[发明专利]基于卷积神经网络的图像着色系统及方法

权利要求书

1.基于卷积神经网络的图像着色系统，其特征在于，包括：

低级特征网络，用于对待着色的灰度图像进行低级特征提取，得到图像低级特征；

局部特征网络，用于将所述图像低级特征进行局部特征提取，得到图像局部特征；

语义特征网络，用于将所述图像低级特征进行语义信息学习，得到图像语义特征；

图像着色网络，用于将所述图像局部特征和图像语义特征进行融合得到彩色图像。

2.根据权利要求1所述的基于卷积神经网络的图像着色系统，其特征在于，所述图像着色系统还包括：

双边过滤模块，用于对所述彩色图像进行双边过滤。

3.根据权利要求1所述的基于卷积神经网络的图像着色系统，其特征在于，所述低级特征网络包括：

第一输入层，用于输入灰度图像；

第一卷积层，用于对所述灰度图像的低级特征进行提取，得到图像低级特征；

第一激活层，用于实现所述图像低级特征的非线性映射；

第一池化层，用于减小所述图像低级特征的大小；

所述语义特征网络包括：

第二卷积层，用于从所述图像低级特征中找出每个像素的类别，得到图像语义特征；

第二激活层，用于实现所述图像语义特征的非线性映射；

第二池化层，用于减小所述图像语义特征的大小；

所述局部特征网络包括：

第三卷积层，用于对所述图像低级特征进行进一步细化，得到图像局部特征；

第三激活层，用于实现所述图像局部特征的非线性映射；

第三池化层，用于减小所述图像局部特征的大小。

4.根据权利要求3所述的基于卷积神经网络的图像着色系统，其特征在于，所述第一卷积层的卷积核为3×3，步长为1×1；所述第三卷积层的卷积核为3×3，步长为1×1。

5.根据权利要求1所述的基于卷积神经网络的图像着色系统，其特征在于，所述图像低级特征的计算公式为：

g^low＝σ₁(W₁×g+b₁)

其中，g^low为图像低级特征，σ₁()为激活函数，W₁为权重，b₁为偏置，W₁和b₁通过反向传播更新；

所述图像语义特征的计算公式为：

g^sem＝σ₂(W₂·g^low+b₂)

其中，g^sem为图像语义特征；g^low为图像低级特征；σ₂()为激活函数，W₂为权重，b₂为偏置，W₂和b₂通过反向传播更新；

图像着色网络在像素点(i，j)的输出为：

其中，g^sem为图像语义特征；σ₂()为激活函数，W₃为权重，b₃为偏置，W₃和b₃通过反向传播更新。

6.基于卷积神经网络的图像着色方法，其特征在于，包括：

获取待着色的灰度图像，并提取所述灰度图像的图像低级特征；

将所述图像低级特征进行局部特征提取，得到图像局部特征；

将所述图像低级特征进行语义信息学习，得到图像语义特征；

将所述图像局部特征和图像语义特征进行融合得到彩色图像。

7.根据权利要求6所述的基于卷积神经网络的图像着色方法，其特征在于，所述图像着色方法还包括：

对所述彩色图像进行双边过滤。