目录
摘要I
关键词I
AbstractI
Key words1
1绪论1
1.1课题背景及研究意义1
1.2研究现状 1
1.3应用前景 2
1.4本文主要研究内容2
2生成对抗网络2
2.1 GAN的基本原理2
2.1 GAN的衍生模型3
2.2.1 DCGAN3
2.2.2 SRGAN4
2.2.3 WGAN5
2.2.4 WGANGP5
2.2.5 BEGAN5
3基于WGAN和WGANGP的植物叶片图像生成 6
3.1 实验数据集及平台搭建6
3.1.1 实验数据集6
3.1.2 平台搭建7
3.2 实验模型7
3.2.1 网络结构7
3.2.2 损失函数8
3.2.3 训练过程9
3.3 基于WGAN的实验结果分析10
3.4 基于WGANGP的实验结果分析15
3.5 实验结果结论20
4基于BEGAN的植物叶片图像生成 21
4.1 实验模型21
4.1.1 网络结构21
4.1.2 损失函数21
4.1.3 训练过程22
4.2 基于BEGAN的实验结果分析22
4.3 实验结果结论30
5实验结果与分析30
5.1 生成结果展示30
5.2评价指标32
5.2.1 模型拟合速度32
5.2.2 图像生成质量32
5.2.3 图像丰富度对比34
5.3基于生成对抗网络的植物叶片图像生成系统35
5.3.1 系统简介35
5.3.2 各模块介绍36
6总结与展望39
致谢40
参考文献40基于生成对抗网络的植物叶片图像生成技术研究
摘 要
在计算机视觉领域，图像 *51今日免费论文网|www.51jrft.com +Q: ^351916072^ 
生成技术被认为是难度最大、挑战性最高的热点之一。该技术需要计算机对图像数据有较强的捕捉能力和拟合分布能力。生成式对抗网络（Generative Adversarial Networks，GAN）的出现为计算机视觉领域提供了新技术和新方法，利用生成对抗网络在图像生成方面的良好表现，将其用于农业领域，可进行图像数据集扩充，解决作物图像数据集稀缺的难题。本文首先介绍了课题背景及研究意义、研究现状和应用前景等内容，接着阐述了GAN的基本原理和本文用到GAN衍生模型，并分别对其进行训练，实现各模型在桂花叶片、珊瑚叶片和蚁母树叶片数据集上的图像生成，其中，本文重点介绍了WGAN、WGANGP和BEGAN在植物叶片数据集中的训练和生成效果，综合分析比较6种GAN模型生成图像的质量，文中认为：较原始DCGAN，改进DCGAN可提高图像生成质量，SRGAN可以进行图像高分辨率重建，WGAN和WGANGP刻画细节效果最好，BEGAN则擅长描述叶片形状特征。最后设计并实现植物叶片图像生成系统，对未来工作进行展望。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605743.html