基于TensorFlow与Grab Cut的相关对齐总变分风格迁移模型

发布时间：2022-01-04 02:44

　　数字图像的风格迁移是近年来深度学习领域的研究热点之一,也是机器视觉领域非常有趣的应用之一。基于卷积神经网络的风格迁移模型由于其结果图像较好的艺术效果引起了研究人员的广泛关注。图像风格迁移技术能够将风格图像的风格迁移到内容图像上,使得到的结果图像既包含内容图像主要的内容结构信息又包含风格图像的风格信息,从而在一定程度上满足人们对图像艺术性的要求。但是由于该模型的结果图像存在风格纹理不均匀、噪声增强及模型迭代时间长等问题,影响了风格迁移的最终效果。且该模型对于一幅内容图像,一次仅能迁移一幅风格图像的纹理信息,这在很大程度上降低了用户创作图像风格迁移结果图像的积极性。因此文中基于卷积神经网络,针对上述问题展开了较为深入的研究。文中主要研究内容和创新点如下:（1）介绍了图像风格迁移相关理论。首先介绍了神经网络的历史及发展,主要包括神经网络发展历程中所经历的各个阶段。其次介绍了主要神经网络模型的数学推导过程,主要包括了人工神经网络、卷积神经网络和文中所提模型中使用的VGG网络。然后介绍了总变分正则去噪模型及其求解过程。接着介绍了基于卷积神经网络的图像风格迁移模型,以传统的风格迁移模型为例,说明了... 

【文章来源】：江西理工大学江西省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

传统风格迁移示例

第二章图像风格迁移相关理论9图2.1经典的全连接神经网络图2.1中，每个圆圈代表一个神经元，每个神经元中包含参数和b。假设输入123x=[x,x,x]，令第一层的输入(1)z和激活输出(1)相等，即z(1)=(1)=x。则第二层的输入为：(1)(1)(2)(1)(2)(1)(2)(2)11112123131z=+++b（2.1）(2)(1)(2)(1)(2)(1)(2)(2)21212223232z=+++b（2.2）(1)(1)(2)(1)(2)(1)(2)(2)11312323333z=+++b（2.3）用向量方法可以简洁的表达为：(2)(2)(1)(2)z=+b（2.4）式（2.4）中z(2)R31，(2)R33，(1)R31b(2)R31。故第二层的激活输出为：(2)(2)=f（z）（2.5）式（2.5）中，f为激活函数，(2)R31。则第三层输入为：(3)(2)(2)(3)z=+b（2.6）式（2.6）中z(3)R11，(3)R13，(2)R31b(3)R11。第三层的输出为：(3)(3)=f（z）（2.7）式（2.6）中，f为激活函数，(3)R11，记(3)为(),()ibhx。因此，上述由前向后传导数据的方式称为前向传导，可以表示为：(+1)(+1)()(+1)z=+b（2.8）(+1)(+1)=fz（）（2.9）式（2.9）中，=1,20，......，L-1,L为神经网络的层数。因此，对于神经网络来说，其损失函数为：

第二章图像风格迁移相关理论1264123412345678567890129012A=（2.23）则对其进行2×2的平均池化，结果为：321.53.55.57.54.51.5C=（2.24）若对其进行2×2的最大池化，结果为：32246892C=（2.25）为方便描述，用式（2.27）来表示卷积操作，C=down(A)（2.26）图2.2为一个具有两个卷积层和2个池化层的卷积神经网络的结构图，其输入为28×28的矩阵。图2.2卷积神经网络结构图

【参考文献】：
期刊论文
[1]一种基于曲率变分正则化的小波变换图像去噪方法[J]. 周先春,吴婷,石兰芳,陈铭.  电子学报. 2018(03)
[2]基于自适应正则化的全变分去噪算法[J]. 余丽红,冯衍秋,陈武凡.  中国图象图形学报. 2009(10)
[3]基于粒子群优化算法的最佳熵阈值图像分割[J]. 徐小慧,张安.  计算机工程与应用. 2006(10)
[4]基于统计学习理论优化感知器的遗传算法[J]. 范劲松,陶卿,方廷健.  模式识别与人工智能. 2001(02)

博士论文
[1]交替方向法和TGV正则在图像处理中的应用研究[D]. 许建楼.西安电子科技大学 2013

硕士论文
[1]非真实感渲染若干技术的研究[D]. 王翱宇.浙江大学 2005



本文编号：3567499