基于深度学习的图像风格化方法研究
发布时间：2020-12-26 19:51
在高科技世界中,深度学习以不同的方式用于实现特定主题中的特定目标。图像风格转换是计算机视觉中的一个热门研究领域。图像风格转换技术是学习内容图像特征和风格图像特征之间的语义关系,然后将内容特征和风格特征进行空间重组。在图像风格化领域,基于深度学习的图像风格化研究引起了越来越多的科研工作者们的注意。图像风格化研究的发展给大众的生活带来了很多的乐趣和便利,涉及生活,工作等多方面。图像风格化是一种艺术表现形式,因为其输入输出都是图片,再现了艺术家们的绘画手法,生成具有可观赏性的艺术作品。本文受到Dumoulin等人提出的CIN风格转换模型的启发,提出了新的风格化模型。第一,本文提出引入直方图匹配层的图像风格化生成模型。将深度学习和直方图匹配相结合,旨在提供一种能实时进行图像样式转换的方法,无需将风格图固定在模型中。不受预定义样式集的限制,能适应更多的风格图像。直方图匹配是指将内容图像特征的直方图和风格图像特征的直方图进行匹配,使内容图像表现出与风格图像相同的风格特征。与基于CIN的风格模型相比,实验结果证实本文的方法能适应更多的风格图像,生成的图片质量比基于CIN的模型更好。第二,本文在提出基...
【文章来源】：西北师范大学甘肃省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
艺术作品展示图
第1章绪论3交过程中，人们总喜欢把自己的图片做多样式的变换，让自己拍的照片也能像艺术家的画作一样，具有美感和艺术性，然后发在社交网站供大家欣赏，点赞。所以基于广大人们的这种需求，就应运而生了很多的美颜相机，和短视频APP，如轻颜相机，美拍相机，抖音，火山小视频，快手等。其中，人们把自己的图片和各种艺术图片在手机电脑上进行艺术化融合的过程，也可称其为图像风格化。所以，图像的风格化技术在人们的社交生活中有着一定的地位，也满足了很多人的爱美之心。图像风格化技术，让人们的生活充满了更多的趣味。也给很多人的工作带来了便利。对于做电影制作，广告设计等方面工作的人来说，图像风格化技术可以将各种样式的图像和需要进行艺术化操作的图像进行融合，形成各种各样的大场面[7]。就不用再耗费大量的人力和资金去专门设计。而且现有的图像风格化技术都是实时的，响应速度很快。一张图片能胜过千言万语，它不仅包涵了非常多的样式信息，也展现了创作者们对于生活的理解和热爱，创作者们在艺术作品的创作中倾注了很多的情感。所以图像风格化技术的发展也会让人们更加重视艺术的发展，尊重历史。以下是基于深度学习的图像风格化模型合成的图片展示。图1-2风格化图片展示图1.2国内外研究现状从LeonGatys提出来使用深度卷积网络来实现图像的样式化转移之后，慢慢的就出现很多基于此方法的改进算法，来实现各种不同风格图像的迁移，取得了很好的效果。国内一些学者也积极在图像风格化领域提出了自己独特的想法。文献[8]主要是古代山水花鸟画的样式转换，将古代绘画作品变换成逼真的自然图像。提出了一种
西北师范大学硕士学位论文8等)。2、RELU：该层与卷积层一起使用。在这一层，将激活函数应用于特征图，RELU的目的是增加图像的非线性。这是去除图像中多余部分，以便更好的提取特征图的过程。3、池化层：池化层减小了输入特征图的空间大小，从而减少了网络中的参数和计算量。这样可以缩短训练时间并预防过度拟合。图2-1是以VGG_16网络结构为例的一个卷积神经网络示意图。图2-1VGG_16网络结构图CNN特征提取流程总结如下：1、卷积神经网络的浅层负责检测图像的线条、边缘、亮度变化和其他简单特征。2、将信息传递到下一层，下一层结合简单功能以构建可以识别简单形状的检测器。3、第二步在接下来的层中继续进行，每一层变得越来越抽象。更深的层将能够提取高级特征，例如图像的形状或特定对象。4、网络的最后一层将整合所有的特征，生成图像。并产生分类预测。5、将预测值与正确的输出进行比较，如果分类错误，则会产生较大的误差。并使学习过程反向传播以对参数进行更改，以给出更准确的结果。6、网络不断地来回修正，直到达到满意的输出(误差最小化)。卷积神经网络浅层提取的特征如图2-2所示：
【参考文献】：
期刊论文
[1]生成对抗网络在计算机视觉领域中的应用研究[J]. 高伟,郭永峰,徐德衡. 价值工程. 2019(22)
[2]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[3]多尺度融合dropout优化算法[J]. 钟忺,陈恩晓,罗瑞奇,卢炎生. 华中科技大学学报(自然科学版). 2018(09)
[4]基于深度学习的图像风格迁移技术的前沿进展[J]. 丁晓龙. 电子制作. 2018(18)
[5]基于生成对抗网络的漫画草稿图简化[J]. 卢倩雯,陶青川,赵娅琳,刘蔓霄. 自动化学报. 2018(05)
[6]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[7]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟. 计算机学报. 2015(08)
硕士论文
[1]基于生成式对抗网络的图像风格迁移方法研究[D]. 陈光启.北京邮电大学 2019
[2]基于深度学习的图像风格艺术化[D]. 乔丽莎.西安理工大学 2018
[3]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
本文编号：2940364
【文章来源】：西北师范大学甘肃省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
艺术作品展示图
第1章绪论3交过程中，人们总喜欢把自己的图片做多样式的变换，让自己拍的照片也能像艺术家的画作一样，具有美感和艺术性，然后发在社交网站供大家欣赏，点赞。所以基于广大人们的这种需求，就应运而生了很多的美颜相机，和短视频APP，如轻颜相机，美拍相机，抖音，火山小视频，快手等。其中，人们把自己的图片和各种艺术图片在手机电脑上进行艺术化融合的过程，也可称其为图像风格化。所以，图像的风格化技术在人们的社交生活中有着一定的地位，也满足了很多人的爱美之心。图像风格化技术，让人们的生活充满了更多的趣味。也给很多人的工作带来了便利。对于做电影制作，广告设计等方面工作的人来说，图像风格化技术可以将各种样式的图像和需要进行艺术化操作的图像进行融合，形成各种各样的大场面[7]。就不用再耗费大量的人力和资金去专门设计。而且现有的图像风格化技术都是实时的，响应速度很快。一张图片能胜过千言万语，它不仅包涵了非常多的样式信息，也展现了创作者们对于生活的理解和热爱，创作者们在艺术作品的创作中倾注了很多的情感。所以图像风格化技术的发展也会让人们更加重视艺术的发展，尊重历史。以下是基于深度学习的图像风格化模型合成的图片展示。图1-2风格化图片展示图1.2国内外研究现状从LeonGatys提出来使用深度卷积网络来实现图像的样式化转移之后，慢慢的就出现很多基于此方法的改进算法，来实现各种不同风格图像的迁移，取得了很好的效果。国内一些学者也积极在图像风格化领域提出了自己独特的想法。文献[8]主要是古代山水花鸟画的样式转换，将古代绘画作品变换成逼真的自然图像。提出了一种
西北师范大学硕士学位论文8等)。2、RELU：该层与卷积层一起使用。在这一层，将激活函数应用于特征图，RELU的目的是增加图像的非线性。这是去除图像中多余部分，以便更好的提取特征图的过程。3、池化层：池化层减小了输入特征图的空间大小，从而减少了网络中的参数和计算量。这样可以缩短训练时间并预防过度拟合。图2-1是以VGG_16网络结构为例的一个卷积神经网络示意图。图2-1VGG_16网络结构图CNN特征提取流程总结如下：1、卷积神经网络的浅层负责检测图像的线条、边缘、亮度变化和其他简单特征。2、将信息传递到下一层，下一层结合简单功能以构建可以识别简单形状的检测器。3、第二步在接下来的层中继续进行，每一层变得越来越抽象。更深的层将能够提取高级特征，例如图像的形状或特定对象。4、网络的最后一层将整合所有的特征，生成图像。并产生分类预测。5、将预测值与正确的输出进行比较，如果分类错误，则会产生较大的误差。并使学习过程反向传播以对参数进行更改，以给出更准确的结果。6、网络不断地来回修正，直到达到满意的输出(误差最小化)。卷积神经网络浅层提取的特征如图2-2所示：
【参考文献】：
期刊论文
[1]生成对抗网络在计算机视觉领域中的应用研究[J]. 高伟,郭永峰,徐德衡. 价值工程. 2019(22)
[2]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[3]多尺度融合dropout优化算法[J]. 钟忺,陈恩晓,罗瑞奇,卢炎生. 华中科技大学学报(自然科学版). 2018(09)
[4]基于深度学习的图像风格迁移技术的前沿进展[J]. 丁晓龙. 电子制作. 2018(18)
[5]基于生成对抗网络的漫画草稿图简化[J]. 卢倩雯,陶青川,赵娅琳,刘蔓霄. 自动化学报. 2018(05)
[6]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[7]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[8]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[9]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟. 计算机学报. 2015(08)
硕士论文
[1]基于生成式对抗网络的图像风格迁移方法研究[D]. 陈光启.北京邮电大学 2019
[2]基于深度学习的图像风格艺术化[D]. 乔丽莎.西安理工大学 2018
[3]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
本文编号：2940364
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2940364.html
