[发明专利]一种古文本图像修复方法、系统、介质、设备及终端

权利要求书

1.一种古文本图像修复方法，其特征在于，包括：构建数据集和古文本图像修复网络模型，利用边缘修复网络对古文本图像的边缘结构进行修复，重建缺损区域的边缘信息；利用预训练的局部文字学习网络对局部缺损区域进行内容修复，得到局部内容修复图像；在内容修复网络中引入双交叉编码器和多尺度融合块，将拉普拉斯金字塔修复网络利用内容修复网络的低层和高层对图像进行递进修复；将修复的古文本图像以及对应的无损古文本图像作为古文本图像修复网络模型的输入，对古文本图像修复网络模型进行训练优化，并利用优化后的图像修复网络模型对缺损古文本图像进行修复。

2.如权利要求1所述古文本图像修复方法，其特征在于，进一步包括以下步骤：

步骤一，构建古文本图像数据集、文字图像数据集和Mask图像数据集；

步骤二，构建边缘修复网络，将破损古文本图像进行边缘提取；利用边缘修复网络修复缺损的文字结构信息，生成文字边缘图并构建边缘引导图；

步骤三，构建局部文字学习网络，在输入图像的缺损区域上随机裁剪4个不同的缺损图像块；利用预训练的文字学习网络修复图像块中缺损的文字信息，并将修复结果拼接到缺损图中，获得一张局部内容修复图；

步骤四，构建拉普拉斯金字塔修复网络，利用拉普拉斯金字塔将局部内容修复图分解为高层细节图和低层内容图；低层内容修复，将下采样的边缘引导图和低层内容图输入到内容修复网络中，对缺损区域进行修复，生成低分辨率的修复结果图；高层细节优化，将低分辨率修复结果上采样，并与高层细节图聚合，获得中间修复结果；内容修复网络以中间修复结果和边缘引导图作为输入，对缺损区域的细节进行优化，生成高质量的修复结果；

步骤五，构建鉴别器网络模型，通过损失函数对生成器网络模型和鉴别器网络模型进行训练优化，得到优化后的生成器网络模型和鉴别器网络模型，利用优化后的生成器网络模型和鉴别器网络模型对缺损古文本图像进行修复。

3.如权利要求2所述古文本图像修复方法，其特征在于，步骤二中的边缘修复网络的生成器采用编码-解码结构，全局内容网络包含一个编码器和一个解码器，编码器采用卷积操作、实例归一化与线性整流激活函数对输入的图像进行降采样，提取图像特征；解码器将降采样的图像特征结果作为网络输入，通过最近邻插值完成上采样操作并重建图像，得到修复后的边缘图像X。

4.如权利要求2所述古文本图像修复方法，其特征在于，步骤三中的局部文字学习网络通过采集文本图像中的文字构建文字图像数据集，其中每一幅图像包含一个文字；训练时，为数据集中每幅文字图像增加一个随机的破损区域，形成破损文字图像输入到文字学习网络中，并以对应的完整文字图像作为约束；训练完成后，将预训练的文字学习模型应用于文本图像的修复；具体包括：在输入图像上裁剪4个大小为32×32的不同块，每个块上包含不同的缺损区域，并将缺损图像块输入到预训练的文字学习网络，获得图像块中缺损文字的修复结果；将图像块的修复结果拼接到缺损图中，获得局部内容修复图像P。

5.如权利要求2所述古文本图像修复方法，其特征在于，步骤四中的拉普拉斯金字塔修复网络中，在2个不同的尺度上分别使用内容修复网络，递进地对破损图像进行修复，具体包括：对局部内容修复图进行拉普拉斯金字塔分解，将局部内容修复图分解为高层细节图和低层内容图；构建内容修复网络，以低尺度边缘引导图和内容图作为内容修复网络的输入，对低层内容图进行修复；将修复结果上采样并结合高层的细节图得到中间修复图，和边缘引导图作为内容修复网络的输入，得到最终的图像修复结果I。