摘要：目的针对古代壁画图像自身特征提取存在的主观单一性和客观不充分性等问题,以经典Alex Net网络模型为基础,提出了一种结合特征融合思想的卷积神经网络模型,用于古代壁画图像的自动分类。方法首先,由于大型壁画数据集较为缺乏,通过对壁画样本使用缩放、亮度变换、加噪和翻转等图像增强算法来扩大数据集,并提取壁画图像第1阶段的边缘等底层特征;其次,采用结构不同的双通道网络对提取的第1阶段特征进行第2阶段的深层抽象,得到两个通道的特征;最后,融合两个通道的特征,共同构建损失函数得到分类结果,从而提高模型的鲁棒性和特征表达能力。结果实验结果表明,在构造的壁画图像数据集上,该模型最终达到了85.39%的准确率。与Alex Net模型以及一些改进的卷积神经网络模型相比,各项评价指标均有大约5%的提高;与未进行预训练的经典模型相比,本文网络结构不易产生过拟合现象;与结合预训练的经典模型相比,准确率大致上有1%5%的提升,从硬件条件、网络结构和内存消耗上来说代价更小。由此验证了本文模型对于壁画图像自动分类的合理性和有效性。结论本文提出的壁画分类模型,综合考虑网络宽度和深度的影响,能从多局部的角度提取壁画图像丰富的细节特征,具有一定的优势和使用价值,可进一步结合到与壁画图像分类的相关模型中。

摘要：针对壁画数目较少会导致深度学习模型训练不够充分的问题,提出了一种结合深层迁移模型和底层简单视觉相结合的古代壁画分类模型。模型将Visual Geometry Group Network迁移模型学习到的知识应用到目标小样本集上进行微调得到壁画高层特征,结合颜色直方图和局部二值模式纹理算子为特征描述子进行分类。实验结果表明:在构建的壁画图像数据集上,模型达到了90.35%的准确率。与传统模型和其他的卷积神经网络相比,算法在分类准确率、泛化能力和稳定性上都有很大提升,验证了模型对于壁画分类的有效性。

摘要：壁画作为一种珍贵的文化遗产,在经历数千年的沉淀后普遍存在毁坏破损的现象,其保护工作刻不容缓.利用智能信息处理技术对壁画进行自动分割是壁画数字化保护的一个重要组成部分.针对壁画噪声明显、边缘不清晰的特点,提出了一种融合小波去噪和边缘增强的改进的GrabCut算法新模型.该算法用小波变换对壁画图像进行分解,并采用自适应特征阈值方法去除壁画图像中的噪声,然后融合Sobel算子和Canny算子提取壁画轮廓以增强边缘,在此基础上对壁画图像进行分割.仿真实验通过分割效果和PSNR,Kappa,Error这3个指标来评价本文算法模型,实验结果表明:本文算法相对于对比方法的PSNR值平均提高了7.817,Kappa值平均提高了0.076,Error值降低了0.080,说明本文提出的模型在分割含有噪声、边缘模糊的壁画图像时不仅具有良好的抗噪能力,而且分割效果更好,准确度更高.

摘要：多标签图像标注在根据模型预测的概率,利用排名函数进行标注时会出现多标或少标的问题,提出了融合阈值寻优的卷积神经网络(CNN-THOP)模型,该模型由卷积神经网络(CNN)和阈值寻优构成。首先,通过CNN训练模型,利用该模型对图片进行预测,得到预测概率,其中在CNN中增加了批标准化层(BN)有效地加快了收敛。其次,利用该模型对测试集图片的预测概率进行阈值寻优,经过阈值寻优过程为每类标签得到一个最佳阈值,从而得到一组最佳阈值,只有当该类标签的预测概率大于等于该类标签的最佳阈值时,才会给图片标注该标签。在标注过程中,通过载入CNN模型和一组最佳阈值可以对所需标注的图像进行更加灵活的多标签标注。通过在自然场景图像数据集8000张图片上的验证,结果表明,CNN-THOP较传统的基于排名的支持向量机法(Rank-SVM)在平均查准率上提升了约20个百分点,较基于均方误差函数的卷积神经网络(CNN-MSE)在平均召回率和F1值上分别提高了约6个百分点和4个百分点,且完全匹配度(CMD)达到了64.75%,验证了该方法在图像自动标注方面的有效性。