[发明专利]一种精细化高质量效果的材质风格迁移系统

权利要求书

1.一种精细化高质量效果的材质风格迁移系统，其特征在于，包括对数据集风格材质图像的自动精细化筛选模块、经典材料风格迁移模块、原图像材质部分的割精细化分模块、以及合成模块；

自动精细化筛选模块用于在现有的标准风格图片数据集中筛选出材质类间差大的风格图片数据集；

经典材料风格迁移模块基于筛选过后的数据集中风格图片，将原图像转换成目标风格材质图像I_gen；

精细化分割模块用于将原图像中待迁移材质部分从原图像中分割出来，并将原图像中待迁移材质部分定义为目标区域，其它区域定义为背景区域；

合成模块用于将图像I_gen中与目标区域对应的部分，与原图像背景区域进行合成。

2.根据权利要求1所述一种精细化高质量效果的材质风格迁移系统，其特征在于，自动精细化筛选模块用于在风格图片数据集中筛选出材质类间差大风格图片数据集，具体包括如下内容：

在经典神经风格迁移算法的CNN学习过程结束后，重新把所有现有的数据集样本全部输入到CNN中，对每个样本分类的可能性值进行统计，得到样本si分类的第一可能值和第二可能性值之间的差Dth1，表示为：

其中，si表示样本编号，cli为样本集中标签已知的样本类的编号，取值为{1，2，3，……，cltot}，cltot是样本类的总数；cl是样本被识别为某类样本的编号，取值为{1，2，3，……，cltot}，cltot是样本类的总数；括号里面1、2代表第1可能性和第2可能性，从高到低；

定义阈值Th1，如果Dth1^si≥Th1，则认为样本si在样本集中为材质类间差大的样本，将样本si加入到的候选图片集Dataset2。

3.根据权利要求2所述一种精细化高质量效果的材质风格迁移系统，其特征在于，自动精细化筛选模块还用于在风格图片数据集中筛选出类内差小的风格图片数据集，具体包括如下步骤：

步骤1，基于经典神经风格迁移算法法，对图片集Dataset2中每类中的样本，利用CNN的隐藏层上输出的单独特征，使用线性判别分析LDA方法进行聚类分析，计算每个特征中每个样本经过归一化后的特征坐标；

步骤2，计算类内样本之间的在第fm个特征的类内距离Dis^fm(sj,sk)，表示为：

Dis^fm(sj,sk)＝|P^fm(sj)-P^fm(sk)|

其中，fm表示样本的第fm个特征，取值范围从1到fmtot，fmtot是特征的总数，sj是图片集Dataset2中某一类的第1个到sjtot个样本中的第sj个样本,sk是第sk个样本，sjtot是图片集Dataset2中该类样本的总数，P^fm(sj)是第sj个样本的第fm个特征在LDA基线上的投影坐标，P^fm(sk)是第sk个样本的第fm个特征在LDA基线上的投影坐标；

步骤3，将每个样本在每个特征上对应的类内距离相加，得出每个样本与其它样本总的类内距离；用以下公式表示，

步骤4，Dis(sj)重新排序，得到排序后的类内sortedDis1(sj)，删除掉其中Dis(sj)值较大的sjtot*(1-Th2)个样本，得到排序后的类内距离sortedDis2(sm)，以及样本集Dataset3，样本集Dataset3就是本方法得到的理想风格图片集，

其中，Th2是这一轮拟保留样本的数量比例，sm∈{1，……，sjtot*Th2}；

步骤5，在sortedDis2(sm)中找到最小值对应的样本标为siop。

4.根据权利要求3所述一种精细化高质量效果的材质风格迁移系统，其特征在于，自动精细化筛选模块还用于计算出理想特征；具体包括如下步骤：

步骤6，对样本集Dataset3中样本的各个特征做平均值计算，得到cli类特征fm的理想值

步骤7，把所有重新组织到CNN隐藏层的对应位置，按照经典神经风格迁移算法的内容，计算这一类理想特征矩阵的Gram值Gramideal。