CN111814550B - 一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法 - Google Patents
一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法 Download PDFInfo
- Publication number
- CN111814550B CN111814550B CN202010506590.0A CN202010506590A CN111814550B CN 111814550 B CN111814550 B CN 111814550B CN 202010506590 A CN202010506590 A CN 202010506590A CN 111814550 B CN111814550 B CN 111814550B
- Authority
- CN
- China
- Prior art keywords
- image
- ceramic
- texture
- original
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000919 ceramic Substances 0.000 title claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010845 search algorithm Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000001537 neural effect Effects 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/80—Recognising image objects characterised by unique random patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，具体按照以下步骤实施：获取原始陶瓷图像数据集；利用U‑2‑Net卷积神经网络获取陶瓷纹饰区域；在陶瓷纹饰区域和原始图像上分别进行计算机视觉图像算法处理，获取全部纹饰；利用搜索算法定位核心纹饰；保存并输出核心纹饰；通过神经卷积网络与计算机视觉图像处理方法相结合，输入陶瓷图像，即可自动化无损提取陶瓷纹饰图案。该方法过程严谨，受图像背景及环境因素影响较小，效果显著。可用于陶瓷年代鉴定、陶瓷鉴赏、陶瓷设计等领域，对于建立陶瓷纹饰库，保护和传承中华传统艺术文化有着重要意义。
Description
技术领域
本发明属于图像轮廓提取技术领域，涉及一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法。
背景技术
古陶瓷在中国历史上，具有极其重要的历史地位，陶瓷本身也对其自身所属的时代有着强烈的反映，其中，陶瓷上的纹饰是反应时代特色的一个重要特征。
随着深度学习领域和图像处理的发展，使得利用深度神经网络和图像处理对陶瓷纹饰图像进行各种研究成为可能，例如对古陶瓷纹饰的精确地提取；对纹饰图案进行相关的分类任务等等。而现有的方法对陶瓷纹饰的提取大多会因外部环境因素造成纹饰提取结果有损坏。
发明内容
本发明的目的是提供一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，能够获取该瓷器的无损纹饰。
本发明所采用的技术方案是，一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，具体按照以下步骤实施：
步骤1、获取原始陶瓷图像数据集；
步骤2、利用U-2-Net卷积神经网络获取陶瓷纹饰区域；
步骤3、在陶瓷纹饰区域和原始图像上分别进行计算机视觉图像算法处理，获取全部纹饰；
步骤4、利用搜索算法定位核心纹饰；
步骤5、保存并输出核心纹饰。
本发明的特点还在于：
步骤2具体过程为：
步骤2.1、在开源网站获取预训练的卷积神经网络模型；
步骤2.2、将陶瓷原始陶瓷图像数据集依次输入预训练的卷积神经网络模型，获得陶瓷纹饰区域R，将R区域以外区域置为0；
步骤2.3、保存陶瓷纹饰区域R。
步骤3具体过程为：
步骤3.1、将陶瓷原始陶瓷图像数据集中的原图I和相应的陶瓷纹饰区域R归一化处理，通过转灰度图公式获得原图灰度图IG和陶瓷纹饰区域灰度图RG；
步骤3.2、将陶瓷纹饰区域灰度图RG与原图灰度图IG做差X＝RG-IG，得到图像X；
步骤3.3、对图像X进行优化算子运算，得到数据T；
步骤3.4、将数据T作为二值化阈值，对图像X进行二值化阈值处理，检索该图像所有像素点，若像素值小于阈值T，则置为0，否则保持不变，得到图像Y；
步骤3.5、将图像Y和图像R分别与原图、原图灰度图IG对应，将图像Y置为0的位置或图像R置为0的位置在原图、原图灰度图IG对应位置均设置为0，得到彩色图像S和灰度图像Z，即为全部纹饰。
步骤3.1中转灰度图公式为：
式中，Rij表示是红色通道数值，Gij表示绿色通道数值，Bij表示蓝色通道数值，i表示横坐标，j表示纵坐标。
步骤3.3中优化算子运算的公式为：
式中，表示在图像R非零区域的像素平均值。
步骤4具体过程为：
步骤4.1、对图像Z进行形态学闭运算，得到图像Zm；
步骤4.2：对图像Zm进行搜索算法，找到图像中纹饰的所有连通域；
步骤4.3：计算连通域内每个像素点的权值，利用高斯分布函数和欧拉距离/>进行加权处理；
将权值最大的区域位置在图像S上展示，并将图像S其他部分像素点置为0，得到核心纹饰。
每个像素点的权值计算公式为：
其中，μ＝0，σ2＝30000，m表示图像的高，n表示图像的宽。
本发明的有益效果是，
本发明提出了一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，通过神经卷积网络与计算机视觉图像处理方法相结合，输入陶瓷图像，即可自动化无损提取陶瓷纹饰图案。该方法过程严谨，受图像背景及环境因素影响较小，效果显著。可用于陶瓷年代鉴定、陶瓷鉴赏、陶瓷设计等领域，对于建立陶瓷纹饰库，保护和传承中华传统艺术文化有着重要意义。
附图说明
图1是本发明一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法流程图；
图2是原始陶瓷图片；
图3是U-2-Net卷积神经网络架构示意图；
图4经过U-2-Net卷积神经网络后得到的陶瓷纹饰区域图；
图5是陶瓷纹饰区域经计算机视觉图像算法处理后的全部纹理图；
图6是图5经过搜索算法加权处理得到的结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，如图1所示，具体按照以下步骤实施：
步骤1、获取原始陶瓷图像数据集，如图2所示；
步骤2、利用如图3所示U-2-Net卷积神经网络获取陶瓷纹饰区域，陶瓷纹饰区域如图4所示；具体过程为：
步骤2.1、在开源网站获取预训练的卷积神经网络模型；
步骤2.2、将陶瓷原始陶瓷图像数据集依次输入预训练的卷积神经网络模型，获得陶瓷纹饰区域R，将R区域以外区域置为0；
步骤2.3、保存陶瓷纹饰区域R。
步骤3、在陶瓷纹饰区域和原始图像上分别进行计算机视觉图像算法处理，获取全部纹饰，如图5所示；具体过程为：
步骤3.1、将陶瓷原始陶瓷图像数据集中的原图I和相应的陶瓷纹饰区域R归一化处理，通过转灰度图公式获得原图灰度图IG和陶瓷纹饰区域灰度图RG；
转灰度图公式为：
式中，Rij表示是红色通道数值，Gij表示绿色通道数值，Bij表示蓝色通道数值，i表示横坐标，j表示纵坐标。
步骤3.2、将陶瓷纹饰区域灰度图RG与原图灰度图IG做差X＝RG-IG，得到图像X；
步骤3.3、对图像X进行优化算子运算，得到数据T；
优化算子运算的公式为：
式中，表示在图像R非零区域的像素平均值。
步骤3.4、将数据T作为二值化阈值，对图像X进行二值化阈值处理，检索该图像所有像素点，若像素值小于阈值T，则置为0，否则保持不变，得到图像Y；
步骤3.5、将图像Y和图像R分别与原图、原图灰度图IG对应，将图像Y置为0的位置或图像R置为0的位置在原图、原图灰度图IG对应位置均设置为0，得到彩色图像S和灰度图像Z，即为全部纹饰。
步骤4、利用搜索算法定位核心纹饰；具体过程为：
步骤4.1、对图像Z进行形态学闭运算，得到图像Zm；
步骤4.2、对图像Zm进行搜索算法，找到图像中纹饰的所有连通域；
步骤4.3：计算连通域内每个像素点的权值，利用高斯分布函数和欧拉距离/>进行加权处理；
将权值最大的区域位置在图像S上展示，并将图像S其他部分像素点置为0，得到核心纹饰。
每个像素点的权值计算公式为：
其中，μ＝0，σ2＝30000，m表示图像的高，n表示图像的宽。
步骤5、保存并输出核心纹饰，如图6所示。
根据图6可知，本发明的基于卷积神经网络和图像处理的陶瓷纹饰提取方法提取的纹饰，清晰且无损；使用该方法对100多件陶瓷件进行纹饰提取，获得了显著的效果，证明了该方法用于陶瓷纹饰提取的有效性及实用性。
通过上述方式，本发明一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，通过神经卷积网络与计算机视觉图像处理方法相结合，输入陶瓷图像，即可自动化无损提取陶瓷纹饰图案。该方法过程严谨，受图像背景及环境因素影响较小，效果显著。可用于陶瓷年代鉴定、陶瓷鉴赏、陶瓷设计等领域，对于建立陶瓷纹饰库，保护和传承中华传统艺术文化有着重要意义。
Claims (2)
1.一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，其特征在于，具体按照以下步骤实施：
步骤1、获取原始陶瓷图像数据集；
步骤2、利用U-2-Net卷积神经网络获取陶瓷纹饰区域；具体过程为：
步骤2.1、在开源网站获取预训练的卷积神经网络模型；
步骤2.2、将陶瓷原始陶瓷图像数据集依次输入预训练的卷积神经网络模型，获得陶瓷纹饰区域R，将R区域以外区域置为0；
步骤2.3、保存陶瓷纹饰区域R；
步骤3、在陶瓷纹饰区域和原始图像上分别进行计算机视觉图像算法处理，获取全部纹饰；具体过程为：
步骤3.1、将陶瓷原始陶瓷图像数据集中的原图I和相应的陶瓷纹饰区域R归一化处理，通过转灰度图公式获得原图灰度图IG和陶瓷纹饰区域灰度图RG；转灰度图公式为：
式中，Rij表示是红色通道数值，Gij表示绿色通道数值，Bij表示蓝色通道数值，i表示横坐标，j表示纵坐标；
步骤3.2、将陶瓷纹饰区域灰度图RG与原图灰度图IG做差X＝RG-IG，得到图像X；
步骤3.3、对图像X进行优化算子运算，得到数据T；所述优化算子运算的公式为：
式中，表示在图像R非零区域的像素平均值；
步骤3.4、将数据T作为二值化阈值，对图像X进行二值化阈值处理，检索该图像所有像素点，若像素值小于阈值T，则置为0，否则保持不变，得到图像Y；
步骤3.5、将图像Y和图像R分别与原图、原图灰度图IG对应，将图像Y置为0的位置或图像R置为0的位置在原图、原图灰度图IG对应位置均设置为0，得到彩色图像S和灰度图像Z，即为全部纹饰；
步骤4、利用搜索算法定位核心纹饰；具体过程为：
步骤4.1、对图像Z进行形态学闭运算，得到图像Zm；
步骤4.2、对图像Zm进行搜索算法，找到图像中纹饰的所有连通域；
步骤4.3、计算连通域内每个像素点的权值，利用高斯分布函数和欧拉距离/>进行加权处理；
将权值最大的区域位置在图像S上展示，并将图像S其他部分像素点置为0，得到核心纹饰；
步骤5、保存并输出核心纹饰。
2.根据权利要求1所述一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法，其特征在于，所述每个像素点的权值计算公式为：
其中，μ＝0，σ2＝30000，m表示图像的高，n表示图像的宽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506590.0A CN111814550B (zh) | 2020-06-05 | 2020-06-05 | 一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506590.0A CN111814550B (zh) | 2020-06-05 | 2020-06-05 | 一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111814550A CN111814550A (zh) | 2020-10-23 |
| CN111814550B true CN111814550B (zh) | 2023-11-21 |
Family
ID=72844659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010506590.0A Active CN111814550B (zh) | 2020-06-05 | 2020-06-05 | 一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814550B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069779A (zh) * | 2015-07-20 | 2015-11-18 | 童垸林 | 一种建筑陶瓷表面花纹图案质量检测方法 |
| CA3018041A1 (fr) * | 2015-11-27 | 2017-06-01 | Kerquest | Procede d'authentification et/ou de controle d'integrite d'un sujet |
| CN110288518A (zh) * | 2019-06-28 | 2019-09-27 | 北京三快在线科技有限公司 | 图像处理方法、装置、终端及存储介质 |
| CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
| CN110687122A (zh) * | 2019-09-19 | 2020-01-14 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦表面裂纹检测方法及系统 |
-
2020
- 2020-06-05 CN CN202010506590.0A patent/CN111814550B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069779A (zh) * | 2015-07-20 | 2015-11-18 | 童垸林 | 一种建筑陶瓷表面花纹图案质量检测方法 |
| CA3018041A1 (fr) * | 2015-11-27 | 2017-06-01 | Kerquest | Procede d'authentification et/ou de controle d'integrite d'un sujet |
| CN110288518A (zh) * | 2019-06-28 | 2019-09-27 | 北京三快在线科技有限公司 | 图像处理方法、装置、终端及存储介质 |
| CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
| CN110687122A (zh) * | 2019-09-19 | 2020-01-14 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦表面裂纹检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器视觉古陶瓷无损分类识别;翁政魁;管业鹏;罗宏杰;;硅酸盐学报(第 12 期);第1832-1842页 * |
| 目的机器视觉研究及其在皮肤症状识别中的应用;胡越黎;信息科技(第01期);第30-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111814550A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111297B (zh) | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 | |
| CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
| CN110837870B (zh) | 基于主动学习的声呐图像目标识别方法 | |
| CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
| CN106096610B (zh) | 一种基于支持向量机的文档图像二值化方法 | |
| CN110543878A (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| CN107423760A (zh) | 基于预分割和回归的深度学习目标检测方法 | |
| CN111709909A (zh) | 基于深度学习的通用印刷缺陷检测方法及其模型 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN110097060B (zh) | 一种面向树干图像的开集识别方法 | |
| CN112270317B (zh) | 一种基于深度学习和帧差法的传统数字水表读数识别方法 | |
| CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
| CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
| CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
| CN113177456B (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
| CN110543906A (zh) | 基于数据增强和Mask R-CNN模型的肤质自动识别方法 | |
| CN112749673A (zh) | 一种基于遥感影像智能提取储油罐库存的方法及装置 | |
| CN108090913B (zh) | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 | |
| CN110569764B (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
| CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
| CN117893550A (zh) | 一种基于场景仿真的复杂背景下运动目标分割方法 | |
| CN110378307B (zh) | 基于深度学习的纹理图像方向场估计方法 | |
| CN111814550B (zh) | 一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法 | |
| Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
| CN111222576A (zh) | 一种高分辨率遥感图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |