[发明专利]基于卷积神经网络的壁画线描图生成算法

说明书

本发明涉及一种基于卷积神经网络的壁画线描图生成算法，包括以下步骤：收集壁画和线描数据，建立壁画‑线描数据集；基于VGG16模型搭建深层卷积神经网络模型；使用制作好的壁画‑线描数据集通过梯度下降算法进行模型训练；利用验证集进行验证，如果在验证集上损失下降，则保存模型；在此期间不断在验证集上进行调优，并使用最优模型在测试集上进行测试。本发明设计合理，其通过建立壁画‑线描数据集、基于VGG16进行改进并搭建深层卷积神经网络模型、利用梯度下降算法进行模型训练、调整学习率等方式进行验证调优，最后测试输出高质量的线描图，并且不需要进一步的边界连接过程，处理速度很快。

技术领域

本发明属于计算机图像处理技术领域，尤其是一种基于卷积神经网络的壁画线描图生成算法。

背景技术

壁画是我国珍贵的文化遗产之一，而起底于敦煌壁画的线描画，既是中国传统绘画特有的一种绘画方式，又是一种特殊的壁画保护手段，具有重要的研究价值。传统的线描绘制主要依靠手工操作。

由于壁画的特殊性,画工只能依靠局部灯光进行绘制。随着多媒体技术的推广,可对洞窟壁画进行拍照或录制,画工再比对着数字壁画进行线描绘制工作。依靠手工进行线描绘制的过程十分复杂并且非常耗时,与壁画面临的威胁蔓延的速度相比,以此达到保护壁画的目的十分微小。而利用计算机和图像处理技术,对壁画进行线描生成过程,既不会对文物造成损害,也具有高效、可复用等传统方法没有的特点。因此有必要针对数字化壁画开展线描图生成技术研究。

线描图生成关键技术涉及边缘提取。传统的Sobel滤波器、Canny检测器具有广泛的应用，但是这些检测器只考虑到局部的急剧变化，特别是颜色、亮度等的急剧变化，通过这些特征来找边缘。2013年，研究人员使用数据驱动的方法来学习怎样联合颜色、亮度、梯度这些特征来做边缘检测。当然，还有一些流行的方法，比如Pb,gPb，StrucutredEdge等。传统的基于特征的方法，最好的结果只有0.7，这很大程度上是因为传统的人工设计的特征并没有包含高层的物体级别信息，导致有很多的误检。将这些算子直接应用于线描画的提取时,会对笔道两侧产生响应,从而出现同一笔道对应二个边缘的情况。于是研究者们尝试用卷积神经网络CNN，探索是否可以通过内嵌很多高层的、多尺度的信息来解决这一问题。近几年，有一些基于CNN的方法的工作，如DeepEdge,DeepContour,HED和RCF等。这些方法在伯克利分割Benchmark上的结果较之前有了很大的提升，但并不适用于壁画数据。

经过检索发现，目前与壁画图像处理有关的国内发明专利主要集中在壁画图像的数字化修复、壁画图像采集以及壁画分类识别。以上专利并没有涉及彩色壁画图像的线描图提取或生成过程，与本专利内容并不相关。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、处理速度快且生成线描图能保留壁画主结构和艺术风格的基于卷积神经网络的壁画线描图生成算法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于卷积神经网络的壁画线描图生成算法，包括以下步骤：

步骤1、收集壁画和线描数据，建立壁画-线描数据集；

步骤2、基于VGG16模型搭建深层卷积神经网络模型；

步骤3、使用制作好的壁画-线描数据集通过梯度下降算法进行模型训练；

步骤4、利用验证集进行验证，如果在验证集上损失下降，则保存模型；在此期间不断在验证集上进行调优，并使用最优模型在测试集上进行测试。

进一步，所述壁画-线描数据集包括原始输入的壁画图像和真实线描图，并将全部数据分为训练集、验证集和测试集。

进一步，所述步骤2的具体实现方法包括以下内容：