[发明专利]一种基于DenseNet生成对抗网络的语义图像修复方法

权利要求书

1.一种基于DenseNet生成对抗网络的语义图像修复方法，其特征在于，包括以下步骤：

步骤1、数据预处理阶段，将收集到的图像集进行预处理，裁剪成设定尺寸的训练图像；

步骤2、构建DenseNet生成对抗网络：生成对抗网络模型由DenseNetg生成网络G和判别网络D构成；生成网络G采用编码-解码器的网络结构，其中编码器由DenseNet模块和卷积层构成，解码器由DenseNet模块和反卷积层构成；同时编码器和解码器之间存在跳跃连接；编码器对输入图像下采样，提取抽象特征；解码器通过反卷积对编码之后的特征数据进行上采样使得输出数据大小与输入图像大小保持一致；判别网络是由卷积层和全连接层构成二分类网络，实现输入图像的真伪判定；

步骤3、训练DenseNet生成对抗网络；将上述预处理的图像作为数据集，随机选取训练数据集中一批图像，在每一张图像加入掩码模拟语义信息缺失的待修复图像，作为网络的输入，分别对生成网络G和判别网络D的权重进行训练；在训练过程中利用重建损失、对抗损失和TV损失进行损失计算，并基于反向传播算法计算网络参数梯度，并按照设定的学习率进行参数的迭代更新；两个网络交替训练，当满足设定的迭代次数时完成训练；

步骤4、利用训练好的生成网络G对语义信息缺损图像进行图像修复处理。

2.如权利要求1所述的基于DenseNet生成对抗网络的语义图像修复，其特征在于，步骤1所述的数据集，是自己收集到的图像或者是公开的数据集，对大小不一致的图像进行预处理，转换成设定尺寸的训练图像。

3.如权利要求1所述的基于DenseNet生成对抗网络的语义图像修复，其特征在于，步骤2所述的构建生成对抗网络，具体如下：

生成对抗网络模型由DenseNet生成网络G和判别网络D构成；其中，生成网络G包含编码-解码器，编码解码结构采用DenseNet模型中的密集卷积块和过渡层；其中，编码器包含一个卷积层，4个密集卷积块和4个过渡层；首先利用以2为步长的4*4的卷积核对输入图像进行特征提取，然后利用密集卷积块和过渡层进行下采样，提取抽象特征；解码器的结构与编码器相对应，由密集卷积块和反卷积过渡层构成；解码器对编码的抽象特征进行上采样解码，输出与输入尺寸一致的生成图像；同时网络还将编码器和解码器中每一层级特征利用skip-connection进行连接，实现多层级特征复用，提高生成网络修复图像准确性的性能；判别网络是由4个卷积层和一个全连接层构成，实现对输入图像真假的判别。