[發明專利]一種層次化彩繪文物線稿提取模型構建、方法及裝置

有效

• 申請號: 202010049526.4
• 申請日: 2020-01-16
• 公開（公告）號: CN111222519B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 彭進業;王佳欣;王珺;張群喜;劉茂梅;章勇勤;俞凱;祝軒;張二磊;溫睿;梁海達
• 申請（專利權）人: 西北大學;陜西歷史博物館(陜西省文物交流中心)
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/52;G06V10/80;G06V10/82;G06T5/00;G06T7/13;G06T7/181;G06T7/194;G06N3/0464;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 黃小梧

1.一種層次化彩繪文物線稿提取模型構建方法，其特征在于，所述的方法按照以下步驟執行：

步驟1、采集多幅彩繪文物圖像，獲得第一樣本集；

采用FDoG算法對第一樣本集中每一幅彩繪文物圖像的線稿圖像進行邊緣提取，獲得FDoG標簽集；

獲取第一樣本集中每一幅彩繪文物圖像的線稿圖像，獲得第一線稿標簽集；

步驟2、將所述的第一樣本集作為輸入，將所述的FDoG標簽集以及第一線稿標簽集作為參考輸出，訓練邊緣提取網絡，獲得粗提取模型；

所述的邊緣提取網絡是采用邊緣數據集作為輸入，采用邊緣標簽集作為參考輸出，訓練BDCN邊緣檢測網絡后獲得的；

其中所述的邊緣數據集包括多幅自然圖像，所述的邊緣標簽集包括邊緣數據集中每幅自然圖像對應的邊緣標簽圖像以及邊緣數據集中每幅自然圖像經過邊緣提取后獲得的FDoG邊緣標簽圖像；

步驟3、采集多幅彩繪文物圖像，獲得第二樣本集；其中所述第二樣本集中的每一幅彩繪文物圖像與第一樣本集中的彩繪文物圖像均不相同；

獲取第二樣本集中每一幅彩繪文物圖像的線稿圖像，獲得第二線稿標簽集；

步驟4、將所述步驟3獲得的第二樣本集輸入至步驟2獲得的粗提取模型中，獲得粗線稿圖像集；

步驟5、將所述的粗線稿圖像集作為輸入，將所述的第二線稿標簽集作為參考輸出，訓練卷積神經網絡，獲得細線稿提取模型；

步驟6、獲得線稿提取模型，所述的線稿提取模型包括依次連接的步驟2中獲得的粗提取模型以及步驟5中獲得的細線稿提取模型。

2.如權利要求1所述的層次化彩繪文物線稿提取模型構建方法，其特征在于，所述的步驟5中的卷積神經網絡包括依次設置的U-net網絡、側輸出層以及融合輸出層；

所述的側輸出層包括依次設置的第一卷積層、上采樣層以及第一激活函數層；所述的融合輸出層包括依次設置的第二卷積層以及第二激活函數層。

3.如權利要求2所述的層次化彩繪文物線稿提取模型構建方法，其特征在于，所述的步驟5中訓練卷積神經網絡時，采用隨機梯度下降算法進行訓練，其中損失函數L_fine為：

其中ω_side表示不同的尺度特征對應的損失函數中的比重，ω_fuse表示融合特征在損失函數中的比重；s表示尺度，s＝1,2,…,S，S為正整數，為單通道損失函數，為融合損失函數，表示將粗線稿圖像輸入至細線稿提取模型后輸出的圖像，Y^R表示粗線稿圖像對應的線稿標簽圖像，R表示粗線稿圖像。

4.如權利要求3所述的層次化彩繪文物線稿提取模型構建方法，其特征在于，所述的步驟2中采用邊緣數據集以及邊緣標簽集訓練BDCN邊緣檢測網絡時，損失函數L_pre為：

其中s表示尺度，s＝1,2,…,S，S為正整數，α為目標函數中邊緣標簽的權重，β為FDoG邊緣標簽的權重，P^N表示將自然圖像N輸入至BDCN邊緣檢測網絡后的輸出圖像，表示自然圖像N對應的邊緣標簽圖像，表示自然圖像N對應的FDoG邊緣標簽圖像。

5.一種層次化彩繪文物線稿提取方法，其特征在于，將所述的待提取的彩繪文物圖像輸入至權利要求1-4任一項權利要求所述的層次化彩繪文物線稿提取模型構建方法獲得的線稿提取模型中，獲得彩繪文物線稿圖像。