[发明专利]一种基于深度卷积神经网络的图像色彩表达模式迁移方法

摘要

本发明提供一种能够完成图像风格识别任务的深度卷积神经网络，并提供一种图像色彩表达模式迁移方法，其通过物体识别任务中预训练好的深度卷积神经网络提取待处理内容图像和初始化的图像的内容表示特征并计算的内容损失函数，通过图像风格识别任务中预训练好的深度卷积神经网络来提取初始化的图像与风格图像的风格表示特征并计算风格损失函数，并最终获得总损失函数；根据总损失函数，在图像域，从初始化的图像开始，使用梯度下降算法迭代优化，获得总损失函数最小的对应的图像作为最终的结果图像。本发明的方法能够完成图像色彩表达模式迁移，同时避免输出的结果图像存在大量的与印象派绘画图像类似的笔触，保留原有自然图像的结构信息。

主权项

1.一种基于深度卷积神经网络的图像色彩表达模式迁移方法，其特征在于，包括步骤：步骤1、从输入的待处理内容图像xc中用物体识别任务中预训练好的深度卷积神经网络提取待处理内容图像xc的内容表示特征Fc；从输入的风格图像xs中用在图像风格识别任务中预训练好的深度卷积神经网络来提取风格图像xs的风格表示特征GS；从输入的初始化的图像x0中用物体识别任务中预训练好的深度卷积神经网络提取初始化的图像x0的内容表示特征Fr，用在图像风格识别任务中预训练好的深度卷积神经网络来提取初始化的图像x0的风格表示特征Gr；步骤2、计算图像优化的内容损失函数Lcontent：其中表示初始化的图像x₀的内容表示特征F_r中的第i个元素，表示待处理内容图像x_c的内容表示特征F_c中的第i个元素；ρ₁＝0，1或2；计算图像优化的风格损失函数Lstyle：其中l表示第l个卷积层，ω_l为第l个卷积层的权重，表示初始化图像x₀的第l个卷积层的风格特征，表示风格图像x_s的第l个卷积层的风格特征；ρ₂＝0，1或2；步骤3、计算总损失函数为Ltotal：Ltotal＝αLcontent+βLstyle其中α和β分别表示内容损失函数和风格损失函数的权重；步骤4、在图像域，从初始化的图像x0开始，使用迭代优化最终获得在迭代过程中Ltotal的最小值对应的图像作为最终的结果图像xr。