[发明专利]基于结构引导汉字字体生成的方法

权利要求书

1.基于结构引导汉字字体生成的方法，其特征在于，包括如下步骤：

第一步，进行字体数据准备：将标准字体以及目标字体分别进行处理，生成标准字体图片、目标字体图片；

第二步，提取标准字体图像的轮廓与骨架，将单像素宽度骨架广播到四个像素的宽度；

第三步，采用编码器和解码器结构作为生成器，卷积神经网络作为判别器，构建生成对抗网络；

第四步，利用标准字体图片、轮廓、骨架和目标字体图片数据集对构建的神经网络进行训练，得到训练后的对抗生成网络，并保存训练完成的参数；

第五步，依次将完整的标准字体输入到训练后的对抗生成网络的生成器中，由训练后的对抗生成网络的生成器输入相对应的完整的目标字体；

第六步，构建模型评级体系，评级模型的字体生成质量。

2.根据权利要求1所述基于结构引导汉字字体生成的方法，其特征在于，在第三步中，采用编码器和解码器架构作为生成器，编码器输入的是字体图片、轮廓和骨架，所述编码器包含5个向下采样层，每层采用一个卷积核为5×5步长为2的卷积层，批量规范化以及LReLu构成，编码得到向量；将编码得到的向量与字体类别嵌入向量进行连接，字体类别嵌入向量是一个64维的随机向量；然后送到解码器，所述解码器包含5个向上采样层，每层采用一个卷积核为5×5步长为2的反卷积层，批量规范化以及ReLu，最终得到输出字体图像。

3.根据权利要求2所述基于结构引导汉字字体生成的方法，其特征在于，编码器与解码器的对应层进行跳跃连接，其中n为生成器网络层数，i为编码器层号，跳跃连接i层和n-i层。

4.根据权利要求1所述基于结构引导汉字字体生成的方法，其特征在于，在第三步中，判别器采用卷积神经网络结构，判别器输入的是真实的字体图像以及由生成器生成的字体图像；判别器采用3个级联的Conv-BN-LReLu网络结构，最后两层采用全连接神经网络。

5.根据权利要求1所述基于结构引导汉字字体生成的方法，其特征在于，在第六步中，依据中文汉字的结构特征，笔画数量将汉字分为3种类别：简单、中等、困难，在3个类别中分别随机选择20个生成的字体进行图像质量定量评价：峰值信噪比、结构相似性、笔画完整性。

6.根据权利要求1所述基于结构引导汉字字体生成的方法，其特征在于，在生成对抗网络的训练中，结合使用对抗损失、字体类别损失、像素匹配损失来衡量生成对抗网络生成的字体与设计师提供的字体y之间的差异，并更新网络参数；其中，如公式1所示，假设参考字体服从Pdata分布，通过与判别器D的博弈，生成器将噪声Pz生成Pdata,在模型的训练阶段，生成器尝试生成真实的结果去欺骗判别器，而判别器的目标是分辨生成结果与真实结果间的区别；L_adv代表判别器对于生成图像与真实图像之间的判别损失；

其中，D(x)是判别器的结果，G(z)是生成器输出的结果；p_data表示真实样本分布；p_input表示噪声分布；E表示期望值。

7.根据权利要求6所述基于结构引导汉字字体生成的方法，其特征在于，为了准确描述生成图像与真实图像的像素空间的相似程度，引入像素匹配损失函数，如公式2所示，其中：采用L₁距离来度量生成图像与真实图像在像素空间的匹配程度；

其中，p_data表示真实样本分布，p_input表示噪声分布，G_z代表生成器生成结果，x表示真实结果。

8.根据权利要求7所述基于结构引导汉字字体生成的方法，其特征在于，在生成网络的解码器与编码器之间加入随机高斯噪声的类别嵌入，使模型能够同时学习多种字体样式；引入字体类别损失函数，字体类别损失采用sigmoid交叉熵损失函数L_cate；

将3种损失函数组合起来，不同的损失函数具有不同的权重，采用加权求和的方式，字体生成对抗网络的损失函数L如公式(3)所示

L＝w_advL_adv+w₁L₁+w_cateL_cate(3)

其中，w_adv，w₁，w_cate为权重系数。