一种基于表征增强的特征域优化小样本图像转换方法技术

本发明专利技术属于图像处理技术领域，具体涉及一种基于表征增强的特征域优化小样本图像转换方法。本发明专利技术通过引入直方图均衡算法和Canny算法先验知识，对图像对比度信息和边缘信息进行增强处理，在此基础上通过基于亚像素卷积的通道注意力机制改善网络特征提取能力，进行图像表征增强，解决图像细微特征不突出的问题。本发明专利技术提出基于特征域优化算法的转换机制，通过引入对抗思想自适应划分特征域和内容域，利用源域中多类丰富的图像缩小参数空间，噪声策略的添加使得网络不局限于单一样本的生成，减缓模式崩塌问题；根据源域和目标域的特点，构建重建策略，利用弱化后的循环语义一致性完成小样本图像转换任务，并获得视觉效果更好的转换图像。换图像。换图像。

【技术实现步骤摘要】
一种基于表征增强的特征域优化小样本图像转换方法


[0001]本专利技术属于图像处理
，具体涉及一种基于表征增强的特征域优化小样本图像转换方法。

技术介绍

[0002]图像作为环境感知和知识获取的重要载体，对其进行科学探索、研究和信息挖掘具有重要意义。图像转换的任务是以给定的数据集合为基础，利用深度学习算法学习良好的网络映射，生成同时具备目标数据域特征和源数据域内容的图像。研究高效可靠的图像转换算法都具有重要的理论价值和实际意义，国内外学者对图像转换进行了深入研究，并取得了重要的成果。其中在已有的文献中最著名和效果最好的图像转换方法主要包括：1.基于生成对抗的有监督图像转换方法：2016年，Phillip Isola,Jun
‑
Yan Zhu,Tinghui Zhou,et al.Image
‑
to
‑
image translation with conditional adversarial networks.Proceedings of the IEEE conference on 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于表征增强的特征域优化小样本图像转换方法，其特征在于，包括以下步骤：步骤1：获取小样本图像数据集；步骤2：训练图像转换模型；步骤2.1：参数初始化，设置最大迭代次数；步骤2.2：对图像对比度信息和边缘信息进行增强处理；步骤2.3：利用通道注意力机制的压缩操作和激励操作进行特征处理；步骤2.4：结合亚像素卷积对特征处理后的图像特征集合进行上采样操作；步骤2.5：基于特征域优化算法的转换机制完成细节丰富的小样本图像转换；步骤2.5.1：引入对抗思想，自适应划分特征域和内容域，利用源域中多类丰富的图像缩小参数空间；通过将特征信息接入新的判别器中，构造新的判别过程，构造判别过程中结合两次转换内容不变的思想，即将转换后的图像重新提取图像特征信息后和给定样本提取的图像特征信息相似；为避免简单的应用图像差异导致损失过大进而使得损失函数失衡，利用对抗思想完成这一过程，将两次提取的图像特征信息拟合至同一特征分布附近，通过损失函数迫使网络中的生成器的参数进一步优化完成更好的特征提取过程，使得特征域的划分更为准确，达到优化特征域和内容域划分的目的；通过增加新的类别特征的判别器，采用重建图像的特征作为伪标签，真实图像的特征作为真实标签，完成相关判定，添加损失函数为：其中，x表示输入图像，l表示特征类别图像，D表示判别器，G表示生成器,表示期望；步骤2.5.2：添加噪声策略；对生成器网络中解码器模块的噪声信息冗余引入增加随机信息，具体为：new
vec
＝Cov(Cov(Cov(concat(co
vec
,z),z),z),z)其中，x
img
表示输入图像；co
vec
表示内容向量；concat(
·
,
·
)表示噪声附加操作；Cov(
·
,
·
)表示卷积过程；表示内容向量的提取过程；z表示噪声信息；new
vec
表示新的内容向量；步骤2.5.3：依据源域和目标域的特点，构建重建策略，利用弱化后的循环语义一致性完成图像转换任务；循环一致性重建损失具体为：其中，表示弱化的循环语义一致性；表示前向损失一致性；表示后向损失一致性；前向损失一致性具体为：
其中，Conv(
·
)表示特征提取过程；λ1表示前向转换的超参数表示前向转换的超参数和A
img
，A
i
′
mg
，B
img
和C
img
分别表示图像；Dec(
·
,
·
)表示依据给定的图像类别信息和图像内容信息进行图像解码；φ(
·
)表示图像类别提取过程；表示图像内容特征信息提取过程；后向损失一致性为：其中，λ2表示后向转换的超参数和B
′
img
和C<...

【专利技术属性】
技术研发人员：王兴梅，王坤华，陈伟京，李孟昊，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：