[发明专利]基于深度神经网络模型的图像生成方法与装置

权利要求书

1.一种基于深度神经网络模型的图像生成方法，其特征在于，包括：

获取待处理的原始图像和预设图像数据库，所述原始图像用于生成目标图像，所述目标图像比所述原始图像具有更多图像特征；

将所述原始图像进行图像分块处理，得到所述原始图像的M个第一子图像块，所述M为大于1的整数；

将所述M个第一子图像块输入预先训练的生成对抗网络GAN模型，得到M个第二子图像块，所述M个第一子图像块与所述M个第二子图像块一一对应，所述生成对抗网络GAN模型由所述预设图像数据库训练得到，所述生成对抗网络GAN模型包括生成模型G和判别模型D；

从所述预设图像数据库中获得与所述M个第二子图像块相似度最高的M个第三子图像块，所述M个第二子图像块与所述M个第三子图像块一一对应；

根据所述M个第二子图像块和所述M个第三子图像块生成所述目标图像；

其中，所述生成对抗网络GAN模型的训练过程包括以下步骤：

从所述预设图像数据库中获取第一图像和第二图像，所述第二图像包括所述第一图像增加图像特征后的图像；

对所述第一图像和所述第二图像进行图像分块处理，得到所述第一图像的M个第四子图像块和所述第二图像的M个第五子图像块；

将所述M个第四子图像块和所述M个第五子图像块输入所述判别模型D，得到M个第一概率值，求解所述M个第一概率值的平均值，得到第一平均值;

将所述M个第四子图像块输入所述生成模型G，得到M个第六子图像块；

将所述M个第六子图像块和所述M个第四子图像块输入所述判别模型D，得到M个第二概率值，求解所述M个第二概率值的平均值，得到第二平均值；

求解所述M个第五子图像块与所述M个第六子图像块之差的范数值的平均值，得到第三平均值；

在所述第三平均值等于0的条件下，优化所述第一平均值和所述第二平均值，得到所述生成对抗网络GAN模型的目标函数；

根据所述预设图像数据库和所述目标函数交替训练所述生成模型G和所述判别模型D以获得训练完成的所述生成对抗网络GAN模型。

2.根据权利要求1所述的方法，其特征在于，所述生成模型G包括第一输入层、L层第一隐藏层和第一输出层，所述L层第一隐藏层中每层卷积层的卷积核尺寸为k1*k1个像素，所述L层第一隐藏层中每层卷积层的步长为s1，所述L层第一隐藏层中每层卷积层的激活函数包括修正线性单元ReUL函数，所述L层第一隐藏层中每层池化层的滤波器尺寸为f1*f1，所述L层第一隐藏层中每层池化层的步长为s2，所述L层第一隐藏层中每层反卷积层的卷积核尺寸为k1*k1个像素，所述L层第一隐藏层中每层反卷积层的步长为1/s1，其中，所述k1取值为[3,9]的整数，所述s1取值为[1,4]的整数，所述f1取值为[2,4]的整数，所述s2取值为1或2，所述L为大于1的整数；

所述判别模型D包括第二输入层、K层第二隐藏层和第二输出层，所述K层第二隐藏层中每层卷积层的卷积核尺寸为k2*k2个像素，所述K层第二隐藏层中每层卷积层的步长为s3，所述K层第二隐藏层中每层卷积层的激活函数包括渗漏修正线性函数单元LeakyReUL函数，其中，所述k2取值为3或4，所述s3取值为1或2，所述K为大于1的整数。

3.根据权利要求1所述的方法，其特征在于，所述从所述预设图像数据库中获得与所述M个第二子图像块相似度最高的M个第三子图像块，包括：

从所述预设图像数据库中选取N个第三图像，所述N为大于1的整数；

对所述N个第三图像块进行图像分块处理，得到M*N个第七子图像块；

计算所述M个第二子图像块与所述M*N个第七子图像块的图像相似度以获得M*M*N个相似度值；

从所述M*M*N个相似度值中选取大于预设阈值的子图像块以作为所述M个第三子图像块中的子图像块。