[发明专利]一种层次化彩绘文物线稿提取模型构建、方法及装置

说明书

本发明公开了一种层次化彩绘文物线稿提取模型构建、方法及装置，首先通过提出新的加权损失函数，在BDCN边缘检测神经网络中引入传统FDoG方法，从而得到更加完整的线稿粗提取结果；再通过提出新的多尺度U‑Net网络，在粗提取的基础上抑制病害，得到更为细致、干净的线稿图像。该方法有效结合了BDCN神经网络和传统FDoG方法的优点，在学习明显边缘的同时能够同时学习细节，使得提取的线稿更加完整，甚至补充部分受病害影响断裂的线稿，进一步的，通过多尺度U‑Net网络细化线稿，抑制病害。与现有方法相比，该方法在干净以及复杂背景下均能更有效提取文物线稿图像。

技术领域

本发明涉及彩绘文物线稿提取方法，具体涉及一种层次化彩绘文物线稿提取模型构建、方法及装置。

背景技术

彩绘文物作为历史的物质遗存，其蕴含着不同时代、不同地域的文化艺术、宗教信仰及环境变迁，不仅传承了一国历史的文化精华、丰富了世界文化的多样性，也为人类研究历史提供了宝贵的素材。彩绘文物的线稿反映了彩绘图案的主要结构及内容，是临摹、修复彩绘文物的重要环节。然而，由于年代久远，很多彩绘文物受自然环境、人为因素等影响，产生了不同程度的病害，如起甲、干裂、褪色等，这使得彩绘文物背景变得复杂，对线稿的准确提取提出了挑战。

传统的线稿绘制主要依靠手工，绘制过程十分复杂并且非常耗时。利用计算机和图像处理技术对彩绘文物线稿进行提取具有高效、可复用等优点。线稿提取关键技术涉及边缘提取。目前，边缘提取技术主要涉及两类：传统图像处理算法和基于深度学习的算法。较经典的传统图像处理算法包括Canny算子、FDoG算法等，Canny算子生成的线稿平滑程度较差，且存在抖动现象；FDoG算法提高了线条的连续性，对干净背景的文物图像有较好的提取效果，但对于复杂背景其受噪声影响较大，将提取很多非线稿边缘，准确度大大降低。近年来，基于深度学习的边缘提取技术包括：HED、RCF、BDCN等神经网络，由于可以通过大量样本学习可以引入先验知识，边缘检测的准确度大大提高。但是如果将上述基于神经网络的方法直接应用于文物数据，特别是具有复杂背景的文物数据，其提取的边缘存在模糊、伪影以及细节丢失严重的问题。

发明内容

本发明的目的在于提供一种FDoG与神经网络的层次化彩绘文物线稿提取模型构建及方法，用以解决现有技术中的彩绘文物线稿提取方法存在的复杂病害背景下的文物线稿提取质量低的问题。

为了实现上述任务，本发明采用以下技术方案：

一种层次化彩绘文物线稿提取模型构建方法，所述的方法按照以下步骤执行：

步骤1、采集多幅彩绘文物图像，获得第一样本集；

采用FDoG算法对第一样本集中每一幅彩绘文物图像的线稿图像进行边缘提取，获得FDoG标签集；

获取第一样本集中每一幅彩绘文物图像的线稿图像，获得第一线稿标签集；

步骤2、将所述的第一样本集作为输入，将所述的FDoG标签集以及第一线稿标签集作为参考输出，训练边缘提取网络，获得粗提取模型；

所述的边缘提取网络是采用边缘数据集作为输入，采用边缘标签集作为参考输出，训练BDCN边缘检测网络后获得的；

其中所述的边缘数据集包括多幅自然图像，所述的边缘标签集包括边缘数据集中每幅自然图像对应的边缘标签图像以及边缘数据集中每幅自然图像经过边缘提取后获得的FDoG边缘标签图像；

步骤3、采集多幅彩绘文物图像，获得第二样本集；其中所述第二样本集中的每一幅彩绘文物图像与第一样本集中的彩绘文物图像均不相同；

获取第二样本集中每一幅彩绘文物图像的线稿图像，获得第二线稿标签集；

步骤4、将所述步骤3获得的第二样本集输入至步骤2获得的粗提取模型中，获得粗线稿图像集；