[发明专利]一种基于生成式对抗网络的书法字体自动生成算法

说明书

一种基于生成式对抗网络的书法字体自动生成算法，首先搭建两个生成式对抗网络，各自的生成器分别为G和F，G和F的鉴别器为Dy，Dx；再分别从印刷字体数据集X和书法字体数据集Y中提取minibatch，分别送入G和F中生成对应的书法字体图像G(x)、印刷字体图像F(y)，再由Dy、Dx鉴别生成图像为真的概率并计算损失函数，优化网络参数；其次将G(x)输入到F中、F(y)输入到G中，经卷积、反卷积后输出生成的F(G(x))、G(F(y))，再鉴别图像真伪、计算损失，调整参数；四：重复至网络收敛或达到迭代次数。本发明算法可以将任意一个输入到训练好的神经网络中的汉字，均能输出带书法风格的字体。

技术领域

本发明属于深度学习领域，具体涉及一种基于生成式对抗网络的书法字体自动生成算法。

背景技术

在计算机中输入一个汉字，选择需要转换的书法风格，最终的效果是输出对应风格的书法字体，比如输入一个正楷字“张”，选择王羲之字体风格，输出带有王羲之字体风格的“张”字。

现有的字体风格转换方法是，首先输入需要转换字体风格的汉字，比如‘张’，然后通过索引对应的书法字体数据库，找到对应‘张’字的书法字体，最后输出。其中书法字体风格数据库是人工预先仿写某一书法风格的常用汉字，比如仿写王羲之风格的字体，之后扫描存入数据库。这一方法的缺点有：第一、只能转换预先已存入数据库的字的字体风格，如果遇到没有录入的字体风格，只能输出原字体；第二、这种方法是人工仿写，并不能仿写出真正带有对应风格的字体(比如仿写王羲之字体)；第三、保存书法字体需要占用较大内存空间。

生成式对抗网络(GAN)在图像生成，图像编辑，表征学习等方面都取得了很好的结果。原始GAN模型的主要目标是迫使判别模型D辅助生成模型G，产生与真实数据分布相似的伪数据，其中G和D一般为非线性映射函数，通常由多层感知机或卷积神经网络等网络结构来形式化。给定随机噪声变量z服从简单分布Pz(z)，生成模型G通过将z映射为G(z)隐式地定义了一个生成分布Pg来拟合真实样本分布Pdata。判别模型D作为一个二分类器，分别以真实样本x和生成样本G(z)作为输入，以一个标量值作为概率输出，表示D对于当前输入是真实数据还是生成的伪数据的置信度，以此来判断G生成数据的好坏。当输入为真实训练样本x～Pdata时，D(x)期望输出高概率，当输入为生成样本G(z)时，D(G(z))期望输出低概率，而对于G来说要尽可能使D(G(z))输出高概率，让D无法区分真实数据和生成数据。两个模型交替训练，从而形成竞争与对抗，整个优化过程可以视为一个极小极大博弈。

CycleGAN的方法建立在Isola等人的pix2pix框架上，pix2pix使用cGAN来学习从输入到输出的映射，但它依赖配对训练数据。CycleGAN的创新点在于能够在源域和目标域之间，无须建立训练数据间一对一的映射，就可实现这种迁移。这种方法通过对原图像进行两步变换：首先将原图像映射到目标域，然后再从目标域返回原图像得到二次生成图像，从而消除了在目标域中图像配对的要求。使用生成器网络将图像映射到目标域，并且通过鉴别器(discriminator)提高该生成图像的质量。

发明内容

本发明目的是提供一种基于生成式对抗网络的书法字体自动生成算法，可以将任意一个输入到训练好的神经网络中的汉字，均能输出带书法风格的字体。

本发明采取的技术方案是：

一种基于生成式对抗网络的书法字体自动生成算法，包括以下步骤：

一：搭建两个生成式对抗网络，各自的生成器分别为G和F，其中，G的鉴别器为Dy，F的鉴别器为Dx；

二：分别从印刷字体数据集X和书法字体数据集Y中提取minibatch(梯度下降)，并分别送入G和F中生成对应的书法字体图像G(x)、印刷字体图像F(y)，再分别由Dy、Dx鉴别生成图像为真的概率并计算损失函数，优化网络参数；