数字拓片生成方法、装置、程序产品、设备

本技术涉及文字图像处理，具体涉及一种数字拓片生成方法、装置、程序产品、设备。

背景技术：

1、在传统碑刻拓片制作方法（如普墨拓、擦抹拓）中，需要用捶打、上模的方法来制作得到碑刻拓片，在制作过程中会损伤碑刻本体，为了保护珍贵的碑刻，当前已经禁止了元代及以前的碑刻文物制作纸质拓片；传统拓片工艺，要求制作拓片者拥有良好的职业素养，制作的拓片也往往因人而异，制作效率较低；并且传统工艺制作的拓片不易长期保存。

2、基于此，随着数字化技术的发展，使用数字图像处理方法制作数字拓片成为本领域的研究趋势，出现了相关数字拓片制作生成技术；在保护文物遗产方面，数字拓片制作以非接触方式采集文物的结构和纹理信息，防止文物受到人为损伤；在文化遗产传承方面，数字拓片以数字信息的方式存储数据，便于数字文物的保存和分类；在数字化展览方面，数字拓片可以通过虚拟现实技术进行文物展示，为文物推广提供了全新的途径。

3、数字拓片本质是一种图像数据，其生成制作属于图像处理范畴，数字拓片生成相关技术中，朱晓丽、吴中福等人提出了基于传统图像处理技术的数字拓片生成方法，使用photoshop 软件来实现对于浮雕图像的数字拓片的制作，具体过程中通过对原文物图片进行抽出、灰度化、高反差保留、取阈值、背景填充、反相等操作，从而初步实现了对数字拓片的生成，但实现过程相对繁琐、效率低下（需要大量人工处理介入步骤）。

4、风格迁移是将以内容为基准的内容图像，在保持内容不变的情况下，转换为其他风格的图像，其最初是应用于艺术作画、风景图、人像照片等图像处理上。随着人工智能的迅速发展与应用，带动了风格迁移的跨越式进展，如2016 年，gatys，ecker 和 bethge开创性的提出神经网络用于风格迁移，此后采用基于深度学习的图像风格迁移技术成为了一种新的技术发展趋势。在风格迁移领域，生成对抗网络(generative adversarial network,gan)深受研究者们喜欢，广泛应用在图像生成上并取得了相当不错的成果，也发展了很多生成对抗网络的变体，如 patchgan 、dcgan 和cycle gan 等。

5、基于数字拓片制作生成的技术本质，显然可以采用基于深度学习的图像风格迁移技术来实现数字拓片的生成，而从避免采用传统图像处理技术实现方式的弊端。

6、但在实现本发明过程中发明人发现，在碑刻数字拓片制作生成场景中，中国文字属于一种特殊的内容对象，且存在某些风格碑刻相关数据集较少的情况，而现有基于生成对抗网络来的风格迁移技术实现中，主要是针对图像样式的迁移转换，并且训练过程需要大量样本数据来支撑训练，现有相关技术方案在碑刻数字拓片生成的场景中不能很好的适用。

7、因此，针对碑刻数字拓片生成场景及类似场景，如何提出一种有效适用的数字拓片生成技术方案，成为了一个亟待解决的技术问题。

8、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、为至少在一定程度上克服相关技术中存在的问题，本技术实施例提供一种数字拓片生成方法、装置、程序产品、设备，以有效实现碑刻数字拓片生成场景中数字拓片的生成。

2、第一方面

3、本技术实施例提供一种数字拓片生成方法，该数字拓片生成方法包括：

4、获取目标拓片风格图像和去风格化处理后的拓印对象图像；

5、利用所述目标拓片风格图像，所述去风格化处理后的拓印对象图像，以及预先训练好的拟拓片风格模型，进行深度学习模型训练，得到用于执行目标拓片风格融合处理的风格化网络模型；

6、将所述去风格化处理后的拓印对象图像输入所述风格化网络模型进行风格融合处理，将处理生成的图像作为拓印对象的数字拓片进行输出；

7、其中，所述拟拓片风格模型和所述风格化网络模型均基于生成对抗网络构建，构建得到所述拟拓片风格模型过程中所采用的拟拓片数据集，基于艺术字数据集中类拓片特征的样本数据进行构建。

8、一些可能的实施方式中，所述拟拓片风格模型的构建训练过程，包括：

9、基于所述拟拓片数据集中预设比例的样本数据来构建第一训练样本集，所述第一训练样本集中样本数据为配对的文本图像和文本效果图像；

10、设置由一个生成器、一个鉴别器构成的第一生成对抗网络，所述生成器采用编码器-解码器架构，包括两个编码器以及一个解码器，其中，两个所述编码器分别对应用于将文本图像和文本效果图像映射到共享的特征空间，所述解码器用于根据特征空间中已编码的图像特征进行图像还原并将还原结果作为生成器输出，所述鉴别器用于对从生成器输出的图像进行真假辨别；

11、利用所述第一训练样本集对所述第一生成对抗网络进行训练，以得到所述拟拓片风格模型。

12、一些可能的实施方式中，所述利用所述第一训练样本集对所述第一生成对抗网络进行训练的过程，包括：

13、将所述第一样本集中文本图像和与文本图像相配对的文本效果图像，分别对应作为两个所述编码器的输入，以及将该文本图像作为所述鉴别器的参考输入，以使所述生成器生成对应的假图像来混淆所述鉴别器，进而所述鉴别器进行真假识别并将识别结果反馈给生成器；

14、如此进行对抗训练，迭代更新生成器和鉴别器，直至生成器和鉴别器达到纳什平衡。

15、一些可能的实施方式中，所述鉴别器采用马尔可夫鉴别器。

16、一些可能的实施方式中，所述得到用于执行目标拓片风格融合处理的风格化网络模型的过程，包括：

17、以预设的切割规则将所述目标拓片风格图像和所述去风格化处理后的拓印对象图像进行对应裁剪切割，将切割得到各子图像进行分辨率调整以满足模型输入需求，根据调整后的图像构建第二训练数据集；

18、根据所述拟拓片风格模型的模型结构参数，设置构建第二生成对抗网络；

19、利用所述第二训练数据集，对所述第二生成对抗网络进行对抗训练，以得到所述风格化网络模型。

20、一些可能的实施方式中，所述去风格化处理后的拓印对象图像的得到过程，包括：

21、获取所述拓印对象的原始照片数据并进行预处理，得到满足模型输入标准的中间图像；

22、针对所述中间图像，调用所述拟拓片风格模型执行去风格化操作，提取图像数据中文字的字形结构特征，以生成所述去风格化处理后的拓印对象图像。

23、一些可能的实施方式中，所述艺术字数据集包括texteffectsdataset数据集。

24、第二方面

25、本技术实施例提供一种数字拓片生成装置，该数字拓片生成装置包括：

26、获取模块，用于获取目标拓片风格图像和去风格化处理后的拓印对象图像；

27、训练处理模块，用于利用所述目标拓片风格图像，所述去风格化处理后的拓印对象图像，以及训练好的拟拓片风格模型，进行深度学习模型训练，得到用于执行目标拓片风格融合处理的风格化网络模型；

28、生成处理模块，用于将所述去风格化处理后的拓印对象图像输入所述风格化网络模型进行风格融合处理，将处理生成的图像作为拓印对象的数字拓片进行输出；

29、其中，所述拟拓片风格模型和所述风格化网络模型均基于生成对抗网络构建，构建得到所述拟拓片风格模型过程中所采用的拟拓片数据集，基于艺术字数据集中类拓片特征的样本数据进行构建。

30、第三方面

31、本技术实施例提供一种计算机程序产品，包括计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述所述的方法。

32、第四方面

33、本技术实施例提供一种电子设备，包括：

34、存储器，其上存储有可执行程序；

35、处理器，用于执行所述存储器中的所述可执行程序，以实现上述所述方法的步骤。

36、本技术实施例提供的数字拓片生成方法，利用基于艺术字数据集中类拓片特征的样本数据，来训练得到基于生成对抗网络构建的拟拓片风格模型，这样在进行实际数字拓片制作过程时，可利用该预训练模型，采用少量的目标拓片风格图像来进一步训练得到可执行目标拓片风格融合处理的风格化网络模型，进而利用该风格化网络模型，对目标拓片风格图像和去风格化处理后的拓印对象图像进行目标风格融合处理，从而得到所需的数字拓片；

37、本技术中采用上述数字拓片制作生成方式，针对拓印对象的原始图像数据，整体上采用先去风格化处理，再进行风格化处理的流程，可灵活满足不同需求的拓片制作需求，其实现过程中，仅需少量的目标拓片风格图像就可进行目标拓片风格的图像生成；应用本技术的技术方案，可有效实现碑刻数字拓片生成场景中数字拓片的生成。

38、本技术的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。