[发明专利]一种实现图像多情感自主转换的方法及系统

说明书

本发明公开了一种实现图像多情感自主转换的方法及系统，包括情感识别单元及情感转换单元，其中情感识别系统能自动提取输入图像的特征，然后根据所提取特征预测图像9值的愉悦度‑唤醒度，由所预测的V‑A值识别出该输入图像的所属情感类别，然后生成相应控制码控制情感转换系统将输入图像转换成多张与输入图像情感类型不同的图像作为输出，情感转换是通过转换图像中能触发人类情感的低层艺术特征，如颜色，纹理等特征来实现的，输出图像的高层语义信息与输入图像一致。本发明图像转换过程不需要人工给定目标情感信息，只需给定要转换的图像就能得到多张不同情感的图像以供挑选，提升用户使用的便捷性。

技术领域

本发明涉及图像处理领域，具体涉及一种实现图像多情感自主转换的方法及系统。

背景技术

一般来说，一个图像所引起的情感因人而异，不仅是因为图像的内容，还有观看者的个人经历。情感是伴随着认知和意识过程产生的心理和生理状态，在人类交流中扮演着非常重要的角色。由于人类的情感与认知和行为之间有非常紧密的联系，情感触发在研究和应用的诸多领域已有初步探索和应用。基于情感触发及情感评估的游戏设计、健康监测和辅助治疗等也成为未来发展的重要方向。这些未来发展重要方向，都需要情感触发材料，如带情感色彩的图片，来触发情感。这些情感触发材料得以使用，需要投入大量的人力，进行材料的收集、分类、渲染等工序。

深度学习在解决传统计算机视觉问题上有突破性进展，尤其是卷积神经网络(CNN)的应用。通过利用多层CNN直接对大量的数据进行监督学习，网络可以在不需要先验知识和经验的情况下针对学习任务自动且有效地学习到图像的特征。这种方法不仅省去了繁琐的特征设计和提取的过程，更能在样本中学习到更抽象更高层次的图像特征，提高了特征的鲁棒性。

图像到图像翻译(Image-to-image Translation)旨在学习从源图像域到目标图像域的映射，近来也有许多学者提出基于条件生成对抗网络(Conditional GenerativeAdversarial Networks)实现多重映射的图像到图像翻译。这些方法通过给定标签和判别器辅助生成器学习从源图像域到标签指定目标图像域的映射，从而在训练完成后，给生成器指定标签，它就能生成具有该标签指定的图像域属性的图像。图像到图像翻译得到的输出图像能很好地保留原输入图像的高层语义信息，只转换其中的低层艺术特征，如颜色、纹理、形状、线条等，而这些特征都是引起情感的重要因素。

发明内容

为了克服现有技术存在的缺点与不足，本发明的首要目的是提供一种实现图像多情感自主转换的方法。

本发明的另一个目的是提供一种实现图像多情感自主转换的系统。

本发明只需提供待转换的图像，即可获得多张包含不同情感信息的输出图像，可以将一张图像转换成能触发不同情感的图像，大大减少收集资料和渲染等图像处理的工作。

本发明采用如下技术方案：

本发明为了减少个体差异造成的误差，采用维度情感空间(DES)来描述情感，而不是简单的离散标签。本例中采用愉悦度-唤醒度空间(VAS)来量化情感，然后通过其量化值(V-A值)与情感类别的分布关系决出图像所属情感类别。虽然图像情感具有个体差异，但在用心理学SAM自评量表对图像进行评估过程中，我们发现对同一情感类别的图像，不同个体评测的V-A值大致服从二维均匀分布。

一种实现图像多情感自主转换的方法，包括

输入待转换图像，进行预处理；

将预处理后的图像进行特征提取，得到特征向量；

将特征向量输入V-A回归器预测待转换图像的V-A值；

根据V-A值与情感类别分布关系判断输入图像的情感类别；

将情感类别转换为相应控制码；