[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

本發明公開了一種層次化彩繪文物線稿提取模型構建、方法及裝置，首先通過提出新的加權損失函數，在BDCN邊緣檢測神經網絡中引入傳統FDoG方法，從而得到更加完整的線稿粗提取結果；再通過提出新的多尺度U?Net網絡，在粗提取的基礎上抑制病害，得到更為細致、干凈的線稿圖像。該方法有效結合了BDCN神經網絡和傳統FDoG方法的優點，在學習明顯邊緣的同時能夠同時學習細節，使得提取的線稿更加完整，甚至補充部分受病害影響斷裂的線稿，進一步的，通過多尺度U?Net網絡細化線稿，抑制病害。與現有方法相比，該方法在干凈以及復雜背景下均能更有效提取文物線稿圖像。

技術領域

本發明涉及彩繪文物線稿提取方法，具體涉及一種層次化彩繪文物線稿提取模型構建、方法及裝置。

背景技術

彩繪文物作為歷史的物質遺存，其蘊含著不同時代、不同地域的文化藝術、宗教信仰及環境變遷，不僅傳承了一國歷史的文化精華、豐富了世界文化的多樣性，也為人類研究歷史提供了寶貴的素材。彩繪文物的線稿反映了彩繪圖案的主要結構及內容，是臨摹、修復彩繪文物的重要環節。然而，由于年代久遠，很多彩繪文物受自然環境、人為因素等影響，產生了不同程度的病害，如起甲、干裂、褪色等，這使得彩繪文物背景變得復雜，對線稿的準確提取提出了挑戰。

傳統的線稿繪制主要依靠手工，繪制過程十分復雜并且非常耗時。利用計算機和圖像處理技術對彩繪文物線稿進行提取具有高效、可復用等優點。線稿提取關鍵技術涉及邊緣提取。目前，邊緣提取技術主要涉及兩類：傳統圖像處理算法和基于深度學習的算法。較經典的傳統圖像處理算法包括Canny算子、FDoG算法等，Canny算子生成的線稿平滑程度較差，且存在抖動現象；FDoG算法提高了線條的連續性，對干凈背景的文物圖像有較好的提取效果，但對于復雜背景其受噪聲影響較大，將提取很多非線稿邊緣，準確度大大降低。近年來，基于深度學習的邊緣提取技術包括：HED、RCF、BDCN等神經網絡，由于可以通過大量樣本學習可以引入先驗知識，邊緣檢測的準確度大大提高。但是如果將上述基于神經網絡的方法直接應用于文物數據，特別是具有復雜背景的文物數據，其提取的邊緣存在模糊、偽影以及細節丟失嚴重的問題。

發明內容

本發明的目的在于提供一種FDoG與神經網絡的層次化彩繪文物線稿提取模型構建及方法，用以解決現有技術中的彩繪文物線稿提取方法存在的復雜病害背景下的文物線稿提取質量低的問題。

為了實現上述任務，本發明采用以下技術方案：

一種層次化彩繪文物線稿提取模型構建方法，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；