图像的场景转换,在工程领域应用前景深远。因此,本文将基于生成对抗网络进行图像场景转换作为研究对象。本文详述图像处理的相关概念和分类,并讨论生成对抗网络的基本原理及模型,引出本文的研究内容。本文研究主要包括两部分,一是基于生成对抗网络的雾霾图像转换算法,二是基于生成对抗网络的图像场景转换算法。本文针对基于条件GAN的图像转换算法进行雾霾场景转换,会出现明显块效应的问题提出改进。改进优化后的基于生成对抗网络的雾霾图像转换算法从主客观结果证明该算法进行图像加雾和图像去雾效果明显,且能够消除块效应。因此,在此研究基础上,为了实现多种不同场景转换,本文又提出基于生成对抗网络的图像场景转换算法。具体贡献如下:1.在基于生成对抗网络的雾霾图像转换算法中,修改判决器网络,使用全域卷积判决器替代patch GAN;调整损失函数中L1损失的参数,并选择迭代次数最优值,设置合适的判决器层数,得到优化的网络模型。2.在基于生成对抗网络的图像场景转换算法中,设计新的生成器网络结构。主要采用带跨层连接结构的深度卷积。通过跨层连接实现底层卷积与顶层卷积的信息共享,更好地保留了图像的内容结构,使输出图像与输入图像的结构和边缘保持一致。3.设计多尺度判决器网络结构,分别对图像的不同尺度进行判决。当判决器的输入图像为大尺度时关注图像的细节,小尺度时关注图像的结构。将大小尺度相结合,能够在判决时兼顾图像的细节和结构。4.提出了新的损失函数。在基于生成对抗网络的雾霾图像转换算法的损失函数GAN损失和L1损失基础上,加入VGG损失和特征匹配FM损失,以利用VGG网络和判决器网络增加对生成对抗网络的控制,使生成图像与目标图像更加接近。最后,本文算法在多种转换下进行主客观分析,包括:图像加雾、可见光图像转换SAR图像、卫星图像转换地图图像、白天转换黑夜图像。对比其他相关算法,本文算法能够进行多种转换,且生成图像更加真实,细节保留完整,能明显消除块效应,对景物边缘保持较好,线条更为流畅。