[发明专利]基于双判别深度卷积生成式对抗网络的图像修复方法

权利要求书

1.基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，具体包括如下步骤：

步骤1，将待处理图像进行预处理，作为训练集数据图像；

步骤2，构建双判别深度卷积生成式对抗网络模型，包括G生成网络、Net_D判别网络和NetD_Aux判别网络，所述G生成网络用于生成图像；所述Net_D判别网络判别局部图像，所述NetD_Aux判别网络判别全局图像，两个判别网络均通过卷积操作逐层提取图像的特征；

步骤3，将预处理后的待处理图像输入G生成网络中，分别对G生成网络、Net_D判别网络和NetD_Aux判别网络进行训练，通过分别计算对抗损失、图像空间损失和图像特征空间损失，基于反向传播算法优化网络参数，按照设定的学习率进行参数的迭代更新，按照生成网络和两个判别网络交替训练，当G生成网络生成的图像与真实图像接近时训练完成；

步骤4，将待修复的图像输入到训练好的双判别深度卷积生成式对抗网络模型中进行图像修复。

2.如权利要求1所述的基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，所述步骤1中图像的预处理是通过筛选去除重复、不完整以及不清晰的图像。

3.如权利要求1所述的基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，所述G生成网络采用编码器-解码结器，编码器使用卷积算法实现下层采样并编码，采用6层网络，解码器使用置换卷积算法进行上层采用并解码，采用5层网络；所述Net_D判别网络采用5层网络，NetD_Aux判别网络采用6层网络。

4.如权利要求1所述的基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，所述步骤2中所述G生成网络中卷积层的函数LeakyReLU，反卷积层的激活函数采用ReLU，输出层的激活函数采用Tanh。

5.如权利要求1所述的基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，所述Net_D判别网络和NetD_Aux判别网络中激活函数采用LeakyReLU()激活函数。

6.如权利要求1所述的基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，所述步骤3包括如下过程：

将训练集图像数据输入G生成网络中得到生成图像；

将生成图像和真实图像输入Net_D判别网络中，通过损失函数计算局部对抗损失，训练优化网络参数得到真实的局部图像；

将G生成网络得到的生成图像与被加mask的真实图像结合生成伪全局图像，将伪全局图像和真实图像输入到NetD_Aux判别网络中，通过损失函数计算全局对抗损失，训练优化网络参数得到真实的全局图像；

将局部对抗损失和全局对抗损失进行损失回传到G生成网络中，G生成网络中不断输出生成图像，定义特征提取器，通过均方损失函数计算生成图像和真实图像之间的图像空间损失与特征空间损失，将所有的损失加权和进行回传，训练G生成网络，重复交替训练生成网络和判别网络，直到G生成网络生成的图像经过判别网络的判别结果接近1，则训练完成。

7.如权利要求6所述的基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，所述Net_D判别网络中采用交叉熵损失函数，如式(1)所示：

其中，G_θ(y_i)表示G生成网络的生成图像，表示生成网络生成图片是真实图像的概率。

8.如权利要求6所述的基于双判别深度卷积生成式对抗网络的图像修复方法，其特征在于，所述均方损失函数包括：

计算图像空间损失如式(2)所示：

其中，G_θ(y_i)表示G生成网络的生成图像，x_i表示真实图像；

计算特征空间损失如式(3)所示：

其中，C表示特征提取器，G_θ(y_i)表示G生成网络的生成图像，x_i表示真实图像；

所有的损失进行加权和，如式(4)所示：

其中，表示特征空间损失_，λ_feat表示特征空间损失的权重，表示对抗损失，λ_adv表示对抗损失的权重，表示空间损失，λ_img是空间损失的权重。