CN113744148B - 一种碑刻书法图像去噪模型建立、去噪方法及系统 - Google Patents
一种碑刻书法图像去噪模型建立、去噪方法及系统 Download PDFInfo
- Publication number
- CN113744148B CN113744148B CN202110988561.7A CN202110988561A CN113744148B CN 113744148 B CN113744148 B CN 113744148B CN 202110988561 A CN202110988561 A CN 202110988561A CN 113744148 B CN113744148 B CN 113744148B
- Authority
- CN
- China
- Prior art keywords
- inscription
- handwriting image
- denoising
- noise
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000750 progressive effect Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000002679 ablation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像去噪领域,公开了一种碑刻书法图像去噪模型建立、去噪方法及系统,通过采集碑刻书法图像数据集,进行预处理和剪裁,构造对抗卷积神经网络并进行训练,获得碑刻书法图像去噪的多层卷积神经网络,利用训练所得到的碑刻书法图像特征对还有噪声的碑刻书法图像提取特征并进行去噪,最终得到去除噪声后的碑刻书法图像,本发明提供的方法通过对对抗卷积神经网络的改进,使用卷积长短期记忆体用于去噪网络更加关注于噪声的部分,并对损失函数进行了修改,使得网络能够获取更多的局部和全局特征,提高了基于多层对抗卷积神经网络的碑刻书法图像去噪方法的准确率。
Description
技术领域
本发明属于图像去噪领域,具体涉及一种碑刻书法图像去噪模型建立、去噪方法及系统。
背景技术
书法作品不仅是中国文化的重要载体,同时也传承着中华民族博大精深的文化底蕴,是中华民族独有的文化瑰宝。这些书法艺术作品中可以为研究历史上的人文历史提供宝贵的历史素材和依据,而在这些书法艺术作品中,绝大多数都是以碑刻为载体。然而由于成百上千年的人为或自然风化腐蚀等原因,现有的石碑大部分都受到了不同程度的毁坏,例如字体轮廓残缺、碑刻表面的污损等。过多的噪声一方面影响书法艺术的美感,另外一方面会破坏书法字体的结构,从而使字体难以辨别,严重影响字体识别。因此,对碑刻书法图像进行图像去噪是十分有必要的。
现有方案在对碑刻书法图像进行去噪时,主要的去噪算法的滤波技术有:均值滤波,中值滤波,非局部均值滤波,高斯滤波,维纳滤波,拉普拉斯金字塔滤波等。基于滤波的图像去噪技术比较适用于处理点状噪声的碑刻书法图像,在面对大范围的斑状噪声与划痕噪声该算法几乎失效。但是,目前大部分的基于滤波的图像去噪技术无法消除划痕噪声以及文字周边的斑状噪声且去噪后的碑刻书法图像图像的峰值信噪比较低,造成了修复准确率低以及修复效率低的结果。
发明内容
本发明的目的在于提供一种碑刻书法图像去噪模型建立、去噪方法及系统,用以解决现有技术中的图像去噪方法在对碑刻书法图像进行修复时存在的准确率低的问题。
为了实现上述任务,本发明采用以下技术方案:
一种碑刻书法图像去噪的模型建立方法,包括如下步骤:
步骤1:采集多幅含噪声的碑刻书法图像,对每幅碑刻书法图像进行裁剪,获得含噪声的碑刻书法图像样本集;
对碑刻书法图像样本集中的每一幅图像分别进行预处理和人工去噪,获得不含噪声的碑刻书法图像样本集;
步骤2:建立生成对抗网络,所述的多层对抗生成网络包括生成器和判别器,所述的生成器用于提取含噪声的碑刻书法图像的特征图进行去噪,所述的判别器用于对生成器输出的去噪结果进行评判获得评判参数,评判参数包括像素差异值和对抗损失值;
所述的生成器包括去噪自编解码器和多个渐进网络单元,所述的去噪自编解码器用于去除或减弱含噪声的碑刻书法图像的特征图中的噪声,所述的每个渐进网络单元用于生成不同关注度的噪声图,每个渐进网络单元的输入为前一个渐进网络单元的输出且最后一个渐进网络单元输出含噪声的碑刻书法图像的特征图;
其中,每个渐进网络单元包含了依次相连的6个残差网络、1个卷积长短期记忆体和1个卷积层,所述的去噪自编解码器包括多个卷积层、多个反卷积层和多个空洞卷积层,所述去噪自编解码器的卷积层之间存在跳跃连接;
步骤3:将含噪声的碑刻书法图像样本集作为训练集,将对应的不含噪声的碑刻书法图像样本集作为标签集,训练对抗生成网络,训练完成后获得碑刻书法图像去噪模型。
进一步的,步骤3进行训练时,采用式I作为损失函数LTotal:
LTotal=Lrecurrent+Lautoencoder+LAdversarial 式I
其中,Lrecurrent为循环网络损失,λi=0.6N-i,N是迭代总次数,i是当前迭代次数,i∈[1,N],Ai是第i次迭代生成的噪声图,M是循环网络中噪声图的二进制掩码,LMSE(Ai,M)是Ai和M之间的均方误差, Lautoencoder为精度损失和感知损失之和,LAdversarial为对抗损失。
一种碑刻书法图像去噪方法,包括如下步骤:
步骤一:获取待处理的碑刻书法图像并进行裁剪,获得待处理的碑刻书法图像样本;
步骤二:将碑刻书法图像样本输入任一种碑刻书法图像去噪的模型建立方法得到的碑刻书法图像去噪模型中,获得去噪后的碑刻书法图像。
一种碑刻书法图像去噪系统,该系统包括图像采集单元、碑刻书法图像去噪模型和输出单元;
所述的图像采集单元用于获取待处理的碑刻书法图像并进行裁剪,获得待处理的碑刻书法图像样本;
所述的碑刻书法图像去噪模型采用任一种碑刻书法图像去噪的模型建立方法获得;
所述的输出单元用于将碑刻书法图像样本碑刻书法图像去噪模型中,输出去噪后的碑刻书法图像。
本发明与现有技术相比具有以下技术特点:
(1)本发明提供的碑刻书法图像去噪模型建立及去噪方法中使用了卷积长短期记忆体实现了注意力机制,使得网络更加关注于图像中的噪声部分,从而提高了碑刻书法图像去噪的准确;
(2)本发明提供的碑刻书法图像去噪模型建立及去噪方法中通过在编解码器中增加了空洞卷积块,提高了特征提取的准确性,从而提高了碑刻书法图像去噪的准确率;并且在增大网络感受野的同时能降低所需的计算量,提高去噪的效率;
(3)本发明提供的书法碑刻图像去噪模型建立及去噪方法中通过对损失函数的修改与优化,使得网络能够获取更多的局部和全局特征,提高了基于多层对抗卷积神经网络的碑刻书法图像去噪方法的准确率。
附图说明
图1为本发明的一个实施例中提供的碑刻书法图像去噪模型中的整体网络结构示意图;
图2为本发明的一个实施例中提供的碑刻书法图像去噪模型中循环网络的结构示意图;
图3为本发明的一个实施例中提供的碑刻书法图像去噪模型中去噪编解码器的结构示意图;
图4为本发明的一个实施例中提供的待去噪的碑刻书法图像;
图5为本发明的一个实施例中对如图4所示的待去噪的碑刻书法图像的去噪结果图。
图6为本发明的一个实施例中获取的原始图像;
其中图6(a)为完整的图像,图6(b)、(c)、(d)分别为经过分割后的图像;
图7为本发明的一个实施例中含有噪声的图像。
具体实施方式
首先对本发明中出现的技术词语进行解释说明:
对抗卷积神经网络:采用了博弈论的思想,使用生成器和判别器相互博弈来进行自监督的人工神经网络。
卷积长短期记忆体(ConvLSTM):卷积长短期记忆体是长短期记忆体的一种变体,它不仅具有长短期记忆体的时序建模能力,而且还能像卷积神经网络一样刻画局部特征,具备时空特性。
残差网络(Residual Networks):残差单元可以以跳层连接的形式实现,即将单元的输入直接与单元输出加在一起,然后再激活。用于提取图像的特征。
空洞卷积(Dilated Convolution):在标准的卷积上注入空洞,达到在不大量增加参数的情况下增加感受野的一种卷积方式。
编码器与解码器:编码器负责提取数据特征并将特征映射到隐空间进行编码,解码器负责将隐空间的特征进行解码并还原数据分布。
判别器:判别器在对抗网络中作为生成器的“对手”,在整个对抗训练当中对生成器起到了监督的作用,判别器通过判别生成器生成数据的好坏,进而指导生成器调整自身参数生成更好的结果。
感知损失:用于计算参考的无噪声图像与噪声去除结果图像之间的全局差异。
精度损失:用于构建由噪声去除器生成的去噪图像与参考的无噪声图像之间的差异
对抗损失:由判别器给出的损失,负责指导生成器的参数调整。
实施例1
在本实施例中公开了一种碑刻书法图像去噪的模型建立方法,包括如下步骤:
步骤1:采集多幅含噪声的碑刻书法图像,对每幅碑刻书法图像进行裁剪,获得含噪声的碑刻书法图像样本集;
对碑刻书法图像样本集中的每一幅图像分别进行预处理和人工去噪,获得不含噪声的碑刻书法图像样本集;
步骤2:建立生成对抗网络,所述的多层对抗生成网络包括生成器和判别器,所述的生成器用于提取含噪声的碑刻书法图像的特征图进行去噪,所述的判别器用于对生成器输出的去噪结果进行评判获得评判参数,评判参数包括像素差异值和对抗损失值;
所述的生成器包括去噪自编解码器和多个渐进网络单元,所述的去噪自编解码器用于去除或减弱含噪声的碑刻书法图像的特征图中的噪声,所述的每个渐进网络单元用于生成不同关注度的噪声图,每个渐进网络单元的输入为前一个渐进网络单元的输出且最后一个渐进网络单元输出含噪声的碑刻书法图像的特征图;
其中,每个渐进网络单元包含了依次相连的6个残差网络、1个卷积长短期记忆体和1个卷积层,所述的去噪自编解码器包括多个卷积层、多个反卷积层和多个空洞卷积层,所述去噪自编解码器的卷积层之间存在跳跃连接;
步骤3:将含噪声的碑刻书法图像样本集作为训练集,将对应的不含噪声的碑刻书法图像样本集作为标签集,训练对抗生成网络,训练完成后获得碑刻书法图像去噪模型。
循环网络由多个渐进网络单元构成,每一个卷积LSTM作为一个迭代的渐进网络单元,当前的渐进网络单元将利用循环网络中前一个渐进网络单元的中间输出作为先验,并且在后续的渐进网络单元中迭代生成噪声图。循环网络中的渐进网络单元由6个ResidualNetworks、一个ConvLSTM单元以及一个卷积层构成。其中Residual Networks用来提取输入图像和上一层噪声图的特征;ConvLSTM单元将上一个渐进网络单元中的噪声位置信息与本单元提取的特征进行组合,并估计新的噪声位置,将其传递到下一个渐进网络单元中来生成噪声图,最后的卷积层是用来产生噪声图的。在循环网络中加入了注意力机制即卷积LSTM单元,让网络能够更有效的定位输入噪声图像中的噪声位置,使得去噪自编码器将注意力集中在那些噪声位置。
使用Residual Networks的优势是:避免了网络在训练过程中梯度消失和梯度爆炸的问题;残差块的存在避免了“网络退化”的问题。“网络退化”就是深层网络性能不如浅层网络。
渐进网络单元刚开始生成的噪声图不会关注到这个输入噪声图像的所有噪声区域,然而在后续的渐进网络单元中,生成的噪声图将逐渐覆盖所有的噪声区域。如图7所示,我们可以观察到在前三个渐进网络单元中生成的噪声图的示例,随着渐进网络单元的迭代,噪声图中噪声部分以红色标记的区域越来越精确。
去噪自编解码器用于去除图像噪声,去噪自编解码器将带有噪声的碑文图像与循环网络生成的噪声图结合在一起,用于生成噪声减弱后的图像甚至是不含噪声的干净图像。
具体的,步骤1中,碑刻书法图像是一个整体,是未经过分割的,通俗的说是通过相机拍摄的一个完整碑刻书法图像,剪裁是指将采集的书法图像按照 512x512的大小进行切分。如图所示,图6(a)为完整的图像,图6(b)、(c)、(d) 分别为经过分割后的图像。
具体的,步骤1中采用人工去噪的方式对碑刻书法图像样本集中的每一幅图像分别进行去噪。
具体的,如图3所示,所述的空洞卷积层包括多个串行的不同空洞率的空洞卷积块。
具体的,步骤3进行训练时,采用式I作为损失函数LTotal:
LTotal=Lrecurrent+Lautoencoder+LAdversarial 式I
其中,Lrecurrent为循环网络损失其定义为噪声图的二进制掩码与输出注意图之间的均方误差(MSE),λi=0.6N-i,N是迭代总次数, i是当前迭代次数,i∈[1,N],Ai是第i次迭代生成的噪声图,M是循环网络中噪声图的二进制掩码通过比较参考的真实的无阴影图像及其对应的阴影图像获得,LMSE(Ai,M)是Ai和M之间的均方误差,Lautoencoder为精度损失和感知损失之和,精度损失用于构建由噪声去除器生成的去噪图像与参考的无噪声图像之间的差异。MSE的值越小,噪声去除器的效果越理想。感知损失用于计算参考的无噪声图像与噪声去除结果图像之间的全局差异,LAdversarial为对抗损失,为对抗生成网络输出的去噪后碑刻书法图像与预处理后的不含有噪声的碑刻书法图像之间的对抗损失值。
具体的,本实施例中,其中,/>是由去噪编码器生成的去噪后的干净图像,Y对应的是参考的无噪声图像,/>是精度损失,是感知损失。/>用于构建由噪声去除器生成的去噪图像与参考的无噪声图像之间的差异。MSE的值越小,噪声去除器的效果越理想。/>用于计算参考的无噪声图像与噪声去除结果图像之间的全局差异。
具体的,本实施例中采用使用ImageNet数据集上的预训练好的VGG16 模型来提取图像特征,感知损失函数为:其中,/>和VGG(Y)是从VGG16模型提取的图像无噪声图像/>和噪声去除结果图像Y的特征。
具体的,本实施例中,其中G 表示生成器,D表示判别器,而D的输出代表输入图像是真实图像的概率,(X,Y) 是一一对应的噪声图像和干净图像的监督训练集。
本实施例还公开了一种碑刻书法图像去噪系统,该系统包括图像采集单元、碑刻书法图像去噪模型和输出单元;
所述的图像采集单元用于获取待处理的碑刻书法图像并进行裁剪,获得待处理的碑刻书法图像样本;
所述的碑刻书法图像去噪模型采用上述任一种碑刻书法图像去噪的模型建立方法获得;
所述的输出单元用于将碑刻书法图像样本碑刻书法图像去噪模型中,输出去噪后的碑刻书法图像。
实施例2
本实施例公开了一种碑刻书法图像去噪方法,执行步骤一到二对待去噪碑刻书法图像进行修复:
步骤一:获取待处理的碑刻书法图像并进行裁剪,获得待处理的碑刻书法图像样本;
步骤二:将碑刻书法图像样本输入上述任一种碑刻书法图像去噪的模型建立方法得到的碑刻书法图像去噪模型中,获得去噪后的碑刻书法图像。
在本实施例中,将图4所示的待去噪图像输入至碑刻书法图像去噪模型中,获得如图5所示的修复后的壁画图像,其中图4的修复结果为图5(a)。图7为本发明的一个实施例中含有噪声的图像,如7(a)所示,经过噪声检测器后生成的可视化的噪声图,如图7(b),图7(c),图7(d),图中点状部分为噪声区域。
在本实施例中,将本发明提供的去噪方法与现有技术中LPNet方法、Zhang 提出的方法以及CBDNet方法进行比较,在峰值信噪比PSNR、结构相似性 SSIM这两种衡量图像去噪效果的指标对比见表1,其中PSNR和SSIM其数值越大代表与原始图像相似程度越高。
表1本方法与传统方法对比
方法 | PSNR | SSIM |
LPNet | 24.76 | 0.955 |
Zhang | 29.66 | 0.975 |
CBDNet | 31.15 | 0.973 |
本方法 | 33.28 | 0.989 |
为了进一步说明本方法的有效性,还设计了消融实验,验证各模块中的存在的必要性。为了验证ConvLSTM模块是否可以提高模型的性能,我们训练了一个没有ConvLSTM层的网络进行消融实验。如表2所示,没有 ConvLSTM层的模型的去噪性能比我们的模型差很多,这直接验证了ConvLSTM层在循环网络中的有效性。表2显示了其平均PSNR和SSIM结果。为了验证空洞卷积在去噪自编码器中的有效性,我们还训练了一个由普通卷积和空洞卷积组成的网络进行对比实验。从表2可以发现,用空洞卷积代替普通卷积后,模型的去噪能力略有提高。
表2消融实验
方法 | PSNR | SSIM |
没有ConvLSTM模块 | 29.07 | 0.979 |
没有空洞卷积 | 32.64 | 0.988 |
本方法 | 33.28 | 0.989 |
Claims (4)
1.一种碑刻书法图像去噪的模型建立方法,其特征在于,包括如下步骤:
步骤1:采集多幅含噪声的碑刻书法图像,对每幅碑刻书法图像进行裁剪,获得含噪声的碑刻书法图像样本集;
对碑刻书法图像样本集中的每一幅图像分别进行预处理和人工去噪,获得不含噪声的碑刻书法图像样本集;
步骤2:建立生成对抗网络,多层对抗生成网络包括生成器和判别器,所述的生成器用于提取含噪声的碑刻书法图像的特征图进行去噪,所述的判别器用于对生成器输出的去噪结果进行评判获得评判参数,评判参数包括像素差异值和对抗损失值;
所述的生成器包括去噪自编解码器和多个渐进网络单元,所述的去噪自编解码器用于去除或减弱含噪声的碑刻书法图像的特征图中的噪声,每个渐进网络单元用于生成不同关注度的噪声图,每个渐进网络单元的输入为前一个渐进网络单元的输出且最后一个渐进网络单元输出含噪声的碑刻书法图像的特征图;
其中,每个渐进网络单元包含了依次相连的6个残差网络、1个卷积长短期记忆体和1个卷积层,所述的去噪自编解码器包括多个卷积层、多个反卷积层和多个空洞卷积层,所述去噪自编解码器的卷积层之间存在跳跃连接;
步骤3:将含噪声的碑刻书法图像样本集作为训练集,将对应的不含噪声的碑刻书法图像样本集作为标签集,训练对抗生成网络,训练完成后获得碑刻书法图像去噪模型。
2.如权利要求1所述的碑刻书法图像去噪的模型建立方法,其特征在于,步骤3进行训练时,采用式I作为损失函数LTotal:
LTotal=Lrecurrent+Lautoencoder+LAdversarial 式I
其中,Lrecurrent为循环网络损失,λi=0.6N-i,N是迭代总次数,i是当前迭代次数,i∈[1,N],Ai是第i次迭代生成的噪声图,M是循环网络中噪声图的二进制掩码,LMSE(Ai,M)是Ai和M之间的均方误差,Lautoencoder为精度损失和感知损失之和,LAdversarial为对抗损失。
3.一种碑刻书法图像去噪方法,其特征在于,包括如下步骤:
步骤一:获取待处理的碑刻书法图像并进行裁剪,获得待处理的碑刻书法图像样本;
步骤二:将碑刻书法图像样本输入如权利要求1或2中任一种碑刻书法图像去噪的模型建立方法得到的碑刻书法图像去噪模型中,获得去噪后的碑刻书法图像。
4.一种碑刻书法图像去噪系统,其特征在于,该系统包括图像采集单元、碑刻书法图像去噪模型和输出单元;
所述的图像采集单元用于获取待处理的碑刻书法图像并进行裁剪,获得待处理的碑刻书法图像样本;
所述的碑刻书法图像去噪模型采用如权利要求1或2中任一种碑刻书法图像去噪的模型建立方法获得;
所述的输出单元用于将碑刻书法图像样本碑刻书法图像去噪模型中,输出去噪后的碑刻书法图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988561.7A CN113744148B (zh) | 2021-08-26 | 2021-08-26 | 一种碑刻书法图像去噪模型建立、去噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988561.7A CN113744148B (zh) | 2021-08-26 | 2021-08-26 | 一种碑刻书法图像去噪模型建立、去噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744148A CN113744148A (zh) | 2021-12-03 |
CN113744148B true CN113744148B (zh) | 2023-10-20 |
Family
ID=78733115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110988561.7A Active CN113744148B (zh) | 2021-08-26 | 2021-08-26 | 一种碑刻书法图像去噪模型建立、去噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744148B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565540B (zh) * | 2022-04-30 | 2022-07-22 | 深圳市巨力方视觉技术有限公司 | 基于多路对照图像去噪用机器视觉集成系统 |
CN116051396B (zh) * | 2022-11-07 | 2023-07-21 | 中国矿业大学 | 一种基于特征增强网络和gru网络的图像去噪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393637A (zh) * | 2007-09-21 | 2009-03-25 | 张显俊 | 书画图像处理方法和设备 |
CN111260568A (zh) * | 2020-01-10 | 2020-06-09 | 西安理工大学 | 基于多辨别器对抗网络的碑帖二值化背景噪声去除方法 |
CN111260570A (zh) * | 2020-01-10 | 2020-06-09 | 西安理工大学 | 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法 |
CN111986112A (zh) * | 2020-08-19 | 2020-11-24 | 北京航空航天大学 | 一种软注意力机制的深度全卷积神经网络图像去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472249A (zh) * | 2018-11-22 | 2019-03-15 | 京东方科技集团股份有限公司 | 一种确定书写体优劣等级的方法及装置 |
-
2021
- 2021-08-26 CN CN202110988561.7A patent/CN113744148B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393637A (zh) * | 2007-09-21 | 2009-03-25 | 张显俊 | 书画图像处理方法和设备 |
CN111260568A (zh) * | 2020-01-10 | 2020-06-09 | 西安理工大学 | 基于多辨别器对抗网络的碑帖二值化背景噪声去除方法 |
CN111260570A (zh) * | 2020-01-10 | 2020-06-09 | 西安理工大学 | 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法 |
CN111986112A (zh) * | 2020-08-19 | 2020-11-24 | 北京航空航天大学 | 一种软注意力机制的深度全卷积神经网络图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
基于自适应流形滤波器的碑刻书法图像清晰化分析;赵顺;;自动化技术与应用(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113744148A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473154B (zh) | 一种基于生成对抗网络的图像去噪方法 | |
Yeh et al. | Multi-scale deep residual learning-based single image haze removal via image decomposition | |
CN113744148B (zh) | 一种碑刻书法图像去噪模型建立、去噪方法及系统 | |
CN109035163B (zh) | 一种基于深度学习的自适应图像去噪方法 | |
Zhang et al. | Self-supervised image denoising for real-world images with context-aware transformer | |
CN112488934B (zh) | 一种基于cs-tcgan的指静脉图像去噪方法 | |
CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
CN111127356A (zh) | 一种图像盲去噪系统 | |
CN111210394A (zh) | 一种基于深度分解合成网络的图像增强技术 | |
CN107292855B (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
CN116051396B (zh) | 一种基于特征增强网络和gru网络的图像去噪方法 | |
CN115272131B (zh) | 基于自适应多光谱编码的图像去摩尔纹系统及方法 | |
Piriyatharawet et al. | Image denoising with deep convolutional and multi-directional LSTM networks under Poisson noise environments | |
CN116703750A (zh) | 基于边缘注意力和多阶微分损失的图像去雾方法及系统 | |
CN116051407A (zh) | 一种图像修复方法 | |
CN114821580A (zh) | 一种分阶段融入去噪模块的含噪图像分割方法 | |
Lv | Scale parameter recognition of blurred moving image based on edge combination algorithm | |
CN112907456A (zh) | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 | |
Jiang et al. | CS-PCN: Context-Space Progressive Collaborative Network for Image Denoising | |
CN117152622B (zh) | 边界优化模型训练、边界优化方法、装置、设备及介质 | |
CN113435455B (zh) | 一种基于时空脉冲编码的图像轮廓提取方法 | |
Zhang et al. | Image Denoising Algorithm Based on Adaptive Singular Value Threshold |
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 |