【技术实现步骤摘要】
本申请涉及一种基于可分离卷积网络的山水画图像超分辨率重建方法，属于计算机图像处理。
技术介绍
1、中国传统绘画是中华文化中至关重要的一部分，不仅具有重要的艺术、历史和文化价值，而且也代表了深厚的传统和独特的艺术形式。中国传统山水画作为中国传统绘画的一个分支，是中国独特的非物质文化遗产。对其进行保护和修复工作不仅有助于保护艺术文化成就，还能促进文化多样性避免文化同质化和丧失独特的艺术形式。当代艺术家可以获得学习和借鉴的资源，激发他们的创作灵感和创新能力。同时，中国传统壁画早在石器时代就出现了，作为人类历史上最早的绘画形式之一，拥有悠久的历史，其修复和保护工作也为研究者提供深入了解和探索中国传统文化和艺术的机会，这有助于推动历史研究的发展，为更好地理解和欣赏这些珍贵的艺术作品提供了有力的支持。
2、在文化遗产修复和保护工作中，对于受损或残缺的山水画作品，图像超分辨率修复算法通过增加像素数量和准确度，恢复失真的颜色和元素特征，使作品更符合原作的风格和艺术特点。这不仅让观众更好地欣赏画作的细节和质感，也使得修复后的作品能更好地传递原作的艺术表现和技巧。
3、中国传统山水画色彩注重“淡墨轻彩”，通过对画作中元素的色彩、光影变化以来刻画自然环境的形态特点来表达情感特征。而使用单一损失函数指导模型训练难以捕捉到山水画中丰富的纹理细节，重建效果拟合人眼感觉舒适的图像分布。计算欧氏距离容易出现对图像低频信息(图像色彩、明暗以及饱和度)鲁棒性低且对杂质的高敏感性的问题，而感知损失关注全局特征无法量化细节差异，导致重建时高频信
4、中国传统山水画拥有独特的技法和布局特点，景物有立体感和深度感，同时画面中的自然景物如山、树、花、草等又具有细腻的线条和丰富的纹理细节，现有的深度学习模型将卷积神经网络(convolutional neural network，简称：cnn)融入重建模型(有称：sr模型)中得到了重建效果的提升。但现有方法大多仅通过加深网络层数、加大模型体量来捕获图像单一尺度信息，不但无法适应图像多尺度变化也会导致图像高频信息的丢失，尽管提升了模型重建真实世界图像的能力，但迁移到纹理细节丰富、布局特征复杂的中国传统山水画时并不适用，模型复杂性增加也消耗了大量的图形内存和计算复杂度。同时，很难在保证提取图像浅层特征的同时，理解深层语义信息和高频信息，还原出纹理细节丰富、视觉感自然的山水画图像。
5、因此，现有技术需要一种能够针对中国传统绘画的超分辨率修复方法，来重建出结构完整、纹理细节丰富的中国传统绘画。
技术实现思路
1、本申请提供了一种基于可分离卷积网络的山水画图像超分辨率重建方法，解决了现有的超分辨率模型迁移到特征复杂的中国山水画中，出现的纹理细节模糊以及全局信息丢失的问题。
2、针对上述问题，本申请提出的具体方案如下：
3、本专利技术公开了一种基于可分离卷积网络的山水画图像超分辨率重建方法，包括：
4、步骤1，建立山水画的原始图像数据集，对原始图像数据集进行预选处理，得到预训练图像数据集和测试图像数据集；
5、步骤2，对预训练图像数据集进行退化处理，得到待重建图像数据集；
6、步骤3，将待重建图像数据集在超分辨率山水画图像模型重建器上进行预训练，得到预训练参数，通过预训练参数对超分辨率山水画图像模型进行调整，所述预训练中采用对抗损失函数配合训练；
7、步骤4，将测试图像数据集中输入经过步骤3调整后的超分辨率山水画图像模型上进行重建，得到超分辨率山水画图像。
8、优选地，所述步骤1中的预选处理，至少包括筛选、旋转和裁切。
9、优选地，所述步骤2中的退化处理，至少包括一阶退化处理和二阶退化处理，所述二阶退化处理是基于一阶退化处理基础上对预训练图像数据集进行处理。
10、优选地，所述一阶退化处理和所述二阶退化处理均包括模糊处理、下采样处理、噪声处理和压缩处理，使预训练图像数据集的山水画图像模糊化成所述待重建图像数据集。
11、优选地，所述超分辨率山水画图像模型重建器包括生成器和判别器；
12、所述生成器由增强自适应残差块earm、上采样模块以及第一卷积模块组成；
13、所述增强自适应残差块earm由增强高频保留模块ehrm以及第二卷积模块组成；
14、所述增强高频保留模块ehrm由自适应深度卷积模块adcb、高频滤波模块、处理通道模块、第三卷积模块组成；
15、其中，处理通道模块包括第一处理通道和第一处理通道残差连接的第二处理通道；
16、所述自适应深度卷积块adcb由drb模块、第二通道注意力层模块、第二gelu激活层模块和第四卷积模块组成；
17、所述drb单元由深度可分离卷积块、归一化模块、逐点卷积模块与第三gelu激活层模块组成。
18、优选地，所述步骤4对待重建图像数据集在超分辨率山水画图像模型上进行预训练至少包括：
19、s301，向超分辨率山水画图像模型中输入待重建图像数据集中的待重建图像q1，使用生成器对待重建图像q1迭代卷积形成超分重建图像w1，保存生成器中迭代卷积形成的超分重建图像w1的参数数据；
20、s302，将超分重建图像w1与预训练图像数据集中对应的训练图像x输入判别器中进行比对；
21、若所述超分重建图像w1与训练图像x相似度不低于93％时，保留处理该生成器中迭代卷积参数，基于该迭代卷积参数对生成器进行重新加载；若否则重复s301；
22、s303，重复s301～s302，对所述待重建图像数据集中所有待重建图像进行处理，使得超分辨率山水画图像模型的迭代卷积参数收敛固定，得到超分辨率山水画图像模型。
23、优选地，所述生成器对待重建图像q1迭代卷积形成超分重建图w至少包括：
24、a，将待重建图像q1输入第一卷积模块迭代卷积形成初级特征图q1，所述生成器保存初级特征图q1以及迭代卷积形成初级特征图q1的参数数据v1；
25、b，将初级特征图q1输入增强自适应残差块earm中，经过增强自适应残差块earm深层提取的得到深层特征图f1，深层特征图f1输入第一卷积模块迭代卷积形成初级深层特征图f2以及迭代卷积形成初级深层特征图f2的参数数据v2；
26、c，将初级特征图q1与初级卷积深层特征图f2分别输入上采样模块进行采样后再次输入第一卷积模块，所述初级特征图q1迭代卷积形成次初级特征图q2，所述初级卷积深层特征图f2迭代卷积形成次初级深层特征图f3；
27、d，将次初级特征图q2与次初级深层特征图f2融合得到超分重建图像w1；整合a中的参数数据v1和b中的参数数据v2，得到超分重建图像w1的参数数据。
28、优选地，所述步骤b中经过增强自适应残差块earm深层提取的得到深层特征图f1包括：初级特征图q1经过若干个增强本文档来自技高网...
【技术保护点】
1.基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述步骤1中的预选处理，至少包括筛选、旋转和裁切。
3.根据权利要求2所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述步骤2中的退化处理，至少包括一阶退化处理和二阶退化处理，所述二阶退化处理是基于一阶退化处理基础上对预训练图像数据集进行处理。
4.根据权利要求3所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述一阶退化处理和所述二阶退化处理均包括模糊处理、下采样处理、噪声处理和压缩处理，使预训练图像数据集的山水画图像模糊化成所述待重建图像数据集。
5.根据权利要求1所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述超分辨率山水画图像模型重建器包括生成器和判别器；
6.根据权利要求5所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述步骤3对待重建图像数据集在超分辨率山水画图像模型上进行预训
7.根据权利要求6所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述生成器对待重建图像Q1迭代卷积形成超分重建图W至少包括：
8.根据权利要求7所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述步骤b中经过增强自适应残差块EARM深层提取的得到深层特征图F1包括：初级特征图q1经过若干个增强高频保留模块EHRM高频保留得到高频保留特征图G1，高频保留特征图G1通过第二卷积模块卷积得到深层特征图F1。
9.根据权利要求8所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述自适应深度卷积模块ADCB进行深度卷积，至少包括：
10.根据权利要求5所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述步骤4中所述预训练中采用对抗损失函数配合训练包括：采用L1损失函数、感知损失函数和多尺度结构相似性损失函数组成形成优化损失函数，具体公式如下：
...【技术特征摘要】
1.基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述步骤1中的预选处理，至少包括筛选、旋转和裁切。
3.根据权利要求2所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述步骤2中的退化处理，至少包括一阶退化处理和二阶退化处理，所述二阶退化处理是基于一阶退化处理基础上对预训练图像数据集进行处理。
4.根据权利要求3所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述一阶退化处理和所述二阶退化处理均包括模糊处理、下采样处理、噪声处理和压缩处理，使预训练图像数据集的山水画图像模糊化成所述待重建图像数据集。
5.根据权利要求1所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述超分辨率山水画图像模型重建器包括生成器和判别器；
6.根据权利要求5所述的基于可分离卷积网络的山水画图像超分辨率重建方法，其特征在于，所述...
【专利技术属性】
技术研发人员：胡琦瑶，谢鹏林，赵万青，薛文喆，张翔，章勇勤，彭先霖，彭盛霖，彭进业，范建平，
申请(专利权)人：西北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。