基于深度学习的交互式网络的图像修复方法及系统技术方案

本申请涉及一种基于深度学习的交互式网络的图像修复方法及系统，该方法包括：获取待修复的目标图片，目标图片具有多处残损区域；利用基于深度学习的交互式分割网络，对采用预设方式选定残损区域后的目标图片进行处理，生成与目标图片对应的目标蒙版图，目标蒙版图用于表征目标图片待修复的残损区域；将目标蒙版图和目标图片联合输入到预设的图像修复模型中，输出完成修复的图片。通过本申请，解决了相关技术中对图像修复时仅考虑图像修复网络的修复效果，易造成图像修复失败、图像修复效果不佳的问题，实现了获得精确的残损区域，修复得到符合人视觉感知的结果的图像，图像修复灵活性及可控性好的有益效果。活性及可控性好的有益效果。活性及可控性好的有益效果。

【技术实现步骤摘要】
基于深度学习的交互式网络的图像修复方法及系统


[0001]本申请涉及数字图像处理
，特别是基于深度学习的交互式网络的图像修复方法及系统。

技术介绍

[0002]对于历史年代久远的壁画，由于墙体不利于壁画的长期保存，会出现各种各样的破损，如褪色、变色、脱落等。传统的人力手工修复都是不可逆的操作，存在造成壁画不可逆的二次损坏的风险；而采用数字图像处理对壁画进行修复，无需要对原始作品进行直接处理，并且能按艺术需求对修复结果进行调整，从而让无损修复成为可能，可以提高修复的灵活度。
[0003]在相关技术中，对壁画图像修复大多参考图中破损区域附近的纹理上下文,以周边纹理为基础进行填充；或以模板库的模板与当前区域的匹配进行复制粘贴.这类方法的修复结果往往缺乏自然过渡,难以符合人的视觉感知；同时，相关技术中，随着深度学习的神经网络的成熟，采用基于神经网络的模型进行图像修复，可依据给定区域的周边纹理和结构合成较平滑自然的修复区域。
[0004]相关技术中，习知的对图像修复的方法，均需要获取破损区域，以进行虚拟修复，然而，相关技术中的全自动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的交互式网络的图像修复方法，其特征在于，包括：获取待修复的目标图片，其中，所述目标图片具有多处残损区域；利用基于深度学习的交互式分割网络，对采用预设方式选定所述残损区域后的所述目标图片进行处理，生成与所述目标图片对应的目标蒙版图，其中，所述目标蒙版图用于表征所述目标图片待修复的残损区域；将所述目标蒙版图和所述目标图片联合输入到预设的图像修复模型中，输出完成修复的图片，其中，所述图像修复模型是根据预设的样本图片、基于所述样本图片构建的残损样本图片及所述残损样本图片对应的蒙版图进行训练的。2.根据权利要求1所述的图像修复方法，其特征在于，利用基于深度学习的交互式分割网络，对采用预设方式选定所述残损区域后的所述目标图片进行处理，生成与所述目标图片对应的目标蒙版图，包括：对所述目标图片进行预处理，得到初始图片，其中，所述预处理至少包括以下其中一种：翻转增强、裁剪、消噪；获取用户在所述初始图片所对应的像素点中所点击的种子点，并基于所点击的所有所述种子点生成分割引导图，其中，所述种子点用于表征所述残损区域所对应的边界点；以所述分割引导图为引导，利用所述交互式分割网络对所述初始图片进行分割，得到所述目标蒙版图。3.根据权利要求2所述的图像修复方法，其特征在于，基于所点击的所有所述种子点生成分割引导图，包括：按序将所有所述种子点连接，生成分割边界；以所述分割边界，将所述初始图片中处于所述分割边界内的像素点，生成正分割引导图，以及将所述初始图片中处于所述分割边界外的像素点，生成负分割引导图，其中，所述分割引导图包括所述正分割引导图和所述负分割引导图。4.根据权利要求2所述的图像修复方法，其特征在于，所述交互式分割网络是采用以深度残差网络ResNet为主干网络的语义分割算法DeepLabV3+，并进行多个特征方向反向传播细化f
‑
BRS所生成的交互式分割网络。5.根据权利要求1所述的图像修复方法，其特征在于，所述图像修复模型包括对抗边缘模型Edge Connect，所述...

【专利技术属性】
技术研发人员：林聪，陈海佳，刘晓翔，陈建星，俞天秀，王春雪，周颜林，
申请(专利权)人：暨南大学，
类型：发明
国别省市：