申请/专利权人：江南大学

申请日：2023-07-13

公开（公告）日：2024-06-11

公开（公告）号：CN116934618B

主分类号：G06T5/90

分类号：G06T5/90;G06T5/50;G06N3/0464;G06N3/048;G06N3/047;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2023.11.10#实质审查的生效;2023.10.24#公开

摘要：本发明公开了一种基于改进残差网络的图像半色调方法、系统及介质，包括以下步骤：步骤S1：获取图像数据集，划分为训练集和测试集；步骤S2：将所述训练集输入到HalfResNet网络模型进行训练，其中所述HalfResNet网络模型是基于ResNet网络模型进行改进的；步骤S3：训练完成后得到权重参数，将所述权重参数加载至所述HalfResNet网络模型中，针对待处理的图像，运行HalfResNet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。本发明将深度学习模型与半色调图像相结合，生成的半色调图像能够保持较好的结构细节的同时，极大地提高了处理效率。

主权项：1.一种基于改进残差网络的图像半色调方法，其特征在于，包括以下步骤：步骤S1：获取图像数据集，划分为训练集和测试集；步骤S2：将所述训练集输入到HalfResNet网络模型进行训练，其中所述HalfResNet网络模型是基于ResNet网络模型，修改其原始残差块构成轻量型残差块，并在每个轻量型残差块之前均添加噪声补偿块，在损失函数中增加蓝噪声损失形成；步骤S3：训练完成后得到权重参数，将所述权重参数加载至所述HalfResNet网络模型中，针对待处理的图像，运行HalfResNet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像；所述轻量型残差块采用上一层网络的输出的特征映射和依次经过卷积层、ReLU激活层、卷积层的映射，通过加性变化得到下一层网络的输入；所述噪声补偿块采用两个协作卷积分别作为上一层网络的输出的特征映射和高斯噪声的映射，再通过加性变化得到下一层网络的输入；所述蓝噪声损失的计算公式为： 其中，为低频损失，σ为权重系数，为各向异性损失；所述低频损失的计算公式为： 其中，DCT·表示离散余弦变换，⊙表示元素积，M为常数二值掩码，Oh表示半色调图像，EIc∈I{·}表示在训练集中所有输入图像Ic的平均算子；所述各向异性损失的计算公式为： 其中，Pθf表示索引号为θ的频带上的平均功率；Pθfρ表示索引号为θ的频带上的采样功率，fρ为采样频率。

全文数据：

权利要求：

百度查询： 江南大学 一种基于改进残差网络的图像半色调方法、系统及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD