[发明专利]一种针对壁画的破损图像补全方法

权利要求书

1.一种针对壁画的破损图像补全方法，包括以下步骤：

(1)建立并训练一个颜色补全模型，通过模型对训练数据集的特征学习，完成颜色补全模型的建立，得到可以正确预测缺失区域颜色块的初步修复的图像记作I₁，步骤如下：

第1步：生成多幅图像遮罩图当做训练模型的一个输入记作M，收集多幅完整壁画图像记作I，并对各个完整壁画图像进行数据扩充扩充数据的多样性，当做训练模型的另一个输入，构造训练数据集；

第2步：通过深度学习方法，对目标图像进行滑动窗口似的卷积核进行特征提取，学习训练数据的图像特征，同时使用损失函数L_adv对训练过程进行优化，使得生成对抗神经网络中的生成模型生成的图片足够真实，这里的损失函数L_adv是指生成对抗神经网络的损失函数：

其中D(.)表示生成对抗神经网络的判别模型，其输出为概率值；G(I,M)表示生成对抗神经网络中的生成模型，其输出为一张图片，即初步修复的图像I₁，I₁＝G(I,M)，两种模型都是若干卷积神经网络的叠加；当判别模型判别来自生成模型生成的图片时，D(I₁)-＞0，则(1-D(I₁))-＞1，即E_fake[log(1-D(I₁))-＞0，当判别模型判别真实图片时使E_real[logD(I)]-＞1，数学符号-表示趋近，生成模型G(I,M)的损失函数是极小值函数，通过不断优化L_adv函数，使得生成模型G(I,M)和判别模型D(.)的参数逐步达到最优值；

第3步：对生成对抗神经网络模型进行迭代训练，设置迭代次数，同时通过目标函数L_l1＝||I₁-I||₁对当前的生成模型进行评估，直到对抗神经网络模型的损失函数收敛，这里的L_l1损失函数是曼哈顿距离损失；

(2)其次建立纹理补全模型，充分利用在生成对抗网络的输出图I₁的基础上，对I₁进行基于纹理的自适应图像修补方法，完成纹理模型的建立，得到可以正确预测缺失区域纹理的修复图像I₂；具体步骤如下：

第1步：在I₁的基础上计算破损区块的优先级，确定纹理缺损区的优先顺序；通过计算边界坐标点p的置信度项与数据项N(p)与O(p)，得到带有颜色指导的待补全像素块的优先级的坐标值，其中，优先级函数为：P(p)＝αN(p)+βO(p)，α＝1，β＝3；

第2步：提取I₁的纹理图记作I_t，将纹理补全模型的第1步中得到的带有颜色指导的待补全像素块坐标值传递给I_t使得纹理图预测缺失区域的纹理，得到纹理的修补图像记作I_t1；

第3步：重复步骤1和2，直到补全完成得到I₂；

(3)将前两步得到的分别具有缺失区域颜色和纹理的壁画进行融合，使得补全结果更加完备，融合图像为：σ＝0.8，I₁和I₂表示颜色补全模型和纹理补全模型的结果图。