文献类型：期刊文章

作　　者：谭永前[1] 曾凡菊[1]

TAN Yongqian;ZENG Fanju(School of Big Data Engineering,Kaili University,Kaili Guizhou 556011,China)

机构地区：[1]凯里学院大数据工程学院,贵州凯里556011

出　　处：《计算机应用》

基　　金：贵州省2022年度基础研究计划(自然科学)项目(黔科合基础-ZK[2022]一般526);贵州省教育厅青年科技人才成长项目(黔教合KY字[2017]335);贵州省科技合作计划项目(黔科合LH字[2017]7161号);“贵州省区域内一流建设培育学科·民族学”专项课题(YLXKJS0071)。

年　　份：2022

卷　　号：42

期　　号：10

起止页码：3209-3216

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对神经风格迁移算法结果中存在伪影、颜色丢失、轮廓模糊不清等影响整体艺术效果的问题,提出了一种基于拉普拉斯算子和颜色保留(LCR)的神经风格迁移算法。所提LCR算法使用内容损失项、风格损失项、直方图损失项以及拉普拉斯损失项构建总损失函数。由于在LCR算法中使用了直方图损失项和拉普拉斯损失项,因此,LCR算法与基于卷积神经网络的图像风格迁移(IST-CNN)算法、基于深度特征扰动(DFP)算法相比,对风格化结果图有更好的整体艺术效果。首先,通过对输入内容图像和风格图像进行去噪处理,减小了图像噪声对后续各个损失项计算的影响;其次,对内容图像和风格图像进行RGB空间到Lab空间的转换,以实现图像亮度通道L和颜色通道a、b的分离,并把内容图像的亮度信息迁移到风格图像上,从而达到内容图像颜色保留的目的;最后,在卷积神经网络(CNN)中对总损失函数进行迭代优化并输出风格化结果图。与IST-CNN和DFP算法相比,所提LCR算法的峰值信噪比(PSNR)平均分别提高了约12.418 dB和8.038 dB,结构相似性(SSIM)平均分别提高了约0.348 06和0.258 54,均方差(MSE)平均分别降低了0.653 76和0.296 00。实验结果表明,LCR算法有更好的风格化绘制整体视觉效果。

关 键 词：直方图损失  图像风格迁移  拉普拉斯算子 风格损失  内容损失  

分 类 号：TP391.4]