[發明專利]基于深度卷積生成對抗網絡的鋁電解火眼圖像修補方法

在審

• 申請號: 202010012947.X
• 申請日: 2020-01-07
• 公開（公告）號: CN111192221A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 陳曉方;潘慕堯;謝永芳;謝世文
• 申請（專利權）人: 中南大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 黃藝平

1.一種基于Wasserstein深度卷積生成對抗網絡的鋁電解火眼圖像修補方法，其特征在于，所述方法包括：

步驟1，對圖像進行預處理：提取以火眼中心為中心，邊長為400p的正方形的火眼圖像；

步驟2，使用Wasserstein距離定義為生成器的loss；

步驟3，優化算法改為RMSProp優化算法；

步驟4，根據提取W-DCGAN生成模型進行圖像修補。

2.如權利要求1所述的方法，其特征在于，所述步驟1進一步包括：只取以火眼中心為中心，邊長為400p的正方形的火眼圖像，由于圖像是二值圖，可以直接獲取到火眼部分的圖像左下角(xl,yl)和右上角的坐標(xr,yr)；然后根據公式(xc,yc)＝((xl+xr)/2,(yl+yr)/2)可獲得火眼中心坐標，最后提取圖像的左下角坐標和右上角坐標為(xl-100,yl-100),(xl+100,yl+100)。

3.如權利要求2所述的方法，其特征在于，所述步驟2進一步包括：

Wasserstein距離(Earth-Mover(EM)距離)，定義如下：

其中，∏(P_r,P_g)是P_r和P_g組合起來的所有可能的聯合分布的集合，∏(P_r,P_g)中每一個分布的邊緣分布都是P_r和P_g，對于每一個可能的聯合分布γ而言，從中采樣(x,y)～γ得到一個真實樣本x和一個生成樣本y，并算出這對樣本的距離||x-y||，計算該聯合分布γ下樣本對距離的期望值E_(x，y)～y[||x-y||]；在所有可能的聯合分布中能夠對這個期望值取到的下界定義為Wasserstein距離，

然后，把Wasserstein函數定義為生成器的loss，但是Wasserstein距離定義中的沒法直接求解，轉化為如下形式：

其中，在一個連續函數f上面額外施加了一個限制，要求存在一個常數K≥0使得定義域內的任意兩個元素x₁和x₂都滿足：|f(x₁)-f(x₂)|≤K|x₁-x₂|，此時函數f的Lipschitz常數為K，要求函數f的Lipschitz常數||f||_L不超過K的條件下，對所有可能滿足條件的f取到的上界，然后再除以K；此時下式可以近似變為：

而f可以用一個帶參數w的神經網絡來表示，同時滿足下式中||f_w||_L≤K這個限制，再構造一個含參數w、最后一層不是非線性激活層的判別器網絡f_w，在限制w不超過某個范圍的條件下，使得：

此時L就會近似真實分布與生成分布之間的Wasserstein距離，其數值越小，表示真實分布與生成分布的Wasserstein距離越小，模型訓練得越好。

4.如權利要求3所述的方法，其特征在于，所述步驟3進一步包括：所述RMSProp優化算法對梯度計算了微分平方加權平均數，有利于消除了擺動幅度大的方向，用來修正擺動幅度，使得各個維度的擺動幅度都較小。

5.如權利要求4所述的方法，其特征在于，所述步驟4進一步包括：使用W-DCGAN在Chars74K公共數據集上進行訓練，實驗收斂后提取本方法的生成模型，再將火眼圖像當做訓練集微調生成模型的參數。