[发明专利]基于卷积神经网络进行壁画图像去噪和线描画生成的方法

摘要

本发明涉及一种基于卷积神经网络进行壁画图像去噪和线描画生成的方法，包括下列两个部分：第一部分：利用深度卷积神经网络DCNN对图像去噪。第二部分：利用基于全卷积神经网络FCN和深度监督网络边缘检测算法HED进行边缘提取：构造用于边缘提取的训练数据集；构建边缘提取网络模型；改进FCN和16层的卷积神经网络VGG，在每一个卷积层后面增加一个侧面输出层，每一个侧面输出层都和一个分类器相连，侧面输出层被实现为具有内核大小为1和输出数为1的卷积层；然后去除VGG的全链接层和第五个池化层并增加一个混合权重层，用来将所有的侧输出层的预测结果连接到一起并且在训练的过程中学习混合权重；训练边缘提取网络模型。

主权项

1.一种基于卷积神经网络进行壁画图像去噪和线描画生成的方法，包括下列两个部分：第一部分：利用深度卷积神经网络DCNN对图像去噪步骤1：准备DCNN所需的训练数据集；步骤2：设置DCNN卷积层结构与激活函数，采用整流线性单元ReLU作为激活函数；步骤3：设定DCNN的损失函数为其中是所需干净图像Y的估计值，目标在于最小化损失函数以找到深度卷积神经网络DCNN的最优参数θ，为避免梯度爆炸的问题，在训练过程中保证梯度保持在一定范围内变化；步骤4：设计DCNN的网络结构；设计滤波器尺寸为，去除所有池化层，设置网络深度为10，每个卷积层中设置64个5×5的卷积核；步骤5：设定初始学习率为0.1，使用Caffe框架利用训练数据集对DCNN进行训练；步骤6：对噪声图像进行去噪处理；将带有噪声的壁画图像输入到训练好的DCNN中进行去噪，并用有噪声壁画图像减去DCNN的输出图像得到清晰的去噪后图像。第二部分：利用基于全卷积神经网络FCN和深度监督网络边缘检测算法HED进行边缘提取，方法如下：步骤7：构造用于边缘提取的训练数据集；步骤8：构建边缘提取网络模型；改进FCN和16层的卷积神经网络VGG，在每一个卷积层后面增加一个侧面输出层，每一个侧面输出层都和一个分类器相连，侧面输出层被实现为具有内核大小为1和输出数为1的卷积层；然后去除VGG的全链接层和第五个池化层并增加一个混合权重层，用来将所有的侧输出层的预测结果连接到一起并且在训练的过程中学习混合权重，得到一个带有侧面输出层的FCN网络结构即为边缘提取网络模型；步骤9：用准备好的用于边缘提取的训练数据集以最小的损失函数为目标训练设计好的边缘提取网络模型；步骤10：将第一部分得到的去噪后图像作为输入输入到边缘提取网络进行边缘提取；从侧面输出层和混合权重层同时获得边缘预测结果，最终的输出就是将这些结果进行聚合提取得到的线描画。