一种基于深度学习的人脸图像自动修复算法

1.本发明涉及图像处理领域，具体是涉及一种基于深度学习的人脸图像自动修复算法。


背景技术：

2.图像修复是指根据图像完好部分的信息，填补有遮挡、破损或是多余的部分，可用于去除照片的遮挡，修复破损的文物图像，图像数据预处理等领域。在过去，一些重要的历史照片或者家庭照片没有得到妥善保管的情况下，往往会出现损坏、褪色等问题，通常情况下，这类照片会由经过了数十年工作经验的图像修复专家进行修复。
3.为了提高图像修复的效率，减少图像修复人才的培养成本，现代社会逐渐使用人工智能对损坏的人脸图像生成语义合理、细节清晰的修复结果，为此，需要有相应的算法。


技术实现要素：

4.基于此，有必要针对现有技术问题，提供一种基于深度学习的人脸图像自动修复算法。
5.为解决现有技术问题，本发明采用的技术方案为：
6.一种基于深度学习的人脸图像自动修复算法，包括以下步骤：
7.s1，构建一种掩码图生成算法；
8.s2，输入损坏图像，使用掩码图生成算法对损坏图像生成标识损坏区域的掩码图；
9.s4，构建一种基于生成对抗网络的图像修复算法；
10.s5，输入掩码图和损坏图像，使用掩码图与损坏图像生成修复结果。
11.优选的，掩码图生成算法基于显著性检测网络。
12.优选的，显著性检测网络基于生成对抗网络。
13.优选的，生成对抗网络包括生成器和鉴别器。
14.优选的，生成器包括1层第一卷积层、5层第二卷积层、4层扩张卷积层和5层反卷积层。
15.优选的，鉴别器包括6个第三卷积层和1个全连接层。
16.优选的，人脸图像自动修复算法还包括以下步骤：
17.s3，通过训练集生成对应的掩码图，使鉴别器判断生成的掩码图是否为原始掩码图。
18.优选的，训练集为celeba人脸数据集和pconv提出的不规则掩码数据集。
19.本申请相比较于现有技术的有益效果是：
20.本申请通过基于生成对抗网络的图像修复算法以掩码图生成算法的输出与原始人脸损坏图像作为输入，生成语义合理、纹理清晰的修复结果，与现有技术相比，本申请通过掩码图生成算法自动生成用于标注图像损坏区域的掩码图，解决了当前其他图像修复算法需要给定掩码图的局限性问题。
附图说明
21.图1是实施例的流程图；
22.图2是实施例的掩码图生成算法示意图；
23.图3是实施例的图像修复算法示意图；
24.图中标号为：
25.1为第一卷积层，2为第二卷积层，3为扩张卷积层，4为反卷积层，5为第三卷积层，6为全连接层。
具体实施方式
26.为能进一步了解本发明的特征、技术手段以及所达到的具体目的、功能，下面结合附图与具体实施方式对本发明作进一步详细描述。
27.如图1至图3所示，本申请提供：
28.一种基于深度学习的人脸图像自动修复算法，包括以下步骤：
29.s1，构建一种掩码图生成算法；
30.s2，输入损坏图像，使用掩码图生成算法对损坏图像生成标识损坏区域的掩码图；
31.s4，构建一种基于生成对抗网络的图像修复算法；
32.s5，输入掩码图和损坏图像，使用掩码图与损坏图像生成修复结果。
33.基于上述实施例，本申请想要解决的技术问题是如何自动修复图像。为此，本申请通过基于生成对抗网络的图像修复算法以掩码图生成算法的输出与原始人脸损坏图像作为输入，生成语义合理、纹理清晰的修复结果，与现有技术相比，本申请通过掩码图生成算法自动生成用于标注图像损坏区域的掩码图，解决了当前其他图像修复算法需要给定掩码图的局限性问题。
34.进一步的：
35.掩码图生成算法基于显著性检测网络。
36.进一步的：
37.显著性检测网络基于生成对抗网络。
38.进一步的：
39.生成对抗网络包括生成器和鉴别器。
40.进一步的：
41.生成器包括1层第一卷积层1、5层第二卷积层2、4层扩张卷积层3和5层反卷积层4。
42.基于上述实施例，第一卷积层1的卷积核为5*5，第二卷积层2的卷积核为3*3，扩张层的卷积核为3*3，扩张率分别为1、2、4、8、16，反卷积层4的卷积核为3*3。
43.进一步的：
44.鉴别器包括6个第三卷积层5和1个全连接层6。
45.基于上述实施例，第三卷积层5的卷积核为5*5。
46.进一步的：
47.人脸图像自动修复算法还包括以下步骤：
48.s3，通过训练集生成对应的掩码图，使鉴别器判断生成的掩码图是否为原始掩码图。
49.基于上述实施例，本申请想要解决的技术问题是通过此阶段不断优化生成器。
50.进一步的：
51.训练集为celeba人脸数据集和pconv提出的不规则掩码数据集。
52.以上实施例仅表达了本发明的一种或几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。


技术特征：
1.一种基于深度学习的人脸图像自动修复算法，其特征在于，包括以下步骤：s1，构建一种掩码图生成算法；s2，输入损坏图像，使用掩码图生成算法对损坏图像生成标识损坏区域的掩码图；s4，构建一种基于生成对抗网络的图像修复算法；s5，输入掩码图和损坏图像，使用掩码图与损坏图像生成修复结果。2.根据权利要求1所述的一种基于深度学习的人脸图像自动修复算法，其特征在于，掩码图生成算法基于显著性检测网络。3.根据权利要求2所述的一种基于深度学习的人脸图像自动修复算法，其特征在于，显著性检测网络基于生成对抗网络。4.根据权利要求3所述的一种基于深度学习的人脸图像自动修复算法，其特征在于，生成对抗网络包括生成器和鉴别器。5.根据权利要求4所述的一种基于深度学习的人脸图像自动修复算法，其特征在于，生成器包括1层第一卷积层(1)、5层第二卷积层(2)、4层扩张卷积层(3)和5层反卷积层(4)。6.根据权利要求4所述的一种基于深度学习的人脸图像自动修复算法，其特征在于，鉴别器包括6个第三卷积层(5)和1个全连接层(6)。7.根据权利要求6所述的一种基于深度学习的人脸图像自动修复算法，其特征在于，人脸图像自动修复算法还包括以下步骤：s3，通过训练集生成对应的掩码图，使鉴别器判断生成的掩码图是否为原始掩码图。8.根据权利要求7所述的一种基于深度学习的人脸图像自动修复算法，其特征在于，训练集为celeba人脸数据集和pconv提出的不规则掩码数据集。

技术总结
本发明涉及图像处理领域，具体是涉及一种基于深度学习的人脸图像自动修复算法，包括以下步骤：S1，构建一种掩码图生成算法；S2，输入损坏图像，使用掩码图生成算法对损坏图像生成标识损坏区域的掩码图；S4，构建一种基于生成对抗网络的图像修复算法；S5，输入掩码图和损坏图像，使用掩码图与损坏图像生成修复结果。本申请通过基于生成对抗网络的图像修复算法以掩码图生成算法的输出与原始人脸损坏图像作为输入，生成语义合理、纹理清晰的修复结果，与现有技术相比，本申请通过掩码图生成算法自动生成用于标注图像损坏区域的掩码图，解决了当前其他图像修复算法需要给定掩码图的局限性问题。性问题。性问题。


技术研发人员：林晓 周云翔 黄伟 蒋林华
受保护的技术使用者：上海师范大学
技术研发日：2021.11.01
技术公布日：2022/2/7