[发明专利]一种图像处理方法

说明书

本发明公开了图像处理技术领域的一种图像转化处理方法，旨在解决现有技术中基于循环生成式对抗网络的图像处理方法在对图像局部特征迁移过程中，往往不能聚焦于局部特征和存在条纹状噪声，容易出现图片整体颜色改变的技术问题。所述方法包括如下步骤：采集包含处理特征的真实图像和不包含处理特征的真实图像，构建训练样本；将训练样本输入至循环生成式对抗网络中，以预构建的损失函数最小为目标训练所述循环生成式对抗网络，所述损失函数包括全变分正则化损失函数；采用训练好的循环生成式对抗网络对待处理图像进行处理。

技术领域

本发明涉及一种图像处理方法，属于图像处理技术领域。

背景技术

近年来，随着人工智能的高速发展，深度学习也成为了热门研究领域，尤其是生成式对抗网络的提出加速了深度学习的进程。生成式对抗网络包含一个生成器和一个判别器，生成器能够通过真实数据的潜在分布进行学习，并生成假的数据分布来拟合逼近真实数据；判别器是一个分类器，能够判断数据分布是否为真。通过不断竞争学习，生成器能够生成越来越逼真的假的数据分布，最终达到以假乱真的效果。

循环生成式对抗网络是将生成式对抗网络与图到图转换的结合，其本质上是两个镜像对称的生成式对抗网络，构成了一个环形网络。两个生成式对抗网络共享两个生成器和两个判别器。循环生成式对抗网络适合处理图片风格迁移，但是应用在类似于人脸去除眼镜这种图片局部特征迁移的过程中，往往不能聚焦于局部特征和存在条纹状噪声的问题，容易出现图片整体颜色的改变，即人脸去除眼镜之后可能出现脸部其他区域的变化。

发明内容

本发明的目的在于提供一种图像处理方法，以克服现有技术中存在的上述缺陷或缺陷之一。

为达到上述目的，本发明是采用下述技术方案实现的：

一种图像处理方法，包括如下步骤：采集包含处理特征的真实图像和不包含处理特征的真实图像，构建训练样本；将训练样本输入至循环生成式对抗网络中，以预构建的损失函数最小为目标训练所述循环生成式对抗网络，所述损失函数包括全变分正则化损失函数；采用训练好的循环生成式对抗网络对待处理图像进行处理。

进一步，所述循环生成式对抗网络的训练方法包括如下步骤：采用循环生成式对抗网络的第二判别器计算输入训练样本包含处理特征的概率，获取包含处理特征的真实图像；采用循环生成式对抗网络的第一生成器生成包含处理特征的真实图像的颜色注意力图和掩码注意力图，再将包含处理特征的真实图像和与其对应的颜色注意力图、掩码注意力图合成，通过循环生成式对抗网络的第一判别器判别获取不包含处理特征的第一合成图像；采用循环生成式对抗网络的第二生成器生成第一合成图像的颜色注意力图和掩码注意力图，再将第一合成图像和与其对应的颜色注意力图、掩码注意力图合成为包含处理特征的第二合成图像；采用循环生成式对抗网络的第一判别器计算输入训练样本包含处理特征的概率，获取不包含处理特征的真实图像；采用循环生成式对抗网络的第二生成器生成不包含处理特征的真实图像的颜色注意力图和掩码注意力图，再将不包含处理特征的真实图像和与其对应的颜色注意力图、掩码注意力图合成，通过循环生成式对抗网络的第二判别器判别获取包含处理特征的第三合成图像；采用循环生成式对抗网络的第一生成器生成第三合成图像的颜色注意力图和掩码注意力图，再将第三合成图像和与其对应的颜色注意力图、掩码注意力图合成为不包含处理特征的第四合成图像；根据包含处理特征的真实图像、第二合成图像、不包含处理特征的真实图像和第四合成图像计算损失函数，以所述损失函数最小为目的，调整第二生成器、第一生成器、第二判别器和第一判别器。

进一步，所述第一合成图像、第二合成图像、第三合成图像和或第四合成图像的生成方法包括：将输入图像对应的颜色注意力图和掩码注意力图逐点相乘，得到图像改变区域值；将掩码注意力图反转并与输入图像逐点相乘，得到图像不变区域值；将图像改变区域值与图像不变区域值进行逐点相加，得到合成图片；与第一合成图像、第二合成图像、第三合成图像、第四合成图像相对应的，所述输入图像分别指：包含处理特征的真实图像、第一合成图像、不包含处理特征的真实图像、第三合成图像。

进一步，所述损失函数如下：