陈志鹏，郑文秀，黄琼丹

（西安邮电大学通信与信息工程学院，西安 710121）

0 概述

图像风格转换是指将一张艺术图像［1］的风格转换到内容图像上。基于特征匹配［2-4］的方法在处理传统图像风格转换问题时，耗时长且效果不佳。卷积神经网络能够较好地理解图像语义信息并提取图像特征。文献［5-6］将深度学习应用在图像风格转换［7-8］中，使用卷积神经网络提取内容图像和风格图像的特征，并利用Gram 矩阵计算风格特征之间的相似性以实现图像风格的迁移。由于Gram 矩阵计算整幅图相似性的效果不佳，因此研究人员对该算法进行改进以得到更高质量的结果图像。文献［9］使用局部均方差减少图像的噪声。文献［10］提出加入直方图损失控制生成图像的稳定性。文献［11］使用马尔科夫条件随机场将特征分成许多小块，对小块进行特征匹配保留更优的局部信息。文献［12］利用新的纹理生成方法Grammian，保留纹理的空间排列信息，生成更高质量的结果图像。生成对抗网络（GenerativeAdversarial Network，GAN）［13-14］使用生成器模型进行图像风格转换，实现多对多的快速风格转换。文献［15］在损失中加入均值和方差［16］以约束图像的生成，但是生成图像存在块状效果。文献［17］利用自动显著性指导风格转化方法对内容图像中视觉突出的物体进行风格转换。文献［18］通过编解码的网格结构进行图像风格转换，并加入HED 网络结构提取内容图像的边缘信息以减少图像扭曲。

本文提出一种基于Sobel 滤波器的图像风格转换算法，通过Sobel 滤波器提取内容图像特征图的边缘信息，并与生成图像特征图的边缘信息进行匹配计算两者差值作为新的损失，使得生成图像保留更多内容图像的细节信息，避免出现图像扭曲。……