CN109190722A - 基于满文字符图片的字体风格迁移变换方法 - Google Patents

基于满文字符图片的字体风格迁移变换方法 Download PDF

Info

Publication number
CN109190722A
CN109190722A CN201810886243.8A CN201810886243A CN109190722A CN 109190722 A CN109190722 A CN 109190722A CN 201810886243 A CN201810886243 A CN 201810886243A CN 109190722 A CN109190722 A CN 109190722A
Authority
CN
China
Prior art keywords
manchus
language
generator
image
arbiter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810886243.8A
Other languages
English (en)
Other versions
CN109190722B (zh
Inventor
郑蕊蕊
李敏
毕佳晶
贺建军
许爽
吴宝春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Minzu University
Original Assignee
Dalian Nationalities University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Nationalities University filed Critical Dalian Nationalities University
Priority to CN201810886243.8A priority Critical patent/CN109190722B/zh
Publication of CN109190722A publication Critical patent/CN109190722A/zh
Application granted granted Critical
Publication of CN109190722B publication Critical patent/CN109190722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
    • G06V30/245—Font recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
    • G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters

Abstract

基于满文字符图片的字体风格迁移变换方法，属于图像处理领域，解决大幅减少处理大量满文字符图像时所花费的时间和人力成本的问题，要点是对满文字体风格迁移模型分步训练：使用满文文字训练数据集对所述模型训练实现满文文字学习；使用满文字体风格迁移数据集对所述模型再次训练实现满文字体风格迁移学习，效果是节省大量的时间和人力成本。

Description

基于满文字符图片的字体风格迁移变换方法
技术领域
本发明属于图像处理领域，特别是涉及一种处理满文字体风格的方法。
背景技术
现有的对满文字体的风格迁移变换多将满文文字依据罗马转写输入文本编辑软件再使用各种已有的满文字体对其进行变换，该方法虽然精度很高但是在处理大量满文文字时需要消耗较高的时间成本且操作人员需要有一定的满文鉴别能力，而满文作为一种濒危语种能够读写鉴别满文文字的人数十分有限。所以训练一种高泛用性的生成对抗网络模型对满文字符从图像层面进行字体风格迁移处理能够节省大量的时间和人力成本。
发明内容
本发明主要实现了一种能够学习满文字体风格间迁移过程的生成对抗网络模型。该模型能够通过少量配对字体样本的训练实现满文字符图片间的字体风格迁移从而大幅减少处理大量满文字符图像时所花费的时间和人力成本。
为解决上述技术问题，本发明采用的一个技术方案是：实现一种基于满文字符图片的字体风格迁移变换方法，所述的字体风格变换方法包含以下步骤：
一种基于满文字符图片的字体风格迁移变换方法，包含以下步骤：
步骤1构建满文字体风格变换数据集，其包括满文文字训练数据集和满文字体风格迁移数据集；
步骤2构建条件生成对抗网络模型以实现满文字体风格迁移，其作为满文字体风格迁移模型；
步骤3对满文字体风格迁移模型分步训练：
使用满文文字训练数据集对所述模型训练实现满文文字学习；
使用满文字体风格迁移数据集对所述模型再次训练实现满文字体风格迁移学习；
步骤4调用训练后的模型，以对源字体图像处理并生成对应的目标字体图像。
进一步的，所述的步骤1包含以下步骤：
步骤1.1将真实的满文文字通过满文输入法录入计算机，形成电子文档，选择满文输入法自带的满文字体，并打印输出为纸质文档，把输出的纸质文档用扫描仪扫描为图像格式，对打印后的不同字体的满文文档扫描为图片；
步骤1.2使用投影法将扫描得到的满文图片切分为单个的满文单词图片；
步骤1.3对切分后的图片先进行二值化处理，再使用Lanczos插值算法按字符图像原比例缩放至256×256像素的大小；
步骤1.4将切分后的满文单词图片，按照两张同文字不同字体为一组，对切分后的满文单词图片随机组合，制成满文文字训练数据集
步骤1.5按照右为源字体，左为目标字体的顺序，按照两张同文字不同字体的满文单词图片组合为一张训练数据，制成满文字体风格迁移训练数据集。
进一步的，构建条件生成对抗网络模型：
步骤2.1构建生成器：生成器G为一个采用U-net结构组成的自编码器，编码器逐层链接的激活函数为斜率为0.2的Relu函数，在编码器的输出层与字体风格标签类别进行拼接作为解码器的输入，解码器的逐层链接的激活函数为斜率为0.2的Relu函数，编码器的第i层和解码器的第n-i层进行跳跃式链接，解码器第1、2、3层采用droupout操作生成生成器G所需的随机噪声，该生成器G中权重初始值均为随机选取；
步骤2.2构建判别器：判别器D的激活函数采用斜率为0.2的Relu函数，该生成器D中权重初始值均为随机选取。
进一步的，步骤3.1使用满文文字训练数据集对所述模型训练实现满文文字学习：
首先固定判别器D的各项权重参数不变，对生成器G进行训练以学习趋近于满文文字图像分布的概率的各权重参数，用满文文字训练数据集中单个样本图像的左侧或右侧的满文单词图像来训练生成器G，生成器G通过对满文文字图像学习调整权重得到满文文字图像的分布概率Pz，生成器G通过其自身droupout操作产生的随机噪声z及满文文字图像分布率Pz生成满文文字图像y，将生成的满文文字图像y与真实的满文文字图像x分别输入判别器D，判别器D将判断真实满文图像x和生成器G生成的满文图像y为真或假的概率反馈给生成器G，生成器G根据反馈结果不断优化各项权重参数，以此提高生成图像y被判别器D判断为真的概率，不断重复上述生成→判别→反馈→优化的过程，直至判别器D无法判断x和y孰为真孰为假，则结束对生成器G的训练；
然后固定生成器G的各项权重参数不变，对判别器D进行训练，将生成器生成的图像y和真实图像x分别输入判别器D，通过对训练数据的学习不断优化判别器D的各项权重参数，以提升判别器D将生成器生成的图像y判定为假、将真实图像x判定为真的概率，直至判别器D能完全区分生成图像y和真实图像x；
交替进行生成器G和判别器D的训练，直至目标函数达到纳什均衡，则表示该生成对抗网络模型的训练已经完成，该模型的优化函数如下式所示
其中LGAN(G，D)的表达式如下式(2)所示：
其中D(x)表示x为真实数据Pdata或是生成器G生成数据PG在判别器D中被判定正确的概率。E表示计算其期望值。则式(1)表示训练时最大化log D(x)提升判别器D的判别正确率，同时训练生成器G最小化log(1-D(x))来缩小Pdata与PG之间的距离。
进一步的，步骤3.2使用满文字体风格迁移数据集对所述模型再次训练实现满文字体风格迁移学习：
对生成器G进行训练时，将训练数据中的源字体图像输入生成器G，生成器G通过对目标字体图像学习得到目标字体图像分布概率Pz，生成器G通过其自身droupout操作产生的随机噪声z及目标字体图像分布概率Pz对原字体图像进行重构，生成具有目标字体风格的单词图像y，将生成的单词图像y与真实的目标字体图像x输入判别器D，判别器D将判断真实满文图像x和生成器G生成的满文图像y为真或假的概率并反馈给生成器G，生成器G不断优化各项权重参数，以此提高生成图像y被判别器D判断为真实满文图像的概率，不断重复上述生成→判别→反馈→优化的过程，直至判别器无法判断真实满文图像x和生成的单词图像y孰为真孰为假，则结束对生成器G的训练；
然后固定生成器G的各项权重参数不变，对判别器D进行训练，将生成器生成的图像y和真实图像x分别输入判别器D，通过对训练数据的学习不断优化判别器D的各项权重参数，以提升判别器D将生成器生成的图像y判定为假、将真实图像x判定为真的概率，直至判别器D能完全区分生成图像y和真实图像x；
交替进行生成器G和判别器D的训练，直至目标函数达到纳什均衡，则表示该生成对抗网络模型的训练已经完成。该模型的优化函数式如下所示：
其中LGAN(G，D)的表达式如下式(2)所示：
其中D(x)表示x为真实数据Pdata或是生成器G生成数据PG在判别器D中被判定正确的概率。E表示计算其期望值。则式(1)表示训练时最大化log D(x)提升判别器D的判别正确率，同时训练生成器G最小化log(1-D(x))来缩小Pdata与PG之间的距离。
有益效果：本发明采用构建生成对抗网络模型的方法，直接从图像层面入手处理满文字符，规避了传统方法进行满文字符图像字体风格迁移时繁复的文字转录工作，从而节省大量的时间和人力成本，也为满文文献的多样化处理提供了一种新的技术手段。生成器G之所以能够生成保持图像内容(满文单词)不变，而风格(字体)改变的图像，是因为在条件生成对抗网络的训练过程中，生成器G首先通过步骤3.1学习到了满文文字(图像内容)的概率分布，然后通过步骤3.2学习到了从一种满文字体到目标字体(风格迁移)的概率分布，在训练结束达到平衡时，生成器G最终的生成图像概率分布Pz融合了上述两种概率分布。
附图说明
图1满文字体风格变换数据集的构建流程图；
图2满文单词图像字符像素边缘噪点图；
图3满文字体风格迁移训练数据集样本示例图；
图4生成器结构图；
图5判别器结构图；
图6测试结果图。
具体实施方式
下面结合实施例和附图对本发明进行详细的阐述
本发明提供一种基于图片的满文字符风格迁移方法，实现该方法的具体流程分为以下步骤：
步骤1、构建满文字体风格变换数据集。(满文文字训练数据集，满文字体风格迁移数据集)
步骤2、构建实现满文字体风格迁移所需的条件生成对抗网络模型。
步骤3、对步骤2中构建的满文字体风格迁移模型进行分步训练，首先使用满文文字训练数据集对模型进行训练完成满文文字学习，然后使用满文字体风格迁移训练数据集对模型再次训练完成满文字体风格迁移学习。
步骤4、调用步骤3中生成的模型对源字体图像进行处理即可生成对应的目标字体图像。
步骤1中所述满文字体风格变换数据集的构建流程如图1所示，
如图1所示，所述的步骤1中满文字体风格变换数据集的构建包含以下步骤。
步骤1.1、对构建数据集所需的数据进行采集。
满文文字训练数据集中的满文文字均来自《满语365句》一书，将书中真实的满文文字通过满文输入法录入计算机，形成电子文档，分别选择满文输入法自带的11种满文字体，并打印输出为纸质文档。把输出的纸质文档用扫描仪扫描为图像格式。对打印后的11种不同字体的满文文档进行扫描为图片。
·《满语365句》
·作者：何荣伟 编
·ISBN 9787807226901
·出版社：辽宁民族出版社
·出版时间：2009-06
步骤1.2、使用投影法对步骤1.1中扫描得到的满文图片进行切分为单个的满文单词图片。
步骤1.3、如图2所示，为解决切分后的单个满文单词图像字符像素边缘存在噪声和分辨率过大的问题。对切分后的图片先进行二值化再使用Lanczos插值算法按字符图像原比例缩放至256×256大小。
步骤1.4、将切分后的图像按照2张同文字不同字体进行随机组合制成满文文字训练数据集，该数据集包含9900张训练数据。
步骤1.5、如图3所示，按照右为源字体左为目标字体的顺序将2张同文字不同字体图片组合为一张训练数据。制成满文字体风格迁移训练数据集。每种字体风格迁移数据集以600张左右为宜。
所述步骤2中条件生成对抗网络模型的构建可以分为生成器(Generator)的构建和判别器D的构建。
步骤2.1、生成器(Generator)的构建。
该生成对抗网络模型中的生成器G为一个采用U-net结构组成的自编码器(AutoEncoder)详细结构如图4所示，其中编码器(Encoder)的详细结构如图4(a)中所示，逐层链接的激活函数为斜率为0.2的Relu函数，在编码器的输出层与字体风格标签类别进行拼接作为解码器(Decoder)的输入，解码器的详细结构如图4(b)中所示，其中逐层链接的激活函数为斜率为0.2的Relu函数。为了更好的保留字符信息的细节，将编码器的第i层和解码器的第n-i层进行跳跃式链接，即U-net结构，采用U-net结构优化后的解码器(U-netdecoder)详细结构如图4(c)所示，在优化后的解码器第1.2.3层采用droupout操作，生成生成器G所需的随机噪声。该生成器G中权重初始值均为随机选取。
步骤2.2、判别器(Discriminator)的构建
该条件生成对抗网络模型中的判别器D详细结构如图5所示，激活函数采用斜率为0.2的Relu函数，该生成器D中权重初始值均为随机选取。
所述步骤3中对步骤2构建的生成对抗网络模型的训练过程及方法如下所述。
步骤3.1、使用满文文字训练数据集对模型进行训练
首先固定判别器D的各项权重参数不变，对生成器G进行训练以学习趋近于满文文字图像分布的概率的各权重参数。用训练数据(满文文字训练数据集中单个样本图像的左侧(或右侧，可任意选取)满文单词图像)训练生成器G，生成器G通过对满文文字图像学习调整权重得到满文文字图像的分布概率Pz。生成器G通过其自身droupout操作产生的随机噪声z及满文文字图像分布率Pz生成满文文字图像y。将生成的y与真实的满文文字图像x分别输入判别器D，判别器D将判断x和y为真(真实满文图像)或假(生成器G生成的满文图像)的概率反馈给生成器G。生成器G根据反馈结果不断优化各项权重参数，以此提高生成图像y被判别器D判断为真(真实满文图像)的概率。不断重复上述生成→判别→反馈→优化→生成→判别→反馈→优化......的过程，直至判别器D无法判断x和y孰为真孰为假，则结束对生成器G的训练。
然后固定生成器G的各项权重参数不变，对判别器D进行训练。将生成器生成的图像y和真实图像x分别输入判别器D，通过对训练数据的学习不断优化判别器D的各项权重参数，以提升判别器D将y判定为假、将x判定为真的概率。直至判别器D能完全区分生成图像y和真实图像x。
交替进行生成器G和判别器D的训练，直至目标函数达到纳什均衡，则表示该生成对抗网络模型的训练已经完成。该模型的优化函数如式(1)所示；
其中LGAN(G，D)的表达式如下式(2)所示：
其中D(x)表示x为真实数据Pdata或是生成器G生成数据PG在判别器D中被判定正确的概率。E表示计算其期望值。则式(1)表示训练时最大化log D(x)提升判别器D的判别正确率，同时训练生成器G最小化log(1-D(x))来缩小Pdata与PG之间的距离。
步骤3.2、使用满文字体风格迁移数据集对步骤3.1训练后的模型进行二次训练，
对生成器G进行训练时，将训练数据(图3中的源字体图像)输入生成器G。生成器G通过对目标字体图像(图3中的目标字体图像)学习得到目标字体图像分布概率Pz。生成器G通过其自身droupout操作产生的随机噪声z及目标字体图像分布概率Pz对原字体图像(图3中的源字体图像)进行重构生成具有目标字体风格的单词图像y。将生成的y与真实的目标字体图像x(图3中的目标字体图像)输入判别器D，判别器D将判断x和y为真(真实满文图像)或假(生成器G生成的满文图像)的概率反馈给生成器G，生成器G不断优化各项权重参数，以此提高生成图像y被判别器D判断为真(真实满文图像)的概率。不断重复上述生成→判别→反馈→优化→生成→判别→反馈→优化......的过程，直至判别器无法判断x和y孰为真孰为假，则结束对生成器G的训练。
判别器D训练过程及方法和模型训练完成条件与步骤3.1中大体一致，仅在对生成器G训练时有所不同。
交替进行生成器G和判别器D的训练，直至目标函数达到纳什均衡，则表示该生成对抗网络模型的训练已经完成。该模型的优化函数式(1)所示。生成器G之所以能够生成保持图像内容(满文单词)不变，而风格(字体)改变的图像，是因为在条件生成对抗网络的训练过程中，生成器G首先通过步骤3.1学习到了满文文字(图像内容)的概率分布，然后通过步骤3.2学习到了从一种满文字体到目标字体(风格迁移)的概率分布，在训练结束达到平衡时，生成器G最终的生成图像概率分布Pz融合了上述两种概率分布。
在本实施例中。使用的满文文字训练数据集共包含9900张训练数据(不包含测试用满文文字)，在满文字体风格迁移数据集中以雅白字体(如图6(a))为源字体，以古风字体(图6(b))、正白字体(图6(c))为目标字体，分别制作了656张训练样本(不包含测试用满文文字)。对训练后的模型进行测试，结果如图6所示，通过图6中生成结果与真实满文文字的对比，证明该模型能够通过训练学习到满文字体风格间的映射关系，并能泛化用于其他满文文字的风格迁移。
以上所述，仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。

Claims (5)

1.一种基于满文字符图片的字体风格迁移变换方法，其特征在于，包含以下步骤：
步骤1构建满文字体风格变换数据集，其包括满文文字训练数据集和满文字体风格迁移数据集；
步骤2构建条件生成对抗网络模型以实现满文字体风格迁移，其作为满文字体风格迁移模型；
步骤3对满文字体风格迁移模型分步训练：
使用满文文字训练数据集对所述模型训练实现满文文字学习；
使用满文字体风格迁移数据集对所述模型再次训练实现满文字体风格迁移学习；
步骤4调用训练后的模型，以对源字体图像处理并生成对应的目标字体图像。
2.如权利要求1所述的基于满文字符图片的字体风格迁移变换方法，其特征在于，所述的步骤1包含以下步骤：
步骤1.1将真实的满文文字通过满文输入法录入计算机，形成电子文档，选择满文输入法自带的满文字体，并打印输出为纸质文档，把输出的纸质文档用扫描仪扫描为图像格式，对打印后的不同字体的满文文档扫描为图片；
步骤1.2使用投影法将扫描得到的满文图片切分为单个的满文单词图片；
步骤1.3对切分后的图片先进行二值化处理，再使用Lanczos插值算法按字符图像原比例缩放至256×256像素的大小；
步骤1.4将切分后的满文单词图片，按照两张同文字不同字体为一组，对切分后的满文单词图片随机组合，制成满文文字训练数据集，
步骤1.5按照右为源字体，左为目标字体的顺序，按照两张同文字不同字体的满文单词图片组合为一张训练数据，制成满文字体风格迁移训练数据集。
3.如权利要求1所述的基于满文字符图片的字体风格迁移变换方法，其特征在于，构建条件生成对抗网络模型：
步骤2.1构建生成器：生成器G为一个采用U-net结构组成的自编码器，编码器逐层链接的激活函数为斜率为0.2的Relu函数，在编码器的输出层与字体风格标签类别进行拼接作为解码器的输入，解码器的逐层链接的激活函数为斜率为0.2的Relu函数，编码器的第i层和解码器的第n-i层进行跳跃式链接，解码器第1、2、3层采用droupout操作生成生成器G所需的随机噪声，该生成器G中权重初始值均为随机选取；
步骤2.2构建判别器：判别器D的激活函数采用斜率为0.2的Relu函数，该生成器D中权重初始值均为随机选取。
4.如权利要求1所述的基于满文字符图片的字体风格迁移变换方法，其特征在于：
步骤3.1使用满文文字训练数据集对所述模型训练实现满文文字学习：
首先固定判别器D的各项权重参数不变，对生成器G进行训练以学习趋近于满文文字图像分布的概率的各权重参数，用满文文字训练数据集中单个样本图像的左侧或右侧的满文单词图像来训练生成器G，生成器G通过对满文文字图像学习调整权重得到满文文字图像的分布概率Pz，生成器G通过其自身droupout操作产生的随机噪声z及满文文字图像分布率Pz生成满文文字图像y，将生成的满文文字图像y与真实的满文文字图像x分别输入判别器D，判别器D将判断真实满文图像x和生成器G生成的满文图像y为真或假的概率反馈给生成器G，生成器G根据反馈结果不断优化各项权重参数，以此提高生成图像y被判别器D判断为真的概率，不断重复上述生成→判别→反馈→优化的过程，直至判别器D无法判断x和y孰为真孰为假，则结束对生成器G的训练；
然后固定生成器G的各项权重参数不变，对判别器D进行训练，将生成器生成的图像y和真实图像x分别输入判别器D，通过对训练数据的学习不断优化判别器D的各项权重参数，以提升判别器D将生成器生成的图像y判定为假、将真实图像x判定为真的概率，直至判别器D能完全区分生成图像y和真实图像x；
交替进行生成器G和判别器D的训练，直至目标函数达到纳什均衡，则表示该生成对抗网络模型的训练已经完成，该模型的优化函数如下式所示
其中LGAN(G，D)的表达式如下式所示：
其中D(x)表示x为真实数据Pdata或是生成器G生成数据PG在判别器D中被判定正确的概率，E表示计算期望值，则优化函数表示训练时最大化logD(x)提升判别器D的判别正确率，同时训练生成器G最小化log(1-D(x))来缩小Pdata与PG之间的距离。
5.如权利要求1所述的基于满文字符图片的字体风格迁移变换方法，其特征在于：
步骤3.2使用满文字体风格迁移数据集对所述模型再次训练实现满文字体风格迁移学习：
对生成器G进行训练时，将训练数据中的源字体图像输入生成器G，生成器G通过对目标字体图像学习得到目标字体图像分布概率Pz，生成器G通过其自身droupout操作产生的随机噪声z及目标字体图像分布概率Pz对原字体图像进行重构，生成具有目标字体风格的单词图像y，将生成的单词图像y与真实的目标字体图像x输入判别器D，判别器D将判断真实满文图像x和生成器G生成的满文图像y为真或假的概率并反馈给生成器G，生成器G不断优化各项权重参数，以此提高生成图像y被判别器D判断为真实满文图像的概率，不断重复上述生成→判别→反馈→优化的过程，直至判别器无法判断真实满文图像x和生成的单词图像y孰为真孰为假，则结束对生成器G的训练；
然后固定生成器G的各项权重参数不变，对判别器D进行训练，将生成器生成的图像y和真实图像x分别输入判别器D，通过对训练数据的学习不断优化判别器D的各项权重参数，以提升判别器D将生成器生成的图像y判定为假、将真实图像x判定为真的概率，直至判别器D能完全区分生成图像y和真实图像x；
交替进行生成器G和判别器D的训练，直至目标函数达到纳什均衡，则表示该生成对抗网络模型的训练已经完成。该模型的优化函数式如下所示：
其中LGAN(G，D)的表达式如下式所示：
其中D(x)表示x为真实数据Pdata或是生成器G生成数据PG在判别器D中被判定正确的概率，E表示计算期望值，则优化函数表示训练时最大化logD(x)提升判别器D的判别正确率，同时训练生成器G最小化log(1-D(x))来缩小Pdata与PG之间的距离。
CN201810886243.8A 2018-08-06 2018-08-06 基于满文字符图片的字体风格迁移变换方法 Active CN109190722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810886243.8A CN109190722B (zh) 2018-08-06 2018-08-06 基于满文字符图片的字体风格迁移变换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810886243.8A CN109190722B (zh) 2018-08-06 2018-08-06 基于满文字符图片的字体风格迁移变换方法

Publications (2)

Publication Number Publication Date
CN109190722A true CN109190722A (zh) 2019-01-11
CN109190722B CN109190722B (zh) 2021-05-04

Family

ID=64920359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810886243.8A Active CN109190722B (zh) 2018-08-06 2018-08-06 基于满文字符图片的字体风格迁移变换方法

Country Status (1)

Country Link
CN (1) CN109190722B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008842A (zh) * 2019-03-09 2019-07-12 同济大学 一种基于深度多损失融合模型的行人重识别方法
CN110008338A (zh) * 2019-03-04 2019-07-12 华南理工大学 一种融合gan和迁移学习的电商评价情感分析方法
CN110009568A (zh) * 2019-04-10 2019-07-12 大连民族大学 满文图像超分辨率重建的生成器构建方法
CN110033054A (zh) * 2019-03-14 2019-07-19 上海交通大学 基于协同笔画优化的个性化手写体迁移方法和系统
CN110097059A (zh) * 2019-03-22 2019-08-06 中国科学院自动化研究所 基于生成对抗网络的文档图像二值化方法、系统、装置
CN110135530A (zh) * 2019-05-16 2019-08-16 京东方科技集团股份有限公司 转换图像中汉字字体的方法及系统、计算机设备及介质
CN110211203A (zh) * 2019-06-10 2019-09-06 大连民族大学 基于条件生成对抗网络的汉字字体的方法
CN110263865A (zh) * 2019-06-24 2019-09-20 北方民族大学 一种半监督多模态多类别的图像翻译方法
CN110458216A (zh) * 2019-07-31 2019-11-15 中山大学 基于条件生成对抗网络的图像风格迁移方法
CN110458918A (zh) * 2019-08-16 2019-11-15 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110503598A (zh) * 2019-07-30 2019-11-26 西安理工大学 基于条件循环一致性生成对抗网络的字体风格迁移方法
CN110516577A (zh) * 2019-08-20 2019-11-29 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质
CN110516201A (zh) * 2019-08-20 2019-11-29 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质
CN110570346A (zh) * 2019-08-19 2019-12-13 西安理工大学 一种基于循环生成对抗网络对书法进行风格迁移的方法
CN111612699A (zh) * 2019-02-22 2020-09-01 北京京东尚科信息技术有限公司 图像处理方法、装置和计算机可读存储介质
CN111753493A (zh) * 2019-09-29 2020-10-09 西交利物浦大学 基于少量样本的内含多种归一化处理的风格字符生成方法
CN111950695A (zh) * 2019-05-15 2020-11-17 辉达公司 使用一个或更多个神经网络进行语法迁移
CN112418310A (zh) * 2020-11-20 2021-02-26 第四范式（北京）技术有限公司 文本风格迁移模型训练方法和系统及图像生成方法和系统
CN112417959A (zh) * 2020-10-19 2021-02-26 上海臣星软件技术有限公司 图片生成方法、装置、电子设备及计算机存储介质
CN112434757A (zh) * 2020-12-15 2021-03-02 浙江大学软件学院（宁波）管理中心（宁波软件教育中心） 一种基于用户偏好的商标自动生成方法及系统
CN112598764A (zh) * 2020-12-26 2021-04-02 福州大学 一种迁移场景风格的字符图像生成方法
CN113052203A (zh) * 2021-02-09 2021-06-29 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种面向多种类数据的异常检测方法及装置
CN113192062A (zh) * 2021-05-25 2021-07-30 湖北工业大学 一种基于图像复原的动脉斑块超声图像自监督分割方法
CN115221842A (zh) * 2022-08-31 2022-10-21 内江师范学院 一种基于小样本数据集的字体风格迁移方法、系统及设备
CN111612699B (zh) * 2019-02-22 2024-05-17 北京京东尚科信息技术有限公司 图像处理方法、装置和计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
CN107577651A (zh) * 2017-08-25 2018-01-12 上海交通大学 基于对抗网络的汉字字体迁移系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
CN107577651A (zh) * 2017-08-25 2018-01-12 上海交通大学 基于对抗网络的汉字字体迁移系统

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612699B (zh) * 2019-02-22 2024-05-17 北京京东尚科信息技术有限公司 图像处理方法、装置和计算机可读存储介质
CN111612699A (zh) * 2019-02-22 2020-09-01 北京京东尚科信息技术有限公司 图像处理方法、装置和计算机可读存储介质
CN110008338A (zh) * 2019-03-04 2019-07-12 华南理工大学 一种融合gan和迁移学习的电商评价情感分析方法
CN110008338B (zh) * 2019-03-04 2021-01-19 华南理工大学 一种融合gan和迁移学习的电商评价情感分析方法
CN110008842A (zh) * 2019-03-09 2019-07-12 同济大学 一种基于深度多损失融合模型的行人重识别方法
CN110033054A (zh) * 2019-03-14 2019-07-19 上海交通大学 基于协同笔画优化的个性化手写体迁移方法和系统
CN110033054B (zh) * 2019-03-14 2021-05-25 上海交通大学 基于协同笔画优化的个性化手写体迁移方法和系统
CN110097059A (zh) * 2019-03-22 2019-08-06 中国科学院自动化研究所 基于生成对抗网络的文档图像二值化方法、系统、装置
CN110097059B (zh) * 2019-03-22 2021-04-02 中国科学院自动化研究所 基于生成对抗网络的文档图像二值化方法、系统、装置
CN110009568A (zh) * 2019-04-10 2019-07-12 大连民族大学 满文图像超分辨率重建的生成器构建方法
CN111950695A (zh) * 2019-05-15 2020-11-17 辉达公司 使用一个或更多个神经网络进行语法迁移
US11587343B2 (en) 2019-05-16 2023-02-21 Boe Technology Group Co., Ltd. Method and system for converting font of Chinese character in image, computer device and medium
CN110135530A (zh) * 2019-05-16 2019-08-16 京东方科技集团股份有限公司 转换图像中汉字字体的方法及系统、计算机设备及介质
CN110211203A (zh) * 2019-06-10 2019-09-06 大连民族大学 基于条件生成对抗网络的汉字字体的方法
CN110263865A (zh) * 2019-06-24 2019-09-20 北方民族大学 一种半监督多模态多类别的图像翻译方法
CN110503598A (zh) * 2019-07-30 2019-11-26 西安理工大学 基于条件循环一致性生成对抗网络的字体风格迁移方法
CN110458216B (zh) * 2019-07-31 2022-04-12 中山大学 基于条件生成对抗网络的图像风格迁移方法
CN110458216A (zh) * 2019-07-31 2019-11-15 中山大学 基于条件生成对抗网络的图像风格迁移方法
CN110458918A (zh) * 2019-08-16 2019-11-15 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110458918B (zh) * 2019-08-16 2023-05-09 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110570346A (zh) * 2019-08-19 2019-12-13 西安理工大学 一种基于循环生成对抗网络对书法进行风格迁移的方法
CN110570346B (zh) * 2019-08-19 2022-11-04 西安理工大学 一种基于循环生成对抗网络对书法进行风格迁移的方法
CN110516577A (zh) * 2019-08-20 2019-11-29 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质
CN110516201B (zh) * 2019-08-20 2023-03-28 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质
CN110516201A (zh) * 2019-08-20 2019-11-29 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质
CN110516577B (zh) * 2019-08-20 2022-07-12 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质
CN111753493A (zh) * 2019-09-29 2020-10-09 西交利物浦大学 基于少量样本的内含多种归一化处理的风格字符生成方法
CN112417959A (zh) * 2020-10-19 2021-02-26 上海臣星软件技术有限公司 图片生成方法、装置、电子设备及计算机存储介质
CN112418310A (zh) * 2020-11-20 2021-02-26 第四范式（北京）技术有限公司 文本风格迁移模型训练方法和系统及图像生成方法和系统
CN112434757A (zh) * 2020-12-15 2021-03-02 浙江大学软件学院（宁波）管理中心（宁波软件教育中心） 一种基于用户偏好的商标自动生成方法及系统
CN112598764B (zh) * 2020-12-26 2023-02-21 福州大学 一种迁移场景风格的字符图像生成方法
CN112598764A (zh) * 2020-12-26 2021-04-02 福州大学 一种迁移场景风格的字符图像生成方法
CN113052203B (zh) * 2021-02-09 2022-01-18 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种面向多种类数据的异常检测方法及装置
CN113052203A (zh) * 2021-02-09 2021-06-29 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种面向多种类数据的异常检测方法及装置
CN113192062A (zh) * 2021-05-25 2021-07-30 湖北工业大学 一种基于图像复原的动脉斑块超声图像自监督分割方法
CN115221842A (zh) * 2022-08-31 2022-10-21 内江师范学院 一种基于小样本数据集的字体风格迁移方法、系统及设备
CN115221842B (zh) * 2022-08-31 2022-12-20 内江师范学院 一种基于小样本数据集的字体风格迁移方法、系统及设备

Also Published As

Publication number Publication date
CN109190722B (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN109190722A (zh) 基于满文字符图片的字体风格迁移变换方法
CN110750959B (zh) 文本信息处理的方法、模型训练的方法以及相关装置
CN111177326B (zh) 基于精标注文本的关键信息抽取方法、装置及存储介质
CN108829684A (zh) 一种基于迁移学习策略的蒙汉神经机器翻译方法
CN108280112A (zh) 摘要生成方法、装置及计算机设备
CN110516201A (zh) 图像处理方法、装置、电子设备及存储介质
CN111368086A (zh) 一种基于CNN-BiLSTM+attention模型的涉案新闻观点句情感分类方法
CN112417092B (zh) 基于深度学习的智能化文本自动生成系统及其实现方法
CN110705459A (zh) 数理化公式自动识别方法及装置、模型训练方法及装置
CN110851601A (zh) 基于分层注意力机制的跨领域情感分类系统及方法
CN109656554A (zh) 用户界面生成方法及装置
CN110929714A (zh) 一种基于深度学习的密集文本图片的信息提取方法
CN111464881A (zh) 基于自优化机制的全卷积视频描述生成方法
CN111563563B (zh) 一种手写体识别的联合数据的增强方法
CN111553159B (zh) 一种问句生成方法及系统
CN114065848A (zh) 一种基于预训练情感嵌入的中文方面级别情感分类方法
Wick et al. Staff, symbol and melody detection of medieval manuscripts written in square notation using deep fully convolutional networks
CN116822534A (zh) 基于细粒度特征的机翻评估指标的解释方法、解释器模型及计算机可读存储介质
CN112801217B (zh) 文本相似度判断方法、装置、电子设备以及可读存储介质
CN110570484A (zh) 一种图像解耦表征下的文本指导图像上色方法
CN112052663B (zh) 客服语句质检方法及相关设备
CN111161266B (zh) 一种基于矢量量化的变分自编码机的多风格字体生成方法
CN109241869A (zh) 答题卡分数识别方法、装置及终端设备
CN116257630A (zh) 一种基于对比学习的方面级情感分析方法及装置
CN115422329A (zh) 一种基于知识驱动的多路筛选融合对话生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant