CN115393470B - 一种文物数字线图的绘制方法、绘制系统及绘制装置 - Google Patents

一种文物数字线图的绘制方法、绘制系统及绘制装置 Download PDF

Info

Publication number
CN115393470B
CN115393470B CN202211331476.4A CN202211331476A CN115393470B CN 115393470 B CN115393470 B CN 115393470B CN 202211331476 A CN202211331476 A CN 202211331476A CN 115393470 B CN115393470 B CN 115393470B
Authority
CN
China
Prior art keywords
image
cultural relic
pixels
digital line
relic
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
Application number
CN202211331476.4A
Other languages
English (en)
Other versions
CN115393470A (zh
Inventor
顾菘
王磊
程雪峰
李秀鑫
何龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aeronautic Polytechnic
Original Assignee
Chengdu Aeronautic Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Aeronautic Polytechnic filed Critical Chengdu Aeronautic Polytechnic
Priority to CN202211331476.4A priority Critical patent/CN115393470B/zh
Publication of CN115393470A publication Critical patent/CN115393470A/zh
Application granted granted Critical
Publication of CN115393470B publication Critical patent/CN115393470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种文物数字线图的绘制方法、绘制系统及绘制装置，在文物实际二维影像条件下，通过训练得到的神经网络，通过多层次神经网络进行自适应提取和抽象表征，并同时关注轮廓和纹理信息，自动生成文物轮廓和纹理线图，既能保证输出线图与输入图像在像素上的一致性，又能保证文物轮廓和纹理信息的线条连续性、连接方式和形状特点，从而保证了输出线图与输入图像在语义表达上的一致性，该方法共包含三个部分：模型架构、模型的训练和模型的前向传递，通过已经标注好的数据集在所提出的损失函数前提下对网络进行训练，得到优化后的网络参数；在模型的前向传递中，利用已经优化的网络参数对输入的文物图像进行自动计算，输出文物的数字线图。

Description

一种文物数字线图的绘制方法、绘制系统及绘制装置
技术领域
本发明属于文物绘制技术领域，具体涉及一种文物数字线图的绘制方法、绘制系统及绘制装置。
背景技术
在文物领域，很多先进技术被用于文物保护、重建和展示，其中，线图绘制是文物工作中的一项基础工作，文物线图能够直观表现文物的大小、形状和花纹等信息，文物数字化技术是现代文物资源与文化遗产保护必不可少的重要手段之一，文物数字线图具有档案存储、展示、辅助修复和保护等功能。
目前，基于二维图像自动绘制文物数字线图的方法本质上都是基于人工设计的特征进行轮廓和变换的检测和绘制，例如：基于图像边缘检测经典的Sobel算子、Canny算子以及高斯差分Dog等，其存在的问题有：局部轮廓和线条细节丢失、检测精度不高和线图还原度不够真实等情况，特别是在数字线图的还原度上，文物数字线图在刻画文物的轮廓和纹理等方面不仅仅需要简单的图像边界提取，还需要关注和体现数字线图背景和前景等特征的几何表达，现有技术通常只能机械地提取图像边界信息，生成的数字线图图像无法高精度的对文物进行还原。
而对文物线图进行绘制需要在体现文物轮廓和纹理信息的同时，还需要关注和体现数字线图背景和前景等特征的几何表达，所以当前对文物进行线图绘制主要还是依赖人工操作，工作强度大，效率极低，因此，如何利用计算机技术自动绘制文物轮廓和纹理的数字线图，使得文物图像得到还原度更高的表达，是本领域技术人员有待解决的技术问题。
发明内容
本发明的目的在于：针对目前现有技术只能机械地提取文物二维图像的边界信息，在描述文物轮廓和纹理信息时，其线条连续性、连接方式和形状特点无法符合文物实际图像，本发明提出了一种能够更准确表达文物图像的文物数字线图的绘制方法、绘制系统及绘制装置。
本发明的技术方案为：一种文物数字线图的绘制方法，包括以下步骤：
S1、利用3×3卷积核对文物图像进行多次卷积，构建神经网络模型；
S2、通过所述神经网络模型对文物图像进行处理得到数字线图，具体处理过程如下：
S21、将所述文物图像进行多次卷积获得卷积图像，将所述卷积图像中的相邻像素进行最大池化得到特征图像，所述卷积图像包含多个特征通道，每个特征通道表示在相应尺度下的不同图像特征；
S22、将所述特征图像执行批标准化，将批标准化后的特征图像作为输入图像，重复步骤S21，分别得到不同尺度下的特征图像；
S23、再利用大小为1×1的卷积核，对步骤S22后的特征图像在通道维度上进行融合，生成若干个两维的单通道融合特征地图；
S24、将所述若干个两维的单通道融合特征地图缩放为原始文物图像大小，并通过另一个大小为1×1的卷积核对所有缩放后的融合特征地图进行融合得到数字线图。
进一步的，所述步骤S1中对所述神经网络模型进行训练得到网络参数时，包括以下步骤：
S11、所述文物图像包括若干标签数据，所述标签数据为表明文物图像中每个像素属于背景或前景的数据，在训练网络参数时，根据标签数据统计背景或前景像素的个数，并为文物图像的每个像素及其邻域内的像素计算权重系数w，所有像素的权重系数w组成初始权重地图，所述权重系数w计算方法为将每个像素分别作为中心像素，通过所述中心像素邻域内的标签数据计算，像素为前景像素时，所述权重系数w为背景像素的个数除以像素总个数，像素为背景像素时，所述权重系数w为前景像素的个数除以像素总个数；
S12、对初始权重地图进行滤波，再通过每个像素的交叉熵与滤波后的权重系数相 乘，所述乘积作为所述构建多尺度神经网络模型的损失函数，所述损失函数
Figure 154812DEST_PATH_IMAGE001
；
所述f为滤波函数，所述H为交叉熵函数，所述p为标签数据中每个像素的标注值， 所述
Figure 583519DEST_PATH_IMAGE002
为得到的数字线图，所述w为权重系数。
进一步的，所述滤波函数为高斯滤波函数。
进一步的，所述步骤S22中批标准化具体包括以下步骤：
S221、输入批次数据
Figure 31818DEST_PATH_IMAGE003
，得到每一个训练批次数据的均值
Figure 405031DEST_PATH_IMAGE004
：
Figure 269081DEST_PATH_IMAGE005
，其中，
Figure 676929DEST_PATH_IMAGE006
为特征图像，i为数据编号，范围为1到m，m为特征图像 的数量；
S222、得到每一个训练批次数据的方差
Figure 233812DEST_PATH_IMAGE007
：
Figure 94321DEST_PATH_IMAGE008
；
S223、通过得到的均值和方差对该批次的训练数据做归一化，获得0-1分布数据
Figure 89959DEST_PATH_IMAGE009
。
进一步的，所述步骤S24中融合特征地图进行融合得到数字线图，要融合的特征为
Figure 227679DEST_PATH_IMAGE010
，融合后的特征为
Figure 820377DEST_PATH_IMAGE011
，其中，
Figure 309128DEST_PATH_IMAGE012
为特征地图，
Figure 905194DEST_PATH_IMAGE013
为 卷积核的系数，i为数据编号，范围为1到n，n为特征地图的数量。
一种文物数字线图的绘制系统，包括第一电子设备，所述第一电子设备，用于执行所述的文物数字线图的绘制方法。
一种文物数字线图的绘制装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述个性化讲义生成方法的步骤。
与现有技术相比，本发明的有益效果：
（1）本发明提出了一种端到端的文物数字线图的绘制方法，从网络输入原始图像，直接自动得到文物线图，操作方便，无需对图像进行其它处理，极大地减轻了工作人员的劳动强度。
（2）本发明利用多尺度神经网络模型提取了输入图像在不同尺度下的特征，既能保证输出线图与输入图像在像素上的一致性，又能保证文物轮廓和纹理信息的线条连续性、连接方式和形状特点更加符合文物实际，从而保证了输出线图与输入图像在语义表达上的一致性。
（3）本发明根据标签数据的背景或前景的个数，为每个像素增加分类权重系数，得到初始权重地图，通过此地图解决正负样本不均衡的问题；同时，将权重地图通过高斯滤波，使得网络更加关注前景和前景附近的背景区域，增强了所提出网络结构的泛化能力，提高了输出线图的精确度。
附图说明
图1所示为本发明实施例提供的一种文物数字线图的绘制方法的流程示意图；
图2所示为本发明实施例提供的通过所述多尺度神经网络模型对文物图像进行处理得到数字线图的流程示意图；
图3所示为本发明实施例提供的对卷积图像中的相邻像素进行最大池化得到特征图像示意图；
图4所示为本发明实施例提供的第一电子设备的结构示意图；
图5所示为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，这类术语仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一：参见图1-图3所示，
本申请实施例提出的一种文物数字线图的绘制方法，参见图1所示，包括以下步骤：
S1、利用3×3卷积核对文物图像进行多次卷积，构建神经网络模型；
S2、通过所述神经网络模型对文物图像进行处理得到数字线图，具体处理过程参见图2所示，如下：
S21、将所述文物图像进行多次卷积获得卷积图像，将所述卷积图像中的相邻像素进行最大池化得到特征图像，所述卷积图像包含多个特征通道，每个特征通道表示在相应尺度下的不同图像特征，最大池化如图3所示，例如：输入是4×4矩阵，输出是2×2矩阵，那么将4×4矩阵划分为4个2×2矩阵，将划分出的每一个矩阵中最大数分别作为输出，得到输出2×2矩阵中的4个值；
S22、将所述特征图像执行批标准化，将批标准化后的特征图像作为输入图像，重复步骤S21，分别得到不同尺度下的特征图像；
S23、再利用大小为1×1的卷积核，对步骤S22后的特征图像在通道维度上进行融合，生成若干个两维的单通道融合特征地图；
S24、将所述若干个两维的单通道融合特征地图缩放为原始文物图像大小，并通过另一个大小为1×1的卷积核对所有缩放后的融合特征地图进行融合得到数字线图。
进一步的，所述步骤S1中对所述神经网络模型进行训练得到网络参数时，包括以下步骤：
S11、所述文物图像包括若干标签数据，所述标签数据为表明文物图像中每个像素属于背景或前景的数据，在训练网络参数时，根据标签数据统计背景或前景像素的个数，并为文物图像的每个像素及其邻域内的像素计算权重系数w，所有像素的权重系数w组成初始权重地图，所述权重系数w计算方法为将每个像素分别作为中心像素，通过所述中心像素邻域内的标签数据计算，像素为前景像素时，所述权重系数w为背景像素的个数除以像素总个数，像素为背景像素时，所述权重系数w为前景像素的个数除以像素总个数；
S12、对初始权重地图进行滤波，再通过每个像素的交叉熵与滤波后的权重系数相 乘，所述乘积作为所述构建多尺度神经网络模型的损失函数，所述损失函数
Figure 225317DEST_PATH_IMAGE001
；
所述f为滤波函数，所述H为交叉熵函数，所述p为标签数据中每个像素的标注值， 所述
Figure 858424DEST_PATH_IMAGE002
为得到的数字线图，所述w为权重系数。
进一步的，所述滤波函数为高斯滤波函数。
通过训练得到的神经网络，学习和选择符合文物的风格特征，这些特征通过多层次神经网络进行自适应提取和抽象表征，并同时关注轮廓和纹理信息，自动生成文物轮廓和纹理线图，既能保证输出线图与输入图像在像素上的一致性，又能保证文物轮廓和纹理信息的线条连续性、连接方式和形状特点更加符合文物实际，从而保证了输出线图与输入图像在语义表达上的一致性。
进一步的，所述步骤S22中批标准化具体包括以下步骤：
S221、输入批次数据
Figure 959104DEST_PATH_IMAGE003
，得到每一个训练批次数据的均值
Figure 968648DEST_PATH_IMAGE004
：
Figure 143277DEST_PATH_IMAGE014
，其中，
Figure 337498DEST_PATH_IMAGE006
为特征图像，i为数据编号，范围为1到m，m为特征图像 的数量；
S222、得到每一个训练批次数据的方差
Figure 535261DEST_PATH_IMAGE007
：
Figure 473130DEST_PATH_IMAGE015
；
S223、通过得到的均值和方差对该批次的训练数据做归一化，获得0-1分布数据
Figure 174370DEST_PATH_IMAGE016
。
进一步的，所述步骤S24中融合特征地图进行融合得到数字线图，要融合的特征为
Figure 742755DEST_PATH_IMAGE010
，融合后的特征为
Figure 286869DEST_PATH_IMAGE017
，其中，
Figure 638216DEST_PATH_IMAGE012
为特征地图，
Figure 849754DEST_PATH_IMAGE013
为 卷积核的系数，i为数据编号，范围为1到n，n为特征地图的数量。
本发明所提供文物数字线图的绘制方法中根据标签数据的背景或前景的个数，为每个像素增加分类权重系数，得到初始权重地图，通过此地图解决正负样本不均衡的问题；同时，将权重地图通过高斯滤波，使得网络更加关注前景和前景附近的背景区域，增强了所提出网络结构的泛化能力，提高了输出线图的精确度。
实施例二，参见图4所示：
本实施例基于实施例一，进一步的为本发明实施例提供的第一电子设备的结构示意图，如图4所示，本发明实施例提供的第一电子设备包括：
图像采集模块401，用于对文物进行图像进行采集；
构建神经网络模块402，用于构建神经网络模型，并对模型进行训练；
卷积模块403，用于对文物图像进行多次卷积，卷积核大小为3×3；
图像处理模块404，用于通过对所述文物图像进行处理得到数字线图。
本发明实施例所提供的第一电子设备能够通过端到端的文物数字线图的绘制方法，从网络输入原始图像，直接自动得到文物线图，操作方便，无需对图像进行其它处理，不再依赖人工操作，极大地减轻了工作人员的劳动强度。
基于上述，本实施例还提供了一种文物数字线图的绘制系统，该系统包括第一电子设备。
第一电子设备包括图像采集模块、构建神经网络模块、卷积模块和图像处理模块；其中，图像采集模块对文物进行图像采集；构建神经网络模块搭建神经网络模型，并对网络模型进行训练；所述卷积模块从图像采集模块接收到文物图像；所述卷积模块将接收到的文物图像进行多次卷积，图像处理模块对多次卷积后的卷积图像进行进一步处理得到文物数字线图，进一步处理包括以下步骤：
将所述卷积图像中的相邻像素进行最大池化得到特征图像；将所述特征图像执行批标准化；将批标准化后的特征图像作为输入图像，重复上述步骤，分别得到不同尺度下的特征图像；利用大小为1×1的卷积核对不同尺度下的特征图像在通道维度上进行融合，生成若干个两维的单通道融合特征地图；将所述融合特征地图集中的所有融合特征地图缩放为原始文物图像大小，并通过另一个尺寸为1×1的卷积核对所有融合特征地图进行融合得到数字线图。
本发明实施例提供的文物数字线图的绘制系统利用多尺度神经网络模型提取了输入图像在不同尺度下的特征，既能保证输出线图与输入图像在像素上的一致性，又能保证文物轮廓和纹理信息的线条连续性、连接方式和形状特点更加符合文物实际，从而保证了输出线图与输入图像在语义表达上的一致性。
本发明实施例提供的文物数字线图的绘制方法和绘制系统具有广泛的应用场景。在文物绘制、图像绘制等领域均可采用本发明实施例提供的文物数字线图的绘制方法和绘制系统。本实施例是采用了本发明实施例所公开的文物数字线图的绘制方法和绘制系统的绘制装置结构示意图，该绘制装置包括：图像采集器、图像处理服务器、输出终端和文物数据库。下面结合文物数字线图绘制的流程对文物数字线图的绘制装置中各个部分的功能做进一步描述。
(1)首先，各文物通过“图像采集器”对文物图像进行采集，以及通过“图像采集器”连接到“图像处理服务器”。工作人员可以通过“图像采集器”和“图像处理服务器”查看文物图像处理的进度。“图像采集器”和“图像处理服务器”之间通信连接，“图像采集器”把实时采集到的文物图像发送到“图像处理服务器”。
(2)接着，通过“图像处理服务器”对每一幅文物图像进行处理得到文物数字线图。
(3)下面的步骤将描述根据步骤(2)通过“图像处理服务器”得到文物数字线图的处理过程。
(21)将所述文物图像进行卷积获得卷积图像，所述卷积图像包含多个特征通道，每个特征通道表示在相应尺度下的不同图像特征；
(22)将所述卷积图像中的相邻像素进行最大池化得到特征图像；
(23)将所述特征图像执行批标准化；
(24)将批标准化后的特征图像作为输入图像，重复(21)-(23)步骤，分别得到不同尺度下的特征图像；
(25)利用大小为1×1的卷积核对(23)步骤后的特征图像在通道维度上进行融合，生成若干个两维的单通道融合特征地图；
(26) 将所述若干个两维的单通道融合特征地图缩放为原始文物图像大小，并通过另一个大小为1×1的卷积核对所有缩放后的融合特征地图进行融合得到数字线图。
(4)在步骤(23)中，批标准化具体包括以下步骤：
(231)输入批次数据为
Figure 261144DEST_PATH_IMAGE003
，得到每一个训练批次数据的均值
Figure 292554DEST_PATH_IMAGE004
：
Figure 775488DEST_PATH_IMAGE014
，其中，
Figure 451320DEST_PATH_IMAGE006
为特征图像，i为数据编号，范围为1到m，m为特征图像 的数量；
(232)得到每一个训练批次数据的方差
Figure 158244DEST_PATH_IMAGE007
：
Figure 817896DEST_PATH_IMAGE018
；
(233)使用得到的均值和方差对该批次的训练数据做归一化，获得0-1分布数据
Figure 635679DEST_PATH_IMAGE019
。
(5)在步骤(26)中，所述融合特征地图进行融合，要融合的特征为
Figure 759493DEST_PATH_IMAGE010
，融合后的特征为
Figure 247106DEST_PATH_IMAGE011
，其中，
Figure 253108DEST_PATH_IMAGE012
为特征地图，
Figure 15528DEST_PATH_IMAGE013
为 卷积核的系数，i为数据编号，范围为1到n，n为特征地图的数量。
(6)再有，所述“图像处理服务器”中需对进行图像处理的神经网络模型进行参数学习，包括以下步骤；
(61)将数字线图绘制作为判别图像中每个像素属于前景或后景的二分类问题，标签数据为表明文物图像中每个像素属于背景或前景的数据，每个图像的标签数据合在一起构成标签数据集，在训练网络参数时，根据标签数据统计背景或前景像素的个数，并为文物图像的每个像素及其邻域内的像素计算权重系数w，所有像素的权重系数w组成初始权重地图，所述权重系数w计算方法为将每个像素分别作为中心像素，通过所述中心像素邻域内的标签数据计算，像素为前景像素时，所述权重系数w为背景像素的个数除以像素总个数，像素为背景像素时，所述权重系数w为前景像素的个数除以像素总个数；
(62) 对初始权重地图进行滤波，再通过每个像素的交叉熵与滤波后的权重系数 相乘，所述乘积作为所述构建多尺度神经网络模型的损失函数，所述损失函数
Figure 784727DEST_PATH_IMAGE001
；所述f为滤波函数，所述H为交叉熵函数，所述p为标签数据中每 个像素的标注值，所述
Figure 708820DEST_PATH_IMAGE002
为得到的数字线图，所述w为权重系数。
(7)“图像处理服务器”得到处理好的文物数字线图后，通过“输出终端”呈现给工作人员，工作人员可以对呈现是文物数字线图进行多种格式下载，当然“输出终端”也可以对“图像处理服务器”对文物图像的处理过程进行呈现。
(8)再有，“文物数据库”还包括对所有文物图像处理前、处理中和处理后的图像进行保存，“文物数据库”和“图像处理服务器”可以是不同的设备，也可以是同一设备的不同应用程序，还可以是同一设备同一应用程序的不同模块。
以上是对文物数字线图的绘制装置的描述。从对该装置的描述可以看到，虽然该系统中某些模块的命名与本发明实施例所公开的文物数字线图的绘制方法或文物数字线图的绘制系统有一些区别，但该直播教育系统的核心之处正是本发明实施例所公开的文物数字线图的绘制方法或文物数字线图的绘制系统的内容。通过利用3×3卷积核对文物图像进行多次卷积，构建神经网络模型；通过所述神经网络模型对文物图像进行处理得到数字线图。该数字线图相比与现有技术有效地提高了文物数字线图绘制的精准度。
实施例三，参见图5所示：
本实施例基于实施例一，进一步的提供了一种电子设备的实体结构示意图，如图5所示，该电子设备包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行如下方法：利用3×3卷积核对文物图像进行多次卷积，构建神经网络模型；通过所述神经网络模型对文物图像进行处理得到数字线图；在对所述神经网络模型进行参数学习时，还包括以下步骤：将数字线图绘制作为判别图像中每个像素属于前景或后景的二分类问题，标签数据为表明文物图像中每个像素属于背景或前景的数据，每个图像的标签数据合在一起构成标签数据集，在训练网络参数时，根据标签数据统计背景或前景像素的个数，并为文物图像的每个像素及其邻域内的像素计算权重系数w，所有像素的权重系数w组成初始权重地图，所述权重系数w计算方法为将每个像素分别作为中心像素，通过所述中心像素邻域内的标签数据计算，像素为前景像素时，所述权重系数w为背景像素的个数除以像素总个数，像素为背景像素时，所述权重系数w为前景像素的个数除以像素总个数；
对初始权重地图进行滤波，再通过每个像素的交叉熵与滤波后的权重系数相乘， 所述乘积作为所述构建多尺度神经网络模型的损失函数，所述损失函数
Figure 139802DEST_PATH_IMAGE001
；所述f为滤波函数，所述H为交叉熵函数，所述p为标签数据中每 个像素的标注值，所述
Figure 299387DEST_PATH_IMAGE002
为得到的数字线图，所述w为权重系数。
所述图像处理具体包括以下分步骤：将所述文物图像进行卷积获得卷积图像，所述卷积图像包含多个特征通道，每个特征通道表示在相应尺度下的不同图像特征；将所述卷积图像中的相邻像素进行最大池化得到特征图像；将所述特征图像执行批标准化；将批标准化后的特征图像作为输入图像，重复S21-S23步骤，分别得到不同尺度下的特征图像；利用大小为1×1的卷积核对S23步骤后的特征图像在通道维度上进行融合，生成若干个两维的单通道融合特征地图；将所述若干个两维的单通道融合特征地图缩放为原始文物图像大小，并通过另一个大小为1×1的卷积核对所有缩放后的融合特征地图进行融合得到数字线图。
所述批标准化具体包括以下步骤：输入批次数据为
Figure 69897DEST_PATH_IMAGE020
，得到每一 个训练批次数据的均值
Figure 289526DEST_PATH_IMAGE004
：
Figure 145487DEST_PATH_IMAGE014
，其中，
Figure 108763DEST_PATH_IMAGE006
为特征图像，i为数据编号，范围为1到m，m为特征图像 的数量；
得到每一个训练批次数据的方差
Figure 733780DEST_PATH_IMAGE007
：
Figure 327572DEST_PATH_IMAGE021
；
使用得到的均值和方差对该批次的训练数据做归一化，获得0-1分布数据
Figure 529883DEST_PATH_IMAGE009
。
所述融合特征地图进行融合，要融合的特征为
Figure 906638DEST_PATH_IMAGE010
，融合后的特征 为
Figure 510795DEST_PATH_IMAGE022
，其中，
Figure 947592DEST_PATH_IMAGE012
为特征地图，
Figure 902779DEST_PATH_IMAGE013
为卷积核的系数，i为数据编号，范围为 1到n，n为特征地图的数量。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种文物数字线图的绘制方法，其特征在于，包括以下步骤：
S1、利用3×3卷积核对文物图像进行多次卷积，构建神经网络模型；
S2、通过所述神经网络模型对文物图像进行处理得到数字线图，具体处理过程如下：
S21、将所述文物图像进行多次卷积获得卷积图像，将所述卷积图像中的相邻像素进行最大池化得到特征图像；
S22、将所述特征图像执行批标准化，将批标准化后的特征图像作为输入图像，重复步骤S21，分别得到不同尺度下的特征图像；
S23、再利用大小为1×1的卷积核，对步骤S22后的特征图像在通道维度上进行融合，生成若干个两维的单通道融合特征地图；
S24、将所述若干个两维的单通道融合特征地图缩放为原始文物图像大小，并通过另一个大小为1×1的卷积核对所有缩放后的融合特征地图进行融合得到数字线图；
所述步骤S1中对所述神经网络模型进行训练得到网络参数时，包括以下步骤：
S11、所述文物图像包括若干标签数据，所述标签数据为表明文物图像中每个像素属于背景或前景的数据，在训练网络参数时，根据标签数据统计背景或前景像素的个数，并为文物图像的每个像素及其邻域内的像素计算权重系数w，所有像素的权重系数w组成初始权重地图，所述权重系数w计算方法为将每个像素分别作为中心像素，通过所述中心像素邻域内的标签数据计算，像素为前景像素时，所述权重系数w为背景像素的个数除以像素总个数，像素为背景像素时，所述权重系数w为前景像素的个数除以像素总个数；
S12、对初始权重地图进行滤波，再通过每个像素的交叉熵与滤波后的权重系数相乘， 得到所述神经网络模型的损失函数，所述损失函数
Figure DEST_PATH_IMAGE001
，式中f（w）为 滤波函数，
Figure 575274DEST_PATH_IMAGE002
为交叉熵函数，其中，p为标签数据中每个像素的标注值，
Figure 851535DEST_PATH_IMAGE003
为得 到的数字线图。
2.如权利要求1所述的文物数字线图的绘制方法，其特征在于，所述步骤S22中批标准化具体包括以下步骤：
S221、将最大池化后的特征图像
Figure 678546DEST_PATH_IMAGE004
取均值
Figure 243519DEST_PATH_IMAGE005
：
Figure 751861DEST_PATH_IMAGE006
，其中，
Figure 476103DEST_PATH_IMAGE007
为特征图像，i为数据编号，范围为1到m，m为特征图像的数 量；
S222、通过均值
Figure 83802DEST_PATH_IMAGE005
得到最大池化后的特征图像的方差
Figure 995126DEST_PATH_IMAGE008
：
Figure 244842DEST_PATH_IMAGE009
，
S223、通过得到的均值
Figure 823591DEST_PATH_IMAGE005
和方差
Figure 602191DEST_PATH_IMAGE008
对最大池化后的特征图像做归一化，得到在0-1之间 分布的特征图像数据
Figure 204074DEST_PATH_IMAGE010
。
3.如权利要求1所述的文物数字线图的绘制方法，其特征在于，所述步骤S24中卷积核 对所有缩放后的融合特征地图进行融合得到数字线图中，要融合的特征为
Figure 850956DEST_PATH_IMAGE011
，融合后的特征为
Figure 159577DEST_PATH_IMAGE012
，其中，
Figure 227853DEST_PATH_IMAGE013
为特征地图，
Figure 520294DEST_PATH_IMAGE014
为 卷积核的系数，i为数据编号，范围为1到n，n为特征地图的数量。
4.一种文物数字线图的绘制系统，其特征在于，包括第一电子设备，所述第一电子设备，用于执行如权利要求1至3任一项所述的文物数字线图的绘制方法。
5.一种文物数字线图的绘制装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述文物数字线图的绘制方法步骤。
CN202211331476.4A 2022-10-28 2022-10-28 一种文物数字线图的绘制方法、绘制系统及绘制装置 Active CN115393470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211331476.4A CN115393470B (zh) 2022-10-28 2022-10-28 一种文物数字线图的绘制方法、绘制系统及绘制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211331476.4A CN115393470B (zh) 2022-10-28 2022-10-28 一种文物数字线图的绘制方法、绘制系统及绘制装置

Publications (2)

Publication Number Publication Date
CN115393470A CN115393470A (zh) 2022-11-25
CN115393470B true CN115393470B (zh) 2023-05-23

Family

ID=84115061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211331476.4A Active CN115393470B (zh) 2022-10-28 2022-10-28 一种文物数字线图的绘制方法、绘制系统及绘制装置

Country Status (1)

Country Link
CN (1) CN115393470B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117253231B (zh) * 2023-11-15 2024-01-26 四川弘和数智集团有限公司 一种油气站图像处理方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739073A (zh) * 2020-06-24 2020-10-02 刘秀萍 高效快速的手持装置的影像配准优化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636818A (zh) * 2018-12-14 2019-04-16 成都航空职业技术学院 一种拉普拉斯正则约束下低秩稀疏优化的目标分割方法
CN111222519B (zh) * 2020-01-16 2023-03-24 西北大学 一种层次化彩绘文物线稿提取模型构建、方法及装置
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN113920363B (zh) * 2021-10-07 2024-05-17 中国电子科技集团公司第二十研究所 一种基于轻量级深度学习网络的文物分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739073A (zh) * 2020-06-24 2020-10-02 刘秀萍 高效快速的手持装置的影像配准优化方法

Also Published As

Publication number Publication date
CN115393470A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN113160257B (zh) 图像数据标注方法、装置、电子设备及存储介质
CN107330904A (zh) 图像处理方法、装置、电子设备及存储介质
CN107135664A (zh) 一种人脸识别的方法以及人脸识别装置
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN115393470B (zh) 一种文物数字线图的绘制方法、绘制系统及绘制装置
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN113095333A (zh) 无监督特征点检测方法及装置
CN113392937A (zh) 一种3d点云数据分类方法及其相关装置
CN113706472A (zh) 公路路面病害检测方法、装置、设备及存储介质
CN111353987A (zh) 一种细胞核分割方法及装置
CN117409083A (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN107423739A (zh) 图像特征提取方法及装置
CN115984179A (zh) 鼻骨骨折的识别方法、装置、终端及存储介质
CN115587943A (zh) 点云数据的去噪方法、装置、电子设备及存储介质
CN114078096A (zh) 图像去模糊方法、装置和设备
CN112949641A (zh) 图像分割方法及电子设备、计算机可读存储介质
CN115424250A (zh) 一种车牌识别方法及装置
CN112614092A (zh) 脊柱检测方法和装置
CN113496468A (zh) 深度图像的修复方法、装置和存储介质
CN114255203B (zh) 一种鱼苗数量估计方法及系统
CN117422958B (zh) 基于深度学习的财务数据校验方法及系统
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置
CN116188918B (zh) 图像去噪方法、网络模型的训练方法、装置、介质和设备
CN113139579B (zh) 一种基于图像特征自适应卷积网络的图像分类方法和系统
CN115035536A (zh) 一种基于连续卷积spp网络的手写笔迹识别系统

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