發(fā)布時間：2020-04-09 01:23

【摘要】：在圖像處理的領(lǐng)域之中,一些研究人員利用深度學習在處理圖像風格化的方面取得了很好的效果,圖像風格化就是將一張普通照片在內(nèi)容不變的情況下生成具有另外一種風格的圖像。漫畫的發(fā)展可以追溯到很久以前的人類社會智人時期,如今也作為一種流行的娛樂方式受到各個階層人們的喜愛。因此,研究漫畫風格化的遷移具有學術(shù)研究和實際應用價值。目前的研究結(jié)果表明,大多數(shù)的風格遷移算法的風格圖都是油畫等帶有強烈紋理的圖像,而以黑白的點線特征為主的漫畫圖像風格遷移卻鮮少有涉及,所以本文針對漫畫圖像的風格遷移進行了有關(guān)研究。具體內(nèi)容如下:(1)在閱讀風格遷移的相關(guān)文獻后,對于基于塊匹配的風格遷移、基于自適應歸一化的風格遷移、基于損失感知函數(shù)的風格遷移以及漫畫對抗生成網(wǎng)絡(luò)進行了實驗,對比得出這四種方法在漫畫風格遷移方面產(chǎn)生圖像的質(zhì)量,并分析結(jié)果,選擇基于感知損失函數(shù)的模型作為本文產(chǎn)生漫畫風格遷移模型的基礎(chǔ)。(2)基于損失感知函數(shù)的實時風格轉(zhuǎn)換,首先在原網(wǎng)絡(luò)的基礎(chǔ)上更改了歸一化的方法。由于圖像風格化中生成結(jié)果主要依賴于某個圖像實例,所以運用實例歸一化代替批歸一化。其次,當用神經(jīng)網(wǎng)絡(luò)生成圖像時,經(jīng)常從低分辨率與高階描述構(gòu)建圖像,這會讓網(wǎng)絡(luò)先描繪粗糙的圖像,再填充細節(jié),經(jīng)常會產(chǎn)生棋盤狀格紋。于是采用最鄰近插值法進行圖像的縮放,再做卷積,以這樣的方式代替反卷積,可以提高生成圖像的質(zhì)量,遠離棋盤效應的出現(xiàn)。(3)對神經(jīng)網(wǎng)絡(luò)不同的層提取出來的特征圖進行了大量的實驗分析分析,發(fā)現(xiàn)淺層的網(wǎng)絡(luò)提取出的特征更加偏向于點線面,而深層網(wǎng)絡(luò)提取出的特征更偏向于整體的紋理與風格圖的整體感覺,因此選擇最適合漫畫風格遷移的不同卷積層的權(quán)重比例對漫畫圖像進行特征提取。(4)之前的大部分風格遷移模型訓練都選用了最常使用的Coco數(shù)據(jù)集,Coco數(shù)據(jù)集中的圖像是彩色的真實照片,為了得到更適合漫畫風格的模型,本文對于漫畫風格圖像的遷移建立了包含一千多張標準黑白漫畫圖像的數(shù)據(jù)集,利用漫畫數(shù)據(jù)集對模型進行訓練,通過對比相同參數(shù)下不同數(shù)據(jù)集的結(jié)果,漫畫數(shù)據(jù)集訓練的風格遷移效果最優(yōu)。(5)在Ubuntu的操作系統(tǒng)下,搭建了基于Python語言的Pyqt界面開發(fā)工具,利用Pyqt進行了界面的開發(fā)。該系統(tǒng)可以選擇任意圖像輸入,在界面中可以選擇不同的參數(shù)進行調(diào)整,對比不同參數(shù)的效果,也可以對不同的圖像進行訓練得到不同的漫畫風格模型。
【圖文】：

我認為還是有必要在現(xiàn)有的研究中繼續(xù)改進，將神經(jīng)藝術(shù)算法的渲染創(chuàng)作中。題研究現(xiàn)狀神經(jīng)網(wǎng)絡(luò)的圖像風格遷移在 2015 年由 Gatys 等人在兩篇論文中提出的，Gatys et al., 2015a[7]，第二篇是 Gatys et al., 2015b[8]。在 2015 年 Gatys 等人提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)特征空間的紋理模型，在這個模型中，紋理層中的特征圖之間的相互關(guān)系重新呈現(xiàn)，在使對象信息越來越清晰的同來越多地捕捉自然圖像的風格內(nèi)容特征。方法正如圖 1-1[7]中所示，左邊神經(jīng)網(wǎng)絡(luò)，經(jīng)過不同卷積層的特征提取與 Gram 矩陣的計算得出紋理分析圖像輸入，計算紋理在不同層的損失函數(shù)，進行紋理的合成。第二篇文獻篇文獻中的紋理合成的方法，進行了油畫風格的圖像風格遷移，作者使用網(wǎng)絡(luò)層進行內(nèi)容的重建，保留下最大的像素值部分，然后與提取到的紋理最終的含有不同油畫藝術(shù)風格的圖像。

ResNet 殘差神經(jīng)網(wǎng)絡(luò)由微軟研究院的 Kaiming He 等 4 名華人提出[25]，ResNet 的網(wǎng)結(jié)構(gòu)將之前的參數(shù)都可以傳遞下來，對于網(wǎng)絡(luò)的準確率也有很大的提高，ResNet 將網(wǎng)層數(shù)增加到 50、101 和 152，都得到了比較好的結(jié)果，但是當網(wǎng)絡(luò)層增加到 1202 時結(jié)降低，由于網(wǎng)絡(luò)層數(shù)太深會導致過擬合。殘差網(wǎng)絡(luò)的主要核心是將每一層信息直接傳遞輸出，不會因為網(wǎng)絡(luò)層數(shù)的增加導致退化的問題，在網(wǎng)絡(luò)層數(shù)增加的基礎(chǔ)上，準確率也得到一定的上升，保證提取到特征的完整性。VGGNet是由牛津大學計算機視覺組合和Google DeepMind公司研究員一起研發(fā)的深卷積神經(jīng)網(wǎng)絡(luò)[26]。如今 VGG16 和 19 仍然被應用于很多的圖像特征提取問題中，網(wǎng)絡(luò)利用了 3 3的小卷積核進行特征的提取，2 2的最大池化層進行降維。VGGNet 的網(wǎng)絡(luò)構(gòu)如下圖 2-4 所示。最為常用的是 VGG16 和 VGG19，，網(wǎng)絡(luò)大致分為五大塊，每一塊都幾個卷積層串聯(lián)，之后跟隨一個最大池化，最后三個全連接層以及 softmax 分類器，VGG網(wǎng)絡(luò)主要運用在圖像特征提取方面，使用 3 3的濾波器和 2 2的池化層，通過網(wǎng)絡(luò)的斷加深可以提升網(wǎng)絡(luò)的性能。但是網(wǎng)絡(luò)的缺點是參數(shù)較多，需要更大的儲存空間。
【學位授予單位】：西安理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 張錦華;孫挺;;引入像點融合度修補的圖像邊緣化參差拼接實現(xiàn)[J];微電子學與計算機;2014年08期

2 翟逸飛;;基于FPGA的圖像邊緣處理研究[J];企業(yè)技術(shù)開發(fā);2013年12期

3 顧長友;妙用Photoshop處理圖像邊緣[J];電腦知識與技術(shù);2003年08期

4 濮群,余桂;用線性模型檢測圖像邊緣[J];清華大學學報(自然科學版);1988年01期

5 宋建中;;噴霧圖像的自動分析[J];光學機械;1988年04期

6 高華;;關(guān)于古建筑圖像中破損點優(yōu)化提取仿真[J];計算機仿真;2017年11期

7 劉娟娟;劉斌;;低照度非線性光學圖像邊緣自適應增強裝置設(shè)計[J];激光雜志;2017年03期

8 張琳梅;;基于圖像邊緣增強的改進方法[J];信息系統(tǒng)工程;2016年03期

9 王水萍;鄒蕾;;空中模糊目標圖像邊緣信息的融合與恢復方法[J];科技通報;2014年06期

10 朱慶生;楊世泉;柳鋒;;基于圖像邊緣摘要的快速模板匹配[J];計算機應用研究;2009年02期

相關(guān)會議論文 前10條

1 陸成剛;陳剛;張但;閔春燕;;圖像邊緣的優(yōu)化模型[A];'2002系統(tǒng)仿真技術(shù)及其應用學術(shù)論文集（第四卷）[C];2002年

2 王培珍;楊維翰;陳維南;;圖像邊緣信息的融合方案研究[A];中國圖象圖形學會第十屆全國圖像圖形學術(shù)會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術(shù)研討會（CVR’2001）論文集[C];2001年

3 王亮亮;李明;高昕;;強模糊空間目標圖像邊緣獲取方法研究[A];第九屆全國光電技術(shù)學術(shù)交流會論文集（下冊）[C];2010年

4 陳煒;張陽陽;孟慶勛;;一種基于Curvelet變換的圖像邊緣增強方法[A];國家安全地球物理叢書（十）——地球物理環(huán)境與國家安全[C];2014年

5 張明慧;;基于模糊蒙片算法的CR圖像邊緣增強[A];第六屆全國信息獲取與處理學術(shù)會議論文集（1）[C];2008年

6 孫增國;師蕊;;基于L_(1/2)范數(shù)的高分三SAR圖像的非局部均值降斑[A];第五屆高分辨率對地觀測學術(shù)年會論文集[C];2018年

7 楊文秀;陸常周;;最優(yōu)小波問題探討[A];新世紀 新機遇 新挑戰(zhàn)——知識創(chuàng)新和高新技術(shù)產(chǎn)業(yè)發(fā)展（上冊）[C];2001年

8 趙恩良;姜盈帆;孫麗華;曹康敏;金瑞巧;;一種基于變窗口的圖像去噪算法研究[A];第十六屆沈陽科學學術(shù)年會論文集（理工農(nóng)醫(yī)）[C];2019年

9 周勝靈;丁珠玉;;農(nóng)產(chǎn)品邊緣檢測系統(tǒng)研究[A];中國農(nóng)業(yè)工程學會2011年學術(shù)年會論文集[C];2011年

10 胡昌偉;屈小波;郭迪;寧本德;陳忠;;基于邊緣加權(quán)的l_1-l_2范數(shù)MRI欠采重建[A];第十七屆全國波譜學學術(shù)會議論文摘要集[C];2012年

相關(guān)重要報紙文章 前7條

1 侯杰;國產(chǎn)芯片進軍移動多媒體市場[N];人民郵電;2003年

2 吳飛;無邊距照片打印三部曲[N];中國電腦教育報;2003年

3 成嶺;消除Premiere中慢鏡頭的圖像抖動[N];電腦報;2003年

4 ;體驗決定一切[N];中國計算機報;2003年

5 Wang JS;摳圖又有新招[N];電腦報;2002年

6 徐和德;從實戰(zhàn)出發(fā)選擇合適鏡頭[N];中國攝影報;2019年

7 ;令挑剔的人也刮目相看[N];中國電子報;2001年

相關(guān)博士學位論文 前10條

1 劉奇;基于結(jié)構(gòu)保持濾波的圖像去霧算法研究[D];西安電子科技大學;2018年

2 劉飛;透混沌介質(zhì)偏振成像技術(shù)[D];西安電子科技大學;2016年

3 李永軍;圖像與視頻低復雜度壓縮算法研究[D];西安電子科技大學;2017年

4 何人杰;圖像去霧與去湍流方法研究[D];西北工業(yè)大學;2017年

5 張文靜;光場成像技術(shù)在天空偏振模式測量和湍流圖像清晰化中的應用研究[D];國防科學技術(shù)大學;2016年

6 左承林;圖像非局部均值去噪方法研究[D];國防科學技術(shù)大學;2016年

7 王丹;基于暗通道先驗的圖像和視頻去霧模型及算法研究[D];國防科學技術(shù)大學;2016年

8 宋文青;SAR圖像自動目標提取方法研究[D];西安電子科技大學;2018年

9 楊濱;圖像克隆拼接篡改盲取證技術(shù)研究[D];湖南大學;2014年

10 張小帆;基于介觀尺度的內(nèi)燃機進氣流場層析圖像診斷機理研究[D];華南理工大學;2018年

相關(guān)碩士學位論文 前10條

1 葉顯一;基于深度學習的糖尿病視網(wǎng)膜病變圖像中滲出物的檢測方法研究[D];武漢工程大學;2018年

2 張光裕;高質(zhì)量圖像的漸進式并行檢索算法研究[D];廈門大學;2017年

3 張秀;基于單幅圖像的沙塵圖像清晰化方法及系統(tǒng)[D];西安理工大學;2019年

4 路鑫林;基于骨料形狀匹配的混凝土CT圖像裂紋信息提取方法研究[D];西安理工大學;2019年

5 孫利國;基于深度學習的文物圖像單標簽和多標簽分類研究[D];浙江大學;2019年

6 李嶺;圖像與數(shù)據(jù)融合的抓取機構(gòu)控制系統(tǒng)研究[D];沈陽工業(yè)大學;2019年

7 王陳;指靜脈多曝光圖像的研究[D];北京郵電大學;2019年

8 武筱琪;基于深度學習的漫畫風格遷移方法研究[D];西安理工大學;2019年

9 余鍇鑫;基于圖像分類算法的自動化摘酒方法研究[D];浙江大學;2019年

10 華永祥;基于熒光靶圖像的單色光位置變化測量研究[D];中國科學院大學(中國科學院上海應用物理研究所);2019年

本文編號：2620092