CN112132916A - 一种利用生成对抗网络的篆刻作品定制化设计生成装置 - Google Patents
一种利用生成对抗网络的篆刻作品定制化设计生成装置 Download PDFInfo
- Publication number
- CN112132916A CN112132916A CN202010833531.4A CN202010833531A CN112132916A CN 112132916 A CN112132916 A CN 112132916A CN 202010833531 A CN202010833531 A CN 202010833531A CN 112132916 A CN112132916 A CN 112132916A
- Authority
- CN
- China
- Prior art keywords
- image
- seal
- font
- style
- digital image
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 73
- 238000013461 design Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000007639 printing Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000003860 storage Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Processing Or Creating Images (AREA)
- Document Processing Apparatus (AREA)
Abstract
本发明公开了一种利用生成对抗网络的篆刻作品定制化设计生成装置,包括通信连接的终端和服务器;所述服务器中存储有基于深度学习生成的风格化篆字字形数据;所述终端为用户提供篆刻作品的设计操作平台,用户通过设计操作平台编辑文字内容,从服务器下载文字内容对应的风格化篆字字形数据,同时通过设计操作平台编辑风格化篆字字形数据的设计风格,并生成满足设计风格的篆刻作品对应的印面图像,将印面图像发送至服务器存储。该篆刻作品定制化设计生成装置利用人工智能技术,让没有篆刻经验的用户也能通过电脑与手机上的简单交互实现个性化的篆刻印章定制生成。
Description
技术领域
本发明属于人工智能艺术和计算机辅助设计技术领域,具体涉及一种利用生成对抗网络的篆刻作品定制化设计生成装置。
背景技术
人工智能技术,特别是基于深度神经网络的图像风格迁移算法,已经被应用于艺术生成领域。由于汉字数目庞大与审美复杂,字库等汉字艺术与设计产品的制作成本高昂,利用人工智能技术生成字形可一定程度提升产品生产效率。基于深度学习的图像风格迁移模型,包括生成对抗网络(GAN)与变分自编码器(VAE)等,已经被用于汉字字形的生成。自2018年来,上述相关方法已经被逐步应用于汉字设计与工程实践中。例如阿里巴巴与汉仪合作推出的人工智能字体——阿里汉仪智能黑体,即使用了深度学习算法生成字形。
将深度神经网络应用于中文字体生成的方法主要处理规范的现代汉字,且以生成单字为目的。如申请号为201710908121.X的专利申请公开的一种基于深度神经网络的手写体中文字库自动生成方法,如申请号为201910670478.8的专利申请公开的一种基于单阶段少量样本学习的艺术字体自动生成方法。
篆刻是有着几千年悠久历史的汉字艺术形式,是将汉字与图形雕刻在印章上的技艺,篆刻印面上通常使用篆书等古文字,雕刻在石料、木料等制成的印章上。篆刻艺术相比于其他传统艺术形式费时费力,故在普及推广上存在巨大障碍。人工智能技术在提升篆刻创作效率,提升大众篆刻艺术认知具有着巨大潜力。
现有的篆刻印章定制化生成方法只产生印蜕图像,不产生实体印章。数控雕刻机可以完成雕刻任务,已被应用于包括石制印章在内的定制礼品制作,但当前尚无整合软硬件的篆刻定制系统。
已有的篆刻印蜕图像的定制生成方法还具有以下缺陷:一方面生成效果欠佳,使用固定几款电脑字库,风格呆板,布局效果生硬,与真正的篆刻作品差异很大;另一方面可定制性较低,用户交互功能简单、不够友好,无法通过较少的操作实现尽可能美观的定制效果。
篆书字形作为篆刻作品生成的基础,可通过印谱数字化或深度神经网络生成获得。当前,系统化整理不同风格篆刻单字的开放数据仍较为缺乏,且印谱数字化扫描后需要进一步处理才能变成可使用在篆刻印章设计上的图像。基于深度神经网络的汉字风格迁移技术在目前也几乎完全应用于结构较为固定的现代汉字,应用于结构多变的汉字古文字还未见于开放文献。
发明内容
本发明的目的就是提供一种利用生成对抗网络的篆刻作品定制化设计生成装置,利用人工智能技术,让没有篆刻经验的用户也能通过电脑与手机上的简单交互实现个性化的篆刻印章定制生成。
为实现上述发明目的,本发明提供以下技术方案:
一种利用生成对抗网络的篆刻作品定制化设计生成装置,包括通信连接的终端和服务器;
所述服务器中存储有基于深度学习生成的风格化篆字字形数据;
所述终端为用户提供篆刻作品的设计操作平台,用户通过设计操作平台编辑文字内容,并从服务器下载文字内容对应的风格化篆字字形数据,同时通过设计操作平台编辑风格化篆字字形数据的设计风格,并生成满足设计风格的篆刻作品对应的印面图像,并将印面图像发送至服务器存储。
与现有技术相比,本发明具有的有益效果为:
篆刻作品定制化设计生成装置具有软硬件贯通、可定制性高、操作简单的特点。对无篆刻经验的用户而言,通过该篆刻作品定制化设计生成装置设计并生成的印章的钤印效果与同风格的人工作品难以分辨。
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做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明提供的利用生成对抗网络的篆刻作品定制化设计生成装置的结构示意图;
图2是本发明提供的标准字图像和风格字图像的预处理流程图;
图3是本发明提供的基于深度学习生成的风格化篆字图像示意图;
图4~6是本发明提供的终端提供的设计操作平台的示意图;
图7是本发明提供的生成的篆刻作品的示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
如图1所示,实施例提供了一种利用生成对抗网络的篆刻作品定制化设计生成装置,包括终端和服务器终端和服务器之间通信连接,可以实现数据和信号通信。其中,服务器用于存储基于深度学习生成的风格化篆字字形数据,终端可以为客户端(如iOS设备上的app)与浏览器端,为用户提供篆刻作品的设计操作平台,
用户通过设计操作平台编辑文字内容,并从服务器下载文字内容对应的风格化篆字字形数据,同时通过设计操作平台编辑风格化篆字字形数据的设计风格,并生成满足设计风格的篆刻作品对应的印面图像,将印面图像发送至服务器存储。
在篆刻领域,篆刻字典与印谱是获得大量篆刻用字的主要来源。其中,篆刻字典是标准字数据集的主要来源,标准字主要提供汉字结构信息;印谱是风格字数据集的主要来源,风格字主要供汉字风格信息。标准字数据集与风格字数据集的来源并不是绝对的,只要能覆盖某种书体较大字符集的单一风格字数据集即都可以作为为标准字集使用。
数字化所得标准字数据集存在着风格单调的问题,而风格字数据集又无法覆盖较大的汉字字符集。为了解决这一问题,实施例采用深度学习来具有不同风格的风格化单字,深度学习方法可以完成若干任务,通过端到端的字形风格迁移、骨架渲染、利用构造数据的字形风格化,从而产出能覆盖较大字符集的风格化篆字字形数据集合。该些风格化篆字字形数据可以满足用户在线印面图像的设计。
实施例中,基于深度学习生成的风格化篆字字形数据包括:
首先,基于深度学习生成的风格化篆字图像;
然后对风格化篆字图像进行矢量图参数化方法分析,得到骨架点集合和偏移向量集合,并将骨架点集合和偏移向量集合作为风格化篆字字形数据以JSON文件进行存储。总体来说,实施例基于条件对抗生成网络(conditional generative adversarial network,C-GAN)构建的图像转换模型进行深度学习来生成风格化篆字图像。图像转换模型可以是pix2pix或zi2zi以及其改进模型。图像转换模型以配对的图像作为输入,训练所得图像转换模型可将一类图像转换为另一类图像。即有A类图像与B类图像,作为训练集的A类与B类中的图像是一一对应的,模型学习将A类图像转化为B类图像,在遇到新的A类图像作为输入时,图像转换模型可在未知对应B类图像的情况下生成对应的B类图像。本实施例中,通过设定A类与B类为不同的字形图像数据集实现各项风格化篆字图像生成任务,产生更多的风格化篆字字形。以下实施例中,标准字图像、风格字图像、坚硬字图像、柔软字图像统称为字形图像。
一种实施方式中,基于深度学习生成的风格化篆字图像包括:
以包含生成器和判别器的条件对抗生成网络作为图像转换模型;具体可以采用zi2zi作为图像转换模型;
通过文字信息匹配标准字图像与风格字图像,将匹配的标准字图像与风格字图像作为训练样本,输入至图像转换模型中进行训练,使标准字学习风格字的风格以实现字形的风格迁移,应用时,将标准字图像输入至训练好的生成器中,预测生成风格字图像作为风格化篆字图像。
本实施例中,标准字图像和风格字图像分别来自于篆刻字典和印谱。需要对篆刻字典和印谱进行分别预处理,得到标准字图像和风格字图像。如图2所示,具体过程为:
扫描篆刻字典的页面,得到字典页面图像,采用图像处理算法,从字典页面图像中裁切分割出单字子图像和文本信息,并需要对分割出的单字子图像进行自动纠偏处理,采用光学字符识别(OCR)工具将文本信息转换为计算机能够读取处理的文本,成为与单字子图像相匹配的文本标签,然后对自动纠偏处理后的单字子图像进行降噪、标准化色彩和大小处理,得到标准字图像。
扫描印谱的页面,得到印谱页面图像,采用图像处理算法,从印谱页面图像中裁切分割出印蜕图像和文本信息,并需要对分割出的印蜕图像进行自动纠偏处理,采用光学字符识别(OCR)工具将文本信息转换为计算机能够读取处理的文本,成为与印蜕图像相匹配的文本标签,然后通过众包打标的方式将印蜕图像中的单字用多边形圈出以实现打标单字,根据框选多边形将印蜕图像的单字分割裁剪出来,最后,裁剪出来的单字子图像进行降噪、标准化色彩和大小处理,得到风格字图像。
本实施例中,通过裁切分割出单字子图像和印蜕图像时,须根据书籍排版特点编码。一般来说,裁切依据图像在水平和垂直方向的像素累加统计值判断,在累加统计值出现突变的位置确定页面中的单字子图像、印蜕图像与文本信息的边界。文本信息一般都具有印面文字内容,有时还包括出处、作者、时代、风格等信息,该文本信息主要提供文本标签。
本实施例中,针对裁剪得到的单字子图像、印蜕图像与文本信息图,可以采用直线段查找算法霍夫变换纠偏。使用Canny边缘检测算法计算字形图像的轮廓,再在轮廓图像上应用霍夫变换,在霍夫空间上介于-5°与+5°强度最强的直线倾角将被认为是偏斜图像的偏斜倾角。旋转相应的偏斜角度,即可图像的自动纠偏。
获得的字形图像还存在着大小、色彩不统一的问题,有时也需要使同一字集内的字形图像粗细统一。实施例中采用色彩标准化方式进行色彩统一,在色彩标准化处理时,字形图像会被统一处理成黑白二值图,通常,该二值图的分辨率要高于原始分辨率,以尽可能多地保留信息。实施例中采用数学形态学方法和/或矢量图参数化方法进行字体大小和笔画粗细调整处理。
将缩放等变形简单地应用于字形时,往往会在改变结构特性的同时改变笔画形状;例如,将汉字字形水平压缩后,字形变窄的同时竖画也会变细。有鉴于此,本实施例采用数学形态学方法和/或矢量参数化建模的方法控制字形变形,将对结构与笔形的变形操纵分开。该方法在发明中应用在了多种场景,包括:字形图像在输入图像转换模型之前,字体大小与粗细的改变与统一、用偏旁部首拼出数据集中缺失的字形图像、用户在设计操作平台进行个性化定制时对单字样貌与印面布局的调整修改。
其中,采用数学形态学方法进行字体大小和笔画粗细调整包括:
将字形图像进行骨骼化(skeletonize)处理得到尺寸不变的骨骼图S,同时对字形图像进行中轴变换(medial axis)得到图像内各点与字形轮廓的最近距离,组成尺寸不变的最近距离分布图D,通过修改对骨骼图S和最近距离分布图D的尺寸变换实现字体大小和笔画粗细调整。
在获得的骨骼图S和最近距离分布图D的基础上,可通过简单的图像算法还原为原字形图像,具体过程为,首先遍历骨骼图S上的所有骨架点,由于骨骼图S和最近距离分布图D尺寸相等,均与字形图像相等,在最近距离分布图D中查找骨架点所在位置处的值d,并以骨架点所在位置为圆心,以值d为半径画圆盘,所有圆盘的叠加即为原字形图像。对骨骼图S与最近距离分布图D的操纵,可实现对字形图像的结构与笔形分别变化。例如改变字形大小同时不改变粗细,可将骨骼图S与最近距离分布图D二者均缩放至目标大小,再将二者还原回字形图像;又如加粗或减细字形,可将最近距离分布图D倍乘一个数值,再还原来实现。
基于图像的数学形态学方法的字形操纵过程,每次都需要重新计算骨架图与到轮廓的最近距离分布图,算力开销较大。因此本发明在此基础上提出矢量参数化方法来实现字体变形,具有存储效率高、在B/S体系应用中相对于图像传输速度更快的优点。该矢量参数化方法可看作是数学形态学方法在图像轮廓上采样的结果。
其中,采用矢量图参数化方法进行字体大小和笔画粗细调整包括:
对字形图像进行多边形拟合,得到字体的多边形轮廓节点集合C={c1,c2,…,cn},同时对字形图像进行骨骼化处理,并记录距离多边形轮廓节点对应的最近距离的骨架点,组成骨架点集合S={s1,s2,…,sn},根据多边形轮廓点集合与骨架点集合差值得到节点在骨架点上的偏移向量集合O={oi|oi=ci-si,i=1,2,…,n},通过对骨架点集合和偏移向量集合的尺寸变换实现字体大小和笔画粗细调整。
轮廓节点顺序与所属轮廓会被预先保存,轮廓节点集总是能被还原回字形图像。举例来说,使用矢量图参数化方法改变字形大小同时不改变粗细,可将骨架点集合S缩放至目标大小,偏移向量集合O不改变。又如加粗活减细字形,可将偏移向量集合O倍乘一个数值实现。数学形态学方法和矢量图参数化方法中均可引入了可调整的参数,这些参数可以在设计操作平台由用户自行更改。
以匹配的标准字图像与风格字图像组成训练样本输入至图像转换模型中,利用图像转换模型采用端到端的字形风格迁移,可以将相对较小的风格字数据集扩充成较大的风格字数据集。
另外一种实施方式中,基于深度学习生成的风格化篆字图像包括:
以包含生成器和判别器的条件对抗生成网络作为图像转换模型,具体可以采用pix2pix模型作为图像转换模型;
对风格字图像进行骨架提取获得骨架图,将风格字图像和对应的骨架图作为训练样本,输入至图像转换模型中进行训练,学习风格字的笔画信息以实现骨架渲染,应用时,将骨架图输入至训练好的生成器中,预测生成的风格字图像作为风格化篆字图像。
本实施例中,输入图像转换模型中训练样本的骨架图通过对风格字图像骨骼化得到。将风格字图像和对应的骨架图组成训练样本时输入至图像转换模型进行骨骼渲染过程,实际上是骨架图保留了了字的结构信息,让模型学习风格字的笔画信息,该过程相比于端到端的字形风格迁移,骨架渲染任务实现的效果更加稳定。
在另外一个实施方式中,基于深度学习生成的风格化篆字图像包括:
以包含生成器和判别器的条件对抗生成网络作为图像转换模型,具体可以采用pix2pix模型作为图像转换模型;
对坚硬字图像进行劣化处理得到柔软字图像,将坚硬字图像和对应的柔软字图像作为训练样本,输入至图像转换模型进行训练,实现字形风格化,应用时,将柔软字图像输入至训练好的生成器中,预测生成坚硬字图像作为风格化篆字图像。
坚硬字图像是指具有棱角方方正正的字体形成的图像,例如像黑体字为坚硬字。柔软字图像是字体的棱角不鲜明,比较柔软的字体形成的图像。
坚硬字和柔软字是数据构造出来的风格化字体,可以通过图像转换模型来实现字体构造,使用构造数据风格化字形的方法可让模型渲染标准字产出全新目标风格。在这一任务下,坚硬字和柔软字都是构造而来的,柔软字到坚硬字的对应关系应类似于标准字到风格字的对应关系。构造柔软字与坚硬字不必须使用篆刻相关数据集,坚硬字图像和柔软字图像可来自于不同的风格字形图像,也可来自于单一风格字形图像的处理前与处理后,通常这一处理是实现简单而逆向实现困难的传统图像处理算法,即对坚硬字进行劣化处理或者边缘平滑处理即可以得到柔软字。例如可以采用以下过程:对坚硬字图像依次进行高斯模糊处理和二值化处理得到柔软字图像。
上述骨骼化操作一般由多种图像处理算法组合实现:字形图像会首先使用高斯滤波平滑,转换为二值图后,使用一种经典的形态学骨骼化算法提取骨架得到骨架图,可以采用张法(Zhang’s skeletonize method)提取骨架得到骨架图。此时得到的骨架图会经过进一步的剪枝处理。具体地,使用形态学hit-or-miss方法查找骨架交叉点,将交叉点从骨架图像中去除,在去除交叉点的骨架图像上查找过短线段,将这些线段从原骨架图去除,即可实现骨架图的剪枝处理。
本实施例中,为了方便服务器生成印面图像,对于生成的风格化篆字图像进行数学形态学方法和/或矢量图参数化方法分析,得到骨架图、最近距离分布图、骨架点集合和偏移向量集合,并以JSON格式存储到数据库中,即通过骨架图、最近距离分布图、骨架点集合和偏移向量集合实现对字形图像的存储。
终端为用户提供篆刻作品的设计操作平台,允许用户通过设计操作平台自定义篆刻作品的设计风格,该设计风格包括朱白文、字体风格、字体样貌、印面布局,其中,字体样貌包括字体大小、笔画粗细以及结构松散;印面布局包括间隙、间距、边距、框线与均衡(笔画在印面上分布的匀称程度)。
如图4所示,终端提供的设计操作平台化具有查看参考字、利用偏旁部首拼字功能,用户通过该查看参考字、利用偏旁部首拼字功能实现参考子查看和利用偏旁部首拼字拼成文字内容。
终端接收用户输入的文字内容自动转换为对应的繁体字后,并从服务器下载文字内容对应的风格化篆字字形数据(也就是以JSON格式存储的风格化篆字字形数据包含的骨架点集合和偏移向量集合),用户通过设计操作平台切换选择朱白文、切换选择字体风格、修改文字样貌与印面布局形成设计风格,如图5和6所示,根据字体样貌内容采用数学形态学方法和/或矢量图参数化方法对风格化篆字字形数据进行调整,最后生成满足的设计分割的印面图像以可视化呈现,如图7所示。通过该过程可以实现印面图像的实时生成和可视化,满足用户的设计需求和设计体验感。
本实施例中,通过修改字体样貌中字体大小、笔画粗细以及结构松散调整参数实现对字体样貌调节,用户改变调节参数时,终端会向服务器请求相应参数下变形后的字形拼成印面,或在终端用先前请求的数据直接完成字形形变拼成印面。参数调整拼合出的印面可使用笔刷涂画,自由修改细节。最终的产生印面图像可选择保存或分享,也可发送到雕刻机产生实体印章。
生成的印面图像在经过二值化与反转处理,可通过网络传输至连接有数控雕刻机的计算设备,这一计算设备通常是PC或具有网络模块的嵌入式设备。根据预设的雕刻机参数,印面图像在设备上会被转换为刀具路径,产生加工所需的G代码。在雕刻机装入待加工的物料后,雕刻过程启动进行雕刻,形成篆刻作品。雕刻结果的钤印效果与印面设计效果在加工精度内可保持一致。
篆刻作品定制化设计生成装置实现为B/S与C/S体系软件,终端用户交互与绘制任务,服务端储存数据与管理用户。Web端使用Vue.js框架实现,iOS端使用Swift实现,二者共用一个.Net Core实现的服务端程序,服务端程序实现了一个RESTful API,终端与浏览器使用HTTP通信。Web端实现了响应式布局,从而能够在手机与PC等多种平台上有着良好的交互体验。用户在使用该装置时,首先输入需要定制的文字内容,输入文字会按照终端中存储的一份简繁对照表转换为相应的繁体字。随后,用户选择要定制的印章风格,终端将向服务器请求定制文字内容与定制印章风格所对应的风格字形JSON文件。在用户交互式调整参数设计印面时,字形JSON的数值改变,改变导致的字形与布局变化会实时绘制在界面上,绘制算法使用平台相关的开发语言实现。在用户提交实体定制后,绘制的画布可转换为图像上传至服务端。
在将用户提交的定制图像雕刻为实体印章的过程中,连接有数控雕刻机的计算机从服务器下载图像数据,利用Python实现的CAM工具,将图像数据转换为轮廓,再根据预设的加工大小、刀具,产生向内清除区域的刀路,再按照规则转换为G代码。G代码可控制雕刻机运行,在装入物料,开始加工后,经过约10分钟的加工,可最终产生用户定制篆刻印章的实体。
上述篆刻作品定制化设计生成装置具有软硬件贯通、可定制性高、操作简单的特点。对无篆刻经验的用户而言,通过该篆刻作品定制化设计生成装置设计并生成的印章的钤印效果与同风格的人工作品难以分辨。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,包括通信连接的终端和服务器;
所述服务器中存储有基于深度学习生成的风格化篆字字形数据;
所述终端为用户提供篆刻作品的设计操作平台,用户通过设计操作平台编辑文字内容,并从服务器下载文字内容对应的风格化篆字字形数据,同时通过设计操作平台编辑风格化篆字字形数据的设计风格,并生成满足设计风格的篆刻作品对应的印面图像,将印面图像发送至服务器存储。
2.如权利要求1所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,所述基于深度学习生成的风格化篆字字形数据包括:
首先,基于深度学习生成的风格化篆字图像;
然后,对风格化篆字图像进行矢量图参数化方法分析,得到骨架点集合和偏移向量集合,并将骨架点集合和偏移向量集合作为风格化篆字字形数据以JSON文件进行存储。
3.如权利要求1所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,基于深度学习生成的风格化篆字图像包括:
以包含生成器和判别器的条件对抗生成网络作为图像转换模型;
通过文字信息匹配标准字图像与风格字图像,将匹配的标准字图像与风格字图像作为训练样本,输入至图像转换模型中进行训练,使标准字学习风格字的风格以实现字形风格迁移,应用时,将标准字图像输入至训练好的生成器中,预测生成风格字图像作为风格化篆字图像;和/或,
对风格字图像进行骨架提取获得骨架图,将风格字图像和对应的骨架图作为训练样本,输入至图像转换模型中进行训练,学习风格字的笔画信息以实现骨架渲染,应用时,将骨架图输入至训练好的生成器中,预测生成的风格字图像作为风格化篆字图像;和/或,
对坚硬字图像进行劣化处理得到柔软字图像,将坚硬字图像和对应的柔软字图像作为训练样本,输入至图像转换模型进行训练,实现字形风格化,应用时,将柔软字图像输入至训练好的生成器中,预测生成坚硬字图像作为风格化篆字图像;
所述标准字图像、风格字图像、坚硬字图像、柔软字图像统称为字形图像。
4.如权利要求3所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,字形图像输入至图像转换模型之前,采用数学形态学方法和/或矢量图参数化方法进行字体大小和笔画粗细调整处理。
5.如权利要求4所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,采用数学形态学方法进行字体大小和笔画粗细调整包括:
将字形图像进行骨骼化处理得到尺寸不变的骨骼图,同时对字形图像进行中轴变换得到图像内各点与字形轮廓的最近距离,组成尺寸不变的最近距离分布图,通过修改对骨骼图和最近距离分布图的尺寸变换实现字体大小和笔画粗细调整。
6.如权利要求2或4所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,采用矢量图参数化方法进行字体大小和笔画粗细调整包括:
对字形图像进行多边形拟合,得到字体的多边形轮廓点集合,同时对字形图像进行骨骼化处理,并记录距离多边形轮廓点对应的最近距离的骨架点,组成骨架点集合,根据多边形轮廓点集合与骨架点集合差值得到节点在骨架点上的偏移向量集合,通过对骨架点集合和偏移向量集合的尺寸变换实现字体大小和笔画粗细调整。
7.如权利要求1所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,所述设计风格包括朱白文、字体风格、字体样貌、印面布局,其中,字体样貌包括字体大小、笔画粗细以及结构松散。
8.如权利要求1所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,终端接收用户输入的文字内容自动转换为对应的繁体字后,并从服务器下载文字内容对应的风格化篆字字形数据,用户通过设计操作平台切换选择朱白文、切换选择字体风格、修改文字样貌与印面布局形成设计风格,并根据文字样貌内容采用数学形态学方法和/或矢量图参数化方法对风格化篆字字形数据进行调整,最后生成满足的设计风格的印面图像以可视化呈现。
9.如权利要求8所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,终端提供的设计操作平台化具有查看参考字、利用偏旁部首拼字功能,用户通过该查看参考字、利用偏旁部首拼字功能实现参考字查看和利用偏旁部首拼字拼成文字内容。
10.如权利要求1所述的利用生成对抗网络的篆刻作品定制化设计生成装置,其特征在于,生成的印面图像在经过二值化与反转处理后,可通过网络传输至连接有数控雕刻机的计算设备,根据预设的雕刻机参数,印面图像在设备上会被转换为刀具路径,产生加工所需的G代码,在雕刻机装入待加工的物料后,雕刻过程启动进行雕刻,形成篆刻作品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833531.4A CN112132916B (zh) | 2020-08-18 | 2020-08-18 | 一种利用生成对抗网络的篆刻作品定制化设计生成装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833531.4A CN112132916B (zh) | 2020-08-18 | 2020-08-18 | 一种利用生成对抗网络的篆刻作品定制化设计生成装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132916A true CN112132916A (zh) | 2020-12-25 |
CN112132916B CN112132916B (zh) | 2023-11-14 |
Family
ID=73850396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833531.4A Active CN112132916B (zh) | 2020-08-18 | 2020-08-18 | 一种利用生成对抗网络的篆刻作品定制化设计生成装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132916B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807430A (zh) * | 2021-09-15 | 2021-12-17 | 网易(杭州)网络有限公司 | 模型训练的方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268526A (zh) * | 2014-09-25 | 2015-01-07 | 北京航空航天大学 | 一种汉字图片匹配与变形方法 |
CN107092917A (zh) * | 2017-03-24 | 2017-08-25 | 北京大学 | 一种基于流形学习的汉字笔画自动提取方法 |
CN107644006A (zh) * | 2017-09-29 | 2018-01-30 | 北京大学 | 一种基于深度神经网络的手写体中文字库自动生成方法 |
CN109635883A (zh) * | 2018-11-19 | 2019-04-16 | 北京大学 | 基于深度堆叠网络的结构信息指导的中文字库生成方法 |
CN110969681A (zh) * | 2019-11-29 | 2020-04-07 | 山东浪潮人工智能研究院有限公司 | 一种基于gan网络的手写体书法文字生成方法 |
CN111242241A (zh) * | 2020-02-17 | 2020-06-05 | 南京理工大学 | 刻蚀字符识别网络训练样本增广方法 |
-
2020
- 2020-08-18 CN CN202010833531.4A patent/CN112132916B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268526A (zh) * | 2014-09-25 | 2015-01-07 | 北京航空航天大学 | 一种汉字图片匹配与变形方法 |
CN107092917A (zh) * | 2017-03-24 | 2017-08-25 | 北京大学 | 一种基于流形学习的汉字笔画自动提取方法 |
CN107644006A (zh) * | 2017-09-29 | 2018-01-30 | 北京大学 | 一种基于深度神经网络的手写体中文字库自动生成方法 |
CN109635883A (zh) * | 2018-11-19 | 2019-04-16 | 北京大学 | 基于深度堆叠网络的结构信息指导的中文字库生成方法 |
CN110969681A (zh) * | 2019-11-29 | 2020-04-07 | 山东浪潮人工智能研究院有限公司 | 一种基于gan网络的手写体书法文字生成方法 |
CN111242241A (zh) * | 2020-02-17 | 2020-06-05 | 南京理工大学 | 刻蚀字符识别网络训练样本增广方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807430A (zh) * | 2021-09-15 | 2021-12-17 | 网易(杭州)网络有限公司 | 模型训练的方法、装置、计算机设备及存储介质 |
CN113807430B (zh) * | 2021-09-15 | 2023-08-08 | 网易(杭州)网络有限公司 | 模型训练的方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112132916B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510456B (zh) | 基于感知损失的深度卷积神经网络的草图简化方法 | |
CN106384094B (zh) | 一种基于书写风格建模的中文字库自动生成方法 | |
CN108090400B (zh) | 一种图像文本识别的方法和装置 | |
CN103942552B (zh) | 一种基于骨架指导的文字图像矢量化方法及系统 | |
CN113128449A (zh) | 用于人脸图像处理的神经网络训练、人脸图像处理方法及装置 | |
CN110570481A (zh) | 基于风格迁移的书法字库自动修复方法及系统 | |
US11288499B2 (en) | Interactive method for generating strokes with Chinese ink painting style and device thereof | |
US11386589B2 (en) | Method and device for image generation and colorization | |
CN1998023A (zh) | 用于绘制组合字形的区域的方法 | |
Tian et al. | Kaokore: A pre-modern japanese art facial expression dataset | |
Coustaty et al. | Towards historical document indexing: extraction of drop cap letters | |
CN112784531B (zh) | 一种基于深度学习和部件拼接的中文字形及字库生成方法 | |
CN110599393A (zh) | 图片风格转换方法、装置、设备及计算机可读存储介质 | |
Sasaki et al. | Learning to restore deteriorated line drawing | |
Kang et al. | A unified scheme for adaptive stroke-based rendering | |
CN112132916B (zh) | 一种利用生成对抗网络的篆刻作品定制化设计生成装置 | |
US20220108505A1 (en) | Generating digital image editing guides by determining and filtering raster image content boundaries | |
He et al. | WordArt Designer: User-Driven Artistic Typography Synthesis using Large Language Models | |
CN116361502B (zh) | 一种图像检索方法、装置、计算机设备及存储介质 | |
Zhang et al. | A fast solution for Chinese calligraphy relief modeling from 2D handwriting image | |
KR100856775B1 (ko) | 필기 데이터 기반 사용자 특화 필체 제공 시스템 | |
Zhang et al. | Visual knowledge guided intelligent generation of Chinese seal carving | |
CN114565702A (zh) | 文本图像生成方法、装置及电子设备 | |
CN112200158B (zh) | 训练数据生成方法及系统 | |
CN114861595A (zh) | 一种基于矢量线条变换的个性字体生成方法 |
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 |