融合阈值寻优的卷积神经网络在图像标注中的应用

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。

结合迁移学习和底层特征的古代壁画分类模型

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。

增强壁画图像艺术性的超分辨率重建

针对现有壁画图像中分辨率低、图像细节粗糙导致壁画图像艺术价值降低等问题,提出一种增强艺术性壁画图像的超分辨率重建算法优化壁画图像。以生成对抗网络为框架,使用生成网络输出重建的高分辨率图像,在判别网络中提取壁画图像的特征,用于判断生成网络的输出是否为真实高分辨率壁画图像。采用迁移学习思想、去除批标准化、将网络模型分阶段构建的方法实现更好的壁画图像优化。与现有几种图像超分辨率算法对比,在客观实验指标上PSNR值平均提高了1.2 dB-3.3 dB,SSIM值增加了0.04-0.13;在主观评分方面也优于其它算法,验证了该算法在壁画图像的超分辨率重建上具有有效性和卓越型。

改进的GrabCut算法在古代壁画分割中的应用

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.