[发明专利]一种基于岭回归的GAN图像增强交互处理方法及系统

说明书

本发明提供一种基于岭回归的GAN图像增强交互处理方法及系统，其中方法包括训练数据集步骤和测试数据集步骤，所述训练步骤包括以下子步骤：使用VGG功能从图像中提取CNN特征；激活层使用ReLU函数将提取的CNN特征输入GAN网络中；在激活层后进行归一化处理，并运用岭回归方法处理图像交互过程中的过拟合现象；使用剩余残差密集块子模块减缓梯度消失并获取图像特征信息；使用自回归条件异方差模型子模块提取图片特征和元组以及对图片进行超分辨率重建；使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。本发明解决了GAN图像像素处理中的模糊现象而且有效地将采集的视频数据极大程度地保留。

技术领域

本发明涉及图像处理的技术领域，具体地说是一种基于岭回归的GAN图像增强交互处理方法及系统。

背景技术

随着深度学习的发展，深度学习中各种领域都需要大量的数据，图片数据的质量便成了一个很重要的因素。但在很多情况下的数据采集，图片可能会呈现低分辨率的情况，另外，互联网中大量的图像杂乱无章，分辨率较低，如何将低分辨率图片生成为高分辨率图片便成为值得思考的问题。基于这些想法，本文确立了基于生成对抗网络（GenerativeAdversarial Nets，简称 GAN）算法的图像增强交互生成技术研究。通过使用GAN来生成高分辨率图像，并运用岭回归方法改进GAN网络中数据归一化处理，达到图像增强交互效果。通过从可用的大批量的训练数据集中生成对应的概率生成模型，进而通过比较相对判别器生成的概率和损失函数，来近似的重置图像从而达到生成高分辨率图像内容的目的。

申请号为CN107273936A的发明专利申请公开了一种GAN图像处理方法及系统，其中方法包括：接收随机噪声，利用基于改进的LSGAN的生成网络，生成图像；接受真实图像，对真实图像和生成图像分别进行不同度数的图像梯度变换，得到变换图像集；将变换图像集中的变换图像分别输入到判别网络的多通道卷积网络的各个通道中，进行特征的提取和融合，得到输出结果。该方法的缺点是有的网络层很难优化，从而使训练出来的图像集效果并不好；该方法是真实图像和生成图像进行判别，很难定量地判断生成器何时产生高质量的图像集；该方法最后使用VGG功能，使得训练出来的特征非常稀疏，亮度与真实图像不一致。

发明内容

为了解决上述的技术问题，本发明提出一种基于岭回归的GAN图像增强交互处理方法及系统，不仅解决了GAN图像像素处理中的模糊现象而且有效地将采集的视频数据极大程度地保留，并为深度学习各方面研究提供足够的高分辨率样本图片。

本发明的第一目的是提供一种基于岭回归的GAN图像增强交互处理方法，包括训练数据集步骤和测试数据集步骤，所述训练步骤包括以下子步骤：

步骤01：使用VGG功能从图像中提取CNN特征；

步骤02：激活层使用ReLU函数将提取的CNN特征输入GAN网络中；

步骤03：在激活层后进行归一化处理，并运用岭回归方法处理图像交互过程中的过拟合现象；

步骤04：使用剩余残差密集块子模块减缓梯度消失并获取图像特征信息；

步骤05：使用自回归条件异方差模型子模块提取图片特征和元组以及对图片进行超分辨率重建；

步骤06：使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。

优选的是，所述VGG的结构由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用最大池化分开。

在上述任一方案中优选的是，所有隐层的激活单元都采用ReLU函数。

在上述任一方案中优选的是，所述岭回归方法用于处理批处理规范变换和实例处理规范遗留下的过拟合现象，采用梯度下降法进行求解。