基于深度学习的文字修复方法及系统技术方案

本发明专利技术属于文字修复技术领域，特别涉及一种基于深度学习的文字修复方法及系统，包含：收集若干不同风格的书法文字作品图像，并提取各作品图像中的文字，将文字按笔画进行拆解，获取文字及与文字对应的笔画图像样本数据；构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络；将文字及笔画图像样本数据作为训练数据，对检测网络和修复网络进行训练学习；将待修复的文字图像作品进行拆解，并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。本发明专利技术能够以高相似度来提供修复残损的书法文字的效果图，提高文字修复工作效率，拓展深度学习算法在文物保护上的应用。展深度学习算法在文物保护上的应用。展深度学习算法在文物保护上的应用。

【技术实现步骤摘要】
基于深度学习的文字修复方法及系统


[0001]本专利技术属于文字修复
，特别涉及一种基于深度学习的文字修复方法及系统。

技术介绍

[0002]随着信息技术的迅猛发展，网络犯罪事件频繁发生，比如电信诈骗、信息勒索以及APT攻中国传统书法艺术是中华民族的文化瑰宝，但残损的书法作品往往需要对其进行文字修复工作。目前，书法文字的修复主要由人工手动完成。
[0003]深度学习神经网络主要通过学习数据集的特征，实现目标检测、识别、生成等。书法作品的珍贵加大了书法文字修复的难度，因此，通过深度学习神经网络实现书法文字修复的预览效果不仅能够降低书法文字修复的风险，也能够为书法文字修复提供方向。

技术实现思路

[0004]为此，本专利技术提供一种基于深度学习的文字修复方法及系统，能够以高相似度来提供修复残损的书法文字的效果图，提高文字修复工作效率，拓展深度学习算法在文物保护上的应用。
[0005]按照本专利技术所提供的设计方案，一种基于深度学习的文字修复方法，包含如下内容：收集若干不同风格的书法文字作品图像，并提取各作品图像中的文字，将文字按笔画进行拆解，获取文字及与文字对应的笔画图像样本数据；构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络；将文字及笔画图像样本数据作为训练数据，对检测网络和修复网络进行训练学习；将待修复的文字图像作品进行拆解，并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
[0006]作为本专利技术基于深度学习的文字修复方法，进一步的，收集各书法家的真迹图片或仿写作品图片来获取样本数据，并对样本数据定期更新。
[0007]作为本专利技术基于深度学习的文字修复方法，进一步地，所述检测网络包含用于检测文字图像完整性的缺失检测模块和用于匹配文字图像缺失笔画的风格匹配模块。
[0008]作为本专利技术基于深度学习的文字修复方法，进一步地，所述检测网络采用两个卷积神经网络模型来实现文字检测及缺失笔画匹配，其中一个卷积神经网络用来检测文字图像并输出缺失笔画，另一个卷积神经网络用于针对缺失笔画来匹配相似风格笔画。
[0009]作为本专利技术基于深度学习的文字修复方法，进一步地，所述修复网络包含生成文字图像缺失笔画的生成器模块和用于依据缺失笔画和生成器生成笔画相似度判别真伪的判别器模块，依据判别器真伪判别来进行网络输出。
[0010]作为本专利技术基于深度学习的文字修复方法，进一步地，所述修复网络采用GAN生成
式对抗网络模型，利用该网络模型进行缺失文字图像的生成修复。
[0011]作为本专利技术基于深度学习的文字修复方法，进一步地，依据检测网络获取缺失笔画的文字图像及该文字图像匹配到的笔画风格，并将其作为修复网络的输入来获取修复后的文字图像。
[0012]进一步地，基于上述的方法，本专利技术还提供一种基于深度学习的文字修复系统，包含：样本收集模块、模型训练模块和目标修复模块，其中，样本收集模块，用于收集若干不同风格的书法文字作品图像，并提取各作品图像中的文字，将文字按笔画进行拆解，获取文字及与文字对应的笔画图像样本数据；模型训练模块，用于构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络；将文字及笔画图像样本数据作为训练数据，对检测网络和修复网络进行训练学习；目标修复模块，用于将待修复的文字图像作品进行拆解，并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
[0013]本专利技术的有益效果：本专利技术将待修复的文字图像数据经过目标检测、文字修复来补全与原文字特征相近的缺损笔画，能够以高相似度提供修复残损的书法文字的效果图，为书法文字修复工作降低风险，提供方向，具有较好的应用前景。
[0014]附图说明：图1为实施例中书法文字修复流程示意；图2为实施例中网络训练流程示意；图3为实施例中检测网络结构示意；图4为实施例中修复网络结构示意。
[0015]具体实施方式：为使本专利技术的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本专利技术作进一步详细的说明。
[0016]本专利技术实施例，提供一种基于深度学习的文字修复方法，包含如下内容：收集若干不同风格的书法文字作品图像，并提取各作品图像中的文字，将文字按笔画进行拆解，获取文字及与文字对应的笔画图像样本数据；构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络；将文字及笔画图像样本数据作为训练数据，对检测网络和修复网络进行训练学习；将待修复的文字图像作品进行拆解，并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
[0017]参见图1和2所示，通过收集书法作品图像；将书法文字按特征拆解笔画；拆解后的笔画作为训练数据训练检测网络和文字修复网络；将待修复文字的图像数据输入文字修复网络，得到修复后的文字图像。能够以高相似度提供修复残损的书法文字的效果图，为书法文字修复工作降低风险，提高效率。
[0018]进一步，实施例中所收集的图像可包括不同书法家、风格的笔画清晰的真迹作品图像；或者为不同书法家、风格的笔画清晰的仿写作品图像；并进行定期收集更新。按照不
同书法家、不同风格拆解笔画；可以理解的是，采用笔画拆解的方式，能有效帮助实现局部文字修复的效果，并帮助降低后续神经网络的计算复杂度。
[0019]作为本专利技术实施例中基于深度学习的文字修复方法，进一步地，所述检测网络包含用于检测文字图像完整性的缺失检测模块和用于匹配文字图像缺失笔画的风格匹配模块。进一步地，所述检测网络采用两个卷积神经网络模型来实现文字检测及缺失笔画匹配，其中一个卷积神经网络用来检测文字图像并输出缺失笔画，另一个卷积神经网络用于针对缺失笔画来匹配相似风格笔画。通过卷积神经挽留过对待修复文字的缺失笔画进行检测，并匹配与待修复文字特征相符的完整笔画。
[0020]卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类。参见图3所示，利用两个卷积神经网络，一个用来检测缺失笔画，通过笔画遮盖后的文字样本数据进行训练，达到输出缺失笔画的效果；另一个用来匹配风格相近的笔画，通过拆解的笔画样本数据进行训练，达到输出相似风格的笔画的效果；作为本专利技术实施例中的基于深度学习的文字修复方法，进一步地，所述修复网络包含生成文字图像缺失笔画的生成器模块和用于依据缺失笔画和生成器生成笔画相似度判别真伪的判别器模块，依据判别器真伪判别来进行网络输出。进一步地，所述修复网络采用GAN生成式对抗网络模型，利用该网络模型进行缺失文字图像的生成修复。依据检测网络获取缺失笔画的文字图像及该文字图像匹配到的笔画风格，并将其作为修复网络的输入来获取修复后的文字图像。
[0021]GAN网络模型通过框架中两个模块：生成模型（Generati本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的文字修复方法，其特征在于，包含如下内容：收集若干不同风格的书法文字作品图像，并提取各作品图像中的文字，将文字按笔画进行拆解，获取文字及与文字对应的笔画图像样本数据；构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络；将文字及笔画图像样本数据作为训练数据，对检测网络和修复网络进行训练学习；将待修复的文字图像作品进行拆解，并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。2.根据权利要求1所述的基于深度学习的文字修复方法，其特征在于，收集各书法家的真迹图片或仿写作品图片来获取样本数据，并对样本数据定期更新。3.根据权利要求1所述的基于深度学习的文字修复方法，其特征在于，所述检测网络包含用于检测文字图像完整性的缺失检测模块和用于匹配文字图像缺失笔画的风格匹配模块。4.根据权利要求1或3所述的基于深度学习的文字修复方法，其特征在于，所述检测网络采用两个卷积神经网络模型来实现文字检测及缺失笔画匹配，其中一个卷积神经网络用来检测文字图像并输出缺失笔画，另一个卷积神经网络用于针对缺失笔画来匹配相似风格笔画。5.根据权利要求1所述的基于深度学习的文字修复方法，其特征在于，所述修复网络包含生成文字图像缺失笔画的生成器模块和用于依据缺失笔画和生成器生成笔画相似度判别真伪的判别器模块，依据判别器真伪判别...

【专利技术属性】
技术研发人员：杨奎武，张田，胡学先，陈越，赵俭，黄万伟，张俭鸽，周刚，南煜，刘洪波，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：