The invention discloses an ancient font classification method based on convolution neural network. Firstly, the crawler technology is used to crawl the image data set of ancient font categories, and the training set samples are balanced by data expansion. Then, the balanced training set samples are grayed and resized to the size of the target image. Then, the sample set is histogram equalized, and the isolated noise points in the image are removed by N8 connected denoising algorithm. Finally, based on blurring. Set theory and Shannon Entropy Function are used to binarize the image to preserve the details of the image. Based on the objective function of classification task, the central loss function is combined with the traditional cross-entropy loss function to increase the distance between classes and reduce the distance within classes. To a certain extent, the resolution ability of the feature is improved. The pre-defined network model is used to preprocess the image. The processed images are trained and the accuracy of classification results is evaluated by using confusion matrix. The method has remarkable effect on image preprocessing of degraded ancient fonts. By optimizing parameter setting and using appropriate training techniques, the convolution neural network model is trained, and a more accurate classification effect of ancient Fonts is achieved.
【技术实现步骤摘要】
一种基于卷积神经网络的古字体分类方法
本专利技术涉及中国传统汉字图像处理领域,特别是一种基于卷积神经网络的古字体书法分类方法。
技术介绍
汉字,作为中国传统的文字,至今已有数千年的历史,同时,汉字也是中国传统艺术和文化的重要组成部分。然而,时间已经导致旧书法作品风化和损坏,因此有必要利用先进的技术来保护这些作品。我们将提供一种针对中国古字体书法作品的预处理(去噪)算法,在此基础上利用卷积神经网络对数据集进行分类,以达到更好的分类正确率。大多数古字体(中国传统书法)都是用中国传统毛笔书写,这些传统毛笔中的笔迹比硬笔书法要厚重得多,因此字符里存储了更多的形状信息;然而风化的作品存在许多噪点,很大程度上影响分类效果。近年来,大批量的古字体书法已经被数字化以用于研究和普遍的艺术实践。因此,对古字体识别和分类的需求正不断增加。目前,已有许多相关解决方案,这些解决方案大多是基于某些特征提取和K邻近值技术,并且在前期的图像预处理后,处理效果不太显著,通常用于字体的识别和单一的特征提取。另一方面,卷积神经网络已被广泛用于手写字符的识别,但是缺乏在中国古字体方向的研究。基于这种情况,我们希望探索卷积神经网络在古字体风格样式识别上的应用,实现更系统分类的目标,为后续做精确的识别以及古字体研究管理打下坚实的基础。针对上述问题及现实意义,本专利技术将提升在数据预处理方面的能力,通过优化参数设置,利用适当的训练技巧,训练卷积神经网络模型,以实现更好的分类性能。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的古字体分类方法。本专利技术通过将基于深度学习的卷积神经网络应用于中 ...
【技术保护点】
1.一种基于卷积神经网络的古字体分类方法,其特征在于包括如下步骤:步骤1.数据集获取,利用爬虫技术中的BeautifulSoup来爬取CADAL数字图书馆中预先分割出来的单个书法字符,获取其中的五种标准古字体类别图像,利用这五类标准古字体类别图像来组成本专利技术实验所需的古字体图像数据集;步骤2.数据扩充,在步骤1所获取的古字体图像数据集上扩充数据样本数量,针对数据样本较少的类别进行样本扩充,扩充方式包括使用图像水平/垂直翻转、小范围旋转变换、监督式数据扩充法扣取、尺度变换方法,随机抽取已有样本图像应用数据扩充方法对样本数量进行扩充,从而增加训练样本和测试样本的多样性,最终每类古字体样本图像在数量上统一,获得完整数据集;步骤3.对扩充后的完整数据集的图像进行预处理,将图像处理成正方形图像;所述的预处理包括图像灰度处理、图像等比缩放、图像边缘填充、直方图均衡化处理、连通域降噪算法、基于模糊集理论的图像二值化算法;步骤4.定义卷积神经网络模型,使用基于VGG19模型的卷积神经网络,以步骤3预处理过后的图像作为输入;步骤5.定义目标函数,目标函数的作用则是用来衡量该预测值与真实样本标记之间的 ...
【技术特征摘要】
1.一种基于卷积神经网络的古字体分类方法,其特征在于包括如下步骤:步骤1.数据集获取,利用爬虫技术中的BeautifulSoup来爬取CADAL数字图书馆中预先分割出来的单个书法字符,获取其中的五种标准古字体类别图像,利用这五类标准古字体类别图像来组成本发明实验所需的古字体图像数据集;步骤2.数据扩充,在步骤1所获取的古字体图像数据集上扩充数据样本数量,针对数据样本较少的类别进行样本扩充,扩充方式包括使用图像水平/垂直翻转、小范围旋转变换、监督式数据扩充法扣取、尺度变换方法,随机抽取已有样本图像应用数据扩充方法对样本数量进行扩充,从而增加训练样本和测试样本的多样性,最终每类古字体样本图像在数量上统一,获得完整数据集;步骤3.对扩充后的完整数据集的图像进行预处理,将图像处理成正方形图像;所述的预处理包括图像灰度处理、图像等比缩放、图像边缘填充、直方图均衡化处理、连通域降噪算法、基于模糊集理论的图像二值化算法;步骤4.定义卷积神经网络模型,使用基于VGG19模型的卷积神经网络,以步骤3预处理过后的图像作为输入;步骤5.定义目标函数,目标函数的作用则是用来衡量该预测值与真实样本标记之间的误差;基于分类任务的目标函数,此处将中心损失函数与传统交叉熵损失函数配合使用;步骤6.定义优化器,给模型设定一个理想的学习率,初始学习率设定为0.001,模型训练过程中,学习率随批次数增加而减缓,减缓机制如下:如果在两个或者更多训练批次数内损失停止下降,学习率按设定规则公式递减为利用基于动量的随机梯度下降类型的网络优化算法对模型进行训练和参数求解,将动量因子μ以动态设定方式进行调整,μ初始值设为0.5,之后随着训练批次数的增长逐渐变为0.9,从而有效抑制振荡,找到更优的网络参数;步骤7.网络训练,在训练卷积神经网络时,首先选取步骤3数据集中80%的数据样本作为训练样本集,将训练数据随机打乱,确保模型在不同训练批次“看到”的数据样本是不同的;定义步骤5目标函数和步骤6优化器,调整网络参数并统计指标;将步骤4的网络模型作为训练模型对数据样本开始进行训练,训练结束之后保存模型,以方便后期快速的模型加载;步骤8.网络测试,使用混淆矩阵进行评估,此矩阵是一种对分类算法准确率进行量化的工具,用来呈现分类性能的可视化效果,通过将模型预测的数据与测试数据进行对比,使用准确率指标对模型的分类效果进行度量,最终得出每类古字体被正确分类的概率,以及总的准确率。2.根据权利要求1所述的基于卷积神经网络的古字体分类方法,其特征在于步骤3所述的对扩充后的完整数据集的图像进行预处理,具体实现如下:首先,将原始古字体图像进行gray灰度处理;其次,通过reshape获取图像的大小,包括长、宽、通道数;以长宽值较大的一边为基准等比例缩放,通过resize()函数等比例缩放到目标值大小;然后对长宽值较小的一边进行边缘填充,根据图像边界的像素值,向外扩充图像大小,每个方向扩充的像素点为与目标大小差值的一半,得到图像的大小为既定目标大小的方形图像;再然后,对方形图像进行直方图均衡化处理,将方形图像中不均匀的灰度级分布,通...
【专利技术属性】
技术研发人员:吴以凡,赵月,张桦,戴国骏,史建凯,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。