[发明专利]一种基于条件生成对抗网络的图像修复方法及系统

权利要求书

1.一种基于条件生成对抗网络的图像修复方法，其特征在于：包括以下步骤：

S101：获取训练数据集，并对所述训练数据集中的数据进行预处理，得到预处理后的训练数据集；

S102：将所述预处理后的训练数据集作为CGAN网络的训练数据集，以对所述CGAN网络进行训练，得到训练好的CGAN网络；

S103：将待修复图像输入至所述训练好的CGAN网络，得到修复后的图像。

2.如权利要求1所述的一种基于条件生成对抗网络的图像修复方法，其特征在于：步骤S101中，所述训练数据集采用CelebA数据集；通过Openface平台对所述训练数据集中的数据进行预处理，包括：首先采用人脸检测算法检测所述训练数据集中的各图像中的人脸区域，然后将检测出来的人脸区域统一裁剪为64×64大小且对齐，得到预处理后的训练数据集。

3.如权利要求1所述的一种基于条件生成对抗网络的图像修复方法，其特征在于：步骤S102中，所述CGAN网络包括生成器G和判别器D，生成器G和判别器D的层数相同，且生成器G的卷积核为判别器D的卷积核的转置；采用预训练好的GAN网络实现CGAN网络的迁移学习，在训练过程中、将GAN模型的目标函数更改为CGAN的目标函数，将GAN中的全连接层更改为卷积层以及进行网络的微调，最后根据loss函数值是否趋于稳定确定是否收敛以结束训练，若loss函数值趋于稳定，则收敛，结束训练，得到训练好的CGAN网络。

4.如权利要求1所述的一种基于条件生成对抗网络的图像修复方法，其特征在于：步骤S103中，将待修复图像输入至所述训练好的CGAN网络，得到修复后的图像，具体包括：

将待修复图像经过编码后输入至生成器G和判别器D，生成器G通过输入随机噪声向量生成修复图像，判别器D判断所述待修复图像与所述修复图像的真假概率；通过不断迭代优化，最终使得判别器D判别不出生成器G生成的修复图像的真假，即达到纳什均衡，输出最终的修复图像，从而实现图像修复。

5.一种基于条件生成对抗网络的图像修复系统，其特征在于：包括以下模块：

训练数据获取模块，用于获取训练数据集，并对所述训练数据集中的数据进行预处理，得到预处理后的训练数据集；

网络训练模块，用于将所述预处理后的训练数据集作为CGAN网络的训练数据集，以对所述CGAN网络进行训练，得到训练好的CGAN网络；

图像修复模块，用于将待修复图像输入至所述训练好的CGAN网络，得到修复后的图像。

6.如权利要求5所述的一种基于条件生成对抗网络的图像修复系统，其特征在于：训练数据获取模块中，所述训练数据集采用CelebA数据集；通过Openface平台对所述训练数据集中的数据进行预处理，包括：首先采用人脸检测算法检测所述训练数据集中的各图像中的人脸区域，然后将检测出来的人脸区域统一裁剪为64×64大小且对齐，得到预处理后的训练数据集。

7.如权利要求5所述的一种基于条件生成对抗网络的图像修复系统，其特征在于：网络训练模块中，所述CGAN网络包括生成器G和判别器D，生成器G和判别器D的层数相同，且生成器G的卷积核为判别器D的卷积核的转置；采用预训练好的GAN网络实现CGAN网络的迁移学习，在训练过程中、将GAN模型的目标函数更改为CGAN的目标函数，将GAN中的全连接层更改为卷积层以及进行网络的微调，最后根据loss函数值是否趋于稳定确定是否收敛以结束训练，若loss函数值趋于稳定，则收敛，结束训练，得到训练好的CGAN网络。

8.如权利要求5所述的一种基于条件生成对抗网络的图像修复系统，其特征在于：图像修复模块中，将待修复图像输入至所述训练好的CGAN网络，得到修复后的图像，具体包括：

将待修复图像经过编码后输入至生成器G和判别器D，生成器G通过输入随机噪声向量生成修复图像，判别器D判断所述待修复图像与所述修复图像的真假概率；通过不断迭代优化，最终使得判别器D判别不出生成器G生成的修复图像的真假，即达到纳什均衡，输出最终的修复图像，从而实现图像修复。