[發(fā)明專利]一種基于GNN的文物圖像復(fù)原方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711189780.9
• 申請(qǐng)日: 2017-11-24
• 公開（公告）號(hào): CN107862668A
• 公開（公告）日: 2018-03-30
• 發(fā)明（設(shè)計(jì)）人: 儲(chǔ)榮
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06T7/10;G06T3/40
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙)32204
• 代理人: 李玉平

1.一種基于GNN的文物圖像復(fù)原方法，其特征在于，包括以下步驟：

a、采集文物圖像；

b、預(yù)處理步驟a中采集到的圖像，對(duì)訓(xùn)練圖像進(jìn)行大小歸一化處理，把較大像素的圖像分割或者提取重要的部分，得到若干個(gè)訓(xùn)練樣本，將其處理為256*256像素；

c、基于深度卷積網(wǎng)絡(luò)構(gòu)造GNN網(wǎng)絡(luò)；

d、對(duì)GNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

e、根據(jù)訓(xùn)練好的GNN網(wǎng)絡(luò)復(fù)原受損文物的圖像；

f、如果在步驟b中把圖像分割成較小的部分，需要將它們拼接起來。

2.如權(quán)利要求1所述的一種基于GNN網(wǎng)絡(luò)的文物圖像復(fù)原方法，其特征在于，步驟c中使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造GNN的生成器，包括以下步驟：

(1)設(shè)置卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)層為4層；

(2)每一層的卷積核為4*4，使用LeakyReLU激活函數(shù)，步長為2，每經(jīng)過一層，長、寬分別縮小至原來的1/2；

(3)設(shè)置反卷積網(wǎng)絡(luò)為4層，反卷積層是卷積層網(wǎng)絡(luò)的逆過程；

(4)前三層的反卷積核為4*4，使用LeakyReLU激活函數(shù)，步長為2，每經(jīng)過一層，長寬分別擴(kuò)大至原來的2倍；

(5)第四層的反卷積核為4*4，不使用激活函數(shù)，反卷積的輸出即為生成器的輸出，它是256*256像素的一幅圖像。

3.如權(quán)利要求1所述的一種基于GNN網(wǎng)絡(luò)的文物圖像復(fù)原方法，其特征在于，步驟c中使用多層卷積網(wǎng)絡(luò)構(gòu)造GNN的判別器，包括以下步驟：

(1)設(shè)置判別子網(wǎng)絡(luò)模型的網(wǎng)絡(luò)層數(shù)為5層；

(2)前4層卷積核是4*4，使用LeakyReLU激活函數(shù)，步長為2，每經(jīng)過一層，長、寬分別縮小至原來的1/2；

(3)第五層卷積核為4*4，不使用激活函數(shù)，步長為4，輸出即為對(duì)抗網(wǎng)絡(luò)的輸出，它是256*256的一幅圖像。

4.如權(quán)利要求1所述的一種基于GNN網(wǎng)絡(luò)的文物圖像復(fù)原方法，其特征在于，步驟c中，連接生成器和判別器，包括以下步驟：

(1)將原始圖像輸入到GNN中，得到第一張不同風(fēng)格的圖像，把得到的這張圖像繼續(xù)輸入GNN中，得到第二張生成的圖像；

(2)為了經(jīng)過一個(gè)序列的兩個(gè)生成器后，圖像的變化量盡量小，使類似于加入噪聲的圖像輸入變化范圍在一定的區(qū)域內(nèi)，使輸入和輸出共享一些特征，計(jì)算原始圖像與第二張圖像的相似度，通過調(diào)整這個(gè)相似度控制生成器的變化范圍；

(3)使用另一張?jiān)紙D像，重復(fù)步驟(1)和(2)，得到另一組兩個(gè)生成器的輸出組成的序列結(jié)構(gòu)；

(4)把第一組序列的初始圖像當(dāng)做真樣本輸入第一個(gè)判別器，把第二組序列中通過第一個(gè)生成器產(chǎn)生的圖像作為假樣本輸入第一個(gè)判別器；

(5)與(4)類似，把第二組序列的初始圖像當(dāng)做真樣本輸入第二個(gè)判別器，把第一組序列中通過第一個(gè)生成器產(chǎn)生的圖像作為假樣本輸入第二個(gè)判別器。