[发明专利]基于改进的二元闭环神经网络的LOGO图案重建方法

权利要求书

1.基于改进的二元闭环神经网络的LOGO图案重建方法，其特征在于包括以下步骤：

步骤一、构建二元闭环神经网络的训练集

获取若干分辨率为W×H的原始高分辨率LOGO图案，进行两次图像缩放变换，得到尺寸为W×H的低分辨率图像，去噪后作为训练集的输入项；对应去噪后原始高分辨率LOGO图案作为训练集的输出项；

步骤二、构建二元闭环神经网络：

2-1构建二元闭环神经网络的原始映射：

原始映射依次由下采样层、卷积层、残差通道注意力模块、亚像素卷积重构层、转换色彩空间层、图像边缘计算层、图像感知损失计算层、图像边缘损失计算层构成；其中残差通道注意力块主要由池化层，上采样层，下采样层以及混合层构成；

2-2构建二元闭环神经网络的回归映射：

回归映射依次由下采样层、卷积层、残差通道注意力模块、亚像素卷积重构层、图像感知损失计算层构成；

步骤三、利用训练集进行BCLNN模型的训练

步骤四、LOGO图案的复原及重建

4-1将待重建LOGO图像使用DATALOADER函数导入PYTHON环境中；

4-2加载已经训练好的对应的BCLNN模型，将上述待重建LOGO图像作为输入图像输入模型中，复原重建得到重建图像。

2.如权利要求1所述的方法，其特征在于步骤一具体如下：

步骤A、模型训练的数据收集：

1.1收集n张高分辨率LOGO图案，n350，高分辨率尺寸为W×H，图片均为纯色背景，并标记为A组；

1.2将1.1中收集的这些图片进行图像缩放变换，得到分辨率为1/3*W×1/3H的低分辨率图像,并标记为B组；其中图像缩放变换采用双三次插值方法，采用双三次内插基函数作为基函数，双三次插值计算按公式(1)进行：

f(i+u,j+v)＝ABC (1)

其中，A、B、C均为矩阵，形式如下：

A＝[s(v+1) s(v) s(1-v) s(2-v)] (2)

(i,j):原图像的像素坐标，其中，i为横坐标值，j为纵坐标值，i、j均为非负整数；

f(i,j):原图像的像素灰度值；

(i+u,j+v):缩放变换后新图像的像素坐标；

f(i+u,j+v):缩放变换后新图像的像素灰度值；

u：沿横坐标方向，原图像像素坐标的横坐标i离新图像像素坐标(i+u,j+v)的距离；

v：沿纵坐标方向，原图像像素坐标的纵坐标j离新图像的像素坐标(i+u,j+v)的距离；

|x|：图像像素沿x方向离原点的距离；

s(x)：sin(π·x)/x的逼近多项式，为插值核；

步骤B.数据集的预处理，生成模型的训练集：

2.1将步骤1.2低分辨率图像进行二次图像缩放变换，得到尺寸为W×H的图像；其中图像缩放变换采用双三次插值方法，采用双三次内插基函数作为基函数，双三次插值计算按公式(1)进行：

2.2将步骤2.1二次缩放变换后B组图像作为训练集的输入集合，步骤1.1A组图像作为训练集的输出集合，输入集合与输出集合组成完整的训练集；

2.3将步骤2.2中得到的训练集中图像进行中值滤波处理，得到去噪图像，由matlab语言编写实现；具体如下：

a)将图像的R,G,B三通道分离；

b)对每个通道中的每个像素，把其邻域中的像素按灰度级进行排序，选择该组的中间值作为这个像素的输出值，通常选择3×3窗口大小的邻域；

c)将计算中值后的三个通道整合，输出去噪后图像；

2.4将步骤2.3中得到的去噪后图像作为二元闭环神经网络的训练集。