CN114331875B - 一种基于对抗边缘学习的印刷工艺中图像出血位预测方法 - Google Patents

Abstract

本发明公开了一种基于对抗边缘学习的印刷工艺中图像出血位预测方法。本方法基于一个二阶段的生成对抗模型，将出血位预测问题分为结构预测和图像修复。第一阶段是轮廓生成网络，该网络采用Canny边缘检测算法结合生成对抗网络预测出血位区域的图像边缘结构。第二阶段是图像修复网络，该网络使用一阶段中预测的边缘假想图作为先验，并根据原图的已知信息，使用图像修复网络对出血位区域进行预测，可以为出血位区域填充具有精致细节的内容，完成对出血位区域的填充。

Description

一种基于对抗边缘学习的印刷工艺中图像出血位预测方法

技术领域

本发明应用于解决现有印刷工艺中对出血位预测不够精细的问题，具体涉及一种基于对抗边缘学习的印刷工艺中图像出血位预测方法，应用于印刷工艺技术领域。

背景技术

出血位是印刷工艺中的常用术语，指印刷时为保留画面有效内容预留出的方便裁切的部分，出血位的标准尺寸为3mm。图像的出血位预测技术是根据原有设计稿件对图像出血位的外延，可以看做印刷出血的逆向工程，在平面设计、设计复现、设计安全、印刷工艺等领域起重要作用。出血位的预测可以保证印刷后成品尺寸的稳定性，保证印刷品能够满足需求。

当前对数字图像出血位的预测分两个方向。一是对于纹理简单、色彩单一的图像，通过人工借助PhotoShop、Adobe illustrator等图像处理软件手动的选择向外扩展一定的区域，但当前对印刷图像的需求日益增加，设计稿件中的纹理与颜色愈加复杂，通常一个设计稿件需要按照颜色分离出不同的版型图案，在印刷时多种版型图案的叠加组成印刷成品。所以通过人工对出血位的预测步骤繁琐工作量巨大且操作人员的个人经验的不同会影响最终图像的出血效果而影响印刷成品的品质。出血位预测的另一个方向是使用数字图像处理技术统一处理，当前有一种基于分割矩形区域相似度的出血点预测方法，其采用图像分割技术将原图分成诸多矩形区域再与目标区域进行匹配填充实现出血位的预测。该方法对千万像素级别的大图像的预测出血位达不到3mm的要求，影响印刷成品的品质，这成为亟待了解决的技术问题。

发明内容

为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于对抗边缘学习的印刷工艺中图像出血位预测方法，基于一个二阶段的生成对抗模型，将出血位预测问题分为结构预测和图像修复，解决使用数字图像处理技术对图像出血位预测不足的问题。

为达到上述发明创造目的，本发明采用如下发明构思：

出血位预测是对图像***未知区域的生成，可以当成图像生成任务来解决。主体使用基于生成对抗的深度学习网络，将整个技术方案分为轮廓生成网络和图像修复网络两个部分。首先对图像预处理，使用基于暗通道先验的图像去雾算法对图像预处理，消除噪点提升图像质量。然后经过颜色分离模块，得到单颜色通道位图，通过轮廓生成网络预测出血位区域的图像结构并将其作为图像修复网络的先验，最后实现对出血位区域具有精致细节的内容预测。

根据上述发明构思，本发明采用如下技术方案：

一种基于对抗边缘学习的印刷工艺中图像出血位预测方法，具体操作步骤如下：

步骤1：首先是需要对需要初始位图进行预处理，初始位图大多由印刷成品经扫描仪获得，图像存在噪声，会影响出血效果，采用高斯滤波器实现线性平滑滤波，并采用直方图变换和高通滤波器对于图像的空域和频域进行增强处理，使得图像的颜色层次更加鲜明，边缘轮廓更加清晰；采用颜色分离算法，将整个图像按照颜色分离得到单颜色通道图像并做二值化处理，凸显出图像中线条纹理且便于出血位的预测；

步骤2：目标图像是千万甚至上亿像素级别的图像，需要将图像分块处理；目标图像是千万甚至上亿像素级别的图像，需要将图像分块处理；使用上一步得到的单颜色通道灰度图进行随机裁剪出20000张512*512大小的图片当成训练集，测试集和验证集由500张随机裁剪的512*512大小的图片构成；制作与训练集、测试集、验证集数量相同的掩模图集图集由大小为512*512像素，四个方向处100像素置为0的四种掩模图均匀分布构成，置0处为对应原图中四个方向需要出血的部分；

步骤3：模型训练，训练轮廓生成网络：轮廓生成网络包含一对生成器和判别器，生成器由两个编码器组成，将输入图像进行两次下采样，再使用四个残差块和两次上采样回到原始大小的解码器，在残差块层中使用空洞卷积替代普通卷积，增加后续层的感受野；判别器使用70×70PatchGAN；使用Canny边缘检测算法生成边缘图，将边缘图，掩膜图，灰度图输入到轮廓生成网络的生成器，用于生成完全的边缘映射图；训练图像修复网络，图像修复网络与轮廓生成网络的差异在于输入不同和判别器的不同；将轮廓生成网络中得到的边缘映射图与灰度图输入到图像修复网络中的生成器，进行图像修复任务的训练；

步骤4：模型训练完毕后进行出血位预测。将灰度图与掩膜图输入到模型中进行测试，实现对边界处出血位区域的填充。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：

1.本发明对出血位的预测相较于传统方法具有更加精致细节的内容，并解决了先前方法对出血位预测不足的问题；

2.本发明的边缘对抗学习方法包含轮廓生成网络与图像修复网络，分阶段实现的对出血位预测；

3.本发明基于边缘对抗学习方法进行图像出血位预测，首次将深度学习中的对抗网络应用于解决印刷出血问题，具有较大的创新意义。

附图说明

图1为本发明优选实施例基于对抗边缘学习的印刷工艺中图像出血位预测方法流程图。

图2为本发明优选实施例的轮廓生成网络结构图。

图3为本发明优选实施例的图像修复网络结构图。

具体实施方式

以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：

实施例一：

在本实施例中，一种基于对抗边缘学习的印刷工艺中图像出血位预测方法，具体操作步骤如下：

步骤1：首先对需要初始位图进行预处理，初始位图大多由印刷成品经扫描仪获得，图像存在噪声，会影响出血效果，采用高斯滤波器实现线性平滑滤波，并采用直方图变换和高通滤波器对于图像的空域和频域进行增强处理，使得图像的颜色层次更加鲜明，边缘轮廓更加清晰；采用颜色分离算法，将整个图像按照颜色分离得到单颜色通道图像并做二值化处理，凸显出图像中线条纹理且便于出血位的预测；

步骤2：使用在所述步骤1中得到的单颜色通道灰度图进行随机裁剪出20000张512*512大小的图片当成训练集，测试集和验证集由500张随机裁剪的512*512大小的图片构成，制作与训练集、测试集、验证集数量相同的掩模图集图集由大小为512*512像素，四个方向处100像素置为0的四种掩模图均匀分布构成，置0处为对应原图中四个方向需要出血的部分；

步骤3：进行模型训练，训练轮廓生成网络：

轮廓生成网络包含一对生成器和判别器，生成器由两个编码器组成，将输入图像进行两次下采样，再使用四个残差块和两次上采样回到原始大小的解码器，在残差块层中使用空洞卷积替代普通卷积，增加后续层的感受野；判别器使用70×70PatchGAN；使用Canny边缘检测算法生成边缘图，将边缘图、掩膜图，、灰度图输入到轮廓生成网络的生成器，用于生成完全的边缘映射图；训练图像修复网络，图像修复网络与轮廓生成网络的差异在于输入不同和判别器的不同；将轮廓生成网络中得到的边缘映射图与灰度图输入到图像修复网络中的生成器，进行图像修复任务的训练；

步骤4：在模型训练完毕后进行出血位预测，将灰度图与掩膜图输入到模型中进行测试，实现对边界处出血位区域的填充。

本实施例基于对抗边缘学习的印刷工艺中图像出血位预测方法，基于一个二阶段的生成对抗模型，将出血位预测问题分为结构预测和图像修复。第一阶段是轮廓生成网络，该网络采用Canny边缘检测算法结合生成对抗网络预测出血位区域的图像边缘结构。第二阶段是图像修复网络，该网络使用一阶段中预测的边缘假想图作为先验，并根据原图的已知信息，使用图像修复网络对出血位区域进行预测，可以为出血位区域填充具有精致细节的内容，完成对出血位区域的填充。

实施例二：

本实施例与实施例一基本相同，特别之处在于：

在本实施例中，如图1所示，一种基于对抗边缘学习的图像出血位预测方法，具体步骤如下：

步骤1：对需要初始位图进行预处理，初始位图大多由印刷成品经扫描仪获得，图像存在噪声，会影响出血效果；采用基于暗通道先验的图像去雾算法进行预处理，消除扫描图中的均匀雾状噪点；

步骤2：为了使得图像的颜色层次更加鲜明，边缘轮廓更加清晰；采用了直方图变换和高通滤波器对于图像的空域和频域进行增强处理；

步骤3：采用颜色分离算法，将整个图像按照颜色分离得到单颜色通道图像并做二值化处理，凸显出图像中线条纹理且便于出血位的预测；

步骤4：目标图像是千万甚至上亿像素级别的图像，需要将图像分块处理；使用上一步得到的单颜色通道灰度图进行随机裁剪出20000张512*512大小的图片当成训练集，测试集和验证集由500张随机裁剪的512*512大小的图片构成；

步骤5：制作与训练集、测试集、验证集数量相同的掩模图集图集由大小为512*512像素，四个方向处100像素置为0的四种掩模图均匀分布构成，置0处为对应原图中四个方向需要出血的部分；

步骤6：训练轮廓生成网络，轮廓生成网络会使用Canny边缘检测算法生成边缘图，将边缘图，掩膜图，灰度图输入到轮廓生成网络的生成器，用于生成完全的边缘映射图；

步骤7：训练图像修复网络。将轮廓生成网络中得到的边缘映射图与灰度图输入到图像修复网络中的生成器，进行图像修复任务的训练；

步骤8：模型训练完毕后进行出血位预测。将灰度图与掩膜图输入到模型中进行测试，实现对边界处出血位区域的填充。

图2所示为对应的轮廓生成网络，网络的输入是基于颜色分离得到的单通道灰度图、使用Canny检测算法得到的边缘图以及对应的掩膜图。轮廓生成网络包含一堆生成器与判别器，生成器由两个编码器组成，将输入图像进行两次下采样，再使用四个残差块和两次上采样回到原始大小的解码器，在残差块层中使用空洞卷积替代普通卷积，增加后续层的感受野。判别器使用70×70PatchGAN。构建损失函数，用以训练对抗网络，得到轮廓生成器。损失函数使用对抗损失以及特征损失，使用与训练好的VGG网络对输入的图片进行判别，并使用谱归一化稳定判别器的训练。

图3所示为对应图像修复网络，网络的输入为轮廓生成网络中得到的边缘映射图和单通道灰度图。网络结构与轮廓生成网络类似。判别器中结合绝对值翻书、对抗损失、感知损失以及风格损失对轮廓图片进行判别。

本实施例基于对抗边缘学习的印刷工艺中图像出血位预测方法，本方法基于一个二阶段的生成对抗模型，首次将深度学习中的对抗网络应用于解决印刷出血问题，具有较大的创新意义。网络分为两部分：轮廓生成网络和图像修复网络。轮廓生成网络采用Canny边缘检测算法结合生成对抗网络预测出血位区域的图像边缘结构。图像修复网络使用一阶段中预测的边缘假想图作为先验，并根据原图的已知信息对出血位区域进行预测。

上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。

Claims (1)

1.一种基于对抗边缘学习的印刷工艺中图像出血位预测方法，其特征在于，具体操作步骤如下：

步骤1：首先对需要初始位图进行预处理，初始位图由印刷成品经扫描仪获得，图像存在噪声，会影响出血效果，采用高斯滤波器实现线性平滑滤波，并采用直方图变换和高通滤波器对于图像的空域和频域进行增强处理，使得图像的颜色层次更加鲜明，边缘轮廓更加清晰；采用颜色分离算法，将整个图像按照颜色分离得到单颜色通道图像并做二值化处理，凸显出图像中线条纹理且便于出血位的预测；

步骤2：使用在所述步骤1中得到的单颜色通道灰度图进行随机裁剪出20000张512*512大小的图片当成训练集，测试集和验证集由500张随机裁剪的512*512大小的图片构成，制作与训练集、测试集、验证集数量相同的掩模图集图集由大小为512*512像素，四个方向处100像素置为0的四种掩模图均匀分布构成，置0处为对应原图中四个方向需要出血的部分；

步骤3：进行模型训练，训练轮廓生成网络：

轮廓生成网络包含一对生成器和判别器，生成器由两个编码器组成，将输入图像进行两次下采样，再使用四个残差块和两次上采样回到原始大小的解码器，在残差块层中使用空洞卷积替代普通卷积，增加后续层的感受野；判别器使用70×70PatchGAN；使用Canny边缘检测算法生成边缘图，将边缘图、掩膜图、灰度图输入到轮廓生成网络的生成器，用于生成完全的边缘映射图；训练图像修复网络，图像修复网络与轮廓生成网络的差异在于输入不同和判别器的不同；图像修复网络的判别器中结合绝对值翻书、对抗损失、感知损失以及风格损失对轮廓图片进行判别；将轮廓生成网络中得到的边缘映射图与灰度图输入到图像修复网络中的生成器，进行图像修复任务的训练；

步骤4：在模型训练完毕后进行出血位预测，将灰度图与掩膜图输入到模型中进行测试，实现对边界处出血位区域的填充。