[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的陶瓷水印載體恢復(fù)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110690957.3
• 申請(qǐng)日: 2021-06-22
• 公開（公告）號(hào): CN113284037B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)計(jì)）人: 張小瑞;孫遜;孫星明;孫偉;宋愛國(guó);夏志華
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06T1/00
• 分類號(hào): G06T1/00;G06T7/12;G06T7/13;G06T7/90;G06T5/00;G06N3/04;G06N3/08
• 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: 柏尚春

1.一種基于深度神經(jīng)網(wǎng)絡(luò)的陶瓷水印載體恢復(fù)方法，其特征在于，包括以下步驟：

(1)基于Evo-BiSeNet的圖像分割網(wǎng)絡(luò)，對(duì)預(yù)先獲取的陶瓷三維圖像進(jìn)行檢測(cè)，獲取水印載體部位；

(2)基于空間變換網(wǎng)絡(luò)對(duì)獲取的水印載體進(jìn)行平面化處理；

(3)對(duì)經(jīng)過步驟(2)處理后的水印載體基于GAN進(jìn)行復(fù)原并進(jìn)行魯棒訓(xùn)練，提高水印的魯棒性；

步驟(3)所述的對(duì)水印載體進(jìn)行復(fù)原的實(shí)現(xiàn)過程如下：

構(gòu)建用于生成圖像的生成網(wǎng)絡(luò)和用于鑒別生成圖像是否與原圖像一致的判別網(wǎng)絡(luò)；在最后一層采用Sigmoid函數(shù)使得輸出在0到1區(qū)間內(nèi)；

所述生成網(wǎng)絡(luò)采用十二層卷積網(wǎng)絡(luò)對(duì)原始陶瓷印花貼紙進(jìn)行編碼，得到一張?jiān)瓐D十六分之一大小的網(wǎng)格，再對(duì)該網(wǎng)格采用四層卷積網(wǎng)絡(luò)進(jìn)行解碼，從而得到復(fù)原圖像；

所述判別網(wǎng)絡(luò)分成全局鑒別器和局部鑒別器，全局鑒別器將完整圖像作為輸入，識(shí)別場(chǎng)景的全局一致性，而局部鑒別器僅在以填充區(qū)域?yàn)橹行牡脑瓐D像四分之一大小區(qū)域上觀測(cè)，識(shí)別局部一致性；

步驟(3)所述的魯棒訓(xùn)練的實(shí)現(xiàn)過程如下：

運(yùn)動(dòng)和散焦模糊：采用一個(gè)隨機(jī)角度進(jìn)行采樣并生成寬度在3到7個(gè)像素之間的線性模糊；使用高斯模糊，其標(biāo)準(zhǔn)偏差在1到3個(gè)像素之間隨機(jī)采樣；

色彩處理：在獲取水印載體時(shí)，相機(jī)使用曝光設(shè)置，白平衡和色彩校正矩陣來修改其輸出；隨機(jī)仿射顏色變換來近似這些擾動(dòng)：通過一系列隨機(jī)仿射顏色變換來近似這些擾動(dòng)，如下所示：

1)顏色偏移：向從[-0.1，0.1]均勻采樣的每個(gè)RGB通道添加隨機(jī)顏色偏移；

2)去飽和：在整個(gè)RGB圖像及其灰度等效圖像之間隨機(jī)線性插值；

3)噪聲：采用高斯噪聲模型對(duì)標(biāo)準(zhǔn)偏差g～[0，0.2]進(jìn)行采樣，解決成像噪聲；

4)JPEG壓縮：相機(jī)圖像通常以有損格式存儲(chǔ)；JPEG通過計(jì)算圖像中每個(gè)8×8塊的離散余弦變換并通過舍入到最接近的整數(shù)來量化所得系數(shù)來壓縮圖像；

所述生成網(wǎng)絡(luò)中使用均方損失函數(shù)，計(jì)算原圖與生成圖像像素之間的差異，表達(dá)式如下：

L(∈，G₁)＝||G₁⊙(B(∈，G₁)-∈)||²?????????(3)

其中，L(∈，G₁)表示加權(quán)均方誤差損失函數(shù)形式，∈表示輸入圖像，G₁表示生成區(qū)域二進(jìn)制掩碼，||?||表示歐幾里得范數(shù)，⊙表示像素乘法，B(∈，G₁)表示生成網(wǎng)絡(luò)的函數(shù)形式，在圖像退化區(qū)域?yàn)?，其它區(qū)域?yàn)?；用一個(gè)不變的顏色覆蓋訓(xùn)練輸入圖像∈的完成區(qū)域，這個(gè)顏色是訓(xùn)練數(shù)據(jù)集的像素均值；

所述判別網(wǎng)絡(luò)使用GAN損失函數(shù)：

mmin_B?max_JE[logJ(∈，G₂)+log(1-J(B(∈，G₁)，G₁))]????????(4)

其中，min_B，max_J分別表示生成網(wǎng)絡(luò)的最小優(yōu)化和判別網(wǎng)絡(luò)的最大優(yōu)化，E表示對(duì)輸入圖像∈的平均值，J(B(∈，G₁)，G₁))表示判別網(wǎng)絡(luò)的函數(shù)形式，G₂表示隨機(jī)輸入二進(jìn)制掩碼，最終的損失函數(shù)：

min_B?max_JE[L(∈，G₁)+logJ(∈，G₂)+αlog(1-J(B(∈，G₁)，G₁))]??????(5)

其中，α表示超權(quán)重參數(shù)。

2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的陶瓷水印載體恢復(fù)方法，其特征在于，所述步驟(1)包括以下步驟：

(11)圖像分割網(wǎng)絡(luò)采用歸一化激活層提高圖像分割的實(shí)時(shí)性，利用卷積注意力機(jī)制對(duì)陶瓷表面不規(guī)則圖像的細(xì)小邊緣特征進(jìn)一步優(yōu)化提取；

(12)在獲取載體時(shí)，基于一個(gè)小步幅的空間路徑用來保存空間信息，生成高分辨率特征；同時(shí)，采用快速下采樣的上下文路徑去獲得更大的感受野；緊接著引入特征融合模塊來有效的結(jié)合特征；這些模塊中的歸一化及激活函數(shù)采用歸一化激活層EvoNorms進(jìn)行統(tǒng)一。