[发明专利]基于条件对抗网络的缺损古籍汉字修复方法

权利要求书

1.基于条件对抗网络的缺损古籍汉字修复方法，其特征在于，具体按照以下步骤实施：

步骤1、建立n个文件夹，分别对应n个不同的手写汉字图像，每个文件夹内分别放入m个汉字图像，最终得到n*m张图片，作为手写汉字数据集；

步骤2、将步骤1中得到的手写汉字图像数据进行训练，通过梯度反向传播算法迭代更新辨别器神经网络权重和生成器神经网络权重；

所述步骤2具体按照以下步骤实施：

步骤2.1、随机从均值为μ，标准差为σ的高斯分布中取k维的向量z，同时在n个文件夹内随机选取其中一个文件夹内的某个图像，一个文件夹对应一个标签y，将向量z和标签y同时输入生成器G网络，随后输出标签y对应的汉字图像，输入对应的生成结果fake_img＝G(z,y)；首先向量z先经过一个神经元个数为512×4×4的全连接层FC，然后分别经过四个生成器的残差模块G_ResBlock，四个残差模块的神经元个数分别为512，256，128和64，同时标签y也输入到上述四个残差模块中，把第四个残差模块的输出作为批量归一化层BN的输入，修正线性激活函数ReLU和卷积层Conv，最后将卷积层的输出作为Tanh激活函数的输入，经过激活函数后的所得即为生成的汉字图像；

步骤2.2、将步骤2.1得到的图像fake_img＝G(z,y)和取自文件夹内的汉字图像x，分别输入辨别器网络D，输出概率值D(x)和D(fake_img)，对抗网络损失函数如下：

其中，表示x,y服从P_data真实数据概率分布的期望；表示z服从p_z分布，y服从P_data真实数据概率分布的期望；

步骤2.3、公式(1)分解为：

其中，D(x,y)D(X)表示真实图像和该图像对应的标签输入辨别器后的输出值，D(x,y)表示该图像对是否为真的概率；D(G(z,y),y)表示标签y对应的生成图像输入辨别器后的输出值，表示生成器的损失函数，表示辨别器的损失函数，w和θ分别表示为辨别器网络D的权重和生成器网络G的权重；

步骤2.4、计算步骤2.3中生成器的损失和辨别器的损失，使用Adam梯度下降方法依次更新辨别器网络权重和生成器网络的权重其中α表示梯度下降的学习率，α＝0.0002，当D(x,y)≈D(G(z,y),y)，则G(z,y)～P_data，表示生成图像越来越接近于真实图像，即认为生成器G能够生成任意手写汉字图像，即训练完成；

步骤3、将待处理的缺损手写汉字图像数据样本带入经步骤2更新的辨别器和生成器中进行迭代，得到修复后的手写汉字图像。

2.根据权利要求1所述的基于条件对抗网络的缺损古籍汉字修复方法，其特征在于，所述步骤2.1具体为：取自高斯分布的k维随机向量z，先经过一个全连接层FC，然后将全连接层FC的输出结果重塑为512×4×4张量形状，然后经过4个生成器残差模块，生成器残差模块的输入经过两个路径，首先第一条路径先经过条件批量归一化CBN、ReLU激活函数、上采样层UP、卷积核大小为3×3的卷积层Conv，然后再经过条件批量归一化CBN、ReLU激活函数、卷积核大小为3×3的卷积层Conv后输出，同时标签y输入到条件批量归一化CBN中，第二条路径先经过一个上采样层，然后经过一个卷积核大小为3×3的卷积层Conv后输出，最终将两条路径的输出相加即为最终所得，然后将最终所得经过批量归一化层BN、激活函数ReLU和卷积核大小为3×3的卷积层，最后经过Tanh激活函数，输出图像fake_img＝G(z,y)。

3.根据权利要求2所述的基于条件对抗网络的缺损古籍汉字修复方法，其特征在于，所述步骤2.1中：

G_ResBlock表示生成器残差模块，该模块输出特征图个数为512,256,128,64个；ReLU表示激活函数；BN表示批量归一化层；Conv表示卷积核为3×3的卷积层；Tanh表示激活函数；y表示某个字的标签，输入每个生成器的残差模块中。