一种基于属性分解的图像风格迁移方法与流程

技术特征：
1.一种基于属性分解的图像风格迁移方法，其特征在于，获取待风格迁移图像，将图像输入到风格迁移网络模型结构中进行风格迁移处理，输出风格迁移后的图像，所述风格迁移网络模型结构包括两部分，第一部分是基于自动编码器的风格解耦网络，第二部分是基于cgan的特征谱生成网络。2.根据权利要求1所述的基于属性分解的图像风格迁移方法，其特征在于，所述的风格迁移方法具体包括如下步骤：s1、数据集预处理，将采集的多张图像组成数据集，对数据集的图像进行裁剪；s2、建立自动编码器autoencoder网络，autoencoder网络包括输入层、中间层和输出层；s3、构建损失函数l
total
，损失函数包括l1loss和协方差损失函数l
cov
；s4、训练autoencoder网络，将数据集预处理后的图像输入到autoencoder网络进行端到端的训练，使autoencoder网络能完整的重建图像；s5、构建特征谱生成网络cgan，特征谱生成网络cgan用于对特征谱分布进行采样，完成对风格分布的采样，产生全新的风格；s6、训练特征谱生成网络cgan，损失函数为对抗损失函数；s7、完成训练后测试模型并进行风格迁移处理。3.根据权利要求2所述的基于属性分解的图像风格迁移方法，其特征在于：所述步骤s1中的图像裁剪具体是采用随机长宽比裁剪的手段，将图像尺寸大小转化为178
×
218，保持图像数据尺寸一致。4.根据权利要求1所述的基于属性分解的图像风格迁移方法，其特征在于：所述步骤s3中的l1loss损失函数衡量输入与输出的差异，用于重构输出图像，所述协方差损失函数用于风格特征解耦。5.根据权利要求2或4所述的基于属性分解的图像风格迁移方法，其特征在于：所述协方差损失函数是取出autoencoder网络中间层特征谱，按通道分为c1，c2两部分，计算两部分的协方差。6.根据权利要求5所述的基于属性分解的图像风格迁移方法，其特征在于：所述通道分为c1，c2两部分具体是指等长的将通道分为c1，c2两部分。7.根据权利要求1所述的基于属性分解的图像风格迁移方法，其特征在于：所述步骤s5中特征谱生成网络cgan的输入为两部分，一部分为隐变量z，另一部分为数据集预处理后的图像，输出为用于替换c1通道处的新的特征谱。8.根据权利要求1所述的基于属性分解的图像风格迁移方法，其特征在于：所述步骤s7中进行风格迁移处理具体是指：选定待迁移图像，从高斯分布的采样获得隐变量z，然后输入到autoencoder网络和特征谱生成网络，保持c2处特征谱不变，用特征谱生成网络的结果替换c1处网络，获得解码器输出，即完成图像的风格迁移。

技术总结
本发明公开了一种基于属性分解的图像风格迁移方法，首先获取一张内容图像，将该图像输入到风格迁移网络模型结构中进行风格迁移处理，输出风格迁移后的图像，所述风格迁移网络模型结构包括两部分，第一部分是基于自动编码器的风格解耦网络，第二部分是基于CGAN的特征谱生成网络。本发明提出的方法对于传统风格迁移方式有极大的创新，引入属性解耦的方法，将风格视为解耦对象，实现新图像风格的创建与迁移，同时，其中隐变量引入了随机性，实现了多种新风格的产生。种新风格的产生。种新风格的产生。


技术研发人员：吴庆波 付佳成 高璇 李宏亮 孟凡满 许林峰 潘力立
受保护的技术使用者：电子科技大学
技术研发日：2021.06.16
技术公布日：2021/10/23