基于注意力机制的山水画风格迁移方法技术

一种基于注意力机制的山水画风格迁移方法，由数据预处理、构建风格迁移网络、构建损失函数、训练风格迁移网络、生成山水画步骤组成。风格迁移网络采用了下采样模块，解决了特征提取不充分的技术问题，提高了图像的特征提取效率；注意力机制模块解决了特征图的关注度低的技术问题，提升了转换网络的精度；转换网络模块，避免了图像在变换过程中出现模糊和失真的问题，提高了转换图像的质量；上采样模块通过反卷积等操作，解决了特征图信息丢失问题，提高了图像的重建效果；并联的损失网络，解决了网络参数大的技术问题，提升了计算速度。本发明专利技术具有信息多样、计算效率高、生成图质量好、速度快等优点，可用于对山水画的风格迁移。可用于对山水画的风格迁移。可用于对山水画的风格迁移。

【技术实现步骤摘要】
基于注意力机制的山水画风格迁移方法


[0001]本专利技术属于计算机视觉
，具体涉及到山水画的风格迁移方法。
技术背景
[0002]绘画作品是作者通过对客观世界的认识加上自己心理感受创作，一直被认为是人的特有创作，近年来随着深度学习相关技术的发展，通过计算机达到绘画作品的智能生成引起研究人员的关注。图像风格迁移技术是指通过机器学习算法让一张图像拥有另一张图像的风格，图像风格迁移技术应用广泛，可用于艺术创作，摄影后期处理，网络营销等
它可以帮助人们在不改变图像内容的基础上，快速改变图像的风格，并具有很好的视觉效果。图像风格迁移技术是当前研究热点之一，也是计算机视觉和图像处理领域的重要方向。
[0003]在绘画作品中，山水画是一种中国传统的绘画艺术形式，以山和水为主题，表现大自然美景的艺术形式。山水画的背景通常是山川、河流、湖泊、树木、云彩等自然元素的景象，具有自然与宁静的气息，表现出对大自然的尊敬和感激之情。
[0004]山水画是一种独特的艺术形式，具有典型的风格特征，山水画通常围绕自然主题展开，如山川、河流、湖泊、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的山水画风格迁移方法，其特征在于由以下步骤组成：(1)数据预处理选取山水画图像和山水画的艺术图像作为数据集，将数据集划分为训练集和测试集，训练集与测试集数量比为10：1；将山水画照片和山水画作品调整为256
×
256像素图像，保存为png格式；(2)构建风格迁移网络风格迁移网络由图像变换网络与损失网络串联构成；所述的图像变换网络由下采样模块与注意力机制模块、图像转换模块、上采样模块依次串联构成；所述的下采样模块由第一卷积层与第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第一Inception模块、第二Inception模块依次串联构成；所述的图像转换模块由8个依次串联残差块构成；所述的上采样模块由第一反卷积层与第五卷积层、第三Inception模块、残差块、第二反卷积层、第六卷积层、第四Inception模块，第七卷积层、第三反卷积层、第八卷积层依次串联构成；所述的损失网络由第一个vgg16网络的前八层与第二个InceptionV3网络的前八层并联构成；(3)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数按式(1)构建损失函数其中，是原始内容图片特征图，是风格图片特征图，是生成图片特征图，l
c
表示在第2层上的特征图；c1、c2、α、β是系数，取值为0～1，c1+c2＝1，α+β＝1；w
l1
、w
l2
是系数，w
l1
和
w
l2
为为是第一个vgg16网络的前八层中，生成图片的卷积层l第i个滤波器在位置j上的响应，是第一个vgg16网络的前八层中，内容图片的卷积层l第i个滤波器在位置j上的响应；是第二个InceptionV3网络的前八层中，生成图片的卷积层l第i个滤波器在位置j上的响应，是第二个InceptionV3网络的前八层中，内容图片的卷积层l第i个滤波器在位置j上的响应；l1表示第5、6、7层上的特征图，l2表示第5、6、7层上的特征图；N是生成图的特征图个数，M是图片宽乘高；是生成图像在卷积层l第i个滤波器在位置j的Gram矩阵，是风格图像在卷积层l第i个滤波器在位置j的Gram矩阵；(4)训练风格迁移网络将训练集输入到风格迁移网络中进行训练，初始学习率设为0.001，学习率衰减策略为每训练30个epochs学习率减半，梯度裁剪最大梯度为2.0，每轮训练的批量大小为32，丢弃率为0.5，训练至损失函数收敛；(5)生成山水画将测试集输入到训练好的山水画风格迁移网络中进行测试，输出对应的风格化图像，用人工评估方法对测试集生成的图像进行评估。2.根据权利要求1所述的基于注意力机制的山水画风格迁移方法，其特征在于：在(2)构建风格迁移网络步骤中，所述的下采样模块中第一卷积层的卷积核大小为3
×
3，步长为1，输出通道数为64；第二卷积层与第一卷积层相同；第一池化层池化核的大小为2
×
2；第三卷积层的卷积核大小为3
×
3、步长为1、输出通道数为12...

【专利技术属性】
技术研发人员：李弘宇，吴晓军，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：