买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安理工大学

摘要：本发明基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，包括如下步骤：步骤1，建立取样样本；步骤2，根据样本，进行预处理，得到最终训练数据；步骤3，将步训练数据进行训练，依次更新辨别器权重和生成器权重；步骤4，将待处理的碑帖数据样本带入经步骤3更新的辨别器和生成器中进行加噪，得到模拟噪声后的配对碑帖数据集。本发明涉及的方法对于古文碑帖、书法汉字由于时间原因所造成的背景杂点，能够正确模拟同时得到与干净碑帖图像对应的带噪图像，为数字化书法图像去噪提供了有效支撑，提高碑帖图像去噪效果，具有很好的使用价值。

主权项：1.基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，包括如下步骤：步骤1，建立取样样本；步骤2，根据步骤1中的取样样本，进行预处理，得到最终训练数据；步骤3，将步骤2中得到的最终训练数据进行训练，依次更新辨别器权重和生成器权重；步骤4，将待处理的碑帖数据样本带入经步骤3更新的辨别器和生成器中进行加噪，得到模拟噪声后的配对碑帖数据集；所述步骤3的具体过程为：步骤3.1，选取步骤2中任意一个干净图像X，输入生成器网络G，干净的图像X经过生成器网络G计算，输出一张与输入图像一样大小的带有模拟噪声的图像fake_img0＝GX，将得到的带有模拟噪声的图像fake_img0输入另一个生成器网络F得到大小与干净图像X相同的对模拟噪声去除后的图像fcleaned_img＝FGX；步骤3.2，选取步骤2中任意一个带噪声图像Y，输入生成器网络F，带噪声的图像Y经过生成器网络F计算，输出一张与输入图像一样大小的去除噪声后的图像fake_img1＝FY，将得到的去除噪声后的图像fake_img1输入步骤3.1中的生成器网络G得到大小与输入图像Y相同的加上模拟噪声后的图像fnoised_img＝GFY；步骤3.3，将步骤3.1得到的图像fake_img0＝GX和步骤3.2选取的噪声图像Y分别输入生成网络G对应的辨别器网络Dy，输出概率值DyGX和DyY，建立生成器G与辨别器Dy的对抗损失函数；步骤3.4，将步骤3.2得到的图像fake_img1＝FY和步骤3.1选取的干净图像X分别输入生成器网络F对应的辨别器网络Dx，输出概率是DxFY和DxX，建立生成器F与辨别器Dx的对抗损失函数；步骤3.5，计算出步骤3.4中生成器G和F以及辨别器Dx和Dy的损失，使用Adam梯度下降方法来依次更新辨别器网络权重Adamω,DyLossω,α，Adamω,DxLossω,α和生成器网络的权重Adamθ,GLossθ,α，Adamθ,FLossθ,α，其中α表示梯度下降的学习率且α＝0.0002，当DyGX≈DyY，则fake_img0≈Y，得到经过生成器网络G后的图像fake_img0即为加噪后的图像，训练完成；设定步骤3.1-3.2生成器G和F之间的循环一致性损失函数为公式1： 其中表示X服从真实干净数据概率分布的期望，表示Y服从真实带噪数据概率分布的期望，||.||2表示欧式距离，FGX表示干净图像经过生成器G加噪然后经过生成器F进行去噪后的结果，GFY表示带噪图像经过生成器F去噪然后经过生成器G进行加噪后的结果；所述步骤3.3的生成器G与辨别器Dy的对抗损失函数为公式2： 公式2可分解为：GLossθ＝log1-DyGX+λLcycG3DyLossω＝-logDyY-log1-DyGX4其中DyGX表示生成图像GX输入辨别器网络Dy后的输出值，表示该图像为真的概率；DyY表示带噪图像Y输入辨别网络Dy后的输出值，表示该图像为真的概率；LcycG表示生成器G的循环一致性损失，λ为常数且λ＝100，GLossθ表示生成器G的损失函数，DyLossω表示辨别器Dy的损失函数，其中θ和ω分别表示为生成器网络G的权重和辨别器网络Dy的权重；所述步骤3.4生成器F与辨别器Dx的对抗损失函数为公式5： 公式5可分解为：FLossθ＝log1-DxFY+λLcycF3DxLossω＝-logDxX-log1-DxFY4其中DxFY表示生成图像FY输入辨别器网络Dx后的输出值，表示该图像为真的概率；DxX表示干净图像X输入辨别网络Dx后的输出值，表示该图像为真的概率；LcycF表示生成器F的循环一致性损失，λ为常数且λ＝100，FLossθ表示生成器F的损失函数，DxLossω表示辨别器Dx的损失函数，其中θ和ω分别表示为生成器网络F的权重和辨别器网络Dx的权重。

全文数据：

权利要求：

百度查询： 西安理工大学 基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法