System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理及人工智能,具体涉及到用于山水画的感知解析方法。
技术介绍
1、山水画的感知解析任务是图像处理领域中富有挑战性的课题,它的目标是对山水画图像中的语义信息进行感知解析,在感知解析的结果中用不同颜色呈现山水画中每一个像素所代表的语义信息。传统的图像处理方法,如基于规则的算法、基于统计的模型或传统的机器学习方法,在感知解析山水画这类具有高度艺术性和复杂性的图像时,往往难以准确识别和理解图像中的语义信息。这主要是因为山水画具有丰富的细节和纹理,以及独特的绘画风格,需要先进的计算机视觉和深度学习技术来进行有效的解析。
2、现有的深度学习方法,如卷积神经网络(cnn),虽然在对一般图像的感知解析上表现出色,但在处理山水画时,却因无法充分理解艺术的视觉元素和语境而存在一定的局限性。具体来说,cnn这类模型在处理图像时,会尝试捕捉图像中的局部特征,如边缘、角点等,并通过多层级的组合,形成对图像的高级理解。然而,山水画中的笔触、色彩、构图等艺术元素,超出了cnn的设计范围,导致其无法有效地进行解析。此外,现有的深度学习方法往往还需要大量的标注数据来支持训练,这在山水画的感知解析领域尤其困难。对于山水画的感知解析,由于其艺术性和复杂性,导致对于山水画这种有丰富艺术风格和深层次语义信息的图像变得十分困难。
3、在山水画感知解析
,当前需迫切解决的一个技术问题是将能够让计算机自动地实现山水画深层次语义信息的感知解析。
技术实现思路
1、本专利技术所要解决
2、解决上述技术问题所采用的技术方案步骤如下:
3、(1)收集山水画图像
4、从在线的数字博物馆中获取中国山水画原始电子图像,调整为高h宽w为512×512像素的山水画图像,包含不同朝代的水墨、青绿、金碧、浅绛风格的山水画作品,记作:
5、h×w×c=512×512×3
6、表示图像rgb三个通道c的山水画图像。
7、(2)构建山水画解析任务数据集
8、将选取的山水画图像分为15个类别,其中14个类别分别为河流n1、山n2、树n3、云雾n4、建筑n5、动物n6、鸟n7、船n8、人n9、天空n10、桥n11、瀑布h12、岩石n13和草n14,采用智能交互式分割标注软件eiseg,按软件的使用方法对山水画图像进行标注,未被标注的为空类n0,得到类别的标注结果mx:
9、mx={mx,n,h,w}
10、其中,mx,n,h,w标注结果m中位置(h,w)对应于类别n的独热值,表示当前像素x是否属于类别n,mx,n,h,w∈{0,1}。
11、(3)划分数据集
12、将标注的山水画图像按照8:1:1划分为训练集t、验证集q、测试集s。
13、(4)构建感知解析网络
14、感知解析网络由特征提取网络与fcn分割网络、内核感知模块依次串联构成。
15、所述的内核感知模块由内核更新模块与位置注意力模块串联构成。
16、(5)提取山水画图像特征
17、按下式提取山水画图像特征φ(i):
18、φ(i)=fb(i,θb)
19、其中,fb是特征提取网络,i是训练集t中的山水画图像,θb是特征提取网络的参数,包括权重和偏置。
20、(6)训练山水画感知解析网络
21、1)构建损失函数
22、按下式构建损失函数ldice:
23、
24、
25、p=fa(i,θa)
26、其中,px,n,h,w是预测掩码p中位置(h,w)对应于类别n的独热值,m为标注分割掩码,fa为感知解析网络,θa为网络参数。
27、2)构建评估函数
28、按下式构建评估函数:
29、v(ω1,ω2,ω3,miou,aacc,macc)=ω1×miou+ω2×aacc+ω3×macc
30、ω1+ω2+ω3=1
31、
32、
33、
34、
35、其中,ω1,ω2,ω3是权重值。
36、3)训练山水画感知解析网络
37、将训练集输入到山水画感知解析网络中进行训练,加入fcn分割网络训练效率。
38、训练过程的参数θa设置为:服务器显卡为rtx 3090,自适应梯度方法优化器为adamw,初始学习率为0.0001,训练过程中动态调整网络的学习率,批大小为8,训练至损失函数收敛。
39、(7)测试山水画感知解析网络
40、将测试集输入到训练后的山水画感知解析网络进行测试,按照评估函数进行评估,得到最优的感知解析结果。
41、(8)展示解析结果
42、按下式确定展示解析结果图像rh,w的每个像素:
43、
44、其中,α表示权重透明度,cn为不同类别的叠加掩码颜色。
45、本专利技术的内核更新模块由内核生成模块与内核更新头模块串联构成。
46、本专利技术的内核生成模块由2~6个颈部模块与解析模块、2~6个fpn模块依次串联构成。
47、本专利技术的颈部模块由卷积层1与bn层1、relu激活函数层1依次串联;所述的解析模块由卷积层2构成;所述的fpn模块由卷积层3与bn层2、relu激活函数层2依次串联构成。
48、本专利技术的内核更新头模块由内核更新模块与多层感知机、2~6个掩码生成模块依次串联构成。
49、本专利技术的内核更新模块由线性层与归一化层、relu激活层3、全连接层依次串联构成;所述的掩码生成模块由卷积层4与bn层3、relu激活函数层4依次串联构成。
50、本专利技术的位置注意力模块由卷积层5与卷积层6、bn层4、relu激活函数层5依次串联构成。
51、本专利技术提出了一种基于深度学习的山水画感知解析方法,利用深度学习技术,特别是内核自适应更新和位置注意技术,实现对山水画图像中的语义信息进行感知解析。该方法不仅可以有效识别和理解山水画中的语义信息,还可以自适应地调整网络,以适应不同类型的山水画,提高网络的感知解析能力。
本文档来自技高网...【技术保护点】
1.一种山水画感知解析方法,其特征在于由下述步骤组成:
2.根据权利要求1所述的山水画感知解析方法,其特征在于:所述的内核更新模块由内核生成模块与内核更新头模块串联构成。
3.根据权利要求2所述的山水画感知解析方法,其特征在于:所述的内核生成模块由2~6个颈部模块与解析模块、2~6个FPN模块依次串联构成。
4.根据权利要求3所述的山水画感知解析方法,其特征在于:所述的颈部模块由卷积层1与BN层1、ReLU激活函数层1依次串联;所述的解析模块由卷积层2构成;所述的FPN模块由卷积层3与BN层2、ReLU激活函数层2依次串联构成。
5.根据权利要求2所述的山水画感知解析方法,其特征在于:所述的内核更新头模块由内核更新模块与多层感知机、2~6个掩码生成模块依次串联构成。
6.根据权利要求5所述的山水画感知解析方法,其特征在于:所述的内核更新模块由线性层与归一化层、ReLU激活层3、全连接层依次串联构成;所述的掩码生成模块由卷积层4与BN层3、ReLU激活函数层4依次串联构成。
7.根据权利要求1所述的山水画感知解
...【技术特征摘要】
1.一种山水画感知解析方法,其特征在于由下述步骤组成:
2.根据权利要求1所述的山水画感知解析方法,其特征在于:所述的内核更新模块由内核生成模块与内核更新头模块串联构成。
3.根据权利要求2所述的山水画感知解析方法,其特征在于:所述的内核生成模块由2~6个颈部模块与解析模块、2~6个fpn模块依次串联构成。
4.根据权利要求3所述的山水画感知解析方法,其特征在于:所述的颈部模块由卷积层1与bn层1、relu激活函数层1依次串联;所述的解析模块由卷积层2构成;所述的fpn模块由卷积层3与bn层2、relu激活函...
【专利技术属性】
技术研发人员:吴晓军,杨瑞,赵敏,杨红红,张玉梅,李鹏,
申请(专利权)人:陕西师范大学,
类型:发明
国别省市:
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。