技术特征：
1.基于深度学习的古代破损纺织品图像的复原方法，其特征在于，包括以下步骤：s1.建立数据集：收集古代纺织品图像，得到古代纺织品图像数据集；s2.获取训练数据集：将古代纺织品图像数据集的部分数据作为训练样本，对该训练样本中的真实古代纺织品图像进行预处理后得到加噪声的古代纺织品图像，将加噪声的古代纺织品图像和真实古代纺织品图像作为训练数据集；s3.判别生成图像：将加噪声的古代纺织品图像，输入生成模型中进行反卷积，得到生成的古代纺织品图像的相似图像；将生成的古代纺织品图像的相似图像和真实古代纺织品图像输入到判别器中，用以判别生成的古代纺织品图像的相似图像的真假，若为假则重新训练生成模型，若为真则修复成功，得到改进后的dcgan模型；s4.图像修复：将待修复的古代纺织品图像数据输入到改进后的dcgan模型中，得到接近真实的古代纺织品图像。2.根据权利要求1所述的基于深度学习的古代破损纺织品图像的复原方法，其特征在于，s1建立数据集的具体内容为：对纺织品种类进行编码，得出下列三层概念体系：第一层为编织和刺绣；第二层为几何、动物、植物和景器物；第三层将第二层的进一步细化分类。3.根据权利要求1所述的基于深度学习的古代破损纺织品图像的复原方法，其特征在于，s2获取训练数据集包括以下步骤：s201，对s2中训练数据集中的数据的结构进行自动检测，计算纹样组合重复的距离，选择最优步长；s202，输入大小为n的随机向量z，将其映射成特征图；s203，将步骤s202中的随机向量z通过卷积层1、卷积层2、卷积层3、卷积层4得到生成古代纺织品图像的相似图像g(z)。4.根据权利要求3所述的基于深度学习的古代破损纺织品图像的复原方法，其特征在于，s203具体包括以下步骤：卷积层1、卷积层2、卷积层3、卷积层4的卷积核的尺寸均为3
×
3，步长采用自适应的方式进行选取，输出层采用tanh激活函数，其它层采用relu激活函数。5.根据权利要求1所述的基于深度学习的古代破损纺织品图像的复原方法，其特征在于，s3中改进后的dcgan模型的损失函数选择交叉熵损失函数，其公式如下：其中，x为真实的古代纺织品图像数据；z为输入的随机向量；p
data
为真实古代纺织品图像的数据分布；p
z
为生成的古代纺织品图像数据的分布；d(x)表示真实数据的判别结果；d(g(z))表示生成数据的判别结果。6.根据权利要求1所述的基于深度学习的古代破损纺织品图像的复原方法，其特征在于，s3.具体包括以下内容：训练时，先固定判别模型，训练生成模型，当生成模型生成的古代纺织品图像达到预设
概率通过判别模型的判断后，再固定生成模型；进而训练判别模型，得到训练好的判别模型；训练好的生成模型与训练好的判别模型组成改进后的dcgan模型。7.基于深度学习的古代破损纺织品图像的复原系统，其特征在于，应用权利要求1-6任一项所述的基于深度学习的古代破损纺织品图像的复原方法，包括：建立数据集模块、获取训练数据集模块、判别生成图像模块、图像修复模块；建立数据集模块：收集古代纺织品图像，得到古代纺织品图像数据集；获取训练数据集模块：与建立数据集模块输入端相连，将古代纺织品图像数据集的部分数据作为训练样本，对该训练样本中的真实古代纺织品图像进行预处理后得到加噪声的古代纺织品图像，将加噪声的古代纺织品图像和真实古代纺织品图像作为训练数据集；判别生成图像模块：将加噪声的古代纺织品图像，输入生成模型中进行反卷积，得到生成的古代纺织品图像的相似图像；将生成的古代纺织品图像的相似图像和真实古代纺织品图像输入到判别器中，用以判别生成的古代纺织品图像的相似图像的真假，若为假则重新训练生成模型，若为真则修复成功，得到改进后的dcgan模型；图像修复模块：与判别生成古代纺织品图像的相似图像模块输入端相连，将待修复的古代纺织品图像数据输入到改进后的dcgan模型中，得到接近真实的古代纺织品图像。8.根据权利要求7所述的基于深度学习的古代破损纺织品图像的复原系统，其特征在于，还包括：用户图像上传模块：用户上传古代纺织品图像数据，收集待修复的古代纺织品图像。
技术总结
本发明公开了基于深度学习的古代破损纺织品图像的复原方法及系统，涉及深度学习和计算机视觉领域，包括以下步骤：S1、建立数据集；S2、获取训练数据集；S3、判别生成图像；S4、图像修复。本发明根据古代纺织品具有重复性和规律性的特点利用改进后的深度卷积生成对抗网络来训练古代纺织品图像修复模型，实现对残损的古代纺织品图像的修复。古代纺织品图像的修复。古代纺织品图像的修复。
技术研发人员：沙莎 魏宛彤 罗磊 江学为 陶辉
受保护的技术使用者：武汉纺织大学
技术研发日：2022.11.21
技术公布日：2023/3/28