本发明涉及图像处理，尤其涉及一种基于rp-unet网络的灰度图像着色方法及系统。
背景技术：
1、灰度图像着色，也称图像上色，是将黑白或者灰度图像转换为彩色图像的过程，这个过程并不仅仅是对图像简单的美化和人眼视觉上的提升，在历史图像的修复和保存、电影和视频修复、医疗影像、艺术和创意设计等领域都有着广泛的应用。
2、灰度图像着色作为计算机视觉的一个经典且重要的研究方向，目前也已经产生了许多有意义、效果明显的着色方法，但是在着色过程中对于数据集训练过程中，特征图像的信息利用不够充分。现有着色方法的只是在二维特征图像上直接利用1*1的矩阵进行特征提取，虽然对于部分图像能够产生良好效果，但是因为对于特征信息的利用不够充分，尤其对复杂背景图像和微小物品图像的着色，导致最终的着色图像会产生溢色、着色不准确等现象，极大的限制了其应用范围。
技术实现思路
1、有鉴于此，本发明提供了一种基于rp-unet网络的灰度图像着色方法及系统，用以在保持着色准确度的同时，有效地实现对复杂背景图像和微小物品图像的着色，能够准确识别和分割复杂背景图像和微小物品图像，扩大应用范围。
2、第一方面，本发明提供了一种基于rp-unet网络的灰度图像着色方法，所述方法包括：
3、步骤1、选取并预处理公共灰度图像着色数据集和自建灰度图像着色数据集，并进行数据集划分，获取训练数据集和测试数据集；
4、步骤2、通过改进unet网络模型，得到rp-unet网络模型；
5、步骤3、将rp-unet网络模型部署于配置的模型训练环境中，设置预设参数，通过训练数据集对rp-unet网络模型进行训练，获得训练后的rp-unet网络模型；
6、步骤4、调用训练后的rp-unet网络模型的权重文件，通过测试数据集对模型进行全面评估，获得评估结果。
7、可选地，所述步骤1包括：
8、获取公共灰度图像着色图像和自建灰度图像着色图像，并进行预处理和标注后，将处理后的公共灰度图像着色图像和自建灰度图像着色图像以7：3比例划分训练数据集和测试数据集，将其存储在指定路径下，并分别将训练数据集和测试数据集相应的路径添加到模型yaml配置文件中。
9、可选地，所述步骤2包括：
10、步骤21、将自注意力机制模块psa集成于unet网络模型的主干网络，注意力机制模块psa执行特征聚合操作，以增强特征表达能力；自注意力机制模块psa利用空间池化和通道池化操作，结合深度学习中的注意力机制，以提升网络对于空间信息的处理能力；
11、步骤22、通过使用rfb模型模拟人类视觉系统中rfs的大小和偏心度的配置，以增强轻量级cnn网络的深度特征，替换unet网络模型的编码器部分卷积层；
12、步骤23、采用charbonnier作为网络模型的损失函数，其表达式为：
13、
14、其中，i′，分别表示着色后图像和真实图像，∈表示正数，用于保证在时函数的可微性。
15、可选地，所述步骤21包括：
16、自注意力机制模块psa由空间注意力和通道注意力结合组成，以增强特征表达和处理能力；处理输入特征时，先单独应用空间注意力，然后应用通道注意力，其具体实现步骤如下所示：
17、生成空间权重：使用conv_q_right卷积层生成空间权重；
18、softmax归一化：应用softmax函数归一化空间权重，确保它们的和为1，表示每个位置的重要性；
19、应用空间权重：将归一化后的空间权重应用于通过conv_v_right卷积层处理的特征图上；
20、上采样处理：使用包含层归一化和relu激活函数的卷积序列来处理加权特征，生成最终的空间注意力特征；
21、通道权重生成：使用conv_q_left卷积层来处理输入特征，生成用于通道注意力的特征；
22、全局平均池化：应用自适应平均池化avg_pool来聚合每个通道的全局信息；
23、生成通道上下文：使用conv_v_left卷积层来处理输入特征，与全局平均池化的结果结合，通过矩阵乘法和softmax归一化来生成通道权重；
24、应用通道掩码：通过sigmoid函数生成最终的通道掩码，与输入特征相乘，从而调整通道的贡献。
25、可选地，所述步骤22包括：
26、(a)多分支池化，用于多尺度特征捕获：使用不同大小的卷积核和池化层来捕捉不同尺度的特征，模拟不同大小的感受野；
27、(b)扩张卷积dilated convolution模拟偏心率调整：通过增加卷积核元素之间的间隔来扩大感受野；通过扩张卷积，调整卷积核的采样范围，增大感受野而不增加参数数量，以捕捉上下文信息；
28、(c)特征重组和整合，用于动态感受野调整：通过对不同分支的输出进行组合和调整，生成最终的特征表示。
29、可选地，所述步骤3包括：
30、对模型训练环境进行配置，通过yaml文件读取训练数据集及测试数据集，对rp-unet网络模型进行训练，训练过程中不断优化rp-unet网络模型的损失函数，直至训练收敛；通过测试数据集进行全面评估，采用frechet起始距离fid和色度评分cf来衡量性能；fid用于测量生成的彩色图像与地面真实彩色图像之间的分布相似性，cf用于反映生成的彩色图像的生动度；在网络复杂性方面，使用网络参数数量params来衡量网络的轻量级程度。
31、第二方面，本发明提供了一种基于rp-unet网络的灰度图像着色系统，所述系统包括：
32、数据获取模块，用于选取并预处理公共灰度图像着色数据集和自建灰度图像着色数据集，并进行数据集划分，获取训练数据集和测试数据集；
33、训练环境配置模块，用于配置模型训练环境；
34、网络模型构建模块，用于通过改进unet网络模型，得到rp-unet网络模型；
35、训练和验证模块，用于将rp-unet网络模型部署于配置的模型训练环境中，设置预设参数，通过训练数据集对rp-unet网络模型进行训练，获得训练后的rp-unet网络模型；调用训练后的rp-unet网络模型的权重文件，通过测试数据集对模型进行全面评估，获得评估结果。
36、第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在电子设备执行第一方面或第一方面任一可能的实现方式中的基于rp-unet网络的灰度图像着色方法。
37、第四方面，本发明实施例提供一种电子设备，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述电子设备执行时，使得所述设备执行第一方面或第一方面任一可能的实现方式中的基于rp-unet网络的灰度图像着色方法。
38、本发明提供的技术方案中，该方法包括选取并预处理公共灰度图像着色数据集和自建灰度图像着色数据集，并进行数据集划分，获取训练数据集和测试数据集；通过改进unet网络模型，得到rp-unet网络模型；将rp-unet网络模型部署于配置的模型训练环境中，设置预设参数，通过训练数据集对rp-unet网络模型进行训练，获得训练后的rp-unet网络模型；调用训练后的rp-unet网络模型的权重文件，通过测试数据集对模型进行全面评估，获得评估结果，该方法在保持着色准确度的同时，有效地实现了对复杂背景图像和微小物品图像的着色，能够准确识别和分割复杂背景图像和微小物品图像，扩大了应用范围。
1.一种基于rp-unet网络的灰度图像着色方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤2包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤21包括：
5.根据权利要求3所述的方法，其特征在于，所述步骤22包括：
6.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
7.一种基于rp-unet网络的灰度图像着色系统，其特征在于，所述系统包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在电子设备执行权利要求1至6中任一项所述的基于rp-unet网络的灰度图像着色方法。
9.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及
