[发明专利]一种基于GNN的文物图像复原方法

说明书

技术领域

本发明属于计算机视觉和模式识别领域，涉及模式识别、数字图像处理、人工智能、计算机科学等多门学科，具体涉及一种基于GNN网络的文物图像复原方法。

背景技术

壁画等文物具有丰富的艺术价值和历史意义，运用深度学习迁移图像风格能够节省很多人力、物力去设计、构想被破坏的文物。本文以迁移图像风格，给褪色或轻微残缺的文物上色或自动构造其残缺的形态部分，能够给文物工作者减轻构想、设计方面极大的工作量。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于GNN网络的文物图像复原方法。

技术方案：为解决上述技术问题，本发明的一种基于GNN网络的文物图像复原方法采用如下技术方案：

一种GNN网络的文物图像复原方法，包括以下步骤：

a、采集文物图像；

b、预处理步骤a中采集到的图像，对训练图像进行大小归一化处理，把较大像素的图像分割或者提取重要的部分，得到若干个训练样本，将其处理为256*256像素；

c、基于深度卷积网络构造GNN网络；

d、对GNN网络进行训练；

e、根据训练好的GNN网络复原受损的文物的图像；

f、如果在步骤b中把图像分割成较小的部分，需要将它们拼接起来；

更进一步的，步骤b中所述预处理包括图像的像素缩放，图像类型转换。

更进一步的，步骤b中所述文物图像像素过大时，裁剪需要处理的图像部分，分别处理，再组合成整张图像，或者挑取其中重点需要的某个部分。

更进一步的，已有的图像迁移研究成果经常为配对式的，物体转换跨度不大，比如不能把单色图像变成不同风格的彩色图像，步骤c采用了如下步骤实现了跨度较大的风格迁移，但是这个跨度又在可控的范围之内：

(1)将原GNN网络的输入噪声用一幅图像代替，使原始图像风格向着有较大可控方向上的迁移；

(2)采用一个自编码器对原图进行处理，输出新特征的图像，新特征图像与原图相比基本特征不变，而风格有所改变；

(3)把新特征的图像通过与(2)结构相同的自编码器进行操作得到新图像；

(4)把(1)的原始图像与(3)中得到的新图像进行相似度比较，得到一个改造的损失函数，使得共享特征后图像的变化范围在一个可控的区域内；

更进一步的，步骤c为了使得到的网络较为稳定，朝某种角度变化或色调迁移不会失真，采用两条路径双向操作，使用了以下步骤：

(1)将第一类图像作为判别器的真实输入，第二类图像经过一次自编码器后的图像作为判别器的虚假的输入，比例为1：1；

(2)将第二类图像作为判别器的真实输入，第一类图像经过一次自编码器后的图像作为判别器的虚假的输入，比例为1：1；

其中，第一类图像是原始图像，第二类图像是希望复原成某种风格的目标图像。

(3)把(1)和(2)两个步骤得到的判别器的损失函数相加得到总的损失函数；

(4)GNN网络的损失函数为非结构化的原图与经过两次自编码器后生成的图像的相似度的损失函数和生成器损失函数之和；

(5)最优化损失函数的和，使得生成图像比较稳定；

更进一步的，步骤c把判别网络(比如)的损失函数最大化右部分式子变成最小化看它的变化曲线能够满足梯度下降时，梯度变化由快到慢，结果可能会较为精确；

更进一步的，步骤c中不用k次迭代调整判别网络后再调整一次GNN网络，可以同时训练生成器和判别器；

更进一步的，步骤f中如果拼接的图像之间纹路不能很好的吻合，采用不同的分割方式，再运行一次算法，将间隙拼接起来。

有益效果：本发明的一种基于GNN网络的文物图像复原方法，能够很好的给文物着色，修复轻微残缺的部分。相比已有的方法，人为的学习当时的风俗环境，查阅各种资料，减轻了繁琐的工作量，能够自动化的完成这些工作，并且更为精准。

附图说明

图1为本发明基于GNN网络的文物图像复原方法流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于GNN网络的文物图像复原方法，把掉色、轻微残缺的壁画文物的照片风格迁移成较为完整的彩色图像，用以较佳的实施及附图配合详细说明，说明如下：