输出值与输入值相同。作为本专利技术的一种优选技术方案，所述批标准化计算包括以下步骤：1：将同一批次的特征图输入至批标准化层中进行计算得出的均值和方差2：对所有的xi，i∈1…m进行标准化，得到3：对做一个线性变换，输出批标准化处理结果yi。所述的均值和方差的计算公式分别为所述xi的标准化计算公式为所述yi的计算公式为式中，m代表批次容量；ε代表一个很小的定数，避免分母为0带来的系统错误；β、γ均表示调节参数。作为本专利技术的一种优选技术方案，所述步骤A中，获得训练图像集A后对训练图像集A进行预处理，将训练图像集A进行像素值尺度变换，再通过随机裁剪将图片转回，并通过加入随机镜像的方式进一步丰富训练图像集A。与现有技术相比，本专利技术的有益效果如下：本专利技术将对抗生成网络技术运用到建筑立面的图像处理上，解决传统的建筑立面的图像处理中分析、整理、评价以及再设计等步骤，降低了建筑立面的设计门槛和设计成本，大大缩短了建筑立面的制作周期，加快了建筑立面的生成效率。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是本专利技术的整体结构示意图。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。此外，如果已知技术的详细描述对于示出本专利技术的特征是不必要的，则将其省略。实施例1如图1所示，本专利技术提供一种基于对抗生成网络的建筑立面识别与生成方法，包括以下步骤：A:获得训练图像集A，训练图像集由不同风格的建筑立面图像组成；B:将训练图像集A作为输入图像输入至生成器G中得到建筑立面隐含特征图集B，生成器G采用卷积到批标准化到激活Relu函数的卷积单元形式的网络结构；C:将待处理的图像与生成器G中得到的建筑隐含特征图集B相加得到风格迁移图像C，并将该图像C输入至判别器D中；D:构造一个与生成器G具有相同的卷积单元形式的判别器D对图像C和训练图像集A进行判别，若判别器D将图像C与训练图像集A归为一类，那么再次训练判别器D的调节参数，若判别器D将图像C与训练图像集A分为两类，则再次训练生成器G的调节参数，并重新执行步骤B，直到判别器D与生成器G没有更多的改进余地，输出生成器G的最终图像。生成器G：在生成器输入时，除了初始随机噪声，还会输入一个条件(condition)，生成器的输出会受到输入条件的干涉。那么如果把一幅图像作为条件，则输出就与输入的条件图像产生某种对应关系，从而实现了一种“图像翻译”的过程。网络架构上，由于生成器的输入与输出是成对图片，具有相似的结构，二者应该共享一些信息，因此卷积与反卷积的结构大致对齐，第i层会链接到第n-i层，其中n是生成器中层的总数。该生成器结构被命名为“U-Net”，以暗指其中的对称性。本研究中生成器共包含八个卷基层、八个反卷积层以及八个concat层(用于将输入图片映射到反卷积过程)Unet反向传播步骤如下：(1)Y＝Matrix_1(Filter)*Matrix_2(Image)Matrix_1和Matrix_2分别是将卷积核和图像转成矩阵函数。也就说给一个输入X，利用矩阵乘法能得到卷积后输出Y。(2)Y＝c*x卷积可以分解成两个矩阵相乘，卷积反向传播就是C的转置相乘。(3)Y＝[1,2]*[X,x_1]TY对x求导，dy/dx＝[1,2]^T，反卷积就是转置卷积，也是一种卷积，转置卷积是由小尺寸到大尺寸的过程。也就是反卷积也可以表示为两个矩阵乘积，转置卷积的反向传播就是也可以进行。判别器D：为了对图像的局部做出更好的判断，判别器D采用patchGAN结构，最终的输出结果不是一个值而是一个30*30的矩阵，这相当于将输入图片切分为许多个patch，再分别判断每个Patch的真假。这样做的好处是判别器计算量小，训练速度快，同时判断结果更为精细。判别器在输入上同时接收生成器输入图像与待判别图像(真实图像或者是生成的图像)，这样的结构使得判别器除了考虑生成图像是否真本文档来自技高网...

【技术保护点】
1.一种基于对抗生成网络的建筑立面识别与生成方法，其特征在于，包括以下步骤：/nA:获得训练图像集A，所述训练图像集由不同风格的建筑立面图像组成；/nB:将训练图像集A作为输入图像输入至生成器G中得到建筑立面隐含特征图集B，所述生成器G采用卷积到批标准化到激活Relu函数的卷积单元形式的网络结构；/nC:将待处理的图像与生成器G中得到的建筑隐含特征图集B相加得到风格迁移图像C，并将该图像C输入至判别器D中；/nD:构造一个与生成器G具有相同的卷积单元形式的判别器D对图像C和训练图像集A进行判别，若判别器D将图像C与训练图像集A归为一类，那么再次训练判别器D的调节参数，若判别器D将图像C与训练图像集A分为两类，则再次训练生成器G的调节参数，并重新执行步骤B，直到判别器D与生成器G没有更多的改进余地，输出生成器G的最终图像。/n

【技术特征摘要】
1.一种基于对抗生成网络的建筑立面识别与生成方法，其特征在于，包括以下步骤：
A:获得训练图像集A，所述训练图像集由不同风格的建筑立面图像组成；
B:将训练图像集A作为输入图像输入至生成器G中得到建筑立面隐含特征图集B，所述生成器G采用卷积到批标准化到激活Relu函数的卷积单元形式的网络结构；
C:将待处理的图像与生成器G中得到的建筑隐含特征图集B相加得到风格迁移图像C，并将该图像C输入至判别器D中；
D:构造一个与生成器G具有相同的卷积单元形式的判别器D对图像C和训练图像集A进行判别，若判别器D将图像C与训练图像集A归为一类，那么再次训练判别器D的调节参数，若判别器D将图像C与训练图像集A分为两类，则再次训练生成器G的调节参数，并重新执行步骤B，直到判别器D与生成器G没有更多的改进余地，输出生成器G的最终图像。


2.根据权利要求1所述的一种基于对抗生成网络的建筑立面识别与生成方法，其特征在于，所述步骤D中输出生成器G的最终图像的计算公式为









其中，D(x，y)表示图像x输入至判别器D的映射值，G(x，z)表示图像x和随机噪声向量z输入至生成器G的映射值，G*表示最终的输出值；为生成器G的的损失函数的值。


3.根据权利要求1所述的一种基于对抗生成网络的建筑立面识别与生成方法，其特征在...

【专利技术属性】
技术研发人员：邱宇，马文军，
申请(专利权)人：邱宇，
类型：发明
国别省市：上海;31