一种基于神经网络的原画辅助上色方法和装置制造方法及图纸

一种基于神经网络的原画辅助上色方法，包括：获取多张原画上色前后的原画线稿和原画上色稿，并标记原画各个细分区域的上色参数，形成原画数据样本；使用Keras初始化上色神经网络模型，其中上色神经网络模型采用VGG模型；导入原画数据样本作为训练集，对上色神经网络模型进行监督学习；利用训练完毕的上色神经网络模型对输入的原画线稿进行自动上色。本申请还公开了相应的基于神经网络的原画辅助上色装置。本申请的有益效果为：利用神经网络对原画进行辅助上色，从而减轻了原画上色过程中繁重的着色工作，能够方便快捷地对原画进行制作和修改。

A New Method and Device for Auxiliary Coloring of Original Painting Based on Neural Network

A method of assistant coloring of original paintings based on neural network is presented, which includes acquiring multiple original lines and original paintings before and after coloring, marking the coloring parameters of each subdivision area of the original paintings, forming the original data samples, initializing the coloring neural network model with Keras, in which the VGG model is used for the coloring neural network model, and importing the original data samples as training set. The coloring neural network model is supervised learning, and the trained coloring neural network model is used to automatically color the original drawing. The application also discloses the corresponding auxiliary coloring device of the original picture based on the neural network. The beneficial effect of this application is that the artificial neural network is used to assist the coloring of the original painting, thus reducing the heavy coloring work in the process of coloring the original painting, and making and modifying the original painting conveniently and quickly.

【技术实现步骤摘要】
一种基于神经网络的原画辅助上色方法和装置
本专利技术涉及计算机学习领域，尤其涉及一种基于神经网络的原画辅助上色方法和装置。
技术介绍
无论是电子游戏开发还是动画制作的过程，都需要大量的原画工作。例如对于电子游戏开发，软件开发商都需要根据项目策划设计游戏角色、游戏场景、游戏道具的原画或游戏中主要角色立绘、各种表情的头像等等。因为这些原画设计将成为后面电子游戏开发的重要参考，所以上述原画的绘制往往对画质和精细度有较高的要求，以方便其他美术人员能够基于原画，根据实际的电子游戏开发需要，补充绘制在不同状态环境下的游戏角色、游戏场景或游戏道具的细节。然而，因为目前原画的绘制工作很大程度上依赖于美术人员的经验，并且这往往需要其花费大量的时间来绘制，所以这使得软件开发商或者外包设计公司花费较大的人力成本和时间来完成上述任务。同时，由于在电子游戏或者动画制作初期，各方需要对具体设计进行反复磋商和修改，从而这进一步拖慢了相关产品的开发进度，并提高了开发成本。
技术实现思路
本申请的目的是解决现有技术的不足，提供一种基于神经网络的原画辅助上色方法和装置，能够获得对输入的原画线稿自动辅助上色的技术效果。为了实现上述目的，本申请采用以下的技术方案：首先，本申请提出一种基于神经网络的原画辅助上色方法。该方法包括以下步骤：S100)获取多张原画上色前后的原画线稿和原画上色稿，并标记原画各个细分区域的上色参数，形成原画数据样本；S200)使用Keras初始化上色神经网络模型，其中上色神经网络模型采用VGG模型；S300)导入原画数据样本作为训练集，对上色神经网络模型进行监督学习；S400)利用训练完毕的上色神经网络模型对输入的原画线稿进行自动上色。进一步地，在本申请的上述方法中，所述步骤S100还包括以下子步骤：S101)匹配各张原画上色前后的原画线稿和原画上色稿，并对原画线稿和原画上色稿进行配准；S102)基于原画线稿对原画进行划分形成初始区域；S103)基于的色调阈值、饱和度阈值和亮度阈值，对初始区域进行区域细分，形成细分区域；S104)计算同一细分区域内色调、饱和度和亮度的平均值，并将色调平均值、饱和度平均值、亮度平均值和相邻区域编号作为上色参数。再进一步地，在本申请的上述方法中，所述上色参数至少还包括在原画线稿上与细分区域相邻的原画线条。又进一步地，在本申请的上述方法中，原画数据样本根据原画的颜色风格分类为多个子训练集，并基于所述子训练集形成相应多个上色神经网络模型。进一步地，在本申请的上述方法中，所述步骤S200还包括以下子步骤：S201)利用Keras建立并初始化VGG模型的卷积层和MAXpooling层；S202)配置evaluate到VGG模型以实时测试模型训练性能。再进一步地，在本申请的上述方法中，所述步骤S300还包括以下子步骤：S301)将由原画数据样本构成的训练集导入到卷积层；S302)采用SqueezeNet卷积神经网络对训练集进行监督学习；S303)基于evaluate评估卷积层和MAXpooling层中分类器的权重参数，并当检测到分类器中的权重参数收敛时停止训练。进一步地，在本申请的上述方法中，所述步骤S400包括以下子步骤：S401)将训练完毕的上色神经网络模型布置在网络服务器，并配置上色神经网络模型的数据入口；S402)将原画通过数据入口上传到上色神经网络模型以执行自动上色。再进一步地，在本申请的上述方法中，所述数据入口是网页的形式。其次，本申请还公开了一种基于神经网络的原画辅助上色装置。所述装置可以包括以下模块：获取模块，用于获取多张原画上色前后的原画线稿和原画上色稿，并标记原画各个细分区域的上色参数，形成原画数据样本；初始化模块，用于使用Keras初始化上色神经网络模型，其中上色神经网络模型采用VGG模型；训练模块，用于导入原画数据样本作为训练集，对上色神经网络模型进行监督学习；上色模块，用于利用训练完毕的上色神经网络模型对输入的原画线稿进行自动上色。进一步地，在本申请的上述装置中，所述获取模块可以包括以下子模块：匹配模块，用于匹配各张原画上色前后的原画线稿和原画上色稿，并对原画线稿和原画上色稿进行配准；第一划分模块，用于基于原画线稿对原画进行划分形成初始区域；第二划分模块，用于基于的色调阈值、饱和度阈值和亮度阈值，对初始区域进行区域细分，形成细分区域；标识模块，用于计算同一细分区域内色调、饱和度和亮度的平均值，并将色调平均值、饱和度平均值、亮度平均值和相邻区域编号作为上色参数。再进一步地，在本申请的上述装置中，所述上色参数至少还包括在原画线稿上与细分区域相邻的原画线条。又进一步地，在本申请的上述装置中，原画数据样本根据原画的颜色风格分类为多个子训练集，并基于所述子训练集形成相应多个上色神经网络模型。进一步地，在本申请的上述装置中，所述初始化模块还可以包括以下子模块：建立模块，用于利用Keras建立并初始化VGG模型的卷积层和MAXpooling层；配置模块，用于配置evaluate到VGG模型以实时测试模型训练性能。再进一步地，在本申请的上述装置中，所述训练模块还可以包括以下子模块：导入模块，用于将由原画数据样本构成的训练集导入到卷积层；执行模块，用于采用SqueezeNet卷积神经网络对训练集进行监督学习；评估模块，用于基于evaluate评估卷积层和MAXpooling层中分类器的权重参数，并当检测到分类器中的权重参数收敛时停止训练。进一步地，在本申请的上述装置中，所述上色模块还可以包括以下子模块：布置模块，用于将训练完毕的上色神经网络模型布置在网络服务器，并配置上色神经网络模型的数据入口；上传模块，用于将原画通过数据入口上传到上色神经网络模型以执行自动上色。再进一步地，在本申请的上述装置中，所述数据入口是网页的形式。最后，本申请还提出一种计算机可读存储介质，其上存储有计算机指令。上述指令被处理器执行时，执行如下步骤：S100)获取多张原画上色前后的原画线稿和原画上色稿，并标记原画各个细分区域的上色参数，形成原画数据样本；S200)使用Keras初始化上色神经网络模型，其中上色神经网络模型采用VGG模型；S300)导入原画数据样本作为训练集，对上色神经网络模型进行监督学习；S400)利用训练完毕的上色神经网络模型对输入的原画线稿进行自动上色。进一步地，在处理器执行上述指令时，所述步骤S100还包括以下子步骤：S101)匹配各张原画上色前后的原画线稿和原画上色稿，并对原画线稿和原画上色稿进行配准；S102)基于原画线稿对原画进行划分形成初始区域；S103)基于的色调阈值、饱和度阈值和亮度阈值，对初始区域进行区域细分，形成细分区域；S104)计算同一细分区域内色调、饱和度和亮度的平均值，并将色调平均值、饱和度平均值、亮度平均值和相邻区域编号作为上色参数。再进一步地，在处理器执行上述指令时，所述上色参数至少还包括在原画线稿上与细分区域相邻的原画线条。又进一步地，在处理器执行上述指令时，原画数据样本根据原画的颜色风格分类为多个子训练集，并基于所述子训练集形成相应多个上色神经网络模型。进一步地，在处理器执行上述指令时，所述步骤S200还包括以下子步骤：S201)利用Keras建立并初始化VG本文档来自技高网...

【技术保护点】
1.一种基于神经网络的原画辅助上色方法，其特征在于，包括以下步骤：S100)获取多张原画上色前后的原画线稿和原画上色稿，并标记原画各个细分区域的上色参数，形成原画数据样本；S200)使用Keras初始化上色神经网络模型，其中上色神经网络模型采用VGG模型；S300)导入原画数据样本作为训练集，对上色神经网络模型进行监督学习；S400)利用训练完毕的上色神经网络模型对输入的原画线稿进行自动上色。

【技术特征摘要】
1.一种基于神经网络的原画辅助上色方法，其特征在于，包括以下步骤：S100)获取多张原画上色前后的原画线稿和原画上色稿，并标记原画各个细分区域的上色参数，形成原画数据样本；S200)使用Keras初始化上色神经网络模型，其中上色神经网络模型采用VGG模型；S300)导入原画数据样本作为训练集，对上色神经网络模型进行监督学习；S400)利用训练完毕的上色神经网络模型对输入的原画线稿进行自动上色。2.根据权利要求1所述的方法，其特征在于，所述步骤S100还包括以下子步骤：S101)匹配各张原画上色前后的原画线稿和原画上色稿，并对原画线稿和原画上色稿进行配准；S102)基于原画线稿对原画进行划分形成初始区域；S103)基于的色调阈值、饱和度阈值和亮度阈值，对初始区域进行区域细分，形成细分区域；S104)计算同一细分区域内色调、饱和度和亮度的平均值，并将色调平均值、饱和度平均值、亮度平均值和相邻区域编号作为上色参数。3.根据权利要求1或2所述的方法，其特征在于，所述上色参数至少还包括在原画线稿上与细分区域相邻的原画线条。4.根据权利要求3所述的方法，其特征在于，原画数据样本根据原画的颜色风格分类为多个子训练集，并基于所述子训练集形成相应多个上色神经网络模型。5.根据权利要求1所述的方法，其特征在于，所述步骤S200还包括以下子步骤：S201)利用Keras建立并初始化VGG模型的卷积层和MAXpooling层；S2...

【专利技术属性】
技术研发人员：强项，蒋晓光，杜庆焜，张李京，
申请(专利权)人：武汉西山艺创文化有限公司，
类型：发明
国别省市：湖北,42