基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法技术

本发明专利技术公开了基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法，包括：整理成对的甲骨摹本图像与甲骨拓片图像，构建摹本生成数据集，设计并构造生成对抗网络模型OBTGAN，采用CycleGAN模型的循环训练方法训练生成模型，利用训练好的生成对抗网络得到生成摹本图像。在OBTGAN中的生成器使用残差网络模块，在第三次下采样之前插入SpatialAttention层，下采样完成后利用嵌入了ChannelAttention结构的残差网络再次提取特征，上采样模块采用Unet结构，将下采样过程中的低级语义特征与上采样生成特征矩阵进行了跳跃连接。该方法利用计算机技术取代了摹本制作的手工描摹步骤，生成摹本在字形细节上具有更高的准确性，大幅减少了甲骨摹本制作时间，为批量制作甲骨摹本提供了可能。可能。可能。

【技术实现步骤摘要】
基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法


[0001]本专利技术涉计算机视觉领域，更具体的涉及基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法。

技术介绍

[0002]目前，甲骨学界的摹本制作的主流方法依然是传统的手工描摹。描摹技术本身并未发生改变，仅是描摹工具从传统笔墨升级为利用触屏笔在平板电脑对拓片进行摹写。但是，考虑到甲骨专家平均年龄比较高，在与传统方法没有明显优势的前提下，过于复杂的电子设备通常专家习惯其用法，只有可以大批量自动生成摹本，专家仅对生成结果进行简单改动的方法才具有普适性。
[0003]2020年，安阳师范学院提出了一种计算机半自动摹本生成技术，该技术利用计算机技术提取并生成甲骨片轮廓，并在轮廓图的基础上，通过在拓片对甲骨字的手动定位，利用甲骨字输入法，在生成图像中生成甲骨字。利用这种方法，可以实现甲骨摹本的半自动生成。该方法生成的甲骨摹本中甲骨字的字形千篇一律，不能反应甲骨片上字形的多样性，在应用上依然存在一定的局限性。
[0004]在图像生成技术方面，并没有直接用于将拓片生成摹本的技术。但生成对抗网络技术是解决该问题的一个有效技术手段。生成对抗网络技术最早应用于生成以假乱真的图像，随着技术的发展，也可以生成图像的风格转移，例如将人像照片生成为卡通图片，将实物照片生成为简笔画等。因此，将甲骨摹本作为拓片一种特殊风格进行生成，也是实现摹本一种生成的一种可行的解决方案。但是，由于对抗网络中的判别器只能对图片整体风格进行粗略的判别，难以对生成图像中的字符图形判别。因此，直接使用生成对抗网络无法对字形痕迹进行有效提取。

技术实现思路

[0005]本专利技术实施例提供基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法，包括：
[0006]输入甲骨拓片图像至面向摹本生成的生成对抗网络模型OBTGAN，得到甲骨拓片图像中的甲骨片轮廓与字符；
[0007]其中，所述面向摹本生成的生成对抗网络模型OBTGAN包括：生成器和与所述生成器输出连接的判决器；
[0008]所述生成器，包括：
[0009]在残差网络的第三次下采样完成前，插入Spatial Attention层对低级语义特征进行加权；
[0010]在残差网络的全部下采样完成后，将高级语义特征利用嵌入Channel Attention结构的残差网络，再次提取特征后进行上采样，获得特征矩阵；
[0011]采用了Unet结构，将加权后的低级语义特征与特征矩阵进行跳跃连接。
[0012]近一步，面向摹本生成的生成对抗网络模型OBTGAN的损失函数包括：对抗损失函数，重构损失函数与循环一致性损失函数。
[0013]近一步，对抗损失函数为均方损失MSELoss；
[0014]循环一致性损失函数与重构损失函数均为平均绝对损失L1loss。
[0015]近一步，还包括：
[0016]获取成对的甲骨摹本图像与甲骨拓片图像，构建摹本生成数据集；
[0017]利用摹本生成数据集，采用CycleGAN模型的训练方法训练生成对抗网络模型OBTGAN。
[0018]近一步，CycleGAN模型包括：两个判别器和两个生成器；且两个生成器的输入与输出镜像对称，构成环形网络。
[0019]近一步，还包括对成对的甲骨摹本图像与甲骨拓片图片的处理：
[0020]在训练时将所有图片进行尺寸归一化；
[0021]在测试时将生成图片还原为输入图片的尺寸；
[0022]在读取摹本时，对摹本进行腐蚀处理，腐蚀核尺寸为2*2。
[0023]本专利技术实施例提供基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法，与现有技术相比，其有益效果如下：
[0024]本专利技术技术带来的主要效果即为可以利用训练好的生成模型批量自动生成甲骨摹本图像。模型在生成过程中可自动提取拓片的轮廓与甲骨字笔画，生成摹本相较于手工制作摹本具有更高的准确性。同时，专家只需要在生成摹本基础上稍微改动即可实现甲骨摹本的制作大幅减少了甲骨摹本制作时间，为批量制作甲骨摹本提供了可能。
附图说明
[0025]图1为本专利技术实施例提供的基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法流程图；
[0026]图2为本专利技术实施例提供的基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法中OBTGAN模型生成器结构图；
[0027]图3为本专利技术实施例提供的基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法中基于CycleGAN模型循环训练方法的训练生成模型示意图；
[0028]图4为本专利技术实施例提供的基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法提取摹本图像效果图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]参见图1～4，本专利技术实施例提供基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法，该方法包括：
[0031]整理成对的甲骨摹本图像与甲骨拓片图像，构建摹本生成数据集；
[0032]构造面向摹本生成的生成对抗网络模型OBTGAN；
[0033]利用摹本生成数据集，采用CycleGAN模型训练方法训练生成模型；
[0034]利用训练好的生成对抗网络得到生成的摹本图像。
[0035]如图1所示，本专利技术的核心思路是利用对抗神经网络技术通过训练成对拓片
‑
摹本图像得到图像生成模型。因此，技术方案将从训练数据、模型结构与训练方法三个方面进行阐述：
[0036]训练数据
[0037]考虑到训练数据要求匹配的拓片摹本对，本专利技术选取了《殷墟小屯村中南甲骨》中的图像数据作为训练与测试样本，训练样本图像来自甲骨文大数据平台《殷契文渊》。该著录共有图片对531对，筛除11对存在问题的图片后，随机选取了348对图像作为训练数据，172对图像作为测试数据。为了突出摹本的黑色线条，在读取摹本时，对摹本进行了腐蚀处理，腐蚀核尺寸为(2，2)。
[0038]模型结构
[0039]构造生成对抗网络模型，该模型由生成器与判别器两部分组成，其中，判别器为马尔科夫判别器(PatchGAN)，如图2所示，生成器在传统生成器结构的基础上做了如下改动：1、在生成器中使用了残差网络模块作为特征提取的基本模块；下采样方式时通过卷积步长为2的方式代替了池化进行特征压缩；在第一次下采样完成后，插入Spatial Attention层对低级语义特征进行加权；在全部下采样完成后，将提取的高级语义特征利用嵌入了Channel Attention结构的残差网络再次提取特征后进行上采样；上采样模块借鉴了Unet结构的特征共享思想，将下采样过程中的低级语义特征与上采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法，其特征在于，包括：输入甲骨拓片图像至面向摹本生成的生成对抗网络模型OBTGAN，得到甲骨拓片图像中的甲骨片轮廓与字符；其中，所述面向摹本生成的生成对抗网络模型OBTGAN包括：生成器和与所述生成器输出连接的判决器；所述生成器，包括：在残差网络的第三次下采样完成前，插入SpatialAttention层对低级语义特征进行加权；在残差网络的全部下采样完成后，将高级语义特征利用嵌入Channel Attention结构的残差网络，再次提取特征后进行上采样，获得特征矩阵；采用了Unet结构，将加权后的低级语义特征与特征矩阵进行跳跃连接。2.如权利要求1所述的基于生成对抗网络的甲骨片轮廓与字符痕迹自动提取方法，其特征在于，所述面向摹本生成的生成对抗网络模型OBTGAN的损失函数包括：对抗损失函数，重构损失函数与循环一致性损失函数。3.如权利要求3所述的基于生成对抗网络的甲骨片轮廓与字符痕...

【专利技术属性】
技术研发人员：李邦，张展，郭安，丁增茂，吴琴霞，高峰，焦清局，刘永革，
申请(专利权)人：安阳师范学院，
类型：发明
国别省市：