[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

说明书

本发明公开基于改进的二元闭环神经网络的LOGO图案重建方法。本发明为解决LOGO图案作为一种必要元素在印刷与包装设计过程中由于不断复制传播造成的分辨率降低以及退化模型未知(可能的映射空间过多)的问题，而为了解决这一问题，本发明提出的方法将现存的一元映射网络(RCAN)改进为二元回归映射网络(BCLNN)，并将边缘检测的方法加入其中，使得模型能够对于LOGO图案进行更好的重建。

技术领域

本发明涉及平面单图像重建领域，具体涉及一种基于改进的二元闭环网络的LOGO图案超分辨率重建方法。

背景技术

LOGO图案作为一种包装设计的必要素材在当今社会得到了广泛的应用。LOGO图案在为人们进行信息传播和产品推广的同时，由于在传播过程中的受到不可控因素的影响，其自身的质量水平会随之降低，进而影响到信息传播的完整性与美观度，特别随着印刷与包装设计技术的发展，LOGO图案经过不断的复制传播，其最初具有的分辨率与清晰度大幅降低，造成使用上的不便。对于部分具有较高价值的LOGO图案，由于分辨率与清晰程度的限制导致其无法再次使用，是非常可惜的，因此，在使用LOGO图案进行信息传播的同时，通过技术手段对LOGO图案进行重建，提升图案本身的分辨率与清晰度是及其必要的。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于改进的二元闭环神经网络的LOGO图案超分辨率重建方法，旨在解决LOGO图案作为一种必要元素在印刷与包装设计过程中由于不断复制传播造成的分辨率降低以及退化模型未知(可能的映射空间过多)的问题，而为了解决这一问题，本发明提出的方法将现存的一元映射网络(RCAN)改进为二元回归映射网络(BCLNN)，并将边缘检测的方法加入其中，使得模型能够对于LOGO图案进行更好的重建。

本发明方法的技术方案分为基于改进的二元闭环神经网络的超分辨率模型构建训练以及LOGO图案的复原重建两个过程进行，具体内容如下：

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。

本发明方法针对LOGO图像退化后的振铃现象与现实应用只有低分辨率LOGO图像的问题，结合边缘检测与深度学习回归网络的形式用基于二元闭环神经网络的超分辨率重建方法对低分辨率的LOGO图案进行高分辨率重建，解决了某些平面图案在传播过程中因分辨率不够而造成的使用困难的问题。该方法易于实现，具有较好的重建效果。

附图说明

图1为本发明的方法流程图。

图2为本发明的深度学习网络模型构建图；