CN116503294B - 基于人工智能的文物图像复原方法、装置及设备 - Google Patents
基于人工智能的文物图像复原方法、装置及设备 Download PDFInfo
- Publication number
- CN116503294B CN116503294B CN202310791365.XA CN202310791365A CN116503294B CN 116503294 B CN116503294 B CN 116503294B CN 202310791365 A CN202310791365 A CN 202310791365A CN 116503294 B CN116503294 B CN 116503294B
- Authority
- CN
- China
- Prior art keywords
- image
- restoration
- cultural relic
- denoising
- processing
- 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 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 80
- 239000012634 fragment Substances 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 4
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 241000258957 Asteroidea Species 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003672 processing method Methods 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T5/73—Deblurring; Sharpening
-
- 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]
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
本发明涉及图像智能处理技术领域,具体涉及基于人工智能的文物图像复原方法、装置及设备。该方法包括以下步骤:对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;将图像细化处理后的进行去噪处理,以获得消噪图像;利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。本发明通过上述处理首先对图片进行清晰化处理,然后再进行复原造成,能够减少复原处理的难度,保证复原处理后的清晰度。
Description
技术领域
本发明涉及图像智能处理技术领域,尤其涉及基于人工智能的文物图像复原方法、装置及设备。
背景技术
图像处理,用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。图像处理技术一般包括图像压缩,增强和复原,匹配、描述和识别3个部分。
随着人工智能的不断发展,计算机视觉的应用也越来越广泛。例如在产品检测流程越来越多的采用机器视觉检测方案,即利用图像处理方法对产品的图像进行分析,自动输出检测结果;但是在实际操作时,有很多生产厂家为了防伪,会在为产品拍摄的图片中添加水印,造成图像存在水印等像素损失区域。又例如图像在传输或者转码的过程中,可能会导致图存在缺损等像素损失区域,为了提高图像质量,就需要对图像进行处理,对像素损失区域进行补充,提升分辨率。又例如,照片在存储过程中,会由于氧化、脏污等造成的照片色调发生变化、缺损、脏污等情况导致在照片上存在像素损失区域,因此可以针对照片拍摄图像,并在拍摄的图像中进行图像复原。
现有技术在处理过程中直接将获取的图片输入至复原模型进行处理,由于图片内容年代久远本身质量不佳,导致复原的效果也不尽人意,为了解决该技术问题现提出一种基于人工智能的文物图像复原方法、装置及设备。
发明内容
为了解决上述现有技术中存在的技术问题,本发明提供了一种基于人工智能的文物图像复原方法、装置及设备。
为实现上述目的,本发明实施例提供了如下的技术方案:
第一方面,在本发明提供的一个实施例中,提供了基于人工智能的文物图像复原方法,该方法包括以下步骤:
对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;
将图像细化处理后的进行去噪处理,以获得消噪图像;
利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;
利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。
作为本发明的进一步方案,所述图像细化处理利用Hilditch算法、Rosenfeld算法、Pavlidis算法或Zhang-Suen算法进行细化处理。
作为本发明的进一步方案,所述将图像细化处理后文物图像的进行去噪处理,包括:
对所述文物图像进行PCA变换后进行去噪处理。
作为本发明的进一步方案,对所述文物图像进行PCA变换后进行去噪处理,包括:
将所述文物图像进行PCA变换以获得变换图像;
对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像;
对所述中间消噪图像进行PCA逆变换操作,以获得消噪图像。
作为本发明的进一步方案,所述将所述文物图像进行PCA变换以获得变换图像,包括:
将所述文物图像转化为空间向量,将空间向量进行PCA变换处理,获得变换图像。
作为本发明的进一步方案,所述对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像,包括:
利用K-SVD模型消除变换图像中的噪声,以获得中间消噪图像。
作为本发明的进一步方案,所述多尺度网络的模糊图像复原网络模型中残差模块采用端到端的训练方式。
作为本发明的进一步方案,所述图像复原模型为图像生成神经网络。
第二方面,在本发明提供的又一个实施例中,提供了基于人工智能的文物图像复原装置,该装置包括:图像细化处理模块、去噪模块、初步复原模块和复原模块。
所述图像细化处理模块,对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像。
所述去噪模块,将图像细化处理后的进行去噪处理,以获得消噪图像。
所述初步复原模块,利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像。
所述复原模块,利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。
第三方面,在本发明提供的又一个实施例中,提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器加载并执行所述计算机程序时实现基于人工智能的文物图像复原方法的步骤。
本发明提供的技术方案,具有如下有益效果:
本发明提供的基于人工智能的文物图像复原方法、装置及设备,该方法包括对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;将图像细化处理后的进行去噪处理,以获得消噪图像;利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;用图像复原模型对初步复原图像进行二次复原,以输出复原图像。本发明通过上述处理首先对图片进行清晰化处理,然后再进行复原造成,能够减少复原处理的难度,保证复原处理后的清晰度。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
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,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的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明一个实施例的基于人工智能的文物图像复原方法的流程图。
图2为本发明一个实施例的基于人工智能的文物图像复原方法中步骤S20的具体流程图。
图3为本发明一个实施例的基于人工智能的文物图像复原装置的结构框图。
图4为本发明一个实施例的一种电子设备的结构框图。
图中:图像细化处理模块-100、去噪模块-200、初步复原模块-300、复原模块400、处理器-501、通信接口-502、存储器-503、通信总线-504。
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清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
具体地,下面结合附图,对本发明实施例作进一步阐述。
请参阅图1,图1是本发明实施例提供的一种基于人工智能的文物图像复原方法的流程图,如图1所示,该基于人工智能的文物图像复原方法包括步骤S10至步骤S40。
S10、对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像。
在本发明的实施例中,如此进而能够去除文物边缘的冗余信息,使得边缘状态更加清晰,变化后续处理。
在本发明的实施例中,图像细化,一般指二值图像的骨架化的一种操作运算。细化是将图像的线条从多像素宽度减少到单位像素宽度过程的简称,一些文章经常将细化结果描述为“骨架化”、“中轴转换”和“对称轴转换”。
在步骤S10中,所述图像细化处理可以利用Hilditch算法、Rosenfeld算法、Pavlidis算法和Zhang-Suen算法等算法进行细化处理。上述算法的核心思想是通过循环遍历图像像素,根据规则判断像素是否删除,从而来达到细化图像的目的。其中Zhang-Suen算法迭代次数较少,执行速度较快、保持细化后曲线的连通性和无毛刺产生,非常适合模糊图像的细化处理。
S20、将图像细化处理后的进行去噪处理,以获得消噪图像;
在本发明的实施例中,所述将图像细化处理后文物图像的进行去噪处理,包括:
对所述文物图像进行PCA变换后进行去噪处理。
具体的,PCA变换也称霍特林变换或K-L变换,是一种基于信息量的正交线性变换,该变换主要是采用线性投影的方法将数据投影到新的坐标空间中,从而使得新的成分按信息星分布,第一主成分包含的信息量最大,变换后各主成分分量彼此不相关,且随着主成分编号的增加该分量包含的信息量减小。PCA变换后图像的信息主要集中在前几个主成分分量中,在变换域中丢弃信息量小的主成分分星,将原始的海星高光谱数据变换为少量的几个成分,在降低数据维数的同时,最大限度地保持了原始数据的信息。PCA广泛应用于图像压缩、图像增强、图像编码、随机噪声信号的去除及图像旋转等各种应用。
参见图2所示,在本发明实施例中,所述对所述文物图像进行PCA变换后进行去噪处理,包括:
S201、将所述文物图像进行PCA变换以获得变换图像;
所述将所述文物图像进行PCA变换以获得变换图像,包括:
将所述文物图像转化为空间矩阵,将空间矩阵进行PCA变换处理,获得变换图像。
将所述文物图像转化为空间矩阵,包括:
将文物图像采用M*N描述,其中文物图像中波段数量用P描述,则可以使用行、列数分别为P、M*N的矩阵来描述文物图像。
其中,所述空间矩阵为,空间矩阵/>的PCA变换采用如下公式:/>
式中,表示为/>,其中/>代表每个矢量的均值,/>的协方差矩阵用/>描述,利用该矩阵可求得特征值/>将其以降序形式排列,与/>相匹配的特征向量即可组成/>其中主成分数量用c描述;其中/>表示为变换图像。
S202、对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像;
所述对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像,包括:
利用K-SVD模型消除变换图像中的噪声,以获得中间消噪图像。
S203、对所述中间消噪图像进行PCA逆变换操作,以获得消噪图像。
所述对所述中间消噪图像进行PCA逆变换操作,通过如下公式进行:
式中,表示消噪图像。
本发明通过上述去噪,能够安全去除图像中噪声,并能够复原图像的颜色信息,清晰度也能够得到有效的改善。
S30、利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像。如此进而提高图像的清洗程度,使得S40能够在清洗状态下将缺失的图像复原,保证复原效果。采用多尺度网络的模糊图像复原网络模型处理能够解决图像复原技术中对模糊核和图像交替估计的过程而造成训练时长过长的问题。
所述多尺度网络的模糊图像复原网络模型中残差模块采用端到端的训练方式;确保不同阶段下的图像复原都能达到最优。
在本发明的实施例中,所述残差块结构包括通道注意力,用于自适应地调节各特征通道的权重。
在本发明的实施例中,在所述利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像,之前还包括:
S301、构建判别器D和生成器G;
S302、获取训练集T,并从所述训练集T中抽取n张模糊图片和对应的清晰图像,且分别组成模糊图像训练集E和对应的清晰图像集S;
S303、基于模糊图像训练集E所述生成器G生成清晰图像集F,并将清晰图像集F和清晰图像集S作为判别器D的输入,判别器D依次输出两组对应的置信度结果,并根据置信度结果生成清晰图像和生成图像;
S304、构建训练损失函数;
S305、将所述清晰图像和生成图像输入至判别器D中,利用梯度下降迭代更新各层网络的权重系数,优化训练损失函数,直到判别器D无法判断出输入的为清晰图像或生成图像;
S306、根据优化后的损失函数对生成器G进行训练;完成对多尺度网络的模糊图像复原网络模型的构建。而后就可以利用构建的多尺度网络的模糊图像复原网络模型对对消噪图像进行图像清晰处理。
S40、利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。
在本发明的实施例中,其中,所述图像复原模型包括:特征提取层以及特征复原层。
利用图像复原模型对初步复原图像进行二次复原,以输出复原图像,包括:
将初步复原图输入所述特征提取层;
使用所述特征提取层对所述初步复原图进行特征学习,并将指定特征提取层提取的中间特征向量,并保存;
使用所述特征复原层基于保存的中间特征向量对所述初步复原图进行特征补全,得到复原图像。如此进而能够全面的完成对图像的复原。
所述图像复原模型为图像生成神经网络,其为现有技术故不在此做过多描述。
本发明公开的方案对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;将图像细化处理后的进行去噪处理,以获得消噪图像;利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;用图像复原模型对初步复原图像进行二次复原,以输出复原图像。本发明通过上述处理首先对图片进行清晰化处理,然后再进行复原造成,能够减少复原处理的难度,保证复原处理后的清晰度。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,参见图3所示,在本发明的实施例中还提供了基于人工智能的文物图像复原装置,该装置包括图像细化处理模块100、去噪模块200、初步复原模块300和复原模块400。
所述图像细化处理模块100,对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像。
所述去噪模块200,将图像细化处理后的进行去噪处理,以获得消噪图像。
所述初步复原模块300,利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像。
所述复原模块400,利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。
在一个实施例中,参见图4所示,在本发明的实施例中还提供了一种电子设备,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的计算机程序时,执行所述的基于人工智能的文物图像复原方法,该处理器执行指令时实现上述方法实施例中的步骤:
S10、对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;
S20、将图像细化处理后的进行去噪处理,以获得消噪图像;
S30、利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;
S40、利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。
上述终端提到的通信总线可以是外设部件互连标准(PeripheralComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,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。
通信接口用于上述终端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(ApplicationSpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGate 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。
所述电子设备包括用户设备与网络设备。其中,所述用户设备包括但不限于电脑、智能手机、PDA等;所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中,所述电子设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他电子设备的交互操作来实现本发明。其中,所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
还应当进理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本发明的一个实施例中还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的步骤:
S10、对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;
S20、将图像细化处理后的进行去噪处理,以获得消噪图像;
S30、利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;
S40、利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本发明提供的一种基于人工智能的文物图像复原方法、装置及设备,该方法包括对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;将图像细化处理后的进行去噪处理,以获得消噪图像;利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;用图像复原模型对初步复原图像进行二次复原,以输出复原图像。本发明通过上述处理首先对图片进行清晰化处理,然后再进行复原造成,能够减少复原处理的难度,保证复原处理后的清晰度。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (5)
1.一种基于人工智能的文物图像复原方法,其特征在于,该方法包括:对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像;
将图像细化处理后的文物图像进行去噪处理,以获得消噪图像;
利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;
利用图像复原模型对初步复原图像进行二次复原,以输出复原图像;
所述图像细化处理利用Hilditch算法或Pavlidis算法或Rosenfeld算法或Zhang-Suen算法进行细化处理;
所述将图像细化处理后的文物图像进行去噪处理,包括:对所述文物图像进行PCA变换后进行去噪处理;
对所述文物图像进行PCA变换后进行去噪处理,包括:将所述文物图像进行PCA变换以获得变换图像;
对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像;
对所述中间消噪图像进行PCA逆变换操作,以获得消噪图像;
所述将所述文物图像进行PCA变换以获得变换图像,包括:将所述文物图像转化为空间向量,将空间向量进行PCA变换处理,获得变换图像;
所述对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像,包括:利用K-SVD模型消除变换图像中的噪声,以获得中间消噪图像。
2.如权利要求1所述的基于人工智能的文物图像复原方法,其特征在于,所述多尺度网络的模糊图像复原网络模型中残差模块采用端到端的训练方式。
3.如权利要求1所述的基于人工智能的文物图像复原方法,其特征在于,所述图像复原模型为图像生成神经网络。
4.一种基于人工智能的文物图像复原装置,其特征在于,该装置包括:图像细化处理模块、去噪模块、初步复原模块和复原模块;
所述图像细化处理模块,对采集的文物图像边缘进行图像细化处理,其中,所述文物图像为文物碎片的图像,所述图像细化处理利用Hilditch算法或Pavlidis算法或Rosenfeld算法或Zhang-Suen算法进行细化处理;
所述去噪模块,将图像细化处理后的文物图像进行去噪处理,以获得消噪图像,所述将图像细化处理后的文物图像进行去噪处理,包括:对所述文物图像进行PCA变换后进行去噪处理;
对所述文物图像进行PCA变换后进行去噪处理,包括:将所述文物图像进行PCA变换以获得变换图像;
对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像;
对所述中间消噪图像进行PCA逆变换操作,以获得消噪图像;
所述将所述文物图像进行PCA变换以获得变换图像,包括:将所述文物图像转化为空间向量,将空间向量进行PCA变换处理,获得变换图像;
所述对所述变换图像进行PCA域空间维消噪,以获得中间消噪图像,包括:利用K-SVD模型消除变换图像中的噪声,以获得中间消噪图像;
所述初步复原模块,利用多尺度网络的模糊图像复原网络模型对消噪图像进行图像清晰处理,获得初步复原图像;
所述复原模块,利用图像复原模型对初步复原图像进行二次复原,以输出复原图像。
5.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器加载并执行所述计算机程序时实现如权利要求1-3任一项所述的基于人工智能的文物图像复原方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310791365.XA CN116503294B (zh) | 2023-06-30 | 2023-06-30 | 基于人工智能的文物图像复原方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310791365.XA CN116503294B (zh) | 2023-06-30 | 2023-06-30 | 基于人工智能的文物图像复原方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503294A CN116503294A (zh) | 2023-07-28 |
CN116503294B true CN116503294B (zh) | 2024-03-29 |
Family
ID=87318812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310791365.XA Active CN116503294B (zh) | 2023-06-30 | 2023-06-30 | 基于人工智能的文物图像复原方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503294B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017094097A (ja) * | 2015-11-27 | 2017-06-01 | 株式会社東芝 | 医用画像処理装置、x線コンピュータ断層撮像装置及び医用画像処理方法 |
CN108921220A (zh) * | 2018-06-29 | 2018-11-30 | 国信优易数据有限公司 | 图像复原模型训练方法、装置及图像复原方法和装置 |
CN109934880A (zh) * | 2019-03-18 | 2019-06-25 | 广州欧科信息技术股份有限公司 | 基于人工智能的文物图像复原方法、装置和设备 |
CN112509001A (zh) * | 2020-11-24 | 2021-03-16 | 河南工业大学 | 一种多尺度和多特征融合的特征金字塔网络盲复原方法 |
CN116167945A (zh) * | 2023-03-10 | 2023-05-26 | 京东方科技集团股份有限公司 | 一种图像修复方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-30 CN CN202310791365.XA patent/CN116503294B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017094097A (ja) * | 2015-11-27 | 2017-06-01 | 株式会社東芝 | 医用画像処理装置、x線コンピュータ断層撮像装置及び医用画像処理方法 |
CN108921220A (zh) * | 2018-06-29 | 2018-11-30 | 国信优易数据有限公司 | 图像复原模型训练方法、装置及图像复原方法和装置 |
CN109934880A (zh) * | 2019-03-18 | 2019-06-25 | 广州欧科信息技术股份有限公司 | 基于人工智能的文物图像复原方法、装置和设备 |
CN112509001A (zh) * | 2020-11-24 | 2021-03-16 | 河南工业大学 | 一种多尺度和多特征融合的特征金字塔网络盲复原方法 |
CN116167945A (zh) * | 2023-03-10 | 2023-05-26 | 京东方科技集团股份有限公司 | 一种图像修复方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Product Form Evolutionary Design Integrated with TRIZ Contradiction Matrix;Shizhu Lu et al.;Mathematical Problems in Engineering;20220626;第2022卷;第1-12页 * |
利用生成对抗网络的人脸图像分步补全法;林椹尠 等;计算机科学;第48卷(第9期);第174-180页 * |
结合PCA 及字典学习的高光谱图像自适应去噪方法;汪浩然 等;计算机应用;20161210;第36卷(第12期);第3411-3417、3422页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503294A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | An efficient TVL1 algorithm for deblurring multichannel images corrupted by impulsive noise | |
Mahmoudi et al. | Fast image and video denoising via nonlocal means of similar neighborhoods | |
WO2020199478A1 (zh) | 图像生成模型训练方法、图像生成方法、装置、设备及存储介质 | |
CN112419184B (zh) | 一种综合局部信息和全局信息的空间注意力图像去噪方法 | |
CN110599387A (zh) | 一种自动去除图片水印的方法及装置 | |
Huang et al. | Two-step approach for the restoration of images corrupted by multiplicative noise | |
US20230252605A1 (en) | Method and system for a high-frequency attention network for efficient single image super-resolution | |
CN111738952A (zh) | 一种图像修复的方法、装置及电子设备 | |
CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
CN113592728A (zh) | 一种图像复原方法、系统、处理终端及计算机介质 | |
CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN110827212B (zh) | 基于交叠组合稀疏高阶全变分的图像复原方法 | |
Li et al. | Deep scale-aware image smoothing | |
CN113096032A (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
CN116503294B (zh) | 基于人工智能的文物图像复原方法、装置及设备 | |
CN117132503A (zh) | 一种图像局部高亮区域修复方法、系统、设备及存储介质 | |
CN116309158A (zh) | 网络模型的训练方法、三维重建方法、装置、设备和介质 | |
JP2021170284A (ja) | 情報処理装置及びプログラム | |
CN106897975B (zh) | 一种超立方体粒计算的图像去噪方法 | |
CN115205148A (zh) | 基于双路径残差网络的图像去模糊方法 | |
CN114943655A (zh) | 基于循环深度卷积生成对抗网络结构的图像修复系统 | |
CN108898557B (zh) | 图像恢复方法及装置、电子设备、计算机程序及存储介质 | |
CN114140340A (zh) | 图像数据的伪影处理方法及装置、存储介质、终端 |
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 |