肖像照片漫画风格化方法

为了解决已有方法不能自动生成反映五官特征且具有写实漫画风格的线条画的问题,基于数据驱动和滤波的混合方法,提出一种漫画风格肖像线条画自动生成的方法.将五官和头发分为2部分,基于数据驱动的方法合成五官,使用非数据驱动的方法生成头发.在已有的特征点基础上,从数据库中匹配合适的五官数据生成五官图片.对于头发的处理,使用Canny边缘检测、图像二值化、自适应阈值二值化和XDoG算子4种不同处理方法生成头发线条域;为了更接近绘画效果,使用不同的绘画纹理与头发线条域进行叠加,生成具有不同纹理、不同风格的头发.整合五官图片和头发图片,最终生成肖像的漫画风格线条画.从互联网上获取图片构建数据集进行实验,采用不同方法生成不同风格的图片,并请专业和非专人士分别对图像质量的高低、人物特征的把握准确程度和整体审美效果3个方面打分进行评估.结果表明,所提方法能够实时地处理发生偏侧的人脸图片,与其他方法相比,该方法能生成的图片是写实漫画风格而非卡通风格或素描风格,在生成漫画风格夸张五官的同时处理结构复杂的头发.     

基于SSN的数据集预处理框架

为解决由于染色差异造成的组织病理学图片良性、恶性检测精度下降的问题,提出一种基于染色风格归一化算法的数据集预处理框架.搭建图片转换网络和损失函数网络,在训练时,联合内容图片和目标染色图片构建损失函数,通过对大量内容图片进行训练,将目标染色图片的染色风格编码在模型的权重之中;在运行时,该模型可以使输入的图片在保持原有病理学样式的情况下达到染色分布的统一.实验结果表明,经该框架处理后的数据集有着更加集中的色彩空间,使用处理后数据集训练得到的模型有着更高的分类精度.     

基于VGG-16神经网络图像风格迁移模型

图像风格迁移是人工智能进行艺术创造的一个重要方向。传统风格迁移技术通过逐像素迭代得到风格图片,训练耗时且迁移效果一般,无法广泛地应用于微端设备上。针对此问题,本文提出了一款轻量的图像风格迁移模型,该模型能够充分利用VGG-16卷积网络强大的图像特征提取功能。通过优化兼顾了图像内容和风格信息的损失函数,该模型能够在短时间内完成图像的风格学习,并迁移运用到目标图片上,所得到的迁移图片效果优于传统风格迁移技术。     

全局信息引导的真实图像风格迁移

不同于艺术风格迁移,真实图像风格迁移的挑战在于,迁移结果在迁移风格图片的色调风格的同时在内容上应保持真实性。目前,真实图像风格迁移的方法往往是在艺术风格迁移方法的基础上进行预处理或后处理,以保持生成图片的真实性。但艺术风格迁移方法通常无法充分利用全局色彩信息实现更为协调的整体观感,且预处理和后处理操作往往繁琐而费时。针对以上问题,建立了全局信息引导的真实图像风格迁移网络,提出了色域均值损失(L_cpm)来衡量生成图片与风格图片全局色彩分布的相似性,对自适应实例归一化(AdaIN)进行改进,提出分区自适应实例归一化(AdaIN-P),以更好地适应真实图像的色彩风格迁移;此外,引入了一种跨通道分区注意力机制,以更好地利用全局上下文信息,提升生成图片的整体协调性。上述方法能够引导网络解码器充分利用全局信息。实验结果表明,相较于其他主流方法,所提网络模型能在保持图像细节的同时实现更好的真实图像风格迁移效果。     

图片风格融合及快速迁移

通过卷积神经网络对不同图片的内容和风格进行融合,可生成风格多样化的图片。这不但为影视制作提供了丰富的素材,更有利于图像修复和图像增强。针对这类问题,前人曾提出一些算法,但很难在时间和空间方面都达到很好的效果。这里提出一种基于TensorFlow(将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统)的条件归一化网络来支持多风格融合及图片快速迁移,多风格可共用一个网络模型,这大大减少了算法耗时,并缓解了模型存储耗费空间大的问题,节省了计算机资源。时间上优于传统迁移算法三个数量级,空间上25种风格可共用一个模型。同时,更大程度地保留了内容图的语义特征,具有更好的视觉效果。     

基于卷积神经网络的图片风格转换系统

随着互联网技术的推进发展,对图片风格进行个性化、艺术化的处理受到广泛关注,并成为一大发展热点。神经网络迁移是另一种“印刷术”,从图片中复制风格并对新的图片进行转换,具有重要的现实意义。本文通过使用卷积神经网络方法,在内容、风格两个层面上将图像分离,标注融合后相对应的图片进行跟进优化,降低照片的损失值;按照数值重新糅合制作出新的图片,能够促进图片与所需风格的有效融合,可以完美地掩饰图片上的一些瑕疵,应用范围更加广泛,与用户交互更加友好,体验感更愉悦。     

恶劣环境下图像算法数据增强方法

为解决恶劣环境下数据采集难度较大、数据匮乏导致模型性能受限的问题,提出一种基于风格迁移的数据增强方法,用于增加恶劣环境下的样本数量,提升模型在恶劣环境下的鲁棒性.建立包含22500张图片的数据集,使用卷积神经网络进行图片去重,进行手工标注,用于进行分类模型的训练.设计正常环境和恶劣环境对比实验,验证提出的数据增强方法效果,实验结果表明,该方法可以有效提升分类模型在恶劣环境下的鲁棒性.     

基于AlexNet网络的服装风格识别分析

将深度学习引入机器学习使人工智能的研究上了一个新的台阶,深度学习的建模与表征能力强大,在图像处理领域有着非常重要的作用,这为服装风格分类提供了发展机会.为了进一步得到服装图片的风格信息,对原始训练集进行图片增广,扩增数据集,同时通过训练AlexNet卷积神经网络模型,对扩充数据集进行服装风格分类,从而提高服装风格识别精...     

易拍帮你网上买图片

数码影像应用服务网站易拍网(www.e-pic.com),推出在线图片银行服务。此种服务做为该网站上主要的B2C电子商务项目,目标服务对象主要为广告、设计行业及摄影师。另外,易拍网图片银行还提供专业的图片搜寻服务,广告公司和设计师可提供所需的图片类别和风格,由图片银行利用专业渠道来进行搜集整理,将这些图片制成有公司或个人特色的图库。     

基于生成对抗网络的图像动漫风格化

目前的卡通风格图片生成方法仍然存在局限,如色彩不真实、图片局部细节处理不到位等,要想快速将输入图片转换为动漫的风格输出还需要结合深度学习进行研究。基于生成对抗网络的思想,提出了一种动漫风格化编码的生成对抗网络,将输入的图像风格转变为宫崎骏动画电影的风格。网络结构加入自适应实例归一化层（AdaIN）模块和多层感知机（MLP）模块,得到很大优化,同时提高实验效果。在损失函数部分,引入图像感知相似性（lpips）作为内容损失函数,二分类交叉熵（binary cross entropy）损失函数（BCELoss）作为对抗损失函数。实验结果表明,该网络对于动漫化图片起到了很好的效果,FID分数72,能够灵活适用于各种类型的图片动漫化。     

LOGO素描风格转换系统的设计与实现

为了减少小微商户需支付的高额设计费用和提高LOGO设计效率,本文设计了一款基于深度学习的LOGO素描风格转换系统。首先,对用户输入的图片采用显著目标检测相关算法生成显著图,再根据识别结果与原图比对进行抠图、填充底色等图片处理,最后使用素描风格生成算法进行风格转换,并把结果直观地呈现给用户。该系统既可以使用户手动执行每步以观察中间处理结果,也提供一键生成素描风格LOGO功能。在一键生成模式下,用户无需关注中间过程,单张图片的处理时间为十秒级。该系统可实现对商家随手拍下意愿作为LOGO图片的智能化和高效化处理。     

基于StarGAN和类别编码器的图像风格转换

图像风格转换技术已经融入到人们的生活中,并被广泛应用于图像艺术化、卡通化、图像着色、滤镜处理和去遮挡等实际场景中,因此,图像风格转换具有重要的研究意义与应用价值.StarGAN是近年来用于多域图像风格转换的生成对抗网络框架.StarGAN通过简单地下采样提取特征,然后通过上采样生成图片,但是生成图片的背景颜色信息、人物...     

免费不低质5大轻量级图像处理工具全面对决

界面布局,易用为王 合理的界面布局、明晰的功能项安排,有助于我们快速找到要用的功能,这方面,几大工具表现不一. QQ影像和iSee图片专家采用的是一种类似资源管理器的风格,菜单栏、工具栏和左侧的目录树栏一应俱全.使用该风格的好处是,用户可通过左侧的目录树,快速打开要编辑的图片,缺点是界面繁复,不利于新手快速找到所需的功能.特别是QQ影像,在用户双击图片的情况下,会默认打开图片,而不是进入编辑模式,如果要进入编辑模式,必须单击工具栏中的"编辑"按钮,这一点的确非常烦人.     

一种VGGNet的图像风格迁移算法设计与实现

针对卷积神经网络在实现图像风格迁移中出现的图像失真及精度较差问题,提出一种基于卷积神经网络的图像风格迁移算法。分析传统的纹理重构算法,采用拟牛顿法之一的L-BFGS优化方法对其进行改进。利用Gram矩阵计算图片中的纹理、颜色和视觉信息,提取一幅普通图片和一幅具有代表性的艺术性图像的两种高层抽象特征表示,从而生成具有原内容和艺术性风格的合成图像。在深度学习Keras框架的基础上,设计一种卷积神经网络的图像风格迁移算法。实验结果表明,适度地选择迭代次数可观察合成图像的匹配程度,该算法可提高准确度并降低计算复杂度。     

基于Python和Web的微信图文排版工具

图文排版是微信公众号运营者主要工作之一,它的作用不仅是优化读者的阅读感受,也是运营者风格的体现.而风格则具体表现为运营者使用较为固定的文章格式、风格统一的图片等.使用Python搭建本地服务器与开发功能、Web开发用户界面、Socket进行两端通信的方法,设计了一款微信图文排版工具,实现了高效图文排版.     

注意力机制与复合卷积在手写识别中的应用

将图片切分成单"字"识别再连接成"串"是脱机手写图像识别的一种方法,但由于手写字符间易存在粘连,切分方法不易实现.卷积循环神经网络(CRNN)虽解决了整张文本图片输入,标签却不易对齐的问题,但由于不同人脱机手写风格的严重差异,网络提取出的特征表示力不够.对此提出了加强型卷积块注意力模块和复合卷积,并将其加入处理脱机文本...     

基于机器深度学习的图像风格化应用

随着生活水平的逐日提高,人们对图片的视觉需求不再仅仅局限于图片的原始风格,由此诞生了各式各样的滤镜,它们让图片更具有观赏性。而基于机器深度学习的图像风格化应用,可以在此方向更进一步,利用训练好的卷积神经网络模型进行图像特征提取,使图片呈现出不同的艺术风格。     

基于生成式对抗神经网络的手写文字图像补全

手写文字图像补全是图像补全问题中一个重要研究分支,其难点在于图片中具有 无约束书写风格的文字的结构关系补全。为了模拟实际中复杂和困难的应用情景,在图像补全 研究工作的启发下,针对大类别、小样本、多风格、未知语种等复杂情况下进行手写象形文字 图像补全。采用全局和局部一致性保持的生成式对抗神经网络(GLC-GAN)。在大类别多风格的 手写文字图像补全中,补全图片往往因可能的补全候选很丰富而导致补全区域模糊不清。为此, 提出两级补全系统：第一级粗补全模块考虑文字结构的完整性,第二级细补全模块实现文字的 清晰化、细致化。通过在大类别手写汉字数据库 CASIA-HWDB1.1 上的实验,验证了该两级系 统的有效性,同时分析系统在不同书写风格和不同缺失区域情况下的补全效果。     

大体量Word文件自动瘦身的解决方案

科研项目总结报告自身页数众多,当插入图片较多时,成为大体量Word文件,不便于编辑修改.经分析,插入Word文件中的图片缩放比过小、图片原始尺寸大,是造成Word文件体量庞大的主要原因.提出了查找分离大尺寸图片,并进行合理压缩处理的方法,能有效对Word文件瘦身.相对于Word自带的图片"压缩"工能,提出的解决方案针对性强,且不降低图片的显示与打印质量,瘦身效果良好.     

深度卷积神经网络下的图像风格迁移算法

针对图像风格迁移中出现的图像扭曲、内容细节丢失的问题,提出一种基于深度卷积神经网络的带有语义分割的图像风格迁移算法。定义内容图像损失和风格图像损失函数;对内容图像与风格图像分别进行语义分割,并将Matting算法作用在内容图像上,使用最小二乘惩罚函数来增强图片边缘真实性;进行图像的内容重建和风格重建生成新的图像。分析比较Neural Style改进方法、CNNMRF方法和带有语义分割的图像风格迁移方法生成的图像。实验结果和质量评估表明,70%带有语义分割的图像风格迁移方法生成的图像没有明显的图像扭曲,且内容细节完好。所以,该方法可以解决图像扭曲和细节丢失的问题,使内容丰富的图像可以得到精确的风格迁移。