[发明专利]一种基于生成对抗网络的图像修复方法

说明书

本发明公开了一种基于生成对抗网络的图像修复方法，其步骤包括：1、对原始图像进行预处理并得到待修复的图像；2、对待修复图像数据集Z进行编码，得到编码图像数据集；3、构建由生成网络和判别网络所组成的生成对抗网络；4、利用编码待修复图像数据集对预先构建的对抗网络模型进行训练。本发明通过收集待修复图像的关键特征，对生成模型和判别模型进行训练，能有效提升模型优化的效率，从而能提升图像的修复效果。

技术领域

本发明是涉及图像修复相关领域，具体为一种基于生成对抗网络的图像修复方法。

背景技术

图像修复技术是图像处理领域中的一个热点问题，属于模式识别、计算机视觉等多学科的交叉问题。图像修复是指对局部区域的图像损坏或者丢失按照某种特定的要求进行处理，以恢复图像的完整性。在修复过程中必须遵循相似性、结构性、纹理一致、结构优先等原则。现如今，基于深度学习的修复方法是近几年来提出的一类新兴方法，利用深度神经网络可以通过大量数据的训练学习得到训练样本间的非线性复杂关系的映射，研究人员在此基础上提出了各种各样的图像修复的方法，已广泛用于古画文物保护、医学和电影工业等领域。

由于目前的图像修复技术利用预设算法，对待修复图像进行修复，但是修复结果与原图像存在较大差异，经常产生边界伪影和周围区域不一致的模糊纹理、训练缓慢或者不稳定，且待修复图像损坏程度较大，容易模糊，导致修复的结果不理想，给图像的修复工作造成不便。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于生成对抗网络的图像修复方法，以期通过收集待修复图像的关键特征，对生成模型和判别模型进行训练，能有效提升模型优化的效率，从而能提升图像的修复效果。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于生成对抗网络的图像修复方法的特点在于，包括以下步骤：

步骤1、对原始图像进行预处理并得到待修复的图像；

步骤1.1、从原始图像集data中抽取m个图像构成图像训练集M＝{x₁,x₂,…,x_m}，其中，x_m表示第m个图像，对第m个图像x_m选取关键特征区域后，将第m个图像x_m的非关键特征区域随机切分为固定大小的区域，并作为不同的破损区域；

步骤1.2、对每一个破损区域，比对其周围的邻域块的相似程度，找到相似度最高的领域块来填充对应的破损区域，从而得到第m个图像x_m的待修复图像，进而得到待修复图像数据集Z＝{Z₁,Z₂,…,Z_m}；

步骤2、对待修复图像数据集Z进行编码，得到编码图像数据集Z′＝{Z′₁,Z′₂,…,Z′_m}，其中，Z′_m表示第m个待修复图像的编码图像数据；

步骤3、构建由生成网络和判别网络所组成的生成对抗网络；

步骤3.1、对styleGAN网络的生成网络进行重构并作为生成对抗网络中的生成网络；

设置所述生成对抗网络中的生成网络是由映射网络f和合成网络g组成；

所述映射网络f是由a个全连接层构成，且每个全连接层包括s个神经元；

将编码图像数据集Z′＝{Z′₁,Z′₂,…,Z′_m}进行归一化处理后输入所述映射网络f中进行空间映射，从而输出中间映射向量W＝{W₁,W₂,…,W_m}，其中，W_m表示第m个中间映射向量；