基于机器学习的图像打印方法、装置、终端设备及存储介质与流程

本申请涉及图像印刷打印领域，尤其涉及一种基于机器学习的图像打印修复方法、装置、终端设备以及存储介质。

背景技术：

1、在现代印刷过程中，噪声、色偏和失真等问题会影响最终图像的视觉效果。传统的图像修复方法在处理复杂噪声和失真时鲁棒性有限，图像打印质量不高。

技术实现思路

1、鉴于此，本申请提供一种基于机器学习的图像打印修复方法、装置、终端设备及存储介质，能够针对性的模拟打印机的固有色偏和随机噪声等缺陷，在无需增加硬件成本的情况下提升图像打印质量。

2、一种基于机器学习的图像打印修复方法，包括：

3、获取目标打印色域图像。

4、将目标打印色域图像输入至预设对抗生成模型，以生成包含色偏、噪声和色彩缺失的n张模拟成像效果图，n为大于1的正整数。

5、将n张模拟成像效果图和目标打印色域图像拼接成目标通道输入图像。

6、将目标通道输入图像输入至预设修复网络模型，以生成第一预测修复图像，预设修复网络模型为基于u-net的骨干网络。

7、计算第一预测修复图像和目标打印色域图像之间的第一像素差值。

8、基于第一像素差值、预设对抗生成模型和预设修复网络模型生成目标像素修复值，根据目标像素修复值对打印机的真实打印色域图像进行修复。

9、在一个实施例中，预设对抗生成模型采用patchgan的卷积结构，预设对抗生成模型通过以下步骤训练得到：

10、将预设色域图像输入至生成器网络，以得到具有打印特点的生成色域

11、图像。

12、将生成色域图像与真实的打印机色域图像均输入至判别器网络，以对判别器网络进行训练。

13、生成器的损失函数包含对抗性损失单元、噪音损失单元、色偏损失单元和色彩缺失损失单元。

14、对抗性损失单元用于鼓励生成器生成与真实的打印机色域图像的相似度小于预设阈值的图像。

15、噪音损失单元用于模拟打印过程中所产生的噪音。

16、色偏损失单元用于模拟打印过程中产生的色偏。

17、色彩缺失损失单元用于模拟打印过程产生的色彩缺失。

18、在一个实施例中对抗性损失采用以下公式计算：

19、

20、l1(g) 表示对抗性损失单元，e表示数学期望，log表示对数函数，d表示判别器，g表示生成器，x为从数据分布中采样的真实数据。

21、在一个实施例中，噪音损失单元采用以下公式计算：

22、

23、表示噪音损失单元，e表示期望运算，表示真实色域图像数据分布，x为样本，为高通滤波器函数，表示生成色域图像的高频成分，表示真实的打印机色域图像的高频成分，( | |_1 ) 表示 l1 范数。

24、在一个实施例中，色偏损失单元采用以下公式计算：

25、

26、

27、其中，表示色偏损失单元，e表示期望运算，表示真实色域图像数据分布，x为样本，为色彩偏差计算函数，表示生成色域图像的色彩偏差值，表示真实的打印机色域图像的色彩偏差值，、、和表示打印机色域图像的四个不同色域，m为均值运算，w1、w2、w3和w4为中间变量值。

28、在一个实施例中，色彩缺失损失单元采用以下公式计算：

29、

30、表示色彩缺失损失单元， e表示期望运算，表示真

31、实色域图像数据分布，x为样本，( | |_1 ) 表示 l1 范数，表示生成色域图像，表示生成色域图像与真实的打印机色域图像样本的色彩信息损失差值。

32、在一个实施例中，基于第一像素差值、预设对抗生成模型和预设修复网络模型，对打印机的真实打印色域图像进行修复的步骤包括：

33、将第一像素差值输入预设生成对抗模型以生成第一次修复打印产生的第一修复缺陷所对应的n张模拟成像效果图。

34、将第一修复缺陷所对应的n张模拟成像效果图与第一像素差值对应的像素图拼接成对应的目标通道输入图像，并将对应的目标通道输入图像输入预设修复网络模型以生成第二预测修复图像。

35、计算第二预测修复图像和第一像素差值对应的像素图之间的第二像素差值。

36、根据第一像素差值和第二像素差值计算得到目标像素修复值，并根据目标像素修复值对打印机的真实打印色域图像进行修复。

37、此外，还提供一种基于机器学习的图像打印修复装置，包括：

38、图像获取单元，用于获取目标打印色域图像。

39、模拟成像单元，用于将目标打印色域图像输入至预设对抗生成模型，以生成包含色偏、噪声和色彩缺失的n张模拟成像效果图，n为大于1的正整数。

40、拼接单元，用于将n张模拟成像效果图和目标打印色域图像拼接成目标通道输入图像。

41、第一修复预测单元，用于将目标通道输入图像输入至预设修复网络模型，以生成第一预测修复图像，预设修复网络模型为基于u-net的骨干网络。

42、第一差值计算单元，用于计算第一预测修复图像和目标打印色域图像之间的第一像素差值。

43、修复单元，用于基于第一像素差值、预设对抗生成模型和预设修复网络模型生成目标像素修复值，根据目标像素修复值对打印机的真实打印色域图像进行修复。

44、此外，还提供一种终端设备，终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上述基于机器学习的图像打印修复方法的步骤。

45、此外，还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述基于机器学习的图像打印修复方法的步骤。

46、上述基于机器学习的图像打印修复方法，包括：获取目标打印色域图像；

47、将目标打印色域图像输入至预设对抗生成模型，以生成包含色偏、噪声和色彩缺失的n张模拟成像效果图，n为大于1的正整数；将n张模拟成像效果图和目标打印色域图像拼接成目标通道输入图像；将目标通道输入图像输入至预设修复网络模型，以生成第一预测修复图像，预设修复网络模型为基于u-net的骨干网络；计算第一预测修复图像和目标打印色域图像之间的第一像素差值；基于第一像素差值、预设对抗生成模型和预设修复网络模型生成目标像素修复值，根据目标像素修复值对打印机的真实打印色域图像进行修复，该图像打印修复方法通过预设对抗生成模型生成n张模拟成像效果图，然后在此基础上，通过预设修复网络模型的神经网络来衡量n张模拟成像效果图与目标打印色域图像的差异，从而将随机打印偏差（例如色偏、噪声和色彩失真等缺陷偏差）抹平，最后生成目标像素修复值，相对于现有的图像修复技术，无需额外使用集成的硬件设备例如高清摄像头，即可协助打印机进行图像打印修复，提升了图像打印质量。

技术特征：

1.一种基于机器学习的图像打印修复方法，其特征在于，包括：

2.根据权利要求1所述的图像打印修复方法，其特征在于，所述预设对抗生成模型采用patchgan的卷积结构，所述预设对抗生成模型通过以下步骤训练得到：

3.根据权利要求2所述的图像打印修复方法，其特征在于，所述对抗性损失采用以下公式计算：

4.根据权利要求2所述的图像打印修复方法，其特征在于，所述噪音损失单元采用以下公式计算：

5.根据权利要求2所述的图像打印修复方法，其特征在于，所述色偏损

6.根据权利要求2所述的图像打印修复方法，其特征在于，所述色彩缺

7.根据权利要求1所述的图像打印修复方法，其特征在于，所述基于所述第一像素差值、所述预设对抗生成模型和所述预设修复网络模型，对所述对打印机的真实打印色域图像进行修复的步骤包括：

8.一种基于机器学习的图像打印修复装置，其特征在于，包括：

9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于机器学习的图像打印修复方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于机器学习的图像打印修复方法的步骤。

技术总结本申请涉及基于机器学习的图像打印修复方法、装置、终端设备及存储介质，该方法通过获取目标打印色域图像；将目标打印色域图像输入至预设对抗生成模型，以生成包含色偏、噪声和色彩缺失的N张模拟成像效果图，N为大于1的正整数，将N张模拟成像效果图和目标打印色域图像拼接成目标通道输入图像；将目标通道输入图像输入至预设修复网络模型以生成第一预测修复图像，预设修复网络模型为基于U‑Net的骨干网络，计算第一预测修复图像和目标打印色域图像之间的第一像素差值，基于第一像素差值、预设对抗生成模型和预设修复网络模型生成目标像素修复值，根据目标像素修复值对打印机的真实打印色域图像进行修复，该修复方法提升了打印质量。技术研发人员：瞿拥军,董力,庄佳彬,杨传震,李锋,陶裕万受保护的技术使用者：深圳市嘉年印务有限公司技术研发日：技术公布日：2024/9/29