（个人）基于深度学习的中国传统特色图像的风格迁移创新实训第三周

可以看出，结果不太尽如人意，尤其是天空和水面的部分，存在着大量纹理信息，而实际的水墨画中，这些部分应该为留白，或少量纹理信息。为了对这一现象进行解决，我们决定将图像的前景与后景进行分离，分别训练，测试其效果。

借鉴了论文Sky Region Detection in a Single Image for Autonomous Ground Robot Navigation中的一些方法，下面我将介绍具体的步骤：

这篇论文有三个前提假设：

1，天空区域的平均亮度要比地面区域的平均亮度要亮

2，天空区域在地面区域的上方

3，天空区域比较平滑

算法的大体思想是：

1，从上向下一行一行的扫描像素，并设定一个阈值，由此可以得到一个边界，通过设定不同的阈值可以得到不同的边界,

2，设定一个能量函数，不同的边界对应不同的能量函数的值，能量函数最大的则为最优边界

3，如果临时最优边界跳变过大，则认为是误检，这时，需要用K-means将天空（S）的像素分成两个集合，分别计算两类天空与地面（G）的马氏距离，马氏距离大的认为是真正天空（S1），另一类标记为地面（S2）。

4，再计算S中每一个像素与S1和G的马氏距离，与哪个距离近就将其标记为什么。

5，对S的每一列进行扫描，如果有一半的像素是天空则认为这一列都是天空，否则认为是地面

从文章的假设中就可以看出，本算法存在着很大的不足（只能识别出最上面的天空），于是按照一篇图片天空区域识别的博客对上述算法进行了改进：

我们对图片其他区域（step3处理后的s2和G）的每个像素进行扫描，如果其他区域的像素满足以下两个条件则认为也是天空：
   <1> 弱纹理区域

   <2> 像素值和Strue区域的平均像素值 相差很小。

测试结果如下：

可以看出，对天空部分的识别还是较好的

根据原图和模板图，将前后景分离后的效果图：

我已经向组里提交图片，等待训练结果