数字图像和文物壁画的智能处理关键技术研究_陈志强、曹建芳_9787524504962

本书聚焦数字图像智能处理与文物壁画保护技术展开研究。在数字图像处理方面,提出了基于并行Adaboost BP神经网络、双通道卷积神经网络及MapReduce的大规模检索等分类、标注与检索优化方法,在准确率、召回率和F1值上均验证了其优于经典算法的性能。在文物壁画保护方面,提出了ICNN DM、EA GAN、AP ProGAN 等改进的分割、修复与超分辨率重建模型,并通过主客观评价验证了其效果。书中系统阐述了相关关键技术,改进了核心模型并搭建了验证平台,为数字图像处理与文物壁画修复提供了新思路和实用方法。

随着多媒体技术、互联网技术及社交网络的迅速发展,人们可以访问的信息资源空前丰富。图像数据因其形象直观、蕴含信息综合性强等特点,应用领域逐渐增多,其数量更是以惊人的速度增长。但由于图像数据本身结构复杂、蕴含的信息多样及具有时空多维性,有效地组织和管理大规模图像数据十分困难。如何实现数字图像的快速分类、检索和标注,以满足各个领域的应用需求,已成为学术界研究的热点。应用智能处理技术对数字图像进行智能分类、检索和标注的相关技术有着广阔的应用前景和实用价值。
文物壁画不仅是历史的见证, 更是文化的传承, 它对历史、艺术、科学、社会、宗教和建筑等多个领域的研究都具有重要意义。但随着历史的变迁,很多壁画文物失去了原来的面貌,这对相关研究等造成了不少影响。近年来,深度学习算法发展迅速,在文本、语音、图像等众多领域取得了丰硕的成果,尤其在提升图像模型的推理能力和图像数字化修复能力方面取得了很大的进步,但仍存在壁画图像分割模型复杂度高、小尺度目标易缺失、修复图像艺术性较差、纹理修复不佳、网络训练不稳定、传统超分辨率重建方法易模糊、部分深度学习算法伪影多、细节保留差等问题。因此,结合深度学习思想,在信息不完全的条件下对文物壁画进行数字化修复方法研究,探索并解决文物壁画数字化修复保护的技术短板,具有十分重要的理论意义和实用价值。
本书主要研究数字图像智能处理和古代文物壁画保护等内容。
在数字图像智能处理方面,本书以多类别图像数据集为研究对象开展相关方法研究。在分类方面,提出并行Adaboost BP神经网络等方法并进行对比验证,提高了图像分类的时间性能和准确率;在标注方面,基于改进的深度学习模型提出DCNN、阈值寻优CNN 等方法,有效解决了多标签图像标注中的关键问题;在检索方面,通过改进OCC 模型、PSO 算法优化 BP 神经网络,结合Adaboost算法搭建MapReduce并行检索平台,经验证,平台在存储和检索性能上表现良好。
在古代文物壁画保护方面,本书对8000余张文物壁画图像进行增强处理,基于TensorFlow和PyTorch深度学习框架,分别构建了壁画分割模型及基于生成对抗网络(GAN)的修复与超分辨率重建模型。通过与各模型的相关算法进行对比分析,验证了本书所提出的分割、修复与超分辨率重建方法效果显著。
本书中展现了数字图像和文物壁画智能处理的最新研究成果、方法和动向,在理论体系构建、相应处理方法上均具有创新性,并构建了关键技术分析平台。

第1章绪言……………………………………………………………………… 1
1.1 研究背景与意义………………………………………………………… 1
1.2 国内外研究现状………………………………………………………… 5
1.3 本书主要内容………………………………………………………… 14
1.4 小结…………………………………………………………………… 19
基础理论篇
第2章常见的神经网络模型…………………………………………………… 23
2.1 前馈神经网络………………………………………………………… 23
2.2 循环神经网络………………………………………………………… 27
2.3 卷积神经网络………………………………………………………… 31
2.4 生成对抗网络………………………………………………………… 52
2.5 自注意力网络………………………………………………………… 55
2.6 小结…………………………………………………………………… 57
第3章数字图像和壁画图像处理的性能评测………………………………… 58
3.1 图像分析检索的性能评测…………………………………………… 58
3.2 图像质量的性能评测………………………………………………… 59
3.3 统计学评价指标……………………………………………………… 60
3.4 小结…………………………………………………………………… 62
图像处理篇
第4章图像自动分类方法……………………………………………………… 65
4.1 基于并行Adaboost BP神经网络的海量图像分类方法…………… 65
4.2 基于P Adaboost (ABC PSO SVM)的图像分类方法………… 76
4.3 基于自适应加权特征融合的图像分类方法………………………… 86
4.4 小结…………………………………………………………………… 98
第5章多标签图像标注方法…………………………………………………… 99
5.1 基于双通道卷积神经网络的多标签图像标注方法………………… 99
5.2 基于CM Supplement模型的多标签图像标注方法……………… 115
5.3 基于阈值寻优卷积神经网络的多标签图像标注方法……………… 130
5.4 基于融入迁移学习的定位策略的图像标注方法…………………… 145
5.5 小结…………………………………………………………………… 160
第6章基于MapReduce的大规模数字图像检索技术……………………… 161
6.1 Hadoop平台相关技术介绍………………………………………… 161
6.2 基于MapReduce的大规模数字图像检索方案…………………… 166
6.3 实验与结果分析……………………………………………………… 179
6.4 小结…………………………………………………………………… 182
壁画保护篇
第7章壁画图像分割方法…………………………………………………… 187
7.1 基于ICNN DM 的壁画图像分割方法…………………………… 187
7.2 基于多尺度特征融合双重注意力增强的壁画分割方法…………… 202
7.3 小结…………………………………………………………………… 217
第8章壁画图像修复方法…………………………………………………… 219
8.1 基于EA GAN 的壁画图像修复方法……………………………… 219
8.2 基于增强局部注意力的生成对抗网络壁画修复方法……………… 234
8.3 小结…………………………………………………………………… 242
第9章壁画图像超分辨率重建方法………………………………………… 243
9.1 基于AP ProGAN 的壁画图像超分辨率重建方法……………… 243
9.2 基于增强感知质量的零样本壁画超分辨率重建方法……………… 259
9.3 小结…………………………………………………………………… 267
第10章结论与展望…………………………………………………………… 269
10.1 总结………………………………………………………………… 269
10.2 研究展望…………………………………………………………… 270
参考文献………………………………………………………………………… 272

我要评论