數(shù)字圖像的風(fēng)格遷移是近年來深度學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一,也是機(jī)器視覺領(lǐng)域非常有趣的應(yīng)用之一�；诰矸e神經(jīng)網(wǎng)絡(luò)的風(fēng)格遷移模型由于其結(jié)果圖像較好的藝術(shù)效果引起了研究人員的廣泛關(guān)注。圖像風(fēng)格遷移技術(shù)能夠?qū)L(fēng)格圖像的風(fēng)格遷移到內(nèi)容圖像上,使得到的結(jié)果圖像既包含內(nèi)容圖像主要的內(nèi)容結(jié)構(gòu)信息又包含風(fēng)格圖像的風(fēng)格信息,從而在一定程度上滿足人們對圖像藝術(shù)性的要求。但是由于該模型的結(jié)果圖像存在風(fēng)格紋理不均勻、噪聲增強(qiáng)及模型迭代時(shí)間長等問題,影響了風(fēng)格遷移的最終效果。且該模型對于一幅內(nèi)容圖像,一次僅能遷移一幅風(fēng)格圖像的紋理信息,這在很大程度上降低了用戶創(chuàng)作圖像風(fēng)格遷移結(jié)果圖像的積極性。因此文中基于卷積神經(jīng)網(wǎng)絡(luò),針對上述問題展開了較為深入的研究。文中主要研究內(nèi)容和創(chuàng)新點(diǎn)如下:（1）介紹了圖像風(fēng)格遷移相關(guān)理論。首先介紹了神經(jīng)網(wǎng)絡(luò)的歷史及發(fā)展,主要包括神經(jīng)網(wǎng)絡(luò)發(fā)展歷程中所經(jīng)歷的各個(gè)階段。其次介紹了主要神經(jīng)網(wǎng)絡(luò)模型的數(shù)學(xué)推導(dǎo)過程,主要包括了人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和文中所提模型中使用的VGG網(wǎng)絡(luò)。然后介紹了總變分正則去噪模型及其求解過程。接著介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像風(fēng)格遷移模型,以傳統(tǒng)的風(fēng)格遷移模型為例,說明了... 

【文章來源】：江西理工大學(xué)江西省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

傳統(tǒng)風(fēng)格遷移示例

第二章圖像風(fēng)格遷移相關(guān)理論9圖2.1經(jīng)典的全連接神經(jīng)網(wǎng)絡(luò)圖2.1中，每個(gè)圓圈代表一個(gè)神經(jīng)元，每個(gè)神經(jīng)元中包含參數(shù)和b。假設(shè)輸入123x=[x,x,x]，令第一層的輸入(1)z和激活輸出(1)相等，即z(1)=(1)=x。則第二層的輸入為：(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）用向量方法可以簡潔的表達(dá)為：(2)(2)(1)(2)z=+b（2.4）式（2.4）中z(2)R31，(2)R33，(1)R31b(2)R31。故第二層的激活輸出為：(2)(2)=f（z）（2.5）式（2.5）中，f為激活函數(shù)，(2)R31。則第三層輸入為：(3)(2)(2)(3)z=+b（2.6）式（2.6）中z(3)R11，(3)R13，(2)R31b(3)R11。第三層的輸出為：(3)(3)=f（z）（2.7）式（2.6）中，f為激活函數(shù)，(3)R11，記(3)為(),()ibhx。因此，上述由前向后傳導(dǎo)數(shù)據(jù)的方式稱為前向傳導(dǎo)，可以表示為：(+1)(+1)()(+1)z=+b（2.8）(+1)(+1)=fz（）（2.9）式（2.9）中，=1,20，......，L-1,L為神經(jīng)網(wǎng)絡(luò)的層數(shù)。因此，對于神經(jīng)網(wǎng)絡(luò)來說，其損失函數(shù)為：

第二章圖像風(fēng)格遷移相關(guān)理論1264123412345678567890129012A=（2.23）則對其進(jìn)行2×2的平均池化，結(jié)果為：321.53.55.57.54.51.5C=（2.24）若對其進(jìn)行2×2的最大池化，結(jié)果為：32246892C=（2.25）為方便描述，用式（2.27）來表示卷積操作，C=down(A)（2.26）圖2.2為一個(gè)具有兩個(gè)卷積層和2個(gè)池化層的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，其輸入為28×28的矩陣。圖2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

【參考文獻(xiàn)】：
期刊論文
[1]一種基于曲率變分正則化的小波變換圖像去噪方法[J]. 周先春,吳婷,石蘭芳,陳銘.  電子學(xué)報(bào). 2018(03)
[2]基于自適應(yīng)正則化的全變分去噪算法[J]. 余麗紅,馮衍秋,陳武凡.  中國圖象圖形學(xué)報(bào). 2009(10)
[3]基于粒子群優(yōu)化算法的最佳熵閾值圖像分割[J]. 徐小慧,張安.  計(jì)算機(jī)工程與應(yīng)用. 2006(10)
[4]基于統(tǒng)計(jì)學(xué)習(xí)理論優(yōu)化感知器的遺傳算法[J]. 范勁松,陶卿,方廷健.  模式識別與人工智能. 2001(02)

博士論文
[1]交替方向法和TGV正則在圖像處理中的應(yīng)用研究[D]. 許建樓.西安電子科技大學(xué) 2013

碩士論文
[1]非真實(shí)感渲染若干技術(shù)的研究[D]. 王翱宇.浙江大學(xué) 2005



本文編號：3567499