[发明专利]一种基于神经网络的单个图像重新着色方法

权利要求书

1.一种基于神经网络的单个图像重新着色方法，其特征在于包括以下步骤：

(1)输入待处理彩色图像，然后用户在待处理彩色图像进行线条着色，获得着色图像；

(2)提取着色线条所在区域的像素特征值和相应的着色线条分类为数据集，并随机采样数据集中的数据作为训练神经网络的训练数据；

(3)构建图像重新着色分类神经网络，并训练该神经网络；

(4)训练完神经网络后，将待重新着色图像中逐个像素的特征值作为神经网络的输入，获得每个像素属于着色线条的似然概率；

(5)根据神经网络输出的每个像素属于着色线条的似然概率，计算最终的图像重新着色结果；

所述步骤(3)中构建图像重新着色分类神经网络具体为：

图像重新着色分类神经网络由3组全连接层+ReLU激活函数，最后加1组全连接层+softmax激活函数组成，整个神经网络的连接顺序为：FC1-ReLU-FC2-ReLU-FC3-ReLU-FC4-softmax；其中FC1层、FC2层、FC3层和FC4为全连接层，FC1层输入神经元个数为3，输出神经元个数为64；FC2层输入神经元个数为64，输出神经元个数为128；FC3层输入神经元个数为128，输出神经元个数为128,FC4层为输入神经元个数为128，输出神经元个数为K，其中K为着色线条的种类数量；ReLU为非线性激活函数，ReLU(x)＝max(0,x)；

整个神经网络具体操作如下：

J(c)＝f_softmax(f_FC4(f_ReLU(f_FC3(f_ReLU(f_FC2(f_ReLU(f_FC1(c))))))))

其中：

c＝(R,G,B)是训练集中像素的归一化RGB向量；

f_ReLU对应ReLU激活函数；

f_softmax对应softmax激活函数；

f_FC1-f_FC4对应全连接层；

所述步骤(3)中训练神经网络具体为：

训练样本经过全连接深度学习神经网络的输出和真实的训练样本输出之间的损失函数如下：

其中：

i，k为索引值；

M₁为训练样本的数量；

K为着色线条的种类数量；

L为交叉熵损失函数；

a_i为第i个训练样本在softmax层的未激活的输出；

z_i为训练集中第i个训练样本的分类向量，向量中目标分类z_ik等于1，其他分类z_ik等于0；

P_ik为softmax的输出，计算了第i个训练样本预测为属于分类k的似然概率；

对损失函数E进行优化求最小化的极值，可以获得深度学习神经网络的参数，本方法采用mini-batch Adam优化算法来训练深度学习神经网络。

2.根据权利要求1所述的基于神经网络的单个图像重新着色方法，其特征在于：步骤(1)具体为：用户选取相应颜色的画笔，用户在待处理彩色图像上进行线条着色，着色线条的颜色值表示被画笔覆盖的区域图像重新着色后的颜色值，其中白色着色线条为特殊着色线条，当着色线条的颜色值为白色时，表示被画笔覆盖的区域图像重新着色后的颜色值保持不变。