[发明专利]基于均值标准差的图像迁移方法

权利要求书

1.一种基于均值标准差的图像迁移方法，其特征在于：通过对风格图像和内容图像在图像特征空间中实现了特征提取，改进了基于Gram matrix的图像风格转移算法，替换CNN中多层特征信息的相关性作为风格特征，在高层网络中进行求取均值和标准差实现归一化，提高风格特征的运算效率，同时对生成的特征图与内容图像进行PSNR和SSIM进行图像质量对比，同时对比改进算法的损失函数值趋势来减少图像特征的扭曲和伪影。

2.根据权利要求1所述的一种基于均值标准差的图像迁移方法，其特征在于：该方法具体包括以下流程：

步骤一：风格提取网络

设计一个特征空间，该空间可以构建在各个网络层的卷积核上，来存储不同卷积核上的特征信息；不同网络层的卷积核的特征组合起来，可以获得丰富和稳定的特征；在神经风格迁移领域中，通过使用经过对象识别训练的深度神经网络，我们可以在特征空间中进行操作，以明确表示图像的高级内容；该方法特点在于提取图像的风格，而不仅仅是通过对风格图像的像素观察，而是将预先训练好的模型提取的特征与风格图像的内容相结合；

步骤二：风格迁移训练

1)进行训练VGG-19网络的损失函数与权值，神经风格迁移中的损失函数与权值含义不同；

2)在VGG-19网络训练过程中，通过反向传播对权值进行更新，该权重是变化的，损失函数值与权值相关，输入图像的像素并没有改变；

3)在神经风格迁移领域中，通过使用经过对象识别训练的深度神经网络，我们可以在特征空间中进行操作，以明确表示图像的高级内容；

4)计算目标损失通过优化损失函数调整噪声图像x使得生成的内容特征集与原特征集合接近，生成的风格特征集与原图像风格特征集合接近；

步骤三：通过优化最佳损失来获得生成风格图像

1)为了寻找最大激活响应对应特征图，需要不断进行迭代梯度，使得高层网络特征进行匹配能够将图片内容和艺术纹理更好地融合，而不会过于保留具体的像素信息；

2)在计算图像的风格特征时，用第l层中第i个和第j个特征图的内积来表示；

3)Gram matrix并没有包括位置信息且计算每一种特征之间的相关性，而且计算复杂度高；但是批归一化层的统计量(均值和方差)包含不同领域的特征；

4)总的损失函数定义为内容损失函数和风格损失函数的加权和：

L_total＝αL_c(c，e)+βL_s(s，e)

5)总损失依赖于内容损失和风格损失，参数α和β会影响损失函数的计算，当α比重较大时，其内容风格特征呈现的较为明显，反之，其风格特征更加突出，进而影响训练过程。