一种基于循环特征推理的渐进式图像出血预测方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及图像印刷领域，尤其是涉及一种基于循环特征推理的渐进式图像出血预测方法。背景技术：2.出血位是指印刷时为了保留图像的有效内容而预留出来的方便进行裁剪的部分，是一个常用的印刷术语，印刷中的出血指的是将产品的图案部分向外延伸，在裁剪位向外加一些扩展图案。设计文件在印刷制作时分为设计尺寸和成品尺寸，设计尺寸总是比成品尺寸要大一些，大出来的部分在印刷后需要进行裁剪，而裁剪需要人工操作，以及机械的精度问题都会带来误差，所以将图像进行出血后再进行裁剪就能够避免裁剪后的成品因裁剪过少露出白边或者裁剪过多而裁剪到有效内容。出血位一般设定为3mm，可以根据不同的印刷需求进行设定。印刷出血在平面设计，印刷工艺等领域有着重要的应用，保证了印刷后成品尺寸的稳定性以满足印刷品的需求。3.当前对于出血位的预测主要有两种，一种是依靠人工来进行操作，通过一些图像处理软件例如photoshop等手动画线和描绘向外扩展一定的区域，这种方法可以用来处理纹理简单，颜色比较单一的图像，但是随着印刷品颜色和纹理越来越丰富，图案越来越精细，人工处理耗时耗力工作量大，出血精度达不到要求，而且由于人员的经验不同出血的结果也会有差异，这些因素都会影响最终的出血效果从而影响印刷品的品质，所以这种人工处理方式不能够再满足日益增长的复杂图像出血需求。另一种方式是使用数字图像处理技术对图像进行统一的处理，目前有一种基于对抗边缘学习的图像出血位预测方法，先采用轮廓生成网络生成图像的边缘结构，再将生成的边缘结构作为先验，根据原图的已知信息对出血位进行预测。该方法需要进行颜色分离，出血效果对颜色分离后的图像质量要求较高，对于一些颜色复杂的图像，例如具有渐变色线条和图案的图像出血效果不佳，而且一次性出血效果不够精细，影响印刷品的品质。4.因此，如何实现对纹理和颜色复杂的图像进行精确的出血预测，成为需要解决的技术问题。技术实现要素：5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于循环特征推理的渐进式图像出血预测方法。6.本发明的目的可以通过以下技术方案来实现：7.一种基于循环特征推理的渐进式图像出血预测方法，所述的方法包括以下步骤：8.1)对初始图像进行预处理，消除图像中的噪声，并进行图像增强；9.2)在预处理后的图像边缘四个方向上裁剪图像作为训练集，在四个方向上加上需要出血像素数的白边并裁剪图像作为测试集，制作与训练集和测试集相对应的掩膜数据集；10.3)将训练集和相应的掩膜数据集作为特征图输入到循环特征推理网络进行训练，识别需要推断的区域，使用特征推理模型得到的特征值填充已识别的区域，并逐步缩小待填充区域；11.4)判断待填充区域是否填充完毕，若否，则执行3)，若是，则将循环填充得到的多个特征图进行自适应的特征合并，将特征图转换为rgb图像得到出血预测后图像；12.5)通过测试集和相应的掩膜数据集进行测试，得到边缘出血后的若干张小图，将小图按顺序拼接回初始图像，得到初始图像除四个角之外四个方向上的出血预测后的图像；13.6)将5)中得到的出血预测后的图像作为先验，在四个拐角处制作训练集和测试集分别训练模型，生成四个角的出血预测小图，再进行图像拼接，实现图像边界处最终的出血预测填充，得到最终的出血预测图像。14.进一步地，所述的1)具体为：采用高斯滤波器滤除图像中的高斯噪声，对图像进行线性平滑滤波，再使用直方图变换使图像的颜色层次更加鲜明，最后使用高通滤波器对图像在频域上进行锐化处理。15.进一步地，所述的训练集为随机裁剪的4000张256*256大小的图像。16.进一步地，所述的测试集为若干张256*256大小的图像。17.进一步地，所述的掩膜数据集为二值图像，其数量与训练集和测试集的数量保持一致，大小为256*256，且在掩膜数据集中图像的边缘处将灰度级置零，置零的区域即为需要出血的部分。18.进一步地，所述的3)中识别需要推断的区域具体为：将三个卷积核分别为7×7、5×5和3×3的部分卷积层级联在一起，输入特征图通过级联的部分卷积层后在每次循环中更新掩膜和特征图，将更新后的掩膜和输入掩膜之间的差异定义为要在循环中推断的区域。19.进一步地，所述的特征推理模块包括编码器、解码器以及注意力模块。20.进一步地，所述的3)中使用特征推理模型得到的特征值填充已识别的区域具体为：首先采用stride为2的卷积层进行四次下采样，再使用反卷积进行四次上采样回到图像原来的尺寸，生成与初始图像尺寸相同的特征图，在倒数第四层使用注意力机制从背景中搜索可能的纹理并使用它们来替换已识别的区域中的纹理。21.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上所述的方法。22.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。23.与现有技术相比，本发明具有以下有益效果：24.一、本发明的基于循环特征推理的渐进式图像出血预测方法，避免了一次性向外出血填充带来的结构和色彩的不合理性，具有更加精细的结果。25.二、本发明提出的区域识别+特征推理+特征合并的方法，渐进式对出血区域进行填充，而且避免了颜色分离，最大程度上保留和利用原图像中丰富的语义信息。26.三、本发明提出了对于高分辨率彩色图像的出血方案，采用裁剪的方法将原始图像的边缘进行切割逐步进行出血，再将出血结果拼接回原始图像，并且有针对性的采用不同的出血方向训练不同的模型，以此达到最佳的出血效果。附图说明27.图1为本发明的方法流程示意图；28.图2为本发明的图像填充循环特征推理网络结构图29.图3为本发明的出血过程图片演示示意图。具体实施方式30.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。31.实施例32.如图1所示，一种基于循环特征推理的渐进式图像出血预测方法，所述的方法包括以下步骤：33.1)对初始图像进行预处理，消除图像中的噪声，并进行图像增强。34.采用高斯滤波器滤除图像中的高斯噪声，对图像进行线性平滑滤波，再使用直方图变换使图像的颜色层次更加鲜明，最后使用高通滤波器对图像在频域上进行锐化处理，使得图像的边缘轮廓更加清晰。35.2)由于需要出血的图像为高分辨率彩色图像，需要先对图像进行分块处理，在预处理后的图像边缘四个方向上随机裁剪4000张256*256大小的图像作为训练集，在四个方向上加上需要出血像素数的白边并裁剪若干张256*256大小的图像作为测试集，制作与训练集和测试集相对应的掩膜数据集；所述的掩膜数据集为二值图像，其数量与训练集和测试集的数量保持一致，大小为256*256，且在掩膜数据集中图像的边缘处将灰度级置零，置零的区域即为需要出血的部分。36.3)如图2所示，将训练集和相应的掩膜数据集作为特征图输入到循环特征推理网络进行训练，识别需要推断的区域，使用特征推理模型得到的特征值填充已识别的区域，并逐步缩小待填充区域。37.采用部分卷积用于识别每次循环中需要推断的区域，将三个卷积核分别为7×7、5×5和3×3的部分卷积层级联在一起，输入特征图通过级联的部分卷积层后在每次循环中更新掩膜和特征图，将更新后的掩膜和输入掩膜之间的差异定义为要在循环中推断的区域。38.所述的特征推理模块包括编码器、解码器以及注意力模块，首先采用stride为2的卷积层进行四次下采样，再使用反卷积进行四次上采样回到图像原来的尺寸，生成与初始图像尺寸相同的特征图，在倒数第四层使用注意力机制从背景中搜索可能的纹理并使用它们来替换已识别的区域中的纹理，以此来合成质量更好的特征。39.4)判断待填充区域是否填充完毕，若否，则执行3)，若是，则将循环填充得到的多个特征图进行自适应的特征合并，将特征图转换为rgb图像得到出血预测后图像，输出特征图中的值仅从其对应位置已被填充的特征图中计算。40.5)如图3所示，通过测试集和相应的掩膜数据集进行测试，得到边缘出血后的若干张小图，将小图按顺序拼接回初始图像，得到初始图像除四个角之外四个方向上的出血预测后的图像；41.6)将5)中得到的出血预测后的图像作为先验，在四个拐角处制作训练集和测试集分别训练模型，生成四个角的出血预测小图，再进行图像拼接，实现图像边界处最终的出血预测填充，得到最终的出血预测图像。42.本发明通过区域识别加特征推理加特征合并的循环特征推理网络结构，避免了一次性向外出血填充带来的结构和色彩的不合理性，不需要进行颜色分离，最大程度上保留和利用原图像中丰富的语义信息，具有更加精细的结果，并且通过对图像进行裁剪和拼接实现对大尺寸图像的出血预测过程。43.本发明提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上所述的方法。44.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。45.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!