CN109727209A - 一种确定残缺文物完整图像的方法及装置 - Google Patents
一种确定残缺文物完整图像的方法及装置 Download PDFInfo
- Publication number
- CN109727209A CN109727209A CN201811523558.2A CN201811523558A CN109727209A CN 109727209 A CN109727209 A CN 109727209A CN 201811523558 A CN201811523558 A CN 201811523558A CN 109727209 A CN109727209 A CN 109727209A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- cultural relic
- model
- relic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 46
- 238000004891 communication Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 4
- 238000010422 painting Methods 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000004792 malaria Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供的一种确定残缺文物完整图像的方法及装置,方法包括:获取待修复残缺文物的图像;将待修复残缺文物的图像输入预设的文物图像模型,利用所述预设的文物图像模型,输出所述待修复残缺文物图像的完整图像。相比于现有技术,本发明实施例通过预设的文物图像模型输出待修复残缺文物图像的完整图像,降低了人为复原待修复残缺文物完整图像的时间,可以提高修复残缺文物的效率。
Description
技术领域
本发明涉及文物修复技术领域,特别是涉及一种确定残缺文物完整图像的方法及装置。
背景技术
文物是历史的见证,具有较高的研究价值,而往往文物随着历史长河流逝会因为种种原因残缺不全,文物修复人员常常会对残缺的文物进行修复。
现有的文物修复方法是文物修复人员根据自己的个人经验、参照同类型的少量存品图像或者临摹他人的修复过程对残缺的文物进行图像复原,然后进行修复。由于现有技术文物修复方法人为复原残缺文物的完整图像,浪费时间较长,然后才能对文物进行修复,因此现有技术修复残缺文物的效率较低。
发明内容
本发明实施例的目的在于提供一种确定残缺文物完整图像的方法及装置,通过预设的文物图像模型输出待修复残缺文物图像的完整图像,降低人为复原待修复残缺文物完整图像的时间,可以提高修复残缺文物的效率。具体技术方案如下:
本发明实施例提供的一种确定残缺文物完整图像的方法,包括:
获取待修复残缺文物的图像;
将待修复残缺文物的图像输入预设的文物图像模型,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像;预设的文物图像模型是利用与待修复残缺文物同类型文物的图像训练得到。
可选的,通过如下步骤,训练预设的文物图像模型:
将第一文物图像作为预设的机器学习模型的输入,将第一文物图像的特征点作为预设的机器学习模型的约束条件,利用预设的机器学习模型输出目标图像;目标图像与第一文物图像具有相同的特征点;第一文物图像为与待修复残缺文物同类型的,且第一拍摄角度拍摄的残缺文物的图像;
使用所述机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用所述机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型;第二文物图像为:修复后第一文物的图像。
可选的,将第一文物图像作为预设的机器学习模型的输入,将第一文物图像的特征点作为预设的机器学习模型的约束条件,利用预设的机器学习模型输出目标图像,包括:
使用GAN-机器学习模型,将第一文物图像作为GAN-机器学习模型中生成模型的输入,将第一文物图像的特征点作为生成模型的约束条件,利用生成模型生成目标图像;
使用所述机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用所述机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型,包括:
将第二文物图像与目标图像的相似度达到相似度阈值,作为GAN-机器学习模型中判别模型的判决目标,训练GAN-机器学习模型得到预设的文物图像模型。
可选的,获得所述待修复残缺文物的图像的步骤包括
将待修复残缺文物按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为待修复残缺文物的图像;
获得所述第一文物图像的步骤包括:
将与待修复残缺文物同类型的残缺文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第一文物图像;
获得所述第二文物图像的步骤包括:
将修复后的第一文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第二文物图像。
本发明实施例提供的一种确定残缺文物完整图像的方法还包括:
将与待修复残缺文物同类型的文物以至少两个拍摄角度进行拍摄,将同一角度拍摄后的图像确定为同一类别的文物图像;
将所有同一类别的文物图像作为预设的文物图像模型的输入,将修复后的与待修复残缺文物同类型的文物的完整图像,作为预设的文物图像模型的训练目标,训练预设的文物图像模型,将训练后的预设的文物图像模型作为修正后的预设的文物图像模型。
可选的,将待修复残缺文物的图像输入预设的文物图像模型,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像,包括:
将待修复残缺文物以至少两个拍摄角度进行拍摄,将以至少两个拍摄角度拍摄后的待修复残缺文物的图像作为修正后的预设的文物图像模型的输入,利用修正后的预设的文物图像模型,输出待修复残缺文物图像的完整图像。
本发明实施例提供的一种确定残缺文物完整图像的装置,包括:
获取模块,用于获取待修复残缺文物的图像;
输出模块,用于将待修复残缺文物的图像输入预设的文物图像模型,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像;预设的文物图像模型是利用与待修复残缺文物同类型文物的图像训练得到。
可选的,本发明实施例提供的一种确定残缺文物完整图像的装置还包括:
生成模块,用于将第一文物图像作为预设的机器学习模型的输入,将所述第一文物图像的特征点作为所述预设的机器学习模型的约束条件,利用所述预设的机器学习模型输出目标图像;所述目标图像与所述第一文物图像具有相同的特征点;所述第一文物图像为与待修复残缺文物同类型的残缺文物的图像;
判定模块,用于使用所述机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用所述机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型;所述第二文物图像为:修复后第一文物的图像。
可选的,生成模块具体用于:
使用GAN-机器学习模型,将第一文物图像作为GAN-机器学习模型中生成模型的输入,将第一文物图像的特征点作为生成模型的约束条件,利用生成模型生成目标图像;
判定模块具体用于:
将第二文物图像与目标图像的相似度达到相似度阈值,作为GAN-机器学习模型中判别模型的判决目标,训练GAN-机器学习模型得到预设的文物图像模型。
可选的,本发明实施例提供的一种确定残缺文物完整图像的装置还包括:
图像获得模块用于:
将待修复残缺文物按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为待修复残缺文物的图像;
将与待修复残缺文物同类型的残缺文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第一文物图像;
将修复后的第一文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第二文物图像。
可选的,本发明实施例提供的一种确定残缺文物完整图像的装置还包括:
修正模块,用于将与待修复残缺文物同类型的文物以至少两个拍摄角度进行拍摄,将同一角度拍摄后的图像确定为同一类别的文物图像;
将所有同一类别的文物图像作为预设的文物图像模型的输入,将修复后的与待修复残缺文物同类型文物的完整图像,作为预设的文物图像模型的训练目标,训练预设的文物图像模型,将训练后的预设的文物图像模型作为修正后的预设的文物图像模型。
可选的,输出模块具体用于:
将待修复残缺文物以至少两个拍摄角度进行拍摄,将以至少两个拍摄角度拍摄后的待修复残缺文物的图像作为修正后的预设的文物图像模型的输入,利用修正后的预设的文物图像模型,输出待修复残缺文物图像的完整图像。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的一种确定残缺文物完整图像的方法。
在本发明实施的又一方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的一种确定残缺文物完整图像的方法。
本发明实施例提供的一种确定残缺文物完整图像的方法及装置,可以将待修复残缺文物的图像作为预设的文物图像模型的输入,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像。相比于现有技术,本发明实施例通过预设的文物图像模型输出待修复残缺文物图像的完整图像,降低了人为复原待修复残缺文物完整图像的时间,可以提高修复残缺文物的效率。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种确定残缺文物完整图像的方法的流程图;
图2为本发明实施例提供的一种训练预设的文物图像模型的流程图;
图3a为本发明实施例提供的第一文物图像;
图3b为本发明实施例提供的第二文物图像;
图3c为本发明实施例提供的目标图像;
图4为本发明实施例提供的另一种训练预设的文物图像模型的流程图;
图5为本发明实施例提供的文物图像特征点的结构图;
图6为本发明实施例提供的修正预设的文物图像模型的流程图;
图7为本发明实施例提供的一种确定残缺文物完整图像的装置的结构图;
图8为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
本发明实施例提供的一种确定残缺文物完整图像的方法及装置,可以将待修复残缺文物的图像作为预设的文物图像模型的输入,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像。相比于现有技术,本发明实施例通过预设的文物图像模型输出待修复残缺文物图像的完整图像,降低了人为复原待修复残缺文物完整图像的时间,可以提高修复残缺文物的效率。
下面继续对本发明实施例提供的一种确定残缺文物完整图像的方法作简单介绍。
本发明实施例提供的一种确定残缺文物完整图像的方法,应用于电子设备,进一步电子设备可以为手机、电脑、服务器、智能移动终端设备、可穿戴式智能移动终端设备等,还可以应用于提供图像修复技术服务的公司。在此不做限定,任何可以实现本发明的电子设备,均属于本发明的保护范围。
如图1所示,本发明实施例提供的一种确定残缺文物完整图像的方法,包括:
S101,获取待修复残缺文物的图像;
为了提高修复残缺文物的效率,上述S101可以采用如下至少一种可能的实现方式,获取待修复残缺文物的图像:
在一种可能的实施方式中,采用如下步骤,获取待修复残缺文物的图像:
将待修复残缺文物按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为待修复的文物图像。
其中,可以用泰勒公式、傅里叶公式、光路追踪展开法、同心圆环近似展开法或者查表展开法,对图像进行全景展开,本发明对图像展开的方法不限于此。
S102,将待修复残缺文物的图像输入预设的文物图像模型,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像;
其中,预设的文物图像模型是利用与待修复残缺文物同类型文物的图像训练得到;同类型文物是由人为根据行业经验从形状、外观、材质、文物构造的对象及生产年代等进行划分。
假设,若待修复残缺文物为动物类的马,与待修复残缺文物同类型文物为:马;若待修复残缺文物为瓷器类的碗,则与待修复残缺文物同类型文物为:瓷器类的碗;若待修复残缺文物为字画类,字画上的对象为植物类的竹子,则与待修复残缺文物同类型文物为:字画类且字画上的对象为竹子。
本发明实施例通过预设的文物图像模型输出待修复残缺文物图像的完整图像,降低了人为复原待修复残缺文物完整图像的时间,可以提高修复残缺文物的效率。
为了提高输出待修复残缺文物的完整图像的准确率,可以采用如下至少一种可能的实现方式,训练预设的文物图像模型:
在一种可能的实施方式中,采用如下步骤,训练预设的文物图像模型:
S201,将第一文物图像作为预设的机器学习模型的输入,将第一文物图像的特征点作为预设的机器学习模型的约束条件,利用预设的机器学习模型输出目标图像;
其中,目标图像与第一文物图像具有相同的特征点;第一文物图像为与待修复残缺文物同类型的残缺文物的图像;文物图像的特征点包括:图像的角点、边缘点和极值点;第一拍摄角度是根据文物的残缺部分及场景人为设置的角度。预设的机器学习模型包括:GAN(生成式对抗网络),Generative Adversarial Networks)机器学习模型、DCGAN机器学习模型、WGAN机器学习模型、WGAN-GP机器学习模型、LSGAN机器学习模型、BEGAN机器学习模型、SRGAN机器学习模型。
为了提高修复残缺文物的效率,可以采用如下至少一种可能的实现方式获得第一文物图像:
在一种可能的实施方式中,将与待修复残缺文物同类型的残缺文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第一文物图像。
S202,使用预设的机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用预设的机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型;
其中,第二文物图像为修复后第一文物的图像,相似度阈值为80%。
在一种可能的实施方式中,将修复后的第一文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第二文物图像。
参考图3a、图3b及图3c,在图3a中a为第一文物图像,该第一文物图像为残缺的碗,图3b中b为第二文物图像,第二文物图像是修复后第一文物的图像,假设预设的机器学习模型生成的目标图像为图3c,图像3c与图3b的相似度阈值未达到相似度阈值,因此,需要重新生成目标图像直至生成与图3b相似度达到80%。
本实施方式通过比较预设的机器学习模型重新生成目标图像与第二文物图像的相似度是否达到相似度阈值,可以提高确定第一文物的完整图像的准确率。
在另一种可能的实施方式中,采用如下步骤,训练预设的文物图像模型:
S401,使用GAN-机器学习模型,将第一文物图像作为GAN-机器学习模型中生成模型的输入,将第一文物图像的特征点作为生成模型的约束条件,利用生成模型生成目标图像;
参考图5,图5为残缺碗的图像,图像中包含白色与黑色相间的条纹,在残缺碗的正中有黑色三角区域嵌套白色三角区域,则将白色与黑色相间的条纹,在残缺碗的正中有黑色三角区域嵌套白色三角区域这些特征点作为GAN-机器学习模型中生成模型的约束条件,则生成模型输出的目标图像也将具有碗的形状,且具有白色与黑色相间的条纹,碗的正中有黑色三角区域嵌套白色三角区域。
S402,将第二文物图像与目标图像的相似度达到相似度阈值,作为GAN-机器学习模型中判别模型的判决目标,训练GAN-机器学习模型得到预设的文物图像模型。
本实施方式通过GAN-机器学习模型中判决模型对其成模型生成的目标图片进行判决,确定目标图像与第二文物图像的相似度是否达到相似度阈值,提高确定第一文物的完整图像的准确率的同时,还可以提高确定第一文物的完整图像的效率。
本发明实施例提供的一种训练文物图像模型的方法包括:
S601,将与待修复残缺文物同类型的文物以至少两个拍摄角度进行拍摄,将同一角度拍摄后的图像确定为同一类别的文物图像;
S602,将所有同一类别的文物图像作为预设的文物图像模型的输入,将修复后的与待修复残缺文物同类型文物的完整图像,作为预设的文物图像模型的训练目标,训练预设的文物图像模型,将训练后的预设的文物图像模型作为修正后的预设的文物图像模型;
例如,与待修复残缺文物同类型文物有文物a,b和c,将文物a,b和c分别按照30度、90度的拍摄角度进行拍摄,将按照30度拍摄的文物a,b和c的图像作为同一类别的文物图像;将按照90度拍摄的文物a,b和c的图像作为同一类别的文物图像。将文物a,b和c的完整图像作为预设的文物图像模型的训练目标,将将按照30度拍摄的文物a,b和c的图像作为同一类别的文物图像;将按照90度拍摄的文物a,b和c的图像作为同一类别的文物图像分贝输入预设的文物图像模型,将训练后的预设的文物图像模型作为修正后的预设的文物图像模型。
S603,将待修复残缺文物以至少两个拍摄角度进行拍摄,将以至少两个拍摄角度拍摄后的待修复残缺文物的图像作为修正后的预设的文物图像模型的输入,利用修正后的预设的文物图像模型,输出待修复残缺文物图像的完整图像。
本发明实施例通过将与待修复残缺文物同类型的文物按照至少两个拍摄角度进行拍摄,然后利用拍摄后的同一类别的图像训练预设的文物图像模型,得到修正后的预设的文物图像模型。文物修复人员可以将待修复残缺文物图像再次输入修正后的预设的文物图像模型,以提高待修复残缺文物的完整图像的准确率。
下面继续对本发明实施例提供的一种确定残缺文物完整图像的装置作简单介绍。
如图7所示,本发明实施例提供的一种确定残缺文物完整图像的装置,包括:
获取模块701,用于获取待修复残缺文物的图像;
输出模块702,用于将待修复残缺文物的图像输入预设的文物图像模型,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像;预设的文物图像模型是利用与待修复残缺文物同类型文物的图像训练得到。
可选的,本发明实施例提供的一种确定残缺文物完整图像的装置还包括:
生成模块,用于将第一文物图像作为预设的机器学习模型的输入,将所述第一文物图像的特征点作为所述预设的机器学习模型的约束条件,利用所述预设的机器学习模型输出目标图像;所述目标图像与所述第一文物图像具有相同的特征点;所述第一文物图像为与待修复残缺文物同类型的残缺文物的图像;
判定模块,用于使用预设的机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用该预设的机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型;所述第二文物图像为:修复后第一文物的图像。
可选的,生成模块具体用于:
使用GAN-机器学习模型,将第一文物图像作为GAN-机器学习模型中生成模型的输入,将第一文物图像的特征点作为生成模型的约束条件,利用生成模型生成目标图像;
判定模块具体用于:
将第二文物图像与目标图像的相似度达到相似度阈值,作为GAN-机器学习模型中判别模型的判决目标,训练GAN-机器学习模型得到预设的文物图像模型。
可选的,本发明实施例提供的一种确定残缺文物完整图像的装置还包括:
图像获得模块用于:
将待修复残缺文物按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为待修复残缺文物的图像;
将与待修复残缺文物同类型的残缺文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第一文物图像;
将修复后的第一文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第二文物图像。
可选的,本发明实施例提供的一种确定残缺文物完整图像的装置还包括:
修正模块,用于将与待修复残缺文物同类型的文物以至少两个拍摄角度进行拍摄,将同一角度拍摄后的图像确定为同一类别的文物图像;
将所有同一类别的文物图像作为预设的文物图像模型的输入,将修复后的与待修复残缺文物同类型文物的完整图像,作为预设的文物图像模型的训练目标,训练预设的文物图像模型,将训练后的预设的文物图像模型作为修正后的预设的文物图像模型。
可选的,输出模块具体用于:
将待修复残缺文物以至少两个拍摄角度进行拍摄,将以至少两个拍摄角度拍摄后的待修复残缺文物的图像作为修正后的预设的文物图像模型的输入,利用修正后的预设的文物图像模型,输出待修复残缺文物图像的完整图像。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
获取待修复残缺文物的图像;
将待修复残缺文物的图像输入预设的文物图像模型,利用预设的文物图像模型,输出待修复残缺文物图像的完整图像;预设的文物图像模型是利用与待修复残缺文物同类型文物的图像训练得到。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的一种确定残缺文物完整图像的方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的一种确定残缺文物完整图像的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置/电子设备/计算机可读存储介质/计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (13)
1.一种确定残缺文物完整图像的方法,其特征在于,所述方法包括:
获取待修复残缺文物的图像;
将待修复残缺文物的图像输入预设的文物图像模型,利用所述预设的文物图像模型,输出所述待修复残缺文物图像的完整图像;所述预设的文物图像模型是至少利用与所述待修复残缺文物同类型文物的图像训练得到。
2.根据权利要求1所述的方法,其特征在于,通过如下步骤,训练所述预设的文物图像模型:
将第一文物图像作为预设的机器学习模型的输入,将所述第一文物图像的特征点作为所述预设的机器学习模型的约束条件,利用所述预设的机器学习模型输出目标图像;所述目标图像与所述第一文物图像具有相同的特征点;所述第一文物图像为与待修复残缺文物同类型的残缺文物的图像;
使用所述机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用所述机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型;所述第二文物图像为:修复后第一文物的图像。
3.根据权利要求2所述的方法,其特征在于,
所述将第一文物图像作为预设的机器学习模型的输入,将所述第一文物图像的特征点作为所述预设的机器学习模型的约束条件,利用所述预设的机器学习模型输出目标图像,包括:
使用生成式对抗网络GAN-机器学习模型,将第一文物图像作为所述GAN-机器学习模型中生成模型的输入,将所述第一文物图像的特征点作为所述生成模型的约束条件,利用所述生成模型生成目标图像;
所述使用所述机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用所述机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型,包括:
将第二文物图像与所述目标图像的相似度达到相似度阈值,作为所述GAN-机器学习模型中判别模型的判决目标,训练所述GAN-机器学习模型得到预设的文物图像模型。
4.根据权利要求3所述的方法,其特征在于,获得所述待修复残缺文物的图像的步骤包括:
将待修复残缺文物按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为待修复残缺文物的图像;
获得所述第一文物图像的步骤包括:
将与待修复残缺文物同类型的残缺文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第一文物图像;
获得所述第二文物图像的步骤包括:
将修复后的第一文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第二文物图像。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将与待修复残缺文物同类型的文物以至少两个拍摄角度进行拍摄,将同一角度拍摄后的图像确定为同一类别的文物图像;
将所有同一类别的文物图像作为所述预设的文物图像模型的输入,将修复后的与待修复残缺文物同类型的文物的完整图像,作为所述预设的文物图像模型的训练目标,训练所述预设的文物图像模型,将训练后的预设的文物图像模型作为修正后的所述预设的文物图像模型。
6.根据权利要求5所述的方法,其特征在于,所述将待修复残缺文物的图像输入预设的文物图像模型,利用所述预设的文物图像模型,输出所述待修复残缺文物图像的完整图像,包括:
将待修复残缺文物以至少两个拍摄角度进行拍摄,将以至少两个拍摄角度拍摄后的待修复残缺文物的图像作为修正后的所述预设的文物图像模型的输入,利用所述修正后的预设的文物图像模型,输出所述待修复残缺文物图像的完整图像。
7.一种确定残缺文物完整图像的装置,其特征在于,所述装置包括:
获取模块,用于获取待修复残缺文物的图像;
输出模块,用于将待修复残缺文物的图像输入预设的文物图像模型,利用所述预设的文物图像模型,输出所述待修复残缺文物图像的完整图像;所述预设的文物图像模型是至少利用与所述待修复残缺文物同类型文物的图像训练得到。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
生成模块,用于将第一文物图像作为预设的机器学习模型的输入,将所述第一文物图像的特征点作为所述预设的机器学习模型的约束条件,利用所述预设的机器学习模型输出目标图像;所述目标图像与所述第一文物图像具有相同的特征点;所述第一文物图像为与待修复残缺文物同类型的残缺文物的图像;
判定模块,用于使用所述机器学习模型将第二文物图像与目标图像作比较,若第二文物图像与目标图像的相似度未达到相似度阈值,则利用所述机器学习模型重新生成目标图像,直至第二文物图像与目标图像的相似度达到相似度阈值,将第二文物图像与目标图像相似度达到相似度阈值时,训练得到的机器学习模型作为预设的文物图像模型;所述第二文物图像为:修复后第一文物的图像。
9.根据权利要求8所述的装置,其特征在于,
所述生成模块具体用于:
使用生成式对抗网络GAN-机器学习模型,将第一文物图像作为所述GAN-机器学习模型中生成模型的输入,将所述第一文物图像的特征点作为所述生成模型的约束条件,利用所述生成模型生成目标图像;
所述判定模块具体用于:
将第二文物图像与所述目标图像的相似度达到相似度阈值,作为所述GAN-机器学习模型中判别模型的判决目标,训练所述GAN-机器学习模型得到预设的文物图像模型。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
展开模块用于:
将待修复残缺文物按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为待修复残缺文物的图像;
将与待修复残缺文物同类型的残缺文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第一文物图像;
将修复后的第一文物,按照第一拍摄角度进行全景拍摄,将拍摄到的图像进行全景展开,将展开后的图像作为第二文物图像。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
修正模块,用于将与待修复残缺文物同类型的文物以至少两个拍摄角度进行拍摄,将同一角度拍摄后的图像确定为同一类别的文物图像;
将所有同一类别的文物图像作为所述预设的文物图像模型的输入,将修复后的与待修复残缺文物同类型文物的完整图像,作为所述预设的文物图像模型的训练目标,训练所述预设的文物图像模型,将训练后的预设的文物图像模型作为修正后的所述预设的文物图像模型。
12.根据权利要求11所述的装置,其特征在于,所述输出模块具体用于:
将待修复残缺文物以至少两个拍摄角度进行拍摄,将以至少两个拍摄角度拍摄后的待修复残缺文物的图像作为修正后的所述预设的文物图像模型的输入,利用所述修正后的预设的文物图像模型,输出所述待修复残缺文物图像的完整图像。
13.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811523558.2A CN109727209B (zh) | 2018-12-13 | 2018-12-13 | 一种确定残缺文物完整图像的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811523558.2A CN109727209B (zh) | 2018-12-13 | 2018-12-13 | 一种确定残缺文物完整图像的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109727209A true CN109727209A (zh) | 2019-05-07 |
CN109727209B CN109727209B (zh) | 2021-03-02 |
Family
ID=66294905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811523558.2A Active CN109727209B (zh) | 2018-12-13 | 2018-12-13 | 一种确定残缺文物完整图像的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109727209B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640076A (zh) * | 2020-05-29 | 2020-09-08 | 北京金山云网络技术有限公司 | 一种图像补全方法、装置及电子设备 |
CN112767506A (zh) * | 2020-12-31 | 2021-05-07 | 维沃移动通信有限公司 | 图像处理方法、装置和电子设备 |
CN116777848A (zh) * | 2023-06-06 | 2023-09-19 | 北京师范大学 | 一种玉石器相似度分析方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170046563A1 (en) * | 2015-08-10 | 2017-02-16 | Samsung Electronics Co., Ltd. | Method and apparatus for face recognition |
CN106650688A (zh) * | 2016-12-30 | 2017-05-10 | 公安海警学院 | 基于卷积神经网络的眼部特征检测方法,装置及识别系统 |
CN107862668A (zh) * | 2017-11-24 | 2018-03-30 | 河海大学 | 一种基于gnn的文物图像复原方法 |
CN107945118A (zh) * | 2017-10-30 | 2018-04-20 | 南京邮电大学 | 一种基于生成式对抗网络的人脸图像修复方法 |
CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
CN108109212A (zh) * | 2016-11-25 | 2018-06-01 | 阿里巴巴集团控股有限公司 | 一种文物修复方法、装置及系统 |
CN108305239A (zh) * | 2018-03-06 | 2018-07-20 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像的修复方法 |
CN108304858A (zh) * | 2017-12-28 | 2018-07-20 | 中国银联股份有限公司 | 对抗样本识别模型生成方法、验证方法及其系统 |
CN108460830A (zh) * | 2018-05-09 | 2018-08-28 | 厦门美图之家科技有限公司 | 图像修复方法、装置及图像处理设备 |
CN108520503A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 |
CN108564527A (zh) * | 2018-04-04 | 2018-09-21 | 百度在线网络技术(北京)有限公司 | 基于神经网络的全景图内容补全和修复的方法及装置 |
CN108765338A (zh) * | 2018-05-28 | 2018-11-06 | 西华大学 | 基于卷积自编码卷积神经网络的空间目标图像复原方法 |
CN108961174A (zh) * | 2018-05-24 | 2018-12-07 | 北京飞搜科技有限公司 | 一种图像修复方法、装置以及电子设备 |
-
2018
- 2018-12-13 CN CN201811523558.2A patent/CN109727209B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170046563A1 (en) * | 2015-08-10 | 2017-02-16 | Samsung Electronics Co., Ltd. | Method and apparatus for face recognition |
CN108109212A (zh) * | 2016-11-25 | 2018-06-01 | 阿里巴巴集团控股有限公司 | 一种文物修复方法、装置及系统 |
CN106650688A (zh) * | 2016-12-30 | 2017-05-10 | 公安海警学院 | 基于卷积神经网络的眼部特征检测方法,装置及识别系统 |
CN107945118A (zh) * | 2017-10-30 | 2018-04-20 | 南京邮电大学 | 一种基于生成式对抗网络的人脸图像修复方法 |
CN107862668A (zh) * | 2017-11-24 | 2018-03-30 | 河海大学 | 一种基于gnn的文物图像复原方法 |
CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
CN108304858A (zh) * | 2017-12-28 | 2018-07-20 | 中国银联股份有限公司 | 对抗样本识别模型生成方法、验证方法及其系统 |
CN108305239A (zh) * | 2018-03-06 | 2018-07-20 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像的修复方法 |
CN108564527A (zh) * | 2018-04-04 | 2018-09-21 | 百度在线网络技术(北京)有限公司 | 基于神经网络的全景图内容补全和修复的方法及装置 |
CN108520503A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 |
CN108460830A (zh) * | 2018-05-09 | 2018-08-28 | 厦门美图之家科技有限公司 | 图像修复方法、装置及图像处理设备 |
CN108961174A (zh) * | 2018-05-24 | 2018-12-07 | 北京飞搜科技有限公司 | 一种图像修复方法、装置以及电子设备 |
CN108765338A (zh) * | 2018-05-28 | 2018-11-06 | 西华大学 | 基于卷积自编码卷积神经网络的空间目标图像复原方法 |
Non-Patent Citations (3)
Title |
---|
JIAHUI YU 等: "Generative Image Inpainting with Contextual Attention", 《CVPR 2018》 * |
MIAOLE HOU 等: "Novel Method for Virtual Restoration of Cultural Relics with Complex Geometric Structure Based on Multiscale Spatial Geometry", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
王旭东 等: "身份保持约束下的人脸图像补全", 《网络与信息安全学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640076A (zh) * | 2020-05-29 | 2020-09-08 | 北京金山云网络技术有限公司 | 一种图像补全方法、装置及电子设备 |
CN111640076B (zh) * | 2020-05-29 | 2023-10-10 | 北京金山云网络技术有限公司 | 一种图像补全方法、装置及电子设备 |
CN112767506A (zh) * | 2020-12-31 | 2021-05-07 | 维沃移动通信有限公司 | 图像处理方法、装置和电子设备 |
CN116777848A (zh) * | 2023-06-06 | 2023-09-19 | 北京师范大学 | 一种玉石器相似度分析方法及系统 |
CN116777848B (zh) * | 2023-06-06 | 2024-05-31 | 北京师范大学 | 一种玉石器相似度分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109727209B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109727209A (zh) | 一种确定残缺文物完整图像的方法及装置 | |
CN110163301A (zh) | 一种图像的分类方法及装置 | |
CN106780662B (zh) | 人脸图像生成方法、装置及设备 | |
CN108960314B (zh) | 基于难样本的训练方法、装置及电子设备 | |
WO2021169740A1 (zh) | 图像修复方法、装置、计算机设备及存储介质 | |
CN106067953A (zh) | 确定用于具有各种视场的多相机设备的镜头阴影校正的方法和装置 | |
CN108924420A (zh) | 图像拍摄方法、装置、介质、电子设备及模型训练方法 | |
US9426170B2 (en) | Identifying target customers to stem the flow of negative campaign | |
CN108040210A (zh) | 一种局部畸变的校正方法及移动终端和相关介质产品 | |
CN109086742A (zh) | 场景识别方法、场景识别装置及移动终端 | |
CN112634340A (zh) | 基于点云数据确定bim模型的方法、装置、设备和介质 | |
CN109101931A (zh) | 一种场景识别方法、场景识别装置及终端设备 | |
CN109660714A (zh) | 基于ar的图像处理方法、装置、设备及存储介质 | |
CN106027902A (zh) | 一种拍照方法及移动终端 | |
CN113436338A (zh) | 火灾现场的三维重建方法、装置、服务器及可读存储介质 | |
CN108509961A (zh) | 图像处理方法和装置 | |
CN110472087A (zh) | 一种表情图像推荐方法、装置、设备及介质 | |
CN108628442A (zh) | 一种信息提示方法、装置以及电子设备 | |
CN107133981B (zh) | 图像处理方法和装置 | |
CN109191544A (zh) | 一种贴纸礼物展示方法、装置、电子设备及存储介质 | |
CN104077768A (zh) | 一种鱼眼镜头径向畸变的标定方法及标定装置 | |
CN110287361A (zh) | 一种人物图片筛选方法及装置 | |
CN111638043B (zh) | 一种光学中心确定方法及装置 | |
CN109685015B (zh) | 图像的处理方法、装置、电子设备和计算机存储介质 | |
CN109413461A (zh) | 一种直播间的推荐方法及相关设备 |
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 |