[发明专利]基于深度卷积生成对抗网络的铝电解火眼图像修补方法

权利要求书

1.一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法，其特征在于，所述方法包括：

步骤1，对图像进行预处理：提取以火眼中心为中心，边长为400p的正方形的火眼图像；

步骤2，使用Wasserstein距离定义为生成器的loss；

步骤3，优化算法改为RMSProp优化算法；

步骤4，根据提取W-DCGAN生成模型进行图像修补。

2.如权利要求1所述的方法，其特征在于，所述步骤1进一步包括：只取以火眼中心为中心，边长为400p的正方形的火眼图像，由于图像是二值图，可以直接获取到火眼部分的图像左下角(xl,yl)和右上角的坐标(xr,yr)；然后根据公式(xc,yc)＝((xl+xr)/2,(yl+yr)/2)可获得火眼中心坐标，最后提取图像的左下角坐标和右上角坐标为(xl-100,yl-100),(xl+100,yl+100)。

3.如权利要求2所述的方法，其特征在于，所述步骤2进一步包括：

Wasserstein距离(Earth-Mover(EM)距离)，定义如下：

其中，∏(P_r,P_g)是P_r和P_g组合起来的所有可能的联合分布的集合，∏(P_r,P_g)中每一个分布的边缘分布都是P_r和P_g，对于每一个可能的联合分布γ而言，从中采样(x,y)～γ得到一个真实样本x和一个生成样本y，并算出这对样本的距离||x-y||，计算该联合分布γ下样本对距离的期望值E_(x，y)～y[||x-y||]；在所有可能的联合分布中能够对这个期望值取到的下界定义为Wasserstein距离，

然后，把Wasserstein函数定义为生成器的loss，但是Wasserstein距离定义中的没法直接求解，转化为如下形式：

其中，在一个连续函数f上面额外施加了一个限制，要求存在一个常数K≥0使得定义域内的任意两个元素x₁和x₂都满足：|f(x₁)-f(x₂)|≤K|x₁-x₂|，此时函数f的Lipschitz常数为K，要求函数f的Lipschitz常数||f||_L不超过K的条件下，对所有可能满足条件的f取到的上界，然后再除以K；此时下式可以近似变为：

而f可以用一个带参数w的神经网络来表示，同时满足下式中||f_w||_L≤K这个限制，再构造一个含参数w、最后一层不是非线性激活层的判别器网络f_w，在限制w不超过某个范围的条件下，使得：

此时L就会近似真实分布与生成分布之间的Wasserstein距离，其数值越小，表示真实分布与生成分布的Wasserstein距离越小，模型训练得越好。

4.如权利要求3所述的方法，其特征在于，所述步骤3进一步包括：所述RMSProp优化算法对梯度计算了微分平方加权平均数，有利于消除了摆动幅度大的方向，用来修正摆动幅度，使得各个维度的摆动幅度都较小。

5.如权利要求4所述的方法，其特征在于，所述步骤4进一步包括：使用W-DCGAN在Chars74K公共数据集上进行训练，实验收敛后提取本方法的生成模型，再将火眼图像当做训练集微调生成模型的参数。