图像去污方法、装置、可读存储介质及计算机设备制造方法及图纸

本发明专利技术提供了一种图像去污方法、装置、可读存储介质及计算机设备，该方法包括：获取原始图像，并将所述原始图像的尺寸调整至阈值尺寸，得到第一处理图像；利用训练后的生成式对抗网络模型对所述第一处理图像进行去污处理，得到第二处理图像；将所述第一处理图像和所述第二处理图像进行结构相似性计算，得到所述第一处理图像和所述第二处理图像之间的差异特征图；比对所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的污渍区域和所述污渍区域所在的位置信息；将所述污渍区域缩放至与所述原始图像对应的尺寸，并根据缩放后的污渍区域以及所述位置信息确定所述原始图像中的目标污渍区域；去除所述原始图像中的目标污渍区域的内容。

【技术实现步骤摘要】
图像去污方法、装置、可读存储介质及计算机设备
本专利技术涉及电子
，特别是涉及一种图像去污方法、装置、可读存储介质及计算机设备。
技术介绍
在档案数字化存档、教育等领域中经常需要对纸质文档的内容进行重复印刷，一般需要通过扫描和复印方式进行。但是若纸质文档表面存不干净或者表面不平整、粗糙时，文档扫描或复印后出现很多的污渍区域（如大块的黑斑、聚集散点等），影响使用。因此，通常需要对图像进行去污处理。传统的扫描图像去除污渍方法是对二值化后的图像进行距离变换，得到若干个图像块后，再进行连通区域分析得到包围图像块的矩形框，对矩形框内的图像块逐一分析其几何特征（如投影面积比、实际像素占矩形框面积比、轮廓、Hog特征等），对特征设定预设值，在预设值范围内的图像块视为污渍，并将该图像块的污渍标注出来，在预设值之外的图像块则视为正常图像。由于大块污渍的形状、大小和表现形式各种各样，几何特征值无法覆盖绝大部分污渍类型，且稍微模糊的图像中，文字的特征易与污渍几何特征混淆导致文字被误去除。因而目前的污渍去除方案效果并不好，对污渍的去除没有泛化性。
技术实现思路
鉴于上述状况，有必要针对现有技术中图像污渍处理困难的问题，提供一种图像去污方法、装置、可读存储介质及计算机设备。一种图像去污方法，包括：获取原始图像，并将所述原始图像的尺寸调整至阈值尺寸，得到第一处理图像；利用训练后的生成式对抗网络模型对所述第一处理图像进行去污处理，得到第二处理图像；将所述第一处理图像和所述第二处理图像进行结构相似性计算，得到所述第一处理图像和所述第二处理图像之间的差异特征图；比对所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的污渍区域和所述污渍区域所在的位置信息；将所述污渍区域缩放至与所述原始图像对应的尺寸，并根据缩放后的污渍区域以及所述位置信息确定所述原始图像中的目标污渍区域；去除所述原始图像中的目标污渍区域的内容。进一步的，上述图像去污方法，其中，所述比对所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的污渍区域和所述污渍区域所在的位置信息的步骤包括：对所述差异特征图进行二值化和连通区域分析处理；比对处理后的所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的差异区域；对所述差异区域进行外轮廓提取和拟合多边形处理得到所述第一处理图像中的污渍区域，并获取所述污渍区域的位置信息。进一步的，上述图像去污方法，其中，所述利用训练后的生成式对抗网络模型对所述第一处理图像进行去污处理，得到第二处理图像的步骤之前还包括：利用生成模型和判别模型构建生成式对抗网络模型，利用训练组图像对所述生成式对抗网络模型进行训练，所述训练组图像包括多组内容相同的干净图像和带污渍图像。进一步的，上述图像去污方法，其中，所述生成模型和所述判别模型均采用卷积神经网络模型。进一步的，上述图像去污方法，其中，所述将待原始图像的尺寸调整至阈值尺寸的步骤包括：将所述原始图像的尺寸调整至分辨率为512*512的大小。本专利技术实施例还提供了一种图像去污装置，包括：第一处理模块，用于获取原始图像，并将所述原始图像的尺寸调整至阈值尺寸，得到第一处理图像；第二处理模块，用于利用训练后的生成式对抗网络模型对所述第一处理图像进行去污处理，得到第二处理图像；计算模块，用于将所述第一处理图像和所述第二处理图像进行结构相似性计算，得到所述第一处理图像和所述第二处理图像之间的差异特征图；比对模块，用于比对所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的污渍区域和所述污渍区域所在的位置信息；确定模块，用于将所述污渍区域缩放至与所述原始图像对应的尺寸，并根据缩放后的污渍区域以及所述位置信息确定所述原始图像中的目标污渍区域；去污模块，用于去除所述原始图像中的目标污渍区域的内容。进一步的，上述图像去污装置，其中，所述比对模块具体用于：对所述差异特征图进行二值化和连通区域分析处理；比对处理后的所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的差异区域；对所述差异区域进行外轮廓提取和拟合多边形处理得到所述第一处理图像中的污渍区域，并获取所述污渍区域的位置信息。进一步的，上述图像去污装置，还包括：利用生成模型和判别模型构建生成式对抗网络模型，利用训练组图像对所述生成式对抗网络模型进行训练，所述训练组图像包括多组内容相同的干净图像和带污渍图像。进一步的，上述图像去污装置，其中，所述第一处理模块用于：将所述原始图像的尺寸调整至分辨率为512*512的大小。本专利技术实施例还提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的图像去污方法。本专利技术实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的图像去污方法。本专利技术中，先将原始图像调整为预设尺寸，得到第一处理图像，并通过生成式对抗网络模型对第一处理图像进行去污处理，得到第二处理图像，再将第一处理图像和第二处理图像进行结构相似性计算，得到两者之间的差异特征图。将该差异特征图缩放至原尺寸后，与原始图像进行比对，从而确定该原始图像中的污渍区域，并去除该原始图像中的污渍区域的内容。本专利技术中，采用了目前先进、流行的深度学习网络，生成对抗网络GAN，率先应用于扫描图像污渍的去除。相比传统的手动擦除，选择固定区域擦除，或者目前通过分析污渍几何特征识别污渍等方案，本方案兼顾自动与高效，能够适应各种形状污渍的识别，相比现有技术，对于污渍的去除有明显的提升，变得更加智能化。附图说明图1为本专利技术第一实施例中的图像去污方法的流程图；图2a为第一处理图像；图2b为第二处理图像；图3为本专利技术第二实施例中的图像去污方法的流程图；图4为识别到污渍区域后的图像；图5为本专利技术第三实施例中的图像去污装置的结构框图；图6为本专利技术实施例中计算机设备的硬件结构示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。参照下面的描述和附图，将清楚本专利技术的实施例的这些和其他方面。在这些描述和附图中，具体公开了本专利技术的实施例中的一些特定实施方式，来表示实施本专利技术的实施例的原理的一些方式，但是应当理解，本专利技术的实施例的范围不受此限制。相反，本专利技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。请参阅图1，为本专利技术第一实施例中的图像去污方法，包括步骤S11~S16。<本文档来自技高网...

【技术保护点】
1.一种图像去污方法，其特征在于，包括：/n获取原始图像，并将所述原始图像的尺寸调整至阈值尺寸，得到第一处理图像；/n利用训练后的生成式对抗网络模型对所述第一处理图像进行去污处理，得到第二处理图像；/n将所述第一处理图像和所述第二处理图像进行结构相似性计算，得到所述第一处理图像和所述第二处理图像之间的差异特征图；/n比对所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的污渍区域和所述污渍区域所在的位置信息；/n将所述污渍区域缩放至与所述原始图像对应的尺寸，并根据缩放后的污渍区域以及所述位置信息确定所述原始图像中的目标污渍区域；/n去除所述原始图像中的目标污渍区域的内容。/n

【技术特征摘要】
1.一种图像去污方法，其特征在于，包括：
获取原始图像，并将所述原始图像的尺寸调整至阈值尺寸，得到第一处理图像；
利用训练后的生成式对抗网络模型对所述第一处理图像进行去污处理，得到第二处理图像；
将所述第一处理图像和所述第二处理图像进行结构相似性计算，得到所述第一处理图像和所述第二处理图像之间的差异特征图；
比对所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的污渍区域和所述污渍区域所在的位置信息；
将所述污渍区域缩放至与所述原始图像对应的尺寸，并根据缩放后的污渍区域以及所述位置信息确定所述原始图像中的目标污渍区域；
去除所述原始图像中的目标污渍区域的内容。


2.如权利要求1所述的图像去污方法，其特征在于，所述比对所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的污渍区域和所述污渍区域所在的位置信息的步骤包括：
对所述差异特征图进行二值化和连通区域分析处理；
比对处理后的所述差异特征图和所述第一处理图像，以确定所述第一处理图像中的差异区域；
对所述差异区域进行外轮廓提取和拟合多边形处理得到所述第一处理图像中的污渍区域，并获取所述污渍区域的位置信息。


3.如权利要求1所述的图像去污方法，其特征在于，所述利用训练后的生成式对抗网络模型对所述第一处理图像进行去污处理，得到第二处理图像的步骤之前还包括：
利用生成模型和判别模型构建生成式对抗网络模型，利用训练组图像对所述生成式对抗网络模型进行训练，所述训练组图像包括多组内容相同的干净图像和带污渍图像。


4.如权利要求3所述的图像去污方法，其特征在于，所述生成模型和所述判别模型均采用卷积神经网络模型。


5.如权利要求1所述的图像去污方法，其特征在于，所述将所述原始图像的尺寸调整至阈值尺寸的步骤包括：
将所述原始图像的尺寸调整至分辨率为512*51...

【专利技术属性】
技术研发人员：廖成慧，江少锋，曾江佑，熊慧江，
申请(专利权)人：江西博微新技术有限公司，
类型：发明
国别省市：江西;36