一種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法
【專利摘要】本發(fā)明公開了一種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法，所述方法包括以下步驟：使用字典訓(xùn)練方法對(duì)原始壁畫圖像，根據(jù)事先標(biāo)識(shí)的真值圖像，由病害區(qū)域和非病害區(qū)域使用在線字典學(xué)習(xí)方法，分別訓(xùn)練出病害字典與非病害字典；使用超像素方法對(duì)目標(biāo)圖像進(jìn)行超像素化；建立貝葉斯模型對(duì)每個(gè)超像素塊標(biāo)識(shí)。本發(fā)明提出的使用超像素和稀疏編碼能夠更加快速有效的進(jìn)行圖像分割。在古代壁畫圖像的病害分割中，使用相同的貝葉斯模型，基于超像素的稀疏編碼能夠使算法運(yùn)行速度提高103倍，接近實(shí)時(shí)分割。
【專利說明】-種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)圖像處理與模式識(shí)別領(lǐng)域，尤其涉及一種基于全局字典特征的 古代壁畫病害標(biāo)識(shí)方法。

【背景技術(shù)】
[0002] 壁畫作為人類歷史上最早的繪畫形式之一，是人類歷史文明的見證，是古今文化 傳承的載體。隨著年代的推演，大型的壁畫由于各種自然W及人為因素有著不同的損壞，由 此對(duì)壁畫的保護(hù)一直是人們探索的領(lǐng)域，找到并有針對(duì)性的對(duì)不同的病害做出措施是其關(guān) 鍵。傳統(tǒng)手工描繪病害顯然效率低下且不易存儲(chǔ)W及更新，怎樣更好、更高效的找到壁畫 的病害對(duì)壁畫保護(hù)有著重要的意義。同時(shí)，對(duì)每幅壁畫圖像的連續(xù)監(jiān)測(cè)可W得到此處壁畫 病害演變圖譜，聯(lián)系該壁畫所處位置空氣環(huán)境與地理因素，可W分析不同環(huán)境因素對(duì)相同 或不同病害產(chǎn)生的影響，通過對(duì)典型病害區(qū)域全面實(shí)施圖像、物理、力學(xué)、化學(xué)監(jiān)測(cè)和評(píng)價(jià)， 建立病害發(fā)展預(yù)測(cè)模型，提出由現(xiàn)象到成因的評(píng)價(jià)規(guī)范，建立文物與病害科學(xué)分類，確定壁 畫、崖體穩(wěn)定性和風(fēng)化程度的風(fēng)險(xiǎn)等級(jí)水平，提高對(duì)重點(diǎn)區(qū)域病害的監(jiān)測(cè)效率和預(yù)警能力， 為世界遺產(chǎn)地（壁畫）風(fēng)險(xiǎn)預(yù)控示范基地的建設(shè)提供數(shù)據(jù)和基礎(chǔ)。從技術(shù)上講，壁畫病害 分割技術(shù)的效果與兩個(gè)主要因素有關(guān)：一個(gè)是模式識(shí)別算法在此應(yīng)用場(chǎng)景下的特征提取方 式；另一個(gè)為判別病害貝葉斯模型的建立，模型對(duì)病害分類具有決定性作用。
[0003] 特征提取是計(jì)算機(jī)視覺和圖像處理中的一個(gè)概念。它指的是使用計(jì)算機(jī)提取圖像 信息，決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖像特征。特征提取的結(jié)果是把圖像上的點(diǎn)分為不 同的子集，該些子集往往屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域。特征的提取方式往往 由問題或者應(yīng)用類型決定。特征是一個(gè)數(shù)字圖像中"有趣"的部分，它是許多計(jì)算機(jī)圖像分 析算法的起點(diǎn)。因此一個(gè)算法是否成功往往由它使用和定義的特征決定。因此特征提取最 重要的一個(gè)特性是"可重復(fù)性"：同一場(chǎng)景的不同圖像所提取的特征應(yīng)該是相同的。常用的 圖像特征有顏色特征、紋理特征、形狀特征、空間關(guān)系特征。顏色直方圖是顏色特征中常見 的方法，如；RGB顏色空間、HSV顏色空間，其優(yōu)點(diǎn)在于；它能簡(jiǎn)單描述一幅圖像中顏色的全 局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難W自動(dòng)分割的圖像 和不需要考慮物體空間位置的圖像。其缺點(diǎn)在于：它無法描述圖像中顏色的局部分布及每 種色彩所處的空間位置，即無法描述圖像中的某一具體的對(duì)象或物體。
[0004] 紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性 質(zhì)。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中 進(jìn)行統(tǒng)計(jì)計(jì)算。在模式匹配中，該種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差 而無法匹配成功。常見的模式識(shí)別方法對(duì)圖像特征提取方法，一種為像素級(jí)別，即對(duì)圖像中 每點(diǎn)像素提取特征，優(yōu)點(diǎn)在于匹配準(zhǔn)確度高，但速度慢；另一種為將圖像劃分為形狀規(guī)則的 子圖（Patch)，對(duì)每一個(gè)子圖提取特征，子圖越大速度越快，但與此同時(shí)準(zhǔn)確度越低。顯然該 兩種方法不能同時(shí)保證準(zhǔn)確度與速度，因此需要提出一種更加合理的同時(shí)保證準(zhǔn)確度和速 度的特征提取方法，W助于提高分割的效率和精度。
[0005] 現(xiàn)階段圖像識(shí)別技術(shù)主要針對(duì)圖片中分布集中的物體，如；動(dòng)物，人臉，植物等， 但在某些領(lǐng)域中，檢測(cè)物體并非連續(xù)集中分布在圖像中也區(qū)域，而是在整個(gè)圖片中均勻分 布。此時(shí)，現(xiàn)有的技術(shù)如可變形部件模型值eform油le Parts Model,DPM)、顯著性分析 (Saliency)w、區(qū)域合并巧egion Merge)等一般的檢測(cè)技術(shù)均不適用于該種領(lǐng)域。同時(shí)， 在現(xiàn)有的檢測(cè)-分割問題中，表現(xiàn)良好的檢測(cè)算法如稀疏編碼等又有著速度極慢的問題， 因此，本發(fā)明提出一種改進(jìn)的稀疏編碼方法（Sparse Coding) b'ti，并應(yīng)用在古代壁畫病害 檢測(cè)分割的具體問題中，大大提升檢測(cè)結(jié)果。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供了一種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法，本發(fā)明在保證算 法準(zhǔn)確度的基礎(chǔ)上，提升了運(yùn)行時(shí)間，實(shí)現(xiàn)了壁畫病害的快速分割，詳見下文描述：
[0007] -種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法，所述方法包括W下步驟：
[0008] 使用字典訓(xùn)練方法對(duì)原始壁畫圖像，根據(jù)事先標(biāo)識(shí)的真值圖像，由病害區(qū)域和非 病害區(qū)域使用在線字典學(xué)習(xí)方法，分別訓(xùn)練出病害字典與非病害字典；
[0009] 使用超像素方法對(duì)目標(biāo)圖像進(jìn)行超像素化；
[0010] 建立貝葉斯模型對(duì)每個(gè)超像素標(biāo)識(shí)。
[0011] 所述使用字典訓(xùn)練方法對(duì)原始壁畫圖像，根據(jù)事先標(biāo)識(shí)的真值圖像，由病害區(qū)域 和非病害區(qū)域使用在線字典學(xué)習(xí)方法，分別訓(xùn)練出病害字典與非病害字典的步驟具體為：
[0012] 在訓(xùn)練集中人工標(biāo)定目標(biāo)區(qū)域與非目標(biāo)區(qū)域，通過隨機(jī)采樣得到病害樣本集合和 非病害樣本集合，即目標(biāo)樣本集合和非目標(biāo)樣本集合；
[0013] 對(duì)目標(biāo)樣本集合和非目標(biāo)樣本集合使用滑動(dòng)窗口提取特征。特征提取方法為對(duì)每 一個(gè)像素取周圍pXp的像素，向量化之后就得到該像素的特征，并對(duì)特征逐一進(jìn)行歸一化 操作；
[0014] 對(duì)上一步中歸一化后的特征使用在線字典學(xué)習(xí)方法進(jìn)行字典訓(xùn)練，得到病害字典 和非病害字典。
[0015] 所述建立貝葉斯模型對(duì)每個(gè)超像素標(biāo)識(shí)的步驟具體為：
[0016] 提取每個(gè)超像素塊的特征；
[0017] 對(duì)每個(gè)特征計(jì)算稀疏系數(shù)；針對(duì)每一個(gè)超像素塊的特征，使用稀疏編碼對(duì)此特征 進(jìn)行稀疏表示；
[0018] 建立貝葉斯模型。
[0019] 本發(fā)明提供的技術(shù)方案的有益效果是：本方法使用監(jiān)督式學(xué)習(xí)產(chǎn)生壁畫字典，通 過學(xué)習(xí)不同病害特征，可W有效識(shí)別壁畫不同種類的病害，同時(shí)通過使用超像素塊代替原 始像素，大大加快算法識(shí)別病害速度。實(shí)驗(yàn)結(jié)果表明，超像素塊大小與實(shí)驗(yàn)結(jié)果有負(fù)相關(guān)聯(lián) 系，即超像素塊越大，算法運(yùn)行時(shí)間越短，與像素級(jí)重構(gòu)結(jié)果相差越大；超像素塊越小，算法 運(yùn)行時(shí)間越長(zhǎng)，與像素級(jí)重構(gòu)結(jié)果相差越小。將基于超像素和稀疏編碼的快速圖像特殊區(qū) 域識(shí)別應(yīng)用到壁畫病害識(shí)別當(dāng)中，在保證結(jié)果的前提下，速度提升1〇3倍。因此本發(fā)明能夠 有助于提高壁畫不同病害識(shí)別的效率，接近實(shí)時(shí)分割。建立的貝葉斯模型，并應(yīng)用在古代壁 畫病害標(biāo)識(shí)的具體問題中。本發(fā)明提出的使用超像素和稀疏編碼能夠更加快速有效的進(jìn)行 圖像分割。在古代壁畫圖像的病害分割中，使用相同的貝葉斯模型，基于超像素的稀疏編碼 能夠使算法運(yùn)行速度提高1〇3倍，接近實(shí)時(shí)分割。

【專利附圖】

【附圖說明】
[0020] 圖1為一種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法的流程圖；
[0021] 圖2為瘡疹病害結(jié)果對(duì)比示意圖；
[0022] 第一列為原始圖片，之后每列依次為真值圖像，基于全局字典的壁畫病害標(biāo)識(shí)方 法，光譜殘余顯著性，均差顯著性，顯著濾波產(chǎn)生的結(jié)果。白色為病害區(qū)域，每幅圖片下面為 與真值之間的Fl-measure。
[0023] 圖3為酥堿病害結(jié)果對(duì)比示意圖。
[0024] 第一列為原始圖片，之后每列依次為真值圖像，基于全局字典的壁畫病害標(biāo)識(shí)方 法，光譜殘余顯著性，均差顯著性，顯著濾波產(chǎn)生的結(jié)果。白色為病害區(qū)域，每幅圖片下面為 與真值之間的Fl-measure。

【具體實(shí)施方式】
[00巧]在本發(fā)明中，將使用一種超像素（Superpixel)的方法對(duì)圖片進(jìn)行過分割，針對(duì)每 一個(gè)超像素塊提取特征。超像素即對(duì)圖像進(jìn)行過度分割，使得每一個(gè)超像素塊中像素具有 高度相似性，通常該種超像素方法速度極快。在各種各樣的計(jì)算機(jī)視覺問題中都可W使用 超像素方法W，在保證算法可靠性的同時(shí)提高算法效率。本發(fā)明中使用一種基于圖的高效 圖像分割方法巧fficient Graph-Based Image Se卵entation,EGS)[2]，使用基于圖的方式 表達(dá)兩個(gè)超像素塊的邊界距離，制定一種接近線性速度的分割方法。在此分割基礎(chǔ)上，本發(fā) 明提取每個(gè)超像素塊的特征，完成病害識(shí)別過程。
[0026] 本發(fā)明提出一種快速的基于全局字典的圖像識(shí)別方法。首先對(duì)輸入圖像進(jìn)行超像 素過分割，然后提取每一個(gè)超像素塊的特征，之后通過一種改進(jìn)的稀疏編碼的重構(gòu)誤差識(shí) 別超像素塊所屬分類，產(chǎn)生分割結(jié)果。參見圖1，具體技術(shù)方案包括W下內(nèi)容：
[0027] 101 ;使用字典訓(xùn)練方法對(duì)原始壁畫圖像，根據(jù)事先標(biāo)識(shí)的真值圖像，由病害區(qū)域 和非病害區(qū)域使用在線字典學(xué)習(xí)方法?，分別訓(xùn)練出病害字典與非病害字典；
[0028] 1)在訓(xùn)練集中人工標(biāo)定目標(biāo)區(qū)域與非目標(biāo)區(qū)域，通過隨機(jī)采樣得到病害樣本集合 和非病害樣本集合，即目標(biāo)樣本集合和非目標(biāo)樣本集合；
[0029] 2)對(duì)目標(biāo)樣本集合和非目標(biāo)樣本集合使用滑動(dòng)窗口提取特征。特征提取方法為對(duì) 每一個(gè)像素取周圍pXp的像素，向量化之后就得到該像素的特征，并對(duì)特征逐一進(jìn)行歸一 化操作，因?yàn)樵诰€字典學(xué)習(xí)方法的輸入特征通常需要滿足W下要求：
[0030] a)特征的均值大致為0 ;
[0031] b)不同特征的方差彼此相似；
[0032] C)特征的二范數(shù)為1。
[0033] 由于此樣本來源于自然圖像，所W使用滑動(dòng)窗口提取的特征具有平穩(wěn)特性 (stationarity)，即使不進(jìn)行方差歸一化操作，條件b)也自然滿足，所W在該里只需要進(jìn) 行a)和C)兩項(xiàng)操作。
[0034] 3)對(duì)上一步中歸一化后的特征使用在線字典學(xué)習(xí)方法進(jìn)行字典訓(xùn)練，得到病害字 典和非病害字典。對(duì)于病害區(qū)域提取的特征，使用如下目標(biāo)函數(shù)得到病害字典〇1。
[00 巧]

【權(quán)利要求】
1. 一種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法，其特征在于，所述方法包括以下 步驟： 使用字典訓(xùn)練方法對(duì)原始壁畫圖像，根據(jù)事先標(biāo)識(shí)的真值圖像，由病害區(qū)域和非病害 區(qū)域使用在線字典學(xué)習(xí)方法，分別訓(xùn)練出病害字典與非病害字典； 使用超像素方法對(duì)目標(biāo)圖像進(jìn)行超像素化； 建立貝葉斯模型對(duì)每個(gè)超像素標(biāo)識(shí)。
2. 根據(jù)權(quán)利要求1所述的一種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法，其特征在 于，所述使用字典訓(xùn)練方法對(duì)原始壁畫圖像，根據(jù)事先標(biāo)識(shí)的真值圖像，由病害區(qū)域和非病 害區(qū)域使用在線字典學(xué)習(xí)方法，分別訓(xùn)練出病害字典與非病害字典的步驟具體為： 在訓(xùn)練集中人工標(biāo)定目標(biāo)區(qū)域與非目標(biāo)區(qū)域，通過隨機(jī)采樣得到病害樣本集合和非病 害樣本集合，即目標(biāo)樣本集合和非目標(biāo)樣本集合； 對(duì)目標(biāo)樣本集合和非目標(biāo)樣本集合使用滑動(dòng)窗口提取特征。特征提取方法為對(duì)每一個(gè) 像素取周圍的像素，向量化之后就得到該像素的特征，并對(duì)特征逐一進(jìn)行歸一化操作； 對(duì)上一步中歸一化后的特征使用在線字典學(xué)習(xí)方法進(jìn)行字典訓(xùn)練，得到病害字典和非 病害字典。
3. 根據(jù)權(quán)利要求1所述的一種基于全局字典特征的古代壁畫病害標(biāo)識(shí)方法，其特征在 于，所述建立貝葉斯模型對(duì)每個(gè)超像素標(biāo)識(shí)的步驟具體為： 提取每個(gè)超像素塊的特征； 對(duì)每個(gè)特征計(jì)算稀疏系數(shù)；針對(duì)每一個(gè)超像素塊的特征，使用稀疏編碼對(duì)此特征進(jìn)行 稀疏表示； 建立貝葉斯模型。
【文檔編號(hào)】G06K9/46GK104504409SQ201410843650
【公開日】2015年4月8日 申請(qǐng)日期:2014年12月30日 優(yōu)先權(quán)日:2014年12月30日
【發(fā)明者】馮偉, 孫濟(jì)洲, 張屹峰, 黃睿 申請(qǐng)人:天津大學(xué)