1.基于多特征信息融合的古陶瓷断源断代方法,其特征在于:
从古陶瓷图像中提取古陶瓷器物图像实现背景分离,分割出精确的古陶瓷图像,再对古陶瓷图像进行滤波去噪处理获得清晰的图像;
从图像中的器型、颜色两个特征空间同时提取器型结构特征、釉色特征,作为特征量输入到SAE‑DBN网络完成对所述古陶瓷图像的特征量的信息融合,及特征量的逐层提取与抽象;
将待测古陶瓷图像输入到已训练好的DBN分类器进行训练,由训练结果完成古陶瓷的分类以及古陶瓷断源、断代鉴别。
2.根据权利要求1所述的基于多特征信息融合的古陶瓷断源断代方法,其特征在于:
所述方法包括预处理模块、特征提取模块、古陶瓷断源断代模块;
所述预处理模块采用二次处理方法对古陶瓷图像进行前景背景分离以获得清晰的古陶瓷图像并送至特征提取模块;
特征提取模块用于在古陶瓷图像的器型、釉色两个特征空间中同时提取古陶瓷器型、釉色两种特征量;
所述古陶瓷断源断代模块,是利用SAE‑DBN网络模型,完成对所述古陶瓷图像的特征量的信息融合,通过对特征量的逐层提取与抽象,最终可以实现古陶瓷图像的分类和古陶瓷断源断代鉴别。
3.根据权利要求2所述的基于多特征信息融合的古陶瓷断源断代方法,其特征在于:
所述预处理模块使用信息二次提取方法,包括第一次处理和第二次处理,用于实现古陶瓷图像的前景背景分离以获取清晰的古陶瓷目标对象图像;
所述第一次处理为利用“金字塔”算子对古陶瓷图像每个像素点的RGB三个颜色分量分别进行卷积和处理,再选取合适阈值提取边缘,得到初次彩色边缘轮廓即一次边缘图像;
所述第二次处理是通过掩模匹配法实现古陶瓷图像前景背景分离,首先计算每个像素点的RGB三个颜色分量的加权灰度值,将一次边缘图像转变成为灰度图像,再通过中值‑均值滤波法消除图像中的噪声干扰,进行特征信息再提取过程即二次边缘提取过程,提取到古陶瓷完整的边缘二值图像称为古陶瓷掩模图像,再将古陶瓷掩模图像与原图像复合操作,即可在原背景与古陶瓷体难以区分的古陶瓷图像中完整提取古陶瓷器物区域实现前景背景分离。
4.根据权利要求2所述的基于多特征信息融合的古陶瓷断源断代方法,其特征在于:
所述提取古陶瓷器型结构信息过程由轮廓提取模块、主视图校正模块、轮廓函数拟合模块三部分图像处理操作组成;
所述轮廓提取模块为对提取所述前景背景分离后的古陶瓷图像去噪并二值化处理,再提取边缘轮廓,包括古陶瓷器物上顶、底足椭圆、侧边轮廓线;
所述主视图校正模块方法为根据提取到的古陶瓷图像边缘轮廓确定古陶瓷拍摄角度,对古陶瓷图像校正还原至正视图,即古陶瓷正视图;
所述轮廓函数拟合模块利用BP神经网络高度逼近的功能特点对古陶瓷正视图重新进行边缘轮廓提取以及函数拟合;所述神经网络需要选取最佳网络结构参数,经过训练得到各节点间的权值和阈值,得到满足精度要求的最佳拟合曲线,由古陶瓷轮廓曲线获取古陶瓷多个器型特征量参数:拐点个数n、面积周长分形盒维数fac、颈部高度/腹部高度 古陶瓷底足面积/上顶面积 重构三维古陶瓷体表面积/古陶瓷体积 将其生成一组组合特征向量用以表征古陶瓷器型结构特征。
5.根据权利要求2所述的基于多特征信息融合的古陶瓷断源断代方法,其特征在于:
所述古陶瓷釉色信息的提取,为先将古陶瓷图像分割成若干个小块区域以便提高计算准确度,再把古陶瓷RGB颜色空间转换到HSV颜色空间,并且将HSV颜色空间的H、S两个颜色区间均划分为若干个小的颜色区间即颜色级,计算每个古陶瓷图像小块的H、S两个颜色分量在每个颜色级内的像素数量得到颜色直方图,其横轴表示颜色级范围,纵轴表示像素数量;再对整幅古陶瓷图像内每个分割图像块的颜色分量特征分别加权平均处理,得到整幅图像的颜色直方图特征,计算其信息熵和能量作为古陶瓷图像的颜色组合特征向量,即古陶瓷釉色信息。
6.根据权利要求2所述的基于多特征信息融合的古陶瓷断源断代方法,其特征在于:
所述古陶瓷断源断代模块,采用基于SAE‑DBN网络模型进行古陶瓷断源断代检测;从古陶瓷器型特征空间和颜色特征空间分别同时提取古陶瓷器型结构特征与颜色特征信息,将其生成组合特征向量,作为古陶瓷断源断代的判断依据;将提取到的所述特征量输入到SAE‑DBN网络,完成对所述古陶瓷图像的特征量的信息融合,利用稀疏自编码器对信息融合的特征量进行降维处理以获得更好的特征描述,再将特征数据输入到深度置信网络中训练DBN分类器,根据训练结果完成待测古陶瓷图像的分类及断源、断代识别。
7.根据权利要求6所述的基于多特征信息融合的古陶瓷断源断代方法,其特征在于:
古陶瓷断源断代的具体实现方法为将数据库中的古陶瓷图像作为训练样本,提取到的训练样本的特征向量输入到SAE‑DBN网络完成网络训练并生成训练好的DBN分类器,再将待测古陶瓷照片作为测试样本,以所述同样方法提取到特征向量,并输入到训练好的DBN分类器,实现对待测古陶瓷图像的分类及断源、断代识别。