CN117037159A - 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 - Google Patents
基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117037159A CN117037159A CN202311293630.8A CN202311293630A CN117037159A CN 117037159 A CN117037159 A CN 117037159A CN 202311293630 A CN202311293630 A CN 202311293630A CN 117037159 A CN117037159 A CN 117037159A
- Authority
- CN
- China
- Prior art keywords
- oil painting
- image
- identified
- gray
- gray level
- 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.)
- Granted
Links
- 238000010428 oil painting Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000010422 painting Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 38
- 238000013145 classification model Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000049 pigment Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010734 process oil Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 235000015112 vegetable and seed oil Nutrition 0.000 description 1
- 239000008158 vegetable oil Substances 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于卷积神经网络的油画真伪鉴别方法、装置及存储介质，基于待鉴别油画图像的灰度图像，分别将横坐标相同的各个像素点的灰度值进行相加，以得到每个横坐标对应的第一灰度相加结果。以及分别将纵坐标相同的各个像素点的灰度值进行相加，以得到每个纵坐标对应的第二灰度相加结果，以便于在待鉴别油画图像中筛选出与真迹油画图像颜色相差较大的颜色差异区域。在确定各个颜色差异区域后，可以利用SIFT算法分别获取每个颜色区域差异的特征点信息。由于特征点信息可以反映油画作品中的笔触特征，且笔触特征难以复制，因此计算机设备可基于各个特征点信息自动生成待鉴别油画图像的真伪鉴别结果，且真伪鉴定结果具备较高的可靠性。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的油画真伪鉴别方法、装置、存储介质及计算机设备。
背景技术
油画是以植物油调和颜料并绘制在画布上的画种。结合油画特有的绘制方法和画作特点，现有的油画真伪鉴别方式包括：显微镜鉴别、光谱鉴别、通过触摸画布和闻油墨的方式鉴别。由此可见，目前的鉴别方式要么需要借助特定的鉴别仪器来实现，要么要求鉴别者具备丰富经验。因此，亟需提供一种能够自动并且可靠地鉴别油画真伪的方案。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中无法自动可靠地鉴别油画真伪的技术缺陷。
第一方面，本申请实施例提供了一种基于卷积神经网络的油画真伪鉴别方法，所述方法包括：
获取待鉴别油画图像；
对所述待鉴别油画图像进行灰度化处理，以得到灰度图像；
根据所述灰度图像中各个像素点的横坐标，将横坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述横坐标对应的第一灰度相加结果；
根据所述灰度图像中各个像素点的纵坐标，将纵坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述纵坐标对应的第二灰度相加结果；
基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域；
采用SIFT算法分别获取所述待鉴别油画图像中每个所述颜色差异区域对应的特征点信息；
根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果。
在其中一个实施例中，所述基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域的步骤，包括：
分别确定第一灰度阈值和第二灰度阈值；
分别将所述第一灰度阈值与每个所述第一灰度相加结果进行大小比较，并将各个大于所述第一灰度阈值的第一灰度相加结果作为各个第一目标结果；
分别将所述第二灰度阈值与每个所述第二灰度相加结果进行大小比较，并将各个大于所述第二灰度阈值的第二灰度相加结果作为各个第二目标结果；
基于各个所述第一目标结果对应的横坐标和各个所述第二目标结果对应的纵坐标，在所述待鉴别油画图像中确定各个所述颜色差异区域。
在其中一个实施例中，所述第一灰度阈值的确定步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个第一阈值输出模型中，确定与所述目标画作名称对应的第一目标模型；其中，不同的第一阈值输出模型对应不同的画作名称；
根据各个所述横坐标和每个所述横坐标对应的所述第一灰度相加结果，生成待鉴别横向直方图；
将所述待鉴别横向直方图输入至所述第一目标模型中，以获取由所述第一目标模型输出的所述第一灰度阈值。
在其中一个实施例中，所述第二灰度阈值的确定步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个第二阈值输出模型中，确定与所述目标画作名称对应的第二目标模型；其中，不同的第二阈值输出模型对应不同的画作名称；
根据各个所述纵坐标和每个所述纵坐标对应的所述第二灰度相加结果，生成待鉴别纵向直方图；
将所述待鉴别纵向直方图输入至所述第二目标模型中，以获取由所述第二目标模型输出的所述第二灰度阈值。
在其中一个实施例中，每个所述颜色差异区域对应的特征点信息包括该颜色差异区域中各个特征点的坐标值和每个所述特征点的特征方向角。
在其中一个实施例中，所述根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果的步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个真伪分类模型中，确定与所述目标画作名称对应的第三目标模型；其中，不同的真伪分类模型对应不同的画作名称，每一真伪分类模型的模型输入为特征点信息，每一真伪分类模型的模型输出为真伪标签；
将各个所述颜色差异区域对应的特征点信息输入到所述第三目标模型中，以获取由所述第三目标模型输出的真伪标签；所述真伪标签用于反映所述待鉴别油画图像的真伪鉴别结果。
在其中一个实施例中，所述获取所述待鉴别油画图像对应的目标画作名称的步骤，包括：
将所述待鉴别油画图像输入至预先训练得到的画作分类模型中，以获取由所述画作分类模型输出的所述目标画作名称。
第二方面，本申请实施例提供了一种基于卷积神经网络的油画真伪鉴别装置，所述装置包括：
图像获取模块，用于获取待鉴别油画图像；
灰度化处理模块，用于对所述待鉴别油画图像进行灰度化处理，以得到灰度图像；
第一相加模块，用于根据所述灰度图像中各个像素点的横坐标，将横坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述横坐标对应的第一灰度相加结果；
第二相加模块，用于根据所述灰度图像中各个像素点的纵坐标，将纵坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述纵坐标对应的第二灰度相加结果；
区域确定模块，用于基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域；
特征点信息获取模块，用于采用SIFT算法分别获取所述待鉴别油画图像中每个所述颜色差异区域对应的特征点信息；
真伪鉴别结果生成模块，用于根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果。
第三方面，本申请实施例提供了一种存储介质，该存储介质中存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述基于卷积神经网络的油画真伪鉴别方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，该计算机设备包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行上述任一实施例所述基于卷积神经网络的油画真伪鉴别方法的步骤。
在本申请一些实施例提供的基于卷积神经网络的油画真伪鉴别方法、装置、存储介质及计算机设备中，计算机设备可以基于待鉴别油画图像的灰度图像，分别将横坐标相同的各个像素点的灰度值进行相加，以得到每个横坐标对应的第一灰度相加结果。以及，分别将纵坐标相同的各个像素点的灰度值进行相加，以得到每个纵坐标对应的第二灰度相加结果。如此，计算机设备可以基于各个第一灰度相加结果和各个第二灰度相加结果，在待鉴别油画图像中筛选出与真迹油画图像颜色相差较大的颜色差异区域。在确定各个颜色差异区域后，计算机设备可以利用SIFT算法分别获取每个颜色区域差异的特征点信息。由于特征点信息可以反映油画作品中的笔触特征，且笔触特征难以复制，因此计算机设备可以基于各个特征点信息，自动生成待鉴别油画图像的真伪鉴别结果，且真伪鉴定结果具备较高的可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为一个实施例中基于卷积神经网络的油画真伪鉴别方法的应用环境图；
图2为一个实施例中基于卷积神经网络的油画真伪鉴别方法的流程示意图；
图3为一个实施例中基于卷积神经网络的油画真伪鉴别装置的结构示意图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在一个实施例中，本申请提供的基于卷积神经网络的油画真伪鉴别方法可以应用于图1所示的应用环境中。其中，电子设备102可以是各种具备图像采集功能和通信功能的设备，例如可以是各种笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，便携式可穿戴设备可为智能手表、头戴设备等。计算机设备104可以是任意具体数据处理功能的设备，可以但不限于是各种个人计算机、笔记本电脑、单个服务器或者由多个服务器组成的服务器集群。
在需要鉴别油画真伪时，用户可以通过电子设备102采集待鉴别油画图像，使得采集得到的待鉴别油画图像能够反映待鉴别油画的油画内容。电子设备102可以将待鉴别油画图像发送给计算机设备104，计算机设备104可以基于待鉴别油画图像自动鉴别油画真伪并向电子设备102返回真伪鉴别结果。用户可以通过电子设备102查看真伪鉴别结果，进而完成油画的真伪鉴别。如此，用户无需借助特定的鉴别仪器，也无需具备丰富的鉴别经验即可完成油画的真伪鉴别，实现简单。
在一个实施例中，本申请提供了一种基于卷积神经网络的油画真伪鉴别方法，下述实施例以该方法应用于图1所示的计算机设备为例进行说明。如图2所示，本申请的方法具体可以包括如下步骤：
S202：获取待鉴别油画图像。
在本步骤中，待鉴别油画图像可以是能够反映待鉴别油画的油画内容的图像，例如可以是电子设备按照一定角度和在一定光线条件下拍摄待鉴别油画得到的图像。在一个示例中，计算机设备可以接收由电子设备发送的待鉴别油画图像，以实现油画图像的获取。
S204：对所述待鉴别油画图像进行灰度化处理，以得到灰度图像。
由于待鉴别油画多为彩色油画，因此待鉴别油画图像也多为彩色图像。在本步骤中，计算机设备可以对待鉴别油画图像进行灰度化处理，以将多通道的彩色图像转换为单通道的灰度图像。可以理解，本申请可以采用任意灰度化处理方法来得到灰度图像，可以但不限于分量法、最大值法、平均值法、加权平均法等。在一个示例中，计算机设备可以基于加权平均法实现灰度化处理，以得到灰度图像。也即，计算机设备可以待鉴别油画图像的整体RGB分量对灰度权重进行调整，并基于灰度权重分别计算每个像素点的灰度值，如此，可以有利于突出待鉴别油画图像与真迹油画图像之间颜色的差异。
S206：根据所述灰度图像中各个像素点的横坐标，将横坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述横坐标对应的第一灰度相加结果。
在灰度图像中，每个像素点均有其对应的像素点坐标，且每个像素点均有其对应的灰度值。在得到灰度图像后，针对灰度图像中的每个横坐标，计算机可以将灰度图像中所有位于该横坐标上的像素点的灰度值进行累加，以得到该横坐标对应的第一灰度相加结果。也即，若灰度图像的坐标系是以图像左下角为原点，以原点指向图像左上角的方向为纵轴，原点指向图像右下角的方向为横轴建立的，则针对灰度图像中的每个横坐标，计算机设备均可按照如下过程计算该横坐标对应的第一灰度相加结果：
步骤A1：将该横坐标确定为X’；
步骤A2：将灰度图像中，每一个横坐标为X’的像素点作为第一目标像素点，也即将灰度图像中位于第一目标直线上的各个像素点作为第一目标像素点，第一目标直线为经过坐标（X’，0）且平行于y轴的直线；
步骤A3：将各个第一目标像素点对应的灰度值进行相加，以得到该横坐标对应的第一灰度相加结果。
S208：根据所述灰度图像中各个像素点的纵坐标，将纵坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述纵坐标对应的第二灰度相加结果。
在得到灰度图像后，针对灰度图像中的每个纵坐标，计算机可以将灰度图像中所有位于该纵坐标上的像素点的灰度值进行累加，以得到该纵坐标对应的第二灰度相加结果。也即，若灰度图像的坐标系是以图像左下角为原点，以原点指向图像左上角的方向为纵轴，原点指向图像右下角的方向为横轴建立的，则针对灰度图像中的每个纵坐标，计算机设备均可按照如下过程计算该纵坐标对应的第二灰度相加结果：
步骤B1：将该纵坐标确定为Y’；
步骤B2：将灰度图像中，每一个纵坐标为Y’的像素点作为第二目标像素点，也即将灰度图像中位于第二目标直线上的各个像素点作为第二目标像素点，其中第二目标直线为经过坐标（0，Y’）且平行于x轴的直线；
步骤B3：将各个第二目标像素点对应的灰度值进行相加，以得到该纵坐标对应的第二灰度相加结果。
S210：基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域。
其中，颜色差异区域是指待鉴别油画图像中，与真迹油画图像颜色相差较大的区域。
具体而言，由于灰度图像是对待鉴别油画图像进行灰度化处理后得到的，因此各个第一灰度相加结果可用于反映以横坐标作为统计指标，待鉴别油画图像的颜色分布情况。各个第二灰度相加结果可以用于反映以纵坐标作为统计指标，待鉴别油画图像的颜色分布情况。计算机设备可以基于各个横坐标和各个第一灰度相加结果，可以在X轴方向上确定待鉴别油画图像与真迹油画图像存在较大颜色差别的坐标。基于各个纵坐标和各个第二灰度相加结果，可以在Y轴方向上确定待鉴别油画图像与真迹油画图像存在较大颜色差别的坐标。如此，基于各个横坐标、各个纵坐标、每个横坐标对应的第一灰度相加结果和每个纵坐标对应的第二灰度相加结果，计算机设备可以确定待鉴别油画图像与真迹油画图像之间颜色差异较大的横纵坐标，并通过横纵坐标在待鉴别油画图像中筛选出各个颜色差异区域。
本申请通过分别以横纵坐标作为统计指标，统计得到各个第一灰度相加结果和各个第二灰度相加结果，从而可基于各个第一灰度相加结果和各个第二灰度相加结果，准确确定待鉴别油画图像中的颜色差异区域。计算机设备可以在后续对各个颜色差异区域展开分析，从而可在保证可靠性的同时，大幅减少运算量。
S212：采用SIFT算法分别获取所述待鉴别油画图像中每个所述颜色差异区域对应的特征点信息。
具体而言，SIFT（Scale-invariant Feature Transform，尺度不变特征转换）算法用于侦测与描述图像中的局部性特征的计算机视觉算法，可以在空间尺度中寻找极值点，并提取出极值点的位置、尺度和旋转不变量，其对于光线、噪声、微视角改变具备高容忍度。
基于此，计算机设备可以采用采用SIFT算法分别获取所述待鉴别油画图像中每个所述颜色差异区域对应的特征点信息。具体地，计算机设备可以构建待鉴别油画图像对应的高斯差分金字塔，并基于高斯差分金字塔分别确定颜色差异区域中的局部极值点（也即特征点），进而确定特征点信息。该特征点信息可反映油画作品中的笔触特征。
在一个示例中，每个所述颜色差异区域对应的特征点信息包括该颜色差异区域中各个特征点的坐标值和每个所述特征点的特征方向角。由于使用在油画上的颜料具有一定的厚度和粘稠度，画家在创作时下笔的力度、角度都会体现在油画作品的笔触上，在画布上形成难以复制的沟壑。在采用SIFT算法处理油画图像时，由颜料形成的沟壑会在图像中会体现为特征点，且其颜色变化会在图像中构成特征点的特征方向角。因此，本申请通过提取颜色特征点的坐标值和特征方向角，从而可确定待鉴别油画图像中颜色差异区域的笔触位置和笔触的颜色变化。由于笔触的颜色变化难以复制，因此，计算机设备基于特征点的坐标值和特征方向角，利用油画笔触无法复制的特点进行真伪鉴别，进而可以提高鉴别结果的可靠性。
S214：根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果。
本步骤中，由于特征点信息可反映油画作品中的笔触特征，因此计算机设备可以基于特征点信息进行真伪鉴别，并生成相应的真伪鉴别结果。
本实施例中，计算机设备可以基于待鉴别油画图像的灰度图像，分别将横坐标相同的各个像素点的灰度值进行相加，以得到每个横坐标对应的第一灰度相加结果。以及，分别将纵坐标相同的各个像素点的灰度值进行相加，以得到每个纵坐标对应的第二灰度相加结果。如此，计算机设备可以基于各个第一灰度相加结果和各个第二灰度相加结果，在待鉴别油画图像中筛选出与真迹油画图像颜色相差较大的颜色差异区域。在确定各个颜色差异区域后，计算机设备可以利用SIFT算法分别获取每个颜色区域差异的特征点信息。由于特征点信息可以反映油画作品中的笔触特征，且笔触特征难以复制，因此计算机设备可以基于各个特征点信息，自动生成待鉴别油画图像的真伪鉴别结果，且真伪鉴定结果具备较高的可靠性。
在一个实施例中，所述基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域的步骤，包括：
分别确定第一灰度阈值和第二灰度阈值；
分别将所述第一灰度阈值与每个所述第一灰度相加结果进行大小比较，并将各个大于所述第一灰度阈值的第一灰度相加结果作为各个第一目标结果；
分别将所述第二灰度阈值与每个所述第二灰度相加结果进行大小比较，并将各个大于所述第二灰度阈值的第二灰度相加结果作为各个第二目标结果；
基于各个所述第一目标结果对应的横坐标和各个所述第二目标结果对应的纵坐标，在所述待鉴别油画图像中确定各个所述颜色差异区域。
在本实施例中，计算机设备可以利用阈值确定待鉴别油画图像中的颜色差异区域。具体地，计算机设备可以分别确定第一灰度阈值，该第一灰度阈值可以是用于确定颜色差异区域的横坐标的阈值。计算机设备可以分别将每个第一灰度相加结果与第一灰度阈值进行比较，以确定每个第一灰度相加结果与第一灰度阈值之间的大小关系，并将数值大于第一灰度阈值的各个第一灰度相加结果作为第一目标结果。
类似地，计算机设备可以确定第二灰度阈值，该第二灰度阈值可用于确定颜色差异区域的纵坐标的阈值。计算机设备可以分别将每个第二灰度相加结果与第二灰度阈值进行比较，以确定每个第二灰度相加结果与第二灰度阈值之间的大小关系，并将数值大于第二灰度阈值的各个第二灰度相加结果作为第二目标结果。
由于每个第一灰度相加结果对应着横坐标，每个第二灰度相加结果对应着纵坐标，因此，计算机设备可以基于各个第一目标结果和各个第二目标结果确定颜色差异区域的横纵坐标信息，进而可确定待鉴别油画图像中颜色差异区域，颜色差异区域包括各个颜色差异较大的像素点。
可以理解，在确定颜色差异区域的横纵坐标信息后，计算机设备可以采用任意方式确定颜色差异区域。例如，当各个第一目标结果对应的横坐标集合为[50，100]、[150，200]，各个第二目标结果对应的纵坐标集合为[100，150]、[200，250]时，计算机设备可以在待鉴别油画图像中确定4个矩形的颜色差异区域。其中，第一颜色差异区域的左下角坐标为(50,100)，右上角坐标(100,150)；第二颜色差异区域的左下角坐标为(50,200)，右上角坐标(100,250)；第三颜色差异区域的左下角坐标为(150,100)，右上角坐标(200,150)；第四颜色差异区域的左下角坐标为(150,200)，右上角坐标(200,250)。
本实施例中，通过将大于第一灰度阈值的第一灰度相加结果作为第一目标结果，将大于第二灰度阈值的第二灰度相加结果作为第二目标结果，并基于各个第一目标结果对应的横坐标和各个第二目标结果对应的纵坐标确定颜色差异区域，从而可减少计算机设备的计算量，降低对计算机设备的硬件要求。
在一个实施例中，所述第一灰度阈值的确定步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个第一阈值输出模型中，确定与所述目标画作名称对应的第一目标模型；其中，不同的第一阈值输出模型对应不同的画作名称；
根据各个所述横坐标和每个所述横坐标对应的所述第一灰度相加结果，生成待鉴别横向直方图；
将所述待鉴别横向直方图输入至所述第一目标模型中，以获取由所述第一目标模型输出的所述第一灰度阈值。
考虑到不同油画作品的颜色分布不同，为了能准确确定第一灰度阈值的数值，以便于后续准确定位颜色差异区域的横坐标，进而提高真伪鉴别结果的可靠性，因此在本实施例中，计算机设备可以根据待鉴别油画图像对应的目标画作名称确定第一灰度阈值。
具体而言，计算机设备可以预先训练多个第一阈值输出模型，各个第一阈值输出模型是采用不同的第一训练数据集训练得到的。在每个第一阈值输出模型的训练过程中，计算机设备可以首先确定该第一阈值输出模型对应的第一训练数据集，并采用第一训练数据集对初始的卷积神经网络进行训练，以得到训练后的第一阈值输出模型。其中，同一第一训练数据集可以包括对应同一画作名称的多个横向直方图以及每个横向直方图对应的第一灰度阈值，换言之，同一第一训练数据集可以包括同一油画作品对应的多个横向直方图。每两个分属于不同的第一训练数据集的横向直方图对应于不同的画作名称。其中，横向直方图以灰度图像的横坐标作为横向直方图的横坐标值，以灰度图像各个横坐标对应的第一灰度相加结果作为横向直方图的纵坐标值。
由于不同的第一阈值输出模型是采用不同的第一训练数据集训练得到的，因此，每个第一阈值输出模型所对应的画作名称不同。例如，第一阈值输出模型A可用于输出第一画作名称对应的第一灰度阈值，第一阈值输出模型B可用于输出第二画作名称对应的第一灰度阈值。
在确定待鉴别油画图像的第一灰度阈值时，计算机设备可以根据灰度图像的各个横坐标和各个第一灰度相加结果，生成待鉴别油画图像对应的待鉴别横向直方图。其中，待鉴别横向直方图以灰度图像的横坐标作为待鉴别横向直方图的横坐标值，以灰度图像各个横坐标对应的第一灰度相加结果作为待鉴别横向直方图的纵坐标值。计算机设备可以根据待鉴别油画图像对应的目标画作名称，从预先训练得到的多个第一阈值输出模型中选取与目标画作名称对应的模型作为第一目标模型，并将待鉴别横向直方图输入到第一目标模型中，以获取由第一目标模型输出的第一灰度阈值。
在一个实施例中，所述第二灰度阈值的确定步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个第二阈值输出模型中，确定与所述目标画作名称对应的第二目标模型；其中，不同的第二阈值输出模型对应不同的画作名称；
根据各个所述纵坐标和每个所述纵坐标对应的所述第二灰度相加结果，生成待鉴别纵向直方图；
将所述待鉴别纵向直方图输入至所述第二目标模型中，以获取由所述第二目标模型输出的所述第二灰度阈值。
考虑到不同油画作品的颜色分布不同，为了能准确确定第二灰度阈值的数值，以便于后续准确定位颜色差异区域的纵坐标，进而提高真伪鉴别结果的可靠性，因此在本实施例中，计算机设备可以根据待鉴别油画图像对应的目标画作名称确定第二灰度阈值。
具体而言，计算机设备可以预先训练多个第二阈值输出模型，各个第二阈值输出模型是采用不同的第二训练数据集训练得到的。在每个第二阈值输出模型的训练过程中，计算机设备可以首先确定该第二阈值输出模型对应的第二训练数据集，并采用第二训练数据集对初始的卷积神经网络进行训练，以得到训练后的第二阈值输出模型。其中，同一第二训练数据集可以包括对应同一画作名称的多个纵向直方图以及每个纵向直方图对应的第二灰度阈值，换言之，同一第二训练数据集可以包括同一油画作品对应的多个纵向直方图。每两个分属于不同的第二训练数据集的纵向直方图对应于不同的画作名称。其中，纵向直方图以灰度图像的纵坐标作为纵向直方图的横坐标值，以灰度图像各个纵坐标对应的第二灰度相加结果作为纵向直方图的纵坐标值。
由于不同的第二阈值输出模型是采用不同的第二训练数据集训练得到的，因此，每个第二阈值输出模型所对应的画作名称不同。在确定待鉴别油画图像的第二灰度阈值时，计算机设备可以根据灰度图像的各个纵坐标和各个第二灰度相加结果，生成待鉴别油画图像对应的待鉴别纵向直方图。其中，待鉴别纵向直方图以灰度图像的纵坐标作为待鉴别纵向直方图的横坐标值，以灰度图像各个纵坐标对应的第二灰度相加结果作为待鉴别纵向直方图的纵坐标值。计算机设备可以根据待鉴别油画图像对应的目标画作名称，从预先训练得到的多个第二阈值输出模型中选取与目标画作名称对应的模型作为第二目标模型，并将待鉴别纵向直方图输入到第二目标模型中，以获取由第二目标模型输出的第二灰度阈值。
在一个实施例中，若每个颜色差异区域对应的特征点信息包括特征点的坐标值和特征方向角，则根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果的步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个真伪分类模型中，确定与所述目标画作名称对应的第三目标模型；其中，不同的真伪分类模型对应不同的画作名称，每一真伪分类模型的模型输入为特征点信息，每一真伪分类模型的模型输出为真伪标签；
将各个所述颜色差异区域对应的特征点信息输入到所述第三目标模型中，以获取由所述第三目标模型输出的真伪标签；所述真伪标签用于反映所述待鉴别油画图像的真伪鉴别结果。
本实施例中，计算机设备可以预先训练多个真伪分类标签，各个真伪分类标签是采用不同的第三训练数据集训练得到的。其中，真伪分类模型是指根据油画图像的特征点信息输出真伪分类标签的模型。
在每个真伪分类模型的训练过程中，计算机设备可以确定该真伪分类模型对应的第三训练数据集，并采用第三训练数据集对初始的卷积神经网络进行训练，以得到训练后的真伪分类模型。其中，同一第三训练数据集可以包括对应同一画作名称的多个特征点信息以及每个特征点信息对应的真伪标签，每两个分属于不同的第三训练数据集的特征点信息对应于不同的画作名称。
由于各个真伪分类标签对应于不同的画作名称，因此在对待鉴别油画图像进行真伪鉴别时，计算机设备可以根据待鉴别油画图像对应的目标画作名称，从预先训练得到的多个真伪分类模型中选取与目标画作名称对应的模型作为第三目标模型，并将待鉴别油画图像对应的特征点信息输入到第三目标模型中，以获取由第三目标模型输出的能够反映待鉴别油画图像真伪的真伪标签。
本实施例中，考虑到不同的油画作品具备不同的笔触特征，因此计算机设备可针对不同的油画作品分别训练不同的真伪分类模型。在鉴别待鉴别油画图像的真伪时，计算机设备可以在预先训练的多个真伪分类模型中确定第三目标模型，并基于第三目标模型进行真伪分类。如此，可进一步提高鉴别结果的准确性和可靠性。
在一个实施例中，所述获取所述待鉴别油画图像对应的目标画作名称的步骤，包括：将所述待鉴别油画图像输入至预先训练得到的画作分类模型中，以获取由所述画作分类模型输出的所述目标画作名称。
本实施例中，计算机设备可以预先训练画作分类模型，该画作分类模型是指用于接收油画图像并输出其对应的画作名称的卷积神经网络。在获取到待鉴别油画图像时，计算机设备可以将待鉴别油画图像输入至画作分类模型中，以获确定待鉴别油画图像对应的目标画作名称。如此，计算机设备可以基于待鉴别油画图像自动执行真伪鉴别，从而可进一步降低对鉴别人员的经验要求。
下面对本申请实施例提供的基于卷积神经网络的油画真伪鉴别装置进行描述，下文描述的基于卷积神经网络的油画真伪鉴别装置与上文描述的基于卷积神经网络的油画真伪鉴别方法可相互对应参照。
在一个实施例中，本申请提供了一种基于卷积神经网络的油画真伪鉴别装置300。如图3所示，该装置300包括：
图像获取模块310，用于获取待鉴别油画图像；
灰度化处理模块320，用于对所述待鉴别油画图像进行灰度化处理，以得到灰度图像；
第一相加模块330，用于根据所述灰度图像中各个像素点的横坐标，将横坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述横坐标对应的第一灰度相加结果；
第二相加模块340，用于根据所述灰度图像中各个像素点的纵坐标，将纵坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述纵坐标对应的第二灰度相加结果；
区域确定模块350，用于基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域；
特征点信息获取模块360，用于采用SIFT算法分别获取所述待鉴别油画图像中每个所述颜色差异区域对应的特征点信息；
真伪鉴别结果生成模块370，用于根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果。
在一个实施例中，本申请的区域确定模块350包括阈值确定单元、第一比较单元、第二比较单元和区域确定单元。其中，阈值确定单元用于分别确定第一灰度阈值和第二灰度阈值。第一比较单元用于分别将所述第一灰度阈值与每个所述第一灰度相加结果进行大小比较，并将各个大于所述第一灰度阈值的第一灰度相加结果作为各个第一目标结果。第二比较单元用于分别将所述第二灰度阈值与每个所述第二灰度相加结果进行大小比较，并将各个大于所述第二灰度阈值的第二灰度相加结果作为各个第二目标结果。区域确定单元用于基于各个所述第一目标结果对应的横坐标和各个所述第二目标结果对应的纵坐标，在所述待鉴别油画图像中确定各个所述颜色差异区域。
在一个实施例中，本申请的阈值确定单元包括名称确定单元、第一模型选取单元、第一直方图生成单元和第一阈值确定单元。名称确定单元用于获取所述待鉴别油画图像对应的目标画作名称。第一模型选取单元用于在预先训练得到的多个第一阈值输出模型中，确定与所述目标画作名称对应的第一目标模型；其中，不同的第一阈值输出模型对应不同的画作名称。第一直方图生成单元用于根据各个所述横坐标和每个所述横坐标对应的所述第一灰度相加结果，生成待鉴别横向直方图。第一阈值确定单元用于将所述待鉴别横向直方图输入至所述第一目标模型中，以获取由所述第一目标模型输出的所述第一灰度阈值。
在一个实施例中，本申请的阈值确定单元包括名称确定单元、第二模型选取单元、第二直方图生成单元和第二阈值确定单元。名称确定单元用于获取所述待鉴别油画图像对应的目标画作名称。第二模型选取单元用于在预先训练得到的多个第二阈值输出模型中，确定与所述目标画作名称对应的第二目标模型；其中，不同的第二阈值输出模型对应不同的画作名称。第二直方图生成单元用于根据各个所述纵坐标和每个所述纵坐标对应的所述第二灰度相加结果，生成待鉴别纵向直方图。第二阈值确定单元用于将所述待鉴别纵向直方图输入至所述第二目标模型中，以获取由所述第二目标模型输出的所述第二灰度阈值。
在一个实施例中，每个所述颜色差异区域对应的特征点信息包括该颜色差异区域中各个特征点的坐标值和每个所述特征点的特征方向角。
在一个实施例中，本申请的真伪鉴别结果生成模块370包括名称确定单元、第三模型选取单元和标签获取单元。其中，名称确定单元用于获取所述待鉴别油画图像对应的目标画作名称。第三模型选取单元用于在预先训练得到的多个真伪分类模型中，确定与所述目标画作名称对应的第三目标模型；其中，不同的真伪分类模型对应不同的画作名称，每一真伪分类模型的模型输入为特征点信息，每一真伪分类模型的模型输出为真伪标签。标签获取单元用于将各个所述颜色差异区域对应的特征点信息输入到所述第三目标模型中，以获取由所述第三目标模型输出的真伪标签；所述真伪标签用于反映所述待鉴别油画图像的真伪鉴别结果。
在一个实施例中，本申请的名称确定单元包括画作分类单元。该画作分类单元用于将所述待鉴别油画图像输入至预先训练得到的画作分类模型中，以获取由所述画作分类模型输出的所述目标画作名称。
在一个实施例中，本申请还提供了一种存储介质，该存储介质中存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如任意实施例中基于卷积神经网络的油画真伪鉴别方法的步骤。
在一个实施例中，本申请还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如任意实施例中基于卷积神经网络的油画真伪鉴别方法的步骤。
示意性地，图4为本申请实施例提供的一种计算机设备的内部结构示意图，在一个示例中，该计算机设备可以为服务器。参照图4，计算机设备900包括处理组件902，其进一步包括一个或多个处理器，以及由存储器901所代表的存储器资源，用于存储可由处理组件902的执行的指令，例如应用程序。存储器901中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件902被配置为执行指令，以执行上述任意实施例所述基于卷积神经网络的油画真伪鉴别方法的步骤。
计算机设备900还可以包括一个电源组件903被配置为执行计算机设备900的电源管理，一个有线或无线网络接口904被配置为将计算机设备900连接到网络，和一个输入输出（I/O）接口905。计算机设备900可以操作基于存储在存储器901的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解，本申请示出的计算机设备的内部结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本文中，“一”、“一个”、“所述”、“该”和“其”也可以包括复数形式，除非上下文清楚指出另外的方式。多个是指至少两个的情况，如2个、3个、5个或8个等。“和/或”包括相关所列项目的任何及所有组合。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于卷积神经网络的油画真伪鉴别方法，其特征在于，所述方法包括：
获取待鉴别油画图像；
对所述待鉴别油画图像进行灰度化处理，以得到灰度图像；
根据所述灰度图像中各个像素点的横坐标，将横坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述横坐标对应的第一灰度相加结果；
根据所述灰度图像中各个像素点的纵坐标，将纵坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述纵坐标对应的第二灰度相加结果；
基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域；
采用SIFT算法分别获取所述待鉴别油画图像中每个所述颜色差异区域对应的特征点信息；
根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果。
2.根据权利要求1所述的方法，其特征在于，所述基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域的步骤，包括：
分别确定第一灰度阈值和第二灰度阈值；
分别将所述第一灰度阈值与每个所述第一灰度相加结果进行大小比较，并将各个大于所述第一灰度阈值的第一灰度相加结果作为各个第一目标结果；
分别将所述第二灰度阈值与每个所述第二灰度相加结果进行大小比较，并将各个大于所述第二灰度阈值的第二灰度相加结果作为各个第二目标结果；
基于各个所述第一目标结果对应的横坐标和各个所述第二目标结果对应的纵坐标，在所述待鉴别油画图像中确定各个所述颜色差异区域。
3.根据权利要求2所述的方法，其特征在于，所述第一灰度阈值的确定步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个第一阈值输出模型中，确定与所述目标画作名称对应的第一目标模型；其中，不同的第一阈值输出模型对应不同的画作名称；
根据各个所述横坐标和每个所述横坐标对应的所述第一灰度相加结果，生成待鉴别横向直方图；
将所述待鉴别横向直方图输入至所述第一目标模型中，以获取由所述第一目标模型输出的所述第一灰度阈值。
4.根据权利要求2所述的方法，其特征在于，所述第二灰度阈值的确定步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个第二阈值输出模型中，确定与所述目标画作名称对应的第二目标模型；其中，不同的第二阈值输出模型对应不同的画作名称；
根据各个所述纵坐标和每个所述纵坐标对应的所述第二灰度相加结果，生成待鉴别纵向直方图；
将所述待鉴别纵向直方图输入至所述第二目标模型中，以获取由所述第二目标模型输出的所述第二灰度阈值。
5.根据权利要求1所述的方法，其特征在于，每个所述颜色差异区域对应的特征点信息包括该颜色差异区域中各个特征点的坐标值和每个所述特征点的特征方向角。
6.根据权利要求5所述的方法，其特征在于，所述根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果的步骤，包括：
获取所述待鉴别油画图像对应的目标画作名称；
在预先训练得到的多个真伪分类模型中，确定与所述目标画作名称对应的第三目标模型；其中，不同的真伪分类模型对应不同的画作名称，每一真伪分类模型的模型输入为特征点信息，每一真伪分类模型的模型输出为真伪标签；
将各个所述颜色差异区域对应的特征点信息输入到所述第三目标模型中，以获取由所述第三目标模型输出的真伪标签；所述真伪标签用于反映所述待鉴别油画图像的真伪鉴别结果。
7.根据权利要求3、4或6所述的方法，其特征在于，所述获取所述待鉴别油画图像对应的目标画作名称的步骤，包括：
将所述待鉴别油画图像输入至预先训练得到的画作分类模型中，以获取由所述画作分类模型输出的所述目标画作名称。
8.一种基于卷积神经网络的油画真伪鉴别装置，其特征在于，所述装置包括：
图像获取模块，用于获取待鉴别油画图像；
灰度化处理模块，用于对所述待鉴别油画图像进行灰度化处理，以得到灰度图像；
第一相加模块，用于根据所述灰度图像中各个像素点的横坐标，将横坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述横坐标对应的第一灰度相加结果；
第二相加模块，用于根据所述灰度图像中各个像素点的纵坐标，将纵坐标相同的各个像素点的灰度值进行相加，以分别得到每个所述纵坐标对应的第二灰度相加结果；
区域确定模块，用于基于各个所述横坐标、各个所述纵坐标、每个所述横坐标对应的所述第一灰度相加结果和每个所述纵坐标对应的所述第二灰度相加结果，在所述待鉴别油画图像中确定各个颜色差异区域；
特征点信息获取模块，用于采用SIFT算法分别获取所述待鉴别油画图像中每个所述颜色差异区域对应的特征点信息；
真伪鉴别结果生成模块，用于根据各个所述颜色差异区域对应的特征点信息，生成所述待鉴别油画图像的真伪鉴别结果。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述基于卷积神经网络的油画真伪鉴别方法的步骤。
10.一种计算机设备，其特征在于，包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行如权利要求1至7中任一项所述基于卷积神经网络的油画真伪鉴别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311293630.8A CN117037159B (zh) | 2023-10-09 | 2023-10-09 | 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311293630.8A CN117037159B (zh) | 2023-10-09 | 2023-10-09 | 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117037159A true CN117037159A (zh) | 2023-11-10 |
| CN117037159B CN117037159B (zh) | 2024-03-19 |
Family
ID=88645218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311293630.8A Active CN117037159B (zh) | 2023-10-09 | 2023-10-09 | 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037159B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技（深圳）有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
| JP2020194541A (ja) * | 2019-05-27 | 2020-12-03 | 株式会社Ｎｔｔドコモ | 画像処理方法、装置及び機器 |
| CN112801141A (zh) * | 2021-01-08 | 2021-05-14 | 吉林大学 | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 |
| CN113379680A (zh) * | 2021-05-18 | 2021-09-10 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
| WO2021179157A1 (zh) * | 2020-03-10 | 2021-09-16 | 罗伯特·博世有限公司 | 用于验证产品真伪的方法和装置 |
| US20220301227A1 (en) * | 2019-09-11 | 2022-09-22 | Google Llc | Image colorization using machine learning |
| CN116071763A (zh) * | 2023-03-06 | 2023-05-05 | 山东薪火书业有限公司 | 基于文字识别的教辅图书智能校编系统 |
-
2023
- 2023-10-09 CN CN202311293630.8A patent/CN117037159B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技（深圳）有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
| JP2020194541A (ja) * | 2019-05-27 | 2020-12-03 | 株式会社Ｎｔｔドコモ | 画像処理方法、装置及び機器 |
| US20220301227A1 (en) * | 2019-09-11 | 2022-09-22 | Google Llc | Image colorization using machine learning |
| WO2021179157A1 (zh) * | 2020-03-10 | 2021-09-16 | 罗伯特·博世有限公司 | 用于验证产品真伪的方法和装置 |
| CN112801141A (zh) * | 2021-01-08 | 2021-05-14 | 吉林大学 | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 |
| CN113379680A (zh) * | 2021-05-18 | 2021-09-10 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
| CN116071763A (zh) * | 2023-03-06 | 2023-05-05 | 山东薪火书业有限公司 | 基于文字识别的教辅图书智能校编系统 |
Non-Patent Citations (1)
| Title |
|---|
| 苏雪薇;: "基于智能视觉的油画真伪鉴定技术研究", 现代电子技术, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117037159B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8792722B2 (en) | Hand gesture detection | |
| US8750573B2 (en) | Hand gesture detection | |
| JP6393230B2 (ja) | オブジェクト検出方法及び画像検索システム | |
| CN108960088A (zh) | 特定环境的面部活体特征检测、识别方法 | |
| CN107967461B (zh) | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 | |
| Das et al. | Multi‐script versus single‐script scenarios in automatic off‐line signature verification | |
| CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
| CN111898520A (zh) | 证件真伪识别方法、装置、计算机可读介质及电子设备 | |
| CN110717497A (zh) | 图像相似度匹配方法、装置及计算机可读存储介质 | |
| CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析系统 | |
| WO2023165616A1 (zh) | 图像模型隐蔽后门的检测方法及系统、存储介质、终端 | |
| CN113313092B (zh) | 手写签名识别方法、理赔自动化处理方法、装置和设备 | |
| CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
| WO2022126917A1 (zh) | 基于深度学习的人脸图像评估方法、装置、设备及介质 | |
| Liu et al. | Presentation attack detection for face in mobile phones | |
| CN112699811B (zh) | 活体检测方法、装置、设备、储存介质及程序产品 | |
| CN112801099B (zh) | 一种图像处理方法、装置、终端设备及介质 | |
| Freire-Obregón et al. | Zero-shot ear cross-dataset transfer for person recognition on mobile devices | |
| CN117037159B (zh) | 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 | |
| Kulkarni et al. | Real time face recognition using LBP features | |
| CN108255298B (zh) | 一种投影交互系统中的红外手势识别方法及设备 | |
| Cenys et al. | Genetic algorithm based palm recognition method for biometric authentication systems | |
| Asad et al. | Low complexity hybrid holistic–landmark based approach for face recognition | |
| Malach et al. | Optimal face templates: the next step in surveillance face recognition | |
| Tommandru et al. | Deep learning model for person identification and verification on low illumination images |
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 |