[发明专利]一种基于生成对抗网络模型的图像补全方法

说明书

本发明公开了一种基于生成对抗网络模型的图像补全方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造深度卷积神经网络作为生成器与判别器；S3、去除数据集图像中的部分像素，输入生成器中；S4、在生成器中运用卷积神经网络对图像进行补全；S5、将补全之后的图像与数据集图像输入判别器中判别，更新损失函数。本方法构建的基于图像补全的生成对抗网络模型，改变了生成器接收的信息，从噪声改成了去除部分像素的图像，通过生成器与判别器的对抗训练，使生成器能自动补全缺失的部分像素。

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于生成对抗网络模型的图像补全方法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在传统的对抗网络模型中，判别器接收的是随机噪声，通过不断地学习数据集中的分布，将随机噪声生成满足数据集分布的图像。在这种情况下，整个网络的训练速度较慢，并且没有自动补全图像的功能。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，构建了一种基于生成对抗网络模型的图像补全方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于生成对抗网络模型的图像补全方法，所述的图像补全方法包括下列步骤：

S1、构造原始生成对抗网络模型，生成器通过生成图像输入至判别器进行网络训练；

S2、构造深度卷积神经网络作为生成器与判别器；

在原始的生成对抗网络模型中，充当生成器与判别器功能的模型较为简单，而在本发明中，采用深度卷积神经网络作为生成器与判别器，能够以更高的效率学习到数据集中图像的特征。

S3、去除数据集图像中的部分像素，输入生成器中；

S4、在生成器中运用卷积神经网络对图像进行补全；

S5、将补全之后的图像与数据集图像输入判别器中判别，更新损失函数。

进一步地，所述的步骤S2中构造的神经网络包含多个卷积核，其中卷积核的个数根据数据集图像特征的复杂程度设置。

进一步地，所述的步骤S4中在生成器中运用卷积神经网络对图像进行补全，具体过程如下：

S41、利用卷积神经网络充当生成器、判别器；

S42、利用卷积将输入图像缺失的像素进行补全。

进一步地，所述的步骤S5中，将补全之后的图像与数据集图像输入判别器中判别，更新损失函数。

其中，所述的损失函数的表达式为：

其中，D(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度。

本发明相对于现有技术具有如下的优点及效果：

高效性：本发明根据图像补全的操作过程，将去除部分像素的图片输入至生成器中，通过卷积神经网络充当生成器与判别器的功能，通过对抗训练与更新损失函数，实现了生成器自动补全图像的效果。

附图说明

图1是生成对抗网络通过图像补全进行训练的整体流程图。