[发明专利]图像去网格方法、存储介质

权利要求书

1.一种图像去网格方法，用于对带网格的图像进行去网格处理，其特征在于，包括：

采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入所述生成对抗网络模型进行训练，直到生成器生成的图像为真实；

取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入所述预训练模型的进行特征约束训练，直到生成器生成的图像为真实；

采用上一步训练好的生成器对需去网格的图像进行去网格处理。

2.根据权利要求1所述的图像去网格方法，其特征在于，所述采用由生成器和判别器组成的生成对抗网络模型，分别从带网格的图像、不带网格的原始图像上对应随机抠取的预定大小的块输入所述生成对抗网络模型进行训练，直到生成器生成的图像为真实的过程包括：

从带网格的图像上随机抠取96*96大小的第一图像块输入生成器，由生成器生成去网格后图像块；

从不带网格的原始图像中对应抠取96*96大小的第二图像块，将所述去网格后图像块与所述第二图像块的像素均方差损失作为所述生成器的损失函数；

将所述去网格后图像块与所述第二图像块作为判别器的输入，将二者的分类损失作为所述判别器的损失函数；

将所述像素均方差损失和所述分类损失的加权损失作为所述生成对抗网络模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。

3.根据权利要求2所述的图像去网格方法，其特征在于，

所述生成器采用的像素均方差损失函数如下公式：

其中，P_l表示对应不带网格的第二图像块，P_O表示经过生成器处理后的去网格后图像块，L_MSE为像素均方差损失，W表示图像块的宽度，H表示图像块的高度；

所述判别器采用的分类损失函数如下公式：

4.根据权利要求1所述的图像去网格方法，其特征在于，在所述生成对抗网络模型进行训练的过程中，

所述生成器和所述判别器依次进行训练，更新一次生成器的参数再跟新一次判别器的参数。

5.根据权利要求1所述的图像去网格方法，其特征在于，所述取上一步中的生成器并结合预先训练好的识别网络作为预训练模型，分别从带网格的图像、不带网格的原始图像上抠取包含人脸区域的预定大小的块输入所述预训练模型的进行特征约束训练，直到生成器生成的图像为真实的过程包括：

从带网格的图像的中间区域抠取包含人脸的160*160大小的第三图像块输入生成器，由生成器生成去网格后图像块；

从不带网格的原始图像的中间区域抠取包含人脸的160*160大小的第四图像块，将所述去网格后图像块与所述第四图像块的像素均方差损失作为所述生成器的损失函数；

将所述去网格后图像块与所述第四图像块作为识别网络的输入，经识别网络提取二者的对应特征，并将两个对应特征的余弦距离损失作为所述识别网络的损失函数；

将所述像素均方差损失和所述余弦距离损失的加权损失作为所述预训练模型的目标函数，迭代训练并优化模型参数使网络输出的损失函数值下降并收敛。

6.根据权利要求5所述的图像去网格方法，其特征在于，所述像素均方差损失函数如下公式：

其中，P_l表示对应不带网格的第四图像块，P_O表示经过生成器处理后的去网格后图像块，L_MSE为像素均方差损失，W表示图像块的宽度，H表示图像块的高度；

所述识别网络将两个对应特征夹角的余弦值取负作为损失函数，公式如下：

其中，F_l表示P_l经过识别网络处理得到的特征，F_O表示P_O经过识别网络处理得到的特征。