技术特征：
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。
技术总结
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。出血位区域的填充。出血位区域的填充。
技术研发人员：张新鹏 严振 冯国瑞
受保护的技术使用者：上海大学
技术研发日：2021.12.09
技术公布日：2022/4/12