一种基于卷积神经网络的艺术图像分类方法技术

本发明专利技术公开了一种基于卷积神经网络的艺术图像分类方法，包括：获取每类艺术图像，图像裁切与构建训练集、验证集；然后使用空洞卷积、DKSE模块、深度可分离卷积搭建卷积神经网络；最后用训练集输入搭建好的卷积神经网络对其进行训练，得到可用来进行艺术图像分类的网络模型。本发明专利技术较传统方法相比，提取的艺术图像的整体特征与局部细节特征更加全面，可以适用于多种艺术图像分类研究，模型通用性较强，填补了现有多类艺术图像分类检索研究的不足；本发明专利技术中设计的卷积神经网络可减少对艺术图像分类人员的专业要求，避免了传统分类算法中复杂的特征提取和数据标注的工作；本发明专利技术卷积神经网络结构较其他卷积神经网络结构简单，分类准确率高。

An art image classification method based on convolution neural network

The invention discloses an art image classification method based on convolution neural network, which includes: obtaining each kind of art image, image cutting and constructing training set and verification set; then using hollow convolution, dkse module and depth separable convolution to build convolution neural network; finally, using convolution neural network built by training set input to train it to get art Network model of image classification. Compared with the traditional method, the overall feature and local detail feature of the extracted art image are more comprehensive, which can be applied to the classification research of various art images, and the model has strong universality, which fills in the deficiency of the existing classification and retrieval research of multiple art images; the convolution neural network designed in the invention can reduce the professional requirements for the art image classification personnel, and avoid the traditional The convolution neural network structure of the invention is simpler than that of other convolution neural networks and has high classification accuracy.

【技术实现步骤摘要】
一种基于卷积神经网络的艺术图像分类方法
本专利技术属于图像处理识别
，具体涉及一种基于卷积神经网络的艺术图像分类方法。
技术介绍
互联网数字媒体技术的发展，促进了自然艺术图像的分享和传播，但随着艺术图像数量的与日剧增，对其进行有效的分类检索是一个亟待解决的问题。面对海量的艺术图像数据，用传统手工提取特征方法可能存在标注失误以及标注不够客观等问题，而且对艺术图像分类人员的专业要求比较高。现有对艺术图像管理的研究工作主要是基于国画题材与表现手法的分类、根据画家创作风格而对画家的分类以及艺术画真假鉴别，而基于多类艺术图像风格特点的分类研究较少。高峰等人在《基于表现手法的国画分类方法研究,ChineseJournalofComputers.2017年第12期,2871-2882》一文中提出利用尺度不变特征变换特征检测子和边缘检测得到图像关键区域，通过关键区域特征和邻域内部差异性的描述，采用级联分类器分析得出工笔画和写意画在表现手法上的不同，但是所得到的局部关键区域特征不足以代表整体艺术图像的关键特征。根据国画中纹理、颜色、形状等特征，王征等人在《监督式异构稀疏特征选择的国画分类和预测,本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的艺术图像分类方法，包括如下步骤：(1)获取大量各类艺术图像，由专业人员对这些图像进行清洗和筛查，并人工为每张图像打上类别标签；(2)对每张图像进行预处理，从而得到对应的图像数据样本；(3)将所有样本分为训练集和验证集，搭建卷积神经网络并利用训练集样本对该卷积神经网络进行训练，得到用于艺术图像分类的网络模型；(4)将待分类的艺术图像经预处理后输入所述网络模型中，即可得到该艺术图像的分类结果。

【技术特征摘要】
1.一种基于卷积神经网络的艺术图像分类方法，包括如下步骤：(1)获取大量各类艺术图像，由专业人员对这些图像进行清洗和筛查，并人工为每张图像打上类别标签；(2)对每张图像进行预处理，从而得到对应的图像数据样本；(3)将所有样本分为训练集和验证集，搭建卷积神经网络并利用训练集样本对该卷积神经网络进行训练，得到用于艺术图像分类的网络模型；(4)将待分类的艺术图像经预处理后输入所述网络模型中，即可得到该艺术图像的分类结果。2.根据权利要求1所述的艺术图像分类方法，其特征在于：所述步骤(1)中使用网络爬虫技术从艺术网站下载大量各类艺术图像，对于获取到的任一张图像，由专业人员裁剪掉图像中与艺术风格不相关的边框，并根据图像的艺术风格对其打上类别标签，在打标签的过程中对于不相关的类别图像进行筛除。3.根据权利要求1所述的艺术图像分类方法，其特征在于：所述步骤(2)中对于低分辨率的图像，直接将其压缩至m×m大小，进而基于RGB三通道像素值得到m×m×3大小的图像数据样本；对于高分辨率的图像，以m个像素点为步长将整个图像划分成多个m×m大小的图块；对于每一图块，基于RGB三通道像素值得到其对应m×m×3大小的图像数据样本，m为大于48的自然数。4.根据权利要求1所述的艺术图像分类方法，其特征在于：所述步骤(3)中的卷积神经网络从输入到输出由输入层、空洞卷积层、深度卷积层、3个深度可分离卷积层DS1～DS3、双核压缩激活层DKSE1、2个深度可分离卷积层DS4～DS5、双核压缩激活层DKSE2、2个深度可分离卷积层DS6～DS7、双核压缩激活层DKSE3、2个深度可分离卷积层DS8～DS9、全局平均池化层P以及全连接层依次连接组成。5.根据权利要求4所述的艺术图像分类方法，其特征在于：所述输入层为m×m×3大小的图像数据样本；所述空洞卷积层使用32个3×3×3大小的卷积核，步长为1，膨胀率为2；所述深度卷积层使用32个3×3大小的卷积核，步长为3；所述全局平均池化层P将深度可分离卷积层DS9输出特征图的空间信息压缩到1024个通道描述符中；所述全连接层使用n个节点作为输出，采用的激活函数为Softmax，n为艺术图像类别数。6.根据权利要求4所述的艺术图像分类方法，其特征在于：所述深度可分离卷积层DS1～DS9均包含深度卷积和逐点卷积两个子层；其中：深度可分离卷积层DS1的深度卷积子层使用32个3×3大小的卷积核，逐点卷积子层使用64个1×1×32大小的卷积核，步长均为1；深度可分离卷积层DS2的深度卷积子层使用64个3×3大小的卷积核，步长为2，逐点卷积子层使用128个1×1×64大小的卷积核，步长为1；深度可分离卷积层DS3的深度卷积子层使用128个3×3大小的卷积核，逐点卷积子层使用128个1×1×128大小的卷积核，步长均为1；深度可分离卷积层DS4的深度卷积子层使用128个3×3大小的卷积核，步长为2，逐点卷积子层使用256个1×1×128大小的卷积核，步长为1；深度可分离卷积层DS5的深度卷积子层使用256个3×3大小的卷积核，逐点卷积子层使用256个1×1×256大小的卷积核，步长均为1；深度可分离卷积层DS6的深度卷积子层使用256个3×3大小的卷积核，步长为2，逐点卷积子层使用512个1×1×256大小的卷积核，步长为1；深度可分离卷积层DS7的深度卷积子层使用512个3×3大小的卷积核，逐点卷积子层使用512个1×1×512大小的卷积核，步长均为1；深度可分离卷积层DS8的深度卷积子层使用512个3×...

【专利技术属性】
技术研发人员：张华熊，杨秀芹，何利力，王玉平，刘裕东，郑军红，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江,33