一种古画数字图像修复方法及系统技术方案

本发明专利技术公开一种古画数字图像修复方法，包括：获取欲修复的古画数字图像，并对所述古画数字图像进行分析，确定古画的伤情信息和色彩信息根据所述伤情信息和色彩信息，制定修复方案，所述修复方案包括算法修复方法、算法修复标准以及人工视觉判断要求；根据所述算法修复方法，对所述古画数字图像进行伤情修复处理；在伤情修复完成后，通过所述算法修复标准和所述人工视觉判断要求对伤情修复结果进行评估，在评估结果为伤情修复结果满足所述算法修复标准和所述人工视觉判断要求的情况下，判断所述古画数字图像修复成功。本发明专利技术使得古画修复结果不再基于生硬的图像处理效果，而是达到接近古画本身的画面和色彩效果，使得古画修复更科学化，更体系化。更体系化。更体系化。

【技术实现步骤摘要】
一种古画数字图像修复方法及系统


[0001]本专利技术涉及古画修复
，具体来说，涉及一种古画数字图像修复方法及系统。

技术介绍

[0002]中国古画是反映中国古代文化和艺术的瑰宝。古画因为保存不当，很多地方已经出现损伤，导致古画内容缺失，甚至画布亦遭破坏。古画修复在文物保护、文化传播以及历史研究领域具有至关重要的作用和意义。传统的物理修复方法(针对的中国古画包括纸绢本中国古代绘画和古代壁画)容易对文物造成二次损坏。
[0003]随着摄影技术的不断发展，已经可以获得高清晰的古画数字图像。针对古画的数字图像进行修复，可以多次尝试不会产生二次损坏问题，并能对物理修复起到指导作用和尝试练习的作用。
[0004]然而，现有针对古画的数字图像进行修复所采用的方法普遍是将传统的图像处理方法用于到对古画上，但这种方式主要是基于数字图像本身的处理，其在修复过程中考虑的是图像特征的融合和提取，而并不是基于古画本身所进行开展的。对于古画修复来说，其不仅需要考虑古画所呈现的图像，还要考虑古画的色彩以及材料对色彩影响等固有特性，因此，基于传统的图像处理技术修复出的古画无法达到古画的修复要求。
[0005]针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

[0006]本专利技术的目的是提出一种古画数字图像修复方法及系统，以解决现有相关技术所存在的上述技术问题。
[0007]本专利技术的技术方案是这样实现的：
[0008]根据本专利技术的一方面，提供了一种古画数字图像修复方法。
[0009]该古画数字图像修复方法，包括：
[0010]获取欲修复的古画数字图像，并对所述古画数字图像进行分析，确定古画的伤情信息和色彩信息；
[0011]根据所述伤情信息和色彩信息，制定修复方案，所述修复方案包括算法修复方法、算法修复标准以及人工视觉判断要求；
[0012]根据所述算法修复方法，对所述古画数字图像进行伤情修复处理；
[0013]在伤情修复完成后，通过所述算法修复标准和所述人工视觉判断要求对伤情修复结果进行评估，在评估结果为伤情修复结果满足所述算法修复标准和所述人工视觉判断要求的情况下，判断所述古画数字图像修复成功。
[0014]其中，对所述古画数字图像进行分析，确定古画的伤情信息和色彩信息包括：通过古画修复专家基于专家知识经验和算法专家基于计算机图像修复规律，对所述古画数字图像进行人工分析，确定所述古画数字图像的伤情信息；对所述古画数字图像的图像色彩进
行采集分析，选取复合画面色彩特征的色彩RBG取值范围，并根据所述色彩RBG取值范围，确定所述古画的色彩信息。
[0015]其中，根据所述伤情信息和色彩信息，制定修复方案包括：根据所述伤情信息和所述色彩信息，通过古画修复专家基于专家知识经验和算法专家基于计算机图像修复规律，选取所述古画数字图像的算法修复方法；基于选取的算法修复方法，制定算法修复标准和人工视觉判定要求。
[0016]可选的，所述伤情信息包括以下至少之一：长断裂信息、大面积缺损信息、小面积缺损信息、变色信息、画面模糊信息、线条缺失信息、墨色缺失信息。
[0017]其中，根据所述算法修复方法，对所述古画数字图像进行伤情修复包括：基于所述伤情信息，采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法，对所述古画数字图像进行伤情修复。
[0018]其中，基于所述伤情信息，采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法，对所述古画数字图像进行伤情修复包括：对所述古画数字图像，按照长断裂和/或大面积缺损部分、小面积缺损和/或变色和/或模糊部分、线条和/或墨色缺失部分的顺序依次采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法进行对应伤情修复。
[0019]此外，基于所述伤情信息，采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法，对所述古画数字图像进行伤情修复还包括：在每个部分的伤情修复完成后，通过古画修复专家对修复结果进行人工判断；在判断结果为满意修复结果的情况下，再对下一部分进行伤情修复；在判断结果为不满意修复结果的情况下，再次对该部分采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法进行伤情重复修复。
[0020]可选的，所述伤情重复修复的次数为1
‑
2次。
[0021]此外，所述古画数字图像修复方法，还包括：根据所述算法修复方法对所述古画数字图像进行伤情修复处理之前，对所述古画数字图像进行去噪处理。
[0022]根据本专利技术的另一方面，提供了一种古画数字图像修复系统。
[0023]该古画数字图像修复系统，包括：
[0024]古画分析模块，用于获取欲修复的古画数字图像，并对所述古画数字图像进行分析，确定古画的伤情信息和色彩信息；
[0025]方案制定模块，用于根据所述伤情信息和色彩信息，制定修复方案，所述修复方案包括算法修复方法、算法修复标准以及人工视觉判断要求；
[0026]伤情修复模块，用于根据所述算法修复方法，对所述古画数字图像进行伤情修复处理；
[0027]修复判断模块，用于在伤情修复完成后，通过所述算法修复标准和所述人工视觉判断要求对伤情修复结果进行评估，在评估结果为伤情修复结果满足所述算法修复标准和所述人工视觉判断要求的情况下，判断所述古画数字图像修复成功。
[0028]其中，所述古画分析模块包括：人工伤情确定模块、人工色彩确定模块，人工伤情确定模块，用于通过古画修复专家基于专家知识经验和算法专家基于计算机图像修复规律，对所述古画数字图像进行人工分析，确定所述古画数字图像的伤情信息；人工色彩确定
模块，用于对所述古画数字图像的图像色彩进行采集分析，选取复合画面色彩特征的色彩RBG取值范围，并根据所述色彩RBG取值范围，确定所述古画的色彩信息。
[0029]其中，所述方案制定模块包括：算法选取模块、要求制定模块，算法选取模块，用于根据所述伤情信息和所述色彩信息，通过古画修复专家基于专家知识经验和算法专家基于计算机图像修复规律，选取所述古画数字图像的算法修复方法；要求制定模块，用于基于选取的算法修复方法，制定算法修复标准和人工视觉判定要求。
[0030]可选的，所述伤情信息包括以下至少之一：长断裂信息、大面积缺损信息、小面积缺损信息、变色信息、画面模糊信息、线条缺失信息、墨色缺失信息。
[0031]其中，所述伤情修复模块根据所述算法修复方法，对所述古画数字图像进行伤情修复时，基于所述伤情信息，采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法，对所述古画数字图像进行伤情修复。
[0032]其中，所述伤情修复模块包括伤情修复子模块，用于对所述古画数字图像，按照长断裂和/或大面积缺损部分、小面积缺损和/或变色和/或模糊部分、线条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种古画数字图像修复方法，其特征在于，包括：获取欲修复的古画数字图像，并对所述古画数字图像进行分析，确定古画的伤情信息和色彩信息；根据所述伤情信息和色彩信息，制定修复方案，所述修复方案包括算法修复方法、算法修复标准以及人工视觉判断要求；根据所述算法修复方法，对所述古画数字图像进行伤情修复处理；在伤情修复完成后，通过所述算法修复标准和所述人工视觉判断要求对伤情修复结果进行评估，在评估结果为伤情修复结果满足所述算法修复标准和所述人工视觉判断要求的情况下，判断所述古画数字图像修复成功。2.根据权利要求1所述的古画数字图像修复方法，其特征在于，对所述古画数字图像进行分析，确定古画的伤情信息和色彩信息包括：通过古画修复专家基于专家知识经验和算法专家基于计算机图像修复规律，对所述古画数字图像进行人工分析，确定所述古画数字图像的伤情信息；对所述古画数字图像的图像色彩进行采集分析，选取复合画面色彩特征的色彩RBG取值范围，并根据所述色彩RBG取值范围，确定所述古画的色彩信息。3.根据权利要求1所述的古画数字图像修复方法，其特征在于，根据所述伤情信息和色彩信息，制定修复方案包括：根据所述伤情信息和所述色彩信息，通过古画修复专家基于专家知识经验和算法专家基于计算机图像修复规律，选取所述古画数字图像的算法修复方法；基于选取的算法修复方法，制定算法修复标准和人工视觉判定要求。4.根据权利要求3所述的古画数字图像修复方法，其特征在于，所述伤情信息包括以下至少之一：长断裂信息、大面积缺损信息、小面积缺损信息、变色信息、画面模糊信息、线条缺失信息、墨色缺失信息。5.根据权利要求4所述的古画数字图像修复方法，其特征在于，根据所述算法修复方法，对所述古画数字图像进行伤情修复包括：基于所述伤情信息，采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法，对所述古画数字图像进行伤情修复。6.根据权利要求5所述的古画数字图像修复方法，其特征在于，基于所述伤情信息，采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法，对所述古画数字图像进行伤情修复包括：对所述古画数字图像，按照长断裂和/或大面积缺损部分、小面积缺损和/或变色和/或模糊部分、线条和/或墨色缺失部分的顺序依次采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法进行对应伤情修复。7.根据权利要求6所述的古画数字图像修复方法，其特征在于，基于所述伤情信息，采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法，对所述古画数字图像进行伤情修复还包括：在每个部分的伤情修复完成后，通过古画修复专家对修复结果进行人工判断；在判断结果为满意修复结果的情况下，再对下一部分进行伤情修复；
在判断结果为不满意修复结果的情况下，再次对该部分采用基于古画数字图像训练后的快速傅里叶卷积神经网络算法和基于扩散的深度学习方法进行伤情重复修复。8.根据权利要求7所述的古画数字图像修复方法，其特征在于，所述伤情重复修复的次数为1
‑
2次。9.根据权利要求1
‑
8中任意一项所述的古画数字图像修复方法，其特征在于，还包括：根据所述算法修复方法对所述古画数字图像进行伤情修复处理之前，对所述古画数字图像进行去噪处理。10.一种古画数字图像修复系统，其特征在于，包...

【专利技术属性】
技术研发人员：刘卉元，
申请(专利权)人：刘卉元，
类型：发明
国别省市：