[发明专利]一种基于DenseNet生成对抗网络的语义图像修复方法

摘要

本发明公开一种基于DenseNet生成对抗网络的语义图像修复方法。包括：收集图像预处理，构建训练和测试数据集；构建DenseNet生成对抗网络；训练DenseNet生成对抗网络阶段；最后，利用训练好的网络实现缺损图像的修复处理。本发明在生成对抗网络的框架下，引入DenseNet结构并构建新的损失函数以优化网络，不仅减轻了梯度消失，减小网络参数，同时提高特征的传递和利用，改进和提高了大区域语义信息缺失图像修复的相似性和视觉效果。实例表明本发明能够实现缺损信息严重的人脸图像修复，而且与现有的其他方法相比，修复结果更为符合视觉认知。

主权项

1.一种基于DenseNet生成对抗网络的语义图像修复方法，其特征在于，包括以下步骤：步骤1、数据预处理阶段，将收集到的图像集进行预处理，裁剪成设定尺寸的训练图像；步骤2、构建DenseNet生成对抗网络：生成对抗网络模型由DenseNetg生成网络G和判别网络D构成；生成网络G采用编码‑解码器的网络结构，其中编码器由DenseNet模块和卷积层构成，解码器由DenseNet模块和反卷积层构成；同时编码器和解码器之间存在跳跃连接；编码器对输入图像下采样，提取抽象特征；解码器通过反卷积对编码之后的特征数据进行上采样使得输出数据大小与输入图像大小保持一致；判别网络是由卷积层和全连接层构成二分类网络，实现输入图像的真伪判定；步骤3、训练DenseNet生成对抗网络；将上述预处理的图像作为数据集，随机选取训练数据集中一批图像，在每一张图像加入掩码模拟语义信息缺失的待修复图像，作为网络的输入，分别对生成网络G和判别网络D的权重进行训练；在训练过程中利用重建损失、对抗损失和TV损失进行损失计算，并基于反向传播算法计算网络参数梯度，并按照设定的学习率进行参数的迭代更新；两个网络交替训练，当满足设定的迭代次数时完成训练；步骤4、利用训练好的生成网络G对语义信息缺损图像进行图像修复处理。