[發明專利]一種基于嶺回歸的GAN圖像增強交互處理方法及系統

有效

• 申請號: 201910363845.X
• 申請日: 2019-04-30
• 公開（公告）號: CN110610458B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 馬楠;吳祉璇
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/00;G06V10/774;G06V10/84;G06F17/14
• 代理公司: 北京馳納南熙知識產權代理有限公司 11999
• 代理人: 李佳佳

本發明提供一種基于嶺回歸的GAN圖像增強交互處理方法及系統，其中方法包括訓練數據集步驟和測試數據集步驟，所述訓練步驟包括以下子步驟：使用VGG功能從圖像中提取CNN特征；激活層使用ReLU函數將提取的CNN特征輸入GAN網絡中；在激活層后進行歸一化處理，并運用嶺回歸方法處理圖像交互過程中的過擬合現象；使用剩余殘差密集塊子模塊減緩梯度消失并獲取圖像特征信息；使用自回歸條件異方差模型子模塊提取圖片特征和元組以及對圖片進行超分辨率重建；使用空間特征變換對抗網絡、生成超分辨率和對抗生成網絡中至少一種方法提高生成樣本的能力。本發明解決了GAN圖像像素處理中的模糊現象而且有效地將采集的視頻數據極大程度地保留。

技術領域

本發明涉及圖像處理的技術領域，具體地說是一種基于嶺回歸的GAN圖像增強交互處理方法及系統。

背景技術

隨著深度學習的發展，深度學習中各種領域都需要大量的數據，圖片數據的質量便成了一個很重要的因素。但在很多情況下的數據采集，圖片可能會呈現低分辨率的情況，另外，互聯網中大量的圖像雜亂無章，分辨率較低，如何將低分辨率圖片生成為高分辨率圖片便成為值得思考的問題。基于這些想法，本文確立了基于生成對抗網絡（GenerativeAdversarial Nets，簡稱 GAN）算法的圖像增強交互生成技術研究。通過使用GAN來生成高分辨率圖像，并運用嶺回歸方法改進GAN網絡中數據歸一化處理，達到圖像增強交互效果。通過從可用的大批量的訓練數據集中生成對應的概率生成模型，進而通過比較相對判別器生成的概率和損失函數，來近似的重置圖像從而達到生成高分辨率圖像內容的目的。

申請號為CN107273936A的發明專利申請公開了一種GAN圖像處理方法及系統，其中方法包括：接收隨機噪聲，利用基于改進的LSGAN的生成網絡，生成圖像；接受真實圖像，對真實圖像和生成圖像分別進行不同度數的圖像梯度變換，得到變換圖像集；將變換圖像集中的變換圖像分別輸入到判別網絡的多通道卷積網絡的各個通道中，進行特征的提取和融合，得到輸出結果。該方法的缺點是有的網絡層很難優化，從而使訓練出來的圖像集效果并不好；該方法是真實圖像和生成圖像進行判別，很難定量地判斷生成器何時產生高質量的圖像集；該方法最后使用VGG功能，使得訓練出來的特征非常稀疏，亮度與真實圖像不一致。

發明內容

為了解決上述的技術問題，本發明提出一種基于嶺回歸的GAN圖像增強交互處理方法及系統，不僅解決了GAN圖像像素處理中的模糊現象而且有效地將采集的視頻數據極大程度地保留，并為深度學習各方面研究提供足夠的高分辨率樣本圖片。

本發明的第一目的是提供一種基于嶺回歸的GAN圖像增強交互處理方法，包括訓練數據集步驟和測試數據集步驟，所述訓練步驟包括以下子步驟：

步驟01：使用VGG功能從圖像中提取CNN特征；

步驟02：激活層使用ReLU函數將提取的CNN特征輸入GAN網絡中；

步驟03：在激活層后進行歸一化處理，并運用嶺回歸方法處理圖像交互過程中的過擬合現象；

步驟04：使用剩余殘差密集塊子模塊減緩梯度消失并獲取圖像特征信息；

步驟05：使用自回歸條件異方差模型子模塊提取圖片特征和元組以及對圖片進行超分辨率重建；

步驟06：使用空間特征變換對抗網絡、生成超分辨率和對抗生成網絡中至少一種方法提高生成樣本的能力。

優選的是，所述VGG的結構由5層卷積層、3層全連接層、softmax輸出層構成，層與層之間使用最大池化分開。

在上述任一方案中優選的是，所有隱層的激活單元都采用ReLU函數。

在上述任一方案中優選的是，所述嶺回歸方法用于處理批處理規范變換和實例處理規范遺留下的過擬合現象，采用梯度下降法進行求解。