1.一种基于语义分割和深度学习的图片背景风格迁移方法，其特征在于，包括以下步骤：步骤(1)、选择内容图片和风格图片并进行图片预处理；

步骤(2)、将预处理后的内容图片和风格图片分别输入至ResNet-50网络中，并且在最后一层池化层输出之后将内容图片和风格图片输出结果 和 进行加权相加，公式为将 输入到ResNet-50进行上采样，得到跟输入的图片大小相同的图片步骤(3)、将风格图片输入至VGG-19网络中，获得风格约束；

步骤(4)、将内容图片输入至VGG-19网络中，获得内容约束；

步骤(5)、为了将风格图片 的风格迁移到内容图片 上，采用步骤(2)得到的输出图片作为待合成的图像，该图像同时匹配 的内容表示和 的风格表示，将其输入VGG-19网络中，使用损失函数计算步骤(3)得到的风格约束 与步骤(2)得到的输出图片 的损失和步骤(4)得到的内容约束 与步骤(2)得到的输出图片 的损失再将两者乘以系数之后相加；使用梯度下降算法来对该损失函数进行优化；

总体的风格迁移通过共同最小化 三者之间的欧式距离来进行；总的损失函数如下：其中α和β分别是内容和风格重建的权重因子；

步骤(6)、重复步骤(5)进行10次迭代计算，使得步骤(2)得到的输出图片 经过迭代之后的输出 在内容上尽可能相似于内容图片而在风格上相似于风格图片；

步骤(7)、最后将分割的到的主体放回经过风格迁移的背景上。

2.根据权利要求1所述的一种基于语义分割和深度学习的图片背景风格迁移方法，其特征在于，步骤(1)具体方法如下：选取一张主体明确的图片作为内容图片，采用U-Net网络对内容图片进行语义分割，其中U-Net的骨干网络选择为ResNet-18；将网络的输出类别数设置为2，定义分类所需要的softmax函数：式中，ak(x)表示每个像素点对应特征通道的得分，K为类的数量，pk(x)是对类k的对像素点分类的结果，softmax函数用于在神经网络计算完成之后对计算结果进行分类输出，在通过softmax之前，数据的表现为一个一维的激活数据体，经过softmax之后输出的结果将会映射到相应的类别上，并形成主体和背景的不同标记；分割出主体后使用全图减去主体，得到一张去除主体而仅留下背景的内容图片；

选取需要获得其背景风格的风格图片，为了使得效果比较好，一般选取风格明显且强烈的图片作为风格图片；

最后将内容图片和风格图片裁切为相同尺寸，获得预处理后的内图片和风格图片。

3.根据权利要求2所述的一种基于语义分割和深度学习的图片背景风格迁移方法，其特征在于，步骤(3)具体方法如下：将风格图片输入至VGG-19网络中，并且将风格图片标记为 为了获得输入图像风格的表示，采用用于捕获纹理信息的特征空间；所述的特征空间可以建立在网络的任何层的滤波器响应之上，由不同滤波器响应之间的特征相关性组成，其中期望值占据了特征映射的空间范围；所述的特征相关性由Gram矩阵 给出，其中 是第l层中向量化特征图i和j之间的内积；

通过内积操作，可以得到输入图像的风格表示；通过构造与给定输入图像的风格表示相匹配的图像，来可视化这些构建在网络不同层上的风格特征空间捕获的信息；通过对进行梯度下降可以实现风格迁移，其中损失函数定义为风格图片的Gram矩阵项和要生成的图像的Gram矩阵项之间的均方距离；

l l

A和G分别 是和 在层l中各自的特征表示；第l层卷积层对总损耗的贡献为：总的损失可以表示为

式中，wl是各层对总损失贡献的权值；关于层l中的活动，El的导数可以通过分析计算得出：El相对于 中的每个像素的值的梯度可以容易地使用标准误差反向传播来计算，分别取VGG-19网络的第一层，第三层，第五层，第九层，第十三层的输出作为风格约束。

4.根据权利要求3所述的一种基于语义分割和深度学习的图片背景风格迁移方法，其特征在于，步骤(4)具体方法如下：将内容图片输入至VGG-19网络中，并且将内容图片标记为 为了将在不同卷积层编码的图像信息进行可视化，对步骤(2)输出的图像 进行梯度下降操作，以找到与原始图像的特征响应相匹配的另一图像；Pl表示 在层l中的特征表示，Fl表示 在第l层中所有卷积核经过激活后的特征表示，然后定义两个特征表示之间的平方误差损失这个损失相对于层l中激活数据体的导数等于

从中可以使用标准误差反向传播计算相对于图像 的梯度；因此，可以通过改变初始随机图像，直到它在卷积神经网络的某一层中产生与原始图像 相同的响应，所述的初始随机图像并不是完全随机的噪点图，而是步骤(2)的输出结果 取VGG-19网络的第十层的输出作为内容约束。