论文部分内容阅读
在图像处理领域中,图像风格化是一种借助计算机技术处理图像的色彩、轮廓、线条等信息来改变图像效果的技术。近年来随着机器学习的发展,使用神经网络来处理图像风格化的问题得到了良好效果。本文基于深度神经网络,在研究现有网络的基础上,在图像处理领域的图像风格化方面设计了两种网络,来生成具有强烈风格化效果的图片。本文的主要工作包含如下三个方面:(1)本文设计了一个风格相似性度量模型,用来测试生成图像的风格化效果是否与真实风格类型的图像效果相似。由于目前的图像风格化处理结果普遍只能用视觉效果评价,主观色彩较强,无法客观地比较生成图像的风格化效果是否与目标风格相似,更无法量化风格化的程度是否达到要求。本文运用卷积神经网络构建出可以客观地测试生成的风格化图像与真实风格是否相似的深度网络,并根据测试得到量化的结果。(2)本文基于Justin Johnson等人的实时风格转换(Real-Time Style Transfer)模型(以下简称RTST模型),在原网络的基础上加入一个二分类器,提出一种新的模型—加入相似性损失网络的RTST模型,来改进原网络在处理对比度较低、线条不清晰的风格图像时出现的深色色块问题。将二分类器作为相似性损失网络加入到卷积神经网络的训练过程中,以相似性损失网络的结果影响整体网络的优化过程,引导图像转换网络的参数向更加真实的风格化方向优化,得到效果更加好的风格模型,从而生成更具真实风格化效果的风格化图像。(3)本文在加入相似性损失网络的RTST模型的基础上,引入生成式对抗网络(GAN)的思想,在图像风格化问题上使用生成式对抗网络,提出基于GAN的图像风格化模型。将二分类器网络作为判别网络,图像转换网络作为生成网络,两种网络交替训练来提升网络性能,训练出效果更好的生成网络,使得生成的风格图像具有更佳的视觉效果。