[发明专利]基于递进学习策略的图像修复方法、系统、介质及设备

权利要求书

1.一种基于递进学习策略的图像修复方法，其特征在于，所述方法包括：

将待修复图像输入粗生成模型，以得到粗生成结果；

提取所述粗生成结果的特征图，以得到前景特征图；

将所述前景特征图与背景特征图进行匹配，并将得到的与所述前景特征图匹配度最高的背景样本块对所述前景特征图进行重构。

2.如权利要求1所述的基于递进学习策略的图像修复方法，其特征在于，在将待修复图像输入粗生成模型以得到粗生成结果之前，所述方法还包括：

获取训练样本图像；

向所述训练样本图像中心区域附加一破损区域大小的掩模，以作为粗生成网络的输入。

3.如权利要求2所述的基于递进学习策略的图像修复方法，其特征在于，所述粗生成网络的生成训练方法，具体为：

将粗生成从内到外划分为四个阶段，将每个阶段通过编解码架构生成外层区域内容，并使用生成对抗网络对生成结果进行鉴别；

通过单层LSTM网络建立各个阶段之间的任务连接，以形成粗生成网络；

将训练样本图像输入粗生成网络中进行训练，以得到粗生成模型。

4.如权利要求1所述的基于递进学习策略的图像修复方法，其特征在于，所述粗生成模型包括重建损失函数、全变分损失函数以及光谱标准化的PatchGAN：

所述重建损失函数为，

x_i+1＝G(x_i)

其中，x₁为初始输入图像，M_i为掩模；

所述全变分损失函数为，

其中，m、n为像素的坐标；

所述光谱标准化的PatchGAN为，

其中，D^sn为光谱标准化的鉴别器，G为图像修复的粗生成网络，z为待修复的图像，x为真实图像。

5.如权利要求1所述的基于递进学习策略的图像修复方法，其特征在于，提取所述粗生成结果的特征图，以得到前景特征图，具体为：

将所述粗生成结果输入第一编码器以通过扩张卷积层扩大对纹理特征的感受野；

将所述粗生成结果输入第二编码器通过普通卷积层得到前景特征图。

6.如权利要求5所述的基于递进学习策略的图像修复方法，其特征在于，将所述前景特征图与背景特征图进行匹配，具体为：

分别获取所述前景特征图及背景特征图的前景样本块及背景样本块；

计算所述前景样本块与背景样本块的相似度，通过softmax层来对样本块之间的相关性进行评估。

7.如权利要求6所述的基于递进学习策略的图像修复方法，其特征在于，所述前景特征图与背景特征图之间的相似度为：

其中，f_x,y为前景样本块，b_x',y'为背景样本块，(x,y)为前景中心，(x',y')为背景中心，λ为常数。

8.一种基于递进学习策略的图像修复系统，其特征在于，所述系统包括：

结构生成模块，用于将待修复图像输入粗生成模型，以得到粗生成结果；

特征提取模块，用于提取所述粗生成结果的特征图，以得到前景特征图；

图像重构模块，用于将所述前景特征图与背景特征图进行匹配，并将得到的与所述前景特征图匹配度最高的背景样本块对所述前景特征图进行重构。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7中任一项所述的基于递进学习策略的图像修复方法。

10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于递进学习策略的图像修复方法。