买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河南大学

摘要：本发明公开了一种基于部分卷积生成对抗网络的图像修复方法，包括，构建部分卷积生成对抗网络，所述部分卷积生成对抗网络由按序相连的部分卷积生成网络和判别器网络组成；获取图像样本集，并将所述图像样本集按比例划分为训练集和测试集，同时将训练集中的图像进行预处理；将预处理后的训练集图像输入所述部分卷积生成对抗网络中，并对所述部分卷积生成对抗网络进行训练，获取完成训练的部分卷积生成对抗网络；将待修复的图像输入到部分卷积生成对抗网络中，所述部分卷积生成对抗网络输出修复图像，具有较好的修复效果。

主权项：1.一种基于部分卷积生成对抗网络的图像修复方法，其特征在于：包括以下步骤：步骤1：构建部分卷积生成对抗网络，所述部分卷积生成对抗网络由按序相连的部分卷积生成网络和判别器网络组成；步骤2：获取图像样本集，并将所述图像样本集按比例划分为训练集和测试集，同时将训练集中的图像进行预处理；步骤3：将预处理后的训练集图像输入所述部分卷积生成对抗网络中，并对所述部分卷积生成对抗网络进行训练，获取完成训练的部分卷积生成对抗网络；步骤4：将待修复的图像输入到部分卷积生成对抗网络中，所述部分卷积生成对抗网络输出修复图像；所述部分卷积生成网络包括上采样结构和下采样结构，所述下采样结构和上采样结构均为七层结构，所述下采样结构中的每一层均为一个InceptionResidualPconv块，所述上采样结构中的每一层均为一个UpResidualPconv块；所述InceptionResidualPconv块包括部分卷积第一模块和部分卷积第二模块，其中，部分卷积第一模块的输出与部分卷积第二模块的输出求和为InceptionResidualPconv块的输出；所述UpResidualPconv块包括部分卷积第三模块和部分卷积第四模块，其中，部分卷积第三模块的输出与部分卷积第四模块的输出求和为UpResidualPconv块的输出；所述卷积第一模块包括部分卷积结构，所述部分卷积结构包括部分卷积层、归一化层和ReLU激活函数层，所述部分卷积层、归一化层和ReLU激活函数层依次连接；所述部分卷积结构的数量为四个，四个部分卷积结构并联连接，四个部分卷积结构中具有四个不同的部分卷积层，且所述四个部分卷积结构采用concatenate连接操作进行并联连接；所述部分卷积第二模块为一个卷积核为1×1，步长为2的部分卷积；所述部分卷积第三模块包括3×3卷积层、归一化层和LeakyReLU激活函数层；所述部分卷积第四模块为1×1的卷积层；所述判别器网络包括八层网络结构和两个全连接层，所述八层网络结构的输出与两个全连接层连接，两个全连接层之间还设置有LeakyReLU激活函数层，两个全连接层通过所述的LeakyReLU激活函数层连接；所述八层网络结构中的第一层网络结构包括判别网络卷积层和LeakyReLU激活函数层；八层网络结构中第二层网络结构至第八层网络结构中均包括判别网络卷积层、归一化层和LeakyReLU激活函数层；所述判别网络卷积层包括步长为1的卷积块和步长为2的卷积块，步长为1的卷积块和步长为2的卷积块交替组合形成判别器网络；所述部分卷积生成网络中还包括生成器损失函数，所述判别器网络包括判别器损失函数,其中，所述生成器损失函数包括非遮挡区域的修复损失、遮挡区域的修复损失、风格损失、感知损失和总变差损失；步骤3中，对部分卷积生成对抗网络的的训练方法为：步骤3.1，使用标准高斯分布随机初始化部分卷积生成对抗网络中的权重参数；步骤3.2，将受损图像输入部分卷积生成网络中，通过生成网络生成出一个与真实图像大小一致的修复图像，再将生成的修复图像和真实图像输入到判别器网络中，依次迭代训练使生成器的损失和判别器的损失降至趋于稳定；步骤3.3，通过不断输入待修复的图像，交替训练部分卷积生成网络中和判别器网络，并利用Adam优化算法对所述部分卷积生成对抗网络内的参数进行训练和更新，当损失函数趋于稳定后，得到图像修复模型。

全文数据：

权利要求：

百度查询： 河南大学 一种基于部分卷积生成对抗网络的图像修复方法