在高科技世界中,深度學習以不同的方式用于實現(xiàn)特定主題中的特定目標。圖像風格轉換是計算機視覺中的一個熱門研究領域。圖像風格轉換技術是學習內容圖像特征和風格圖像特征之間的語義關系,然后將內容特征和風格特征進行空間重組。在圖像風格化領域,基于深度學習的圖像風格化研究引起了越來越多的科研工作者們的注意。圖像風格化研究的發(fā)展給大眾的生活帶來了很多的樂趣和便利,涉及生活,工作等多方面。圖像風格化是一種藝術表現(xiàn)形式,因為其輸入輸出都是圖片,再現(xiàn)了藝術家們的繪畫手法,生成具有可觀賞性的藝術作品。本文受到Dumoulin等人提出的CIN風格轉換模型的啟發(fā),提出了新的風格化模型。第一,本文提出引入直方圖匹配層的圖像風格化生成模型。將深度學習和直方圖匹配相結合,旨在提供一種能實時進行圖像樣式轉換的方法,無需將風格圖固定在模型中。不受預定義樣式集的限制,能適應更多的風格圖像。直方圖匹配是指將內容圖像特征的直方圖和風格圖像特征的直方圖進行匹配,使內容圖像表現(xiàn)出與風格圖像相同的風格特征。與基于CIN的風格模型相比,實驗結果證實本文的方法能適應更多的風格圖像,生成的圖片質量比基于CIN的模型更好。第二,本文在提出基... 

【文章來源】：西北師范大學甘肅省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

藝術作品展示圖

第1章緒論3交過程中，人們總喜歡把自己的圖片做多樣式的變換，讓自己拍的照片也能像藝術家的畫作一樣，具有美感和藝術性，然后發(fā)在社交網(wǎng)站供大家欣賞，點贊。所以基于廣大人們的這種需求，就應運而生了很多的美顏相機，和短視頻APP，如輕顏相機，美拍相機，抖音，火山小視頻，快手等。其中，人們把自己的圖片和各種藝術圖片在手機電腦上進行藝術化融合的過程，也可稱其為圖像風格化。所以，圖像的風格化技術在人們的社交生活中有著一定的地位，也滿足了很多人的愛美之心。圖像風格化技術，讓人們的生活充滿了更多的趣味。也給很多人的工作帶來了便利。對于做電影制作，廣告設計等方面工作的人來說，圖像風格化技術可以將各種樣式的圖像和需要進行藝術化操作的圖像進行融合，形成各種各樣的大場面[7]。就不用再耗費大量的人力和資金去專門設計。而且現(xiàn)有的圖像風格化技術都是實時的，響應速度很快。一張圖片能勝過千言萬語，它不僅包涵了非常多的樣式信息，也展現(xiàn)了創(chuàng)作者們對于生活的理解和熱愛，創(chuàng)作者們在藝術作品的創(chuàng)作中傾注了很多的情感。所以圖像風格化技術的發(fā)展也會讓人們更加重視藝術的發(fā)展，尊重歷史。以下是基于深度學習的圖像風格化模型合成的圖片展示。圖1-2風格化圖片展示圖1.2國內外研究現(xiàn)狀從LeonGatys提出來使用深度卷積網(wǎng)絡來實現(xiàn)圖像的樣式化轉移之后，慢慢的就出現(xiàn)很多基于此方法的改進算法，來實現(xiàn)各種不同風格圖像的遷移，取得了很好的效果。國內一些學者也積極在圖像風格化領域提出了自己獨特的想法。文獻[8]主要是古代山水花鳥畫的樣式轉換，將古代繪畫作品變換成逼真的自然圖像。提出了一種

西北師范大學碩士學位論文8等)。2、RELU：該層與卷積層一起使用。在這一層，將激活函數(shù)應用于特征圖，RELU的目的是增加圖像的非線性。這是去除圖像中多余部分，以便更好的提取特征圖的過程。3、池化層：池化層減小了輸入特征圖的空間大小，從而減少了網(wǎng)絡中的參數(shù)和計算量。這樣可以縮短訓練時間并預防過度擬合。圖2-1是以VGG_16網(wǎng)絡結構為例的一個卷積神經(jīng)網(wǎng)絡示意圖。圖2-1VGG_16網(wǎng)絡結構圖CNN特征提取流程總結如下：1、卷積神經(jīng)網(wǎng)絡的淺層負責檢測圖像的線條、邊緣、亮度變化和其他簡單特征。2、將信息傳遞到下一層，下一層結合簡單功能以構建可以識別簡單形狀的檢測器。3、第二步在接下來的層中繼續(xù)進行，每一層變得越來越抽象。更深的層將能夠提取高級特征，例如圖像的形狀或特定對象。4、網(wǎng)絡的最后一層將整合所有的特征，生成圖像。并產(chǎn)生分類預測。5、將預測值與正確的輸出進行比較，如果分類錯誤，則會產(chǎn)生較大的誤差。并使學習過程反向傳播以對參數(shù)進行更改，以給出更準確的結果。6、網(wǎng)絡不斷地來回修正，直到達到滿意的輸出(誤差最小化)。卷積神經(jīng)網(wǎng)絡淺層提取的特征如圖2-2所示：

【參考文獻】：
期刊論文
[1]生成對抗網(wǎng)絡在計算機視覺領域中的應用研究[J]. 高偉,郭永峰,徐德衡.  價值工程. 2019(22)
[2]生成式對抗網(wǎng)絡及其計算機視覺應用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學相.  中國圖象圖形學報. 2018(10)
[3]多尺度融合dropout優(yōu)化算法[J]. 鐘忺,陳恩曉,羅瑞奇,盧炎生.  華中科技大學學報(自然科學版). 2018(09)
[4]基于深度學習的圖像風格遷移技術的前沿進展[J]. 丁曉龍.  電子制作. 2018(18)
[5]基于生成對抗網(wǎng)絡的漫畫草稿圖簡化[J]. 盧倩雯,陶青川,趙婭琳,劉蔓霄.  自動化學報. 2018(05)
[6]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[7]圖像理解中的卷積神經(jīng)網(wǎng)絡[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學報. 2016(09)
[8]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[9]半監(jiān)督學習方法[J]. 劉建偉,劉媛,羅雄麟.  計算機學報. 2015(08)

碩士論文
[1]基于生成式對抗網(wǎng)絡的圖像風格遷移方法研究[D]. 陳光啟.北京郵電大學 2019
[2]基于深度學習的圖像風格藝術化[D]. 喬麗莎.西安理工大學 2018
[3]基于卷積神經(jīng)網(wǎng)絡的圖像識別[D]. 蔣帥.吉林大學 2017



本文編號：2940364