一种基于全局字典特征的古代壁画病害标识方法

一种基于全局字典特征的古代壁画病害标识方法
【专利摘要】本发明公开了一种基于全局字典特征的古代壁画病害标识方法，所述方法包括以下步骤：使用字典训练方法对原始壁画图像，根据事先标识的真值图像，由病害区域和非病害区域使用在线字典学习方法，分别训练出病害字典与非病害字典；使用超像素方法对目标图像进行超像素化；建立贝叶斯模型对每个超像素块标识。本发明提出的使用超像素和稀疏编码能够更加快速有效的进行图像分割。在古代壁画图像的病害分割中，使用相同的贝叶斯模型，基于超像素的稀疏编码能够使算法运行速度提高103倍，接近实时分割。
【专利说明】-种基于全局字典特征的古代壁画病害标识方法

【技术领域】
[0001] 本发明涉及计算机图像处理与模式识别领域，尤其涉及一种基于全局字典特征的 古代壁画病害标识方法。

【背景技术】
[0002] 壁画作为人类历史上最早的绘画形式之一，是人类历史文明的见证，是古今文化 传承的载体。随着年代的推演，大型的壁画由于各种自然W及人为因素有着不同的损坏，由 此对壁画的保护一直是人们探索的领域，找到并有针对性的对不同的病害做出措施是其关 键。传统手工描绘病害显然效率低下且不易存储W及更新，怎样更好、更高效的找到壁画 的病害对壁画保护有着重要的意义。同时，对每幅壁画图像的连续监测可W得到此处壁画 病害演变图谱，联系该壁画所处位置空气环境与地理因素，可W分析不同环境因素对相同 或不同病害产生的影响，通过对典型病害区域全面实施图像、物理、力学、化学监测和评价， 建立病害发展预测模型，提出由现象到成因的评价规范，建立文物与病害科学分类，确定壁 画、崖体稳定性和风化程度的风险等级水平，提高对重点区域病害的监测效率和预警能力， 为世界遗产地（壁画）风险预控示范基地的建设提供数据和基础。从技术上讲，壁画病害 分割技术的效果与两个主要因素有关：一个是模式识别算法在此应用场景下的特征提取方 式；另一个为判别病害贝叶斯模型的建立，模型对病害分类具有决定性作用。
[0003] 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像 信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不 同的子集，该些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的提取方式往往 由问题或者应用类型决定。特征是一个数字图像中"有趣"的部分，它是许多计算机图像分 析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最 重要的一个特性是"可重复性"：同一场景的不同图像所提取的特征应该是相同的。常用的 图像特征有颜色特征、纹理特征、形状特征、空间关系特征。颜色直方图是颜色特征中常见 的方法，如；RGB颜色空间、HSV颜色空间，其优点在于；它能简单描述一幅图像中颜色的全 局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难W自动分割的图像 和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每 种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。
[0004] 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性 质。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中 进行统计计算。在模式匹配中，该种区域性的特征具有较大的优越性，不会由于局部的偏差 而无法匹配成功。常见的模式识别方法对图像特征提取方法，一种为像素级别，即对图像中 每点像素提取特征，优点在于匹配准确度高，但速度慢；另一种为将图像划分为形状规则的 子图（Patch)，对每一个子图提取特征，子图越大速度越快，但与此同时准确度越低。显然该 两种方法不能同时保证准确度与速度，因此需要提出一种更加合理的同时保证准确度和速 度的特征提取方法，W助于提高分割的效率和精度。
[0005] 现阶段图像识别技术主要针对图片中分布集中的物体，如；动物，人脸，植物等， 但在某些领域中，检测物体并非连续集中分布在图像中也区域，而是在整个图片中均匀分 布。此时，现有的技术如可变形部件模型值eform油le Parts Model,DPM)、显著性分析 (Saliency)w、区域合并巧egion Merge)等一般的检测技术均不适用于该种领域。同时， 在现有的检测-分割问题中，表现良好的检测算法如稀疏编码等又有着速度极慢的问题， 因此，本发明提出一种改进的稀疏编码方法（Sparse Coding) b'ti，并应用在古代壁画病害 检测分割的具体问题中，大大提升检测结果。


【发明内容】

[0006] 本发明提供了一种基于全局字典特征的古代壁画病害标识方法，本发明在保证算 法准确度的基础上，提升了运行时间，实现了壁画病害的快速分割，详见下文描述：
[0007] -种基于全局字典特征的古代壁画病害标识方法，所述方法包括W下步骤：
[0008] 使用字典训练方法对原始壁画图像，根据事先标识的真值图像，由病害区域和非 病害区域使用在线字典学习方法，分别训练出病害字典与非病害字典；
[0009] 使用超像素方法对目标图像进行超像素化；
[0010] 建立贝叶斯模型对每个超像素标识。
[0011] 所述使用字典训练方法对原始壁画图像，根据事先标识的真值图像，由病害区域 和非病害区域使用在线字典学习方法，分别训练出病害字典与非病害字典的步骤具体为：
[0012] 在训练集中人工标定目标区域与非目标区域，通过随机采样得到病害样本集合和 非病害样本集合，即目标样本集合和非目标样本集合；
[0013] 对目标样本集合和非目标样本集合使用滑动窗口提取特征。特征提取方法为对每 一个像素取周围pXp的像素，向量化之后就得到该像素的特征，并对特征逐一进行归一化 操作；
[0014] 对上一步中归一化后的特征使用在线字典学习方法进行字典训练，得到病害字典 和非病害字典。
[0015] 所述建立贝叶斯模型对每个超像素标识的步骤具体为：
[0016] 提取每个超像素块的特征；
[0017] 对每个特征计算稀疏系数；针对每一个超像素块的特征，使用稀疏编码对此特征 进行稀疏表示；
[0018] 建立贝叶斯模型。
[0019] 本发明提供的技术方案的有益效果是：本方法使用监督式学习产生壁画字典，通 过学习不同病害特征，可W有效识别壁画不同种类的病害，同时通过使用超像素块代替原 始像素，大大加快算法识别病害速度。实验结果表明，超像素块大小与实验结果有负相关联 系，即超像素块越大，算法运行时间越短，与像素级重构结果相差越大；超像素块越小，算法 运行时间越长，与像素级重构结果相差越小。将基于超像素和稀疏编码的快速图像特殊区 域识别应用到壁画病害识别当中，在保证结果的前提下，速度提升1〇3倍。因此本发明能够 有助于提高壁画不同病害识别的效率，接近实时分割。建立的贝叶斯模型，并应用在古代壁 画病害标识的具体问题中。本发明提出的使用超像素和稀疏编码能够更加快速有效的进行 图像分割。在古代壁画图像的病害分割中，使用相同的贝叶斯模型，基于超像素的稀疏编码 能够使算法运行速度提高1〇3倍，接近实时分割。

【专利附图】

【附图说明】
[0020] 图1为一种基于全局字典特征的古代壁画病害标识方法的流程图；
[0021] 图2为疮疹病害结果对比示意图；
[0022] 第一列为原始图片，之后每列依次为真值图像，基于全局字典的壁画病害标识方 法，光谱残余显著性，均差显著性，显著滤波产生的结果。白色为病害区域，每幅图片下面为 与真值之间的Fl-measure。
[0023] 图3为酥碱病害结果对比示意图。
[0024] 第一列为原始图片，之后每列依次为真值图像，基于全局字典的壁画病害标识方 法，光谱残余显著性，均差显著性，显著滤波产生的结果。白色为病害区域，每幅图片下面为 与真值之间的Fl-measure。

【具体实施方式】
[00巧]在本发明中，将使用一种超像素（Superpixel)的方法对图片进行过分割，针对每 一个超像素块提取特征。超像素即对图像进行过度分割，使得每一个超像素块中像素具有 高度相似性，通常该种超像素方法速度极快。在各种各样的计算机视觉问题中都可W使用 超像素方法W，在保证算法可靠性的同时提高算法效率。本发明中使用一种基于图的高效 图像分割方法巧fficient Graph-Based Image Se卵entation,EGS)[2]，使用基于图的方式 表达两个超像素块的边界距离，制定一种接近线性速度的分割方法。在此分割基础上，本发 明提取每个超像素块的特征，完成病害识别过程。
[0026] 本发明提出一种快速的基于全局字典的图像识别方法。首先对输入图像进行超像 素过分割，然后提取每一个超像素块的特征，之后通过一种改进的稀疏编码的重构误差识 别超像素块所属分类，产生分割结果。参见图1，具体技术方案包括W下内容：
[0027] 101 ;使用字典训练方法对原始壁画图像，根据事先标识的真值图像，由病害区域 和非病害区域使用在线字典学习方法?，分别训练出病害字典与非病害字典；
[0028] 1)在训练集中人工标定目标区域与非目标区域，通过随机采样得到病害样本集合 和非病害样本集合，即目标样本集合和非目标样本集合；
[0029] 2)对目标样本集合和非目标样本集合使用滑动窗口提取特征。特征提取方法为对 每一个像素取周围pXp的像素，向量化之后就得到该像素的特征，并对特征逐一进行归一 化操作，因为在线字典学习方法的输入特征通常需要满足W下要求：
[0030] a)特征的均值大致为0 ;
[0031] b)不同特征的方差彼此相似；
[0032] C)特征的二范数为1。
[0033] 由于此样本来源于自然图像，所W使用滑动窗口提取的特征具有平稳特性 (stationarity)，即使不进行方差归一化操作，条件b)也自然满足，所W在该里只需要进 行a)和C)两项操作。
[0034] 3)对上一步中归一化后的特征使用在线字典学习方法进行字典训练，得到病害字 典和非病害字典。对于病害区域提取的特征，使用如下目标函数得到病害字典〇1。
[00 巧]

【权利要求】
1. 一种基于全局字典特征的古代壁画病害标识方法，其特征在于，所述方法包括以下 步骤： 使用字典训练方法对原始壁画图像，根据事先标识的真值图像，由病害区域和非病害 区域使用在线字典学习方法，分别训练出病害字典与非病害字典； 使用超像素方法对目标图像进行超像素化； 建立贝叶斯模型对每个超像素标识。
2. 根据权利要求1所述的一种基于全局字典特征的古代壁画病害标识方法，其特征在 于，所述使用字典训练方法对原始壁画图像，根据事先标识的真值图像，由病害区域和非病 害区域使用在线字典学习方法，分别训练出病害字典与非病害字典的步骤具体为： 在训练集中人工标定目标区域与非目标区域，通过随机采样得到病害样本集合和非病 害样本集合，即目标样本集合和非目标样本集合； 对目标样本集合和非目标样本集合使用滑动窗口提取特征。特征提取方法为对每一个 像素取周围的像素，向量化之后就得到该像素的特征，并对特征逐一进行归一化操作； 对上一步中归一化后的特征使用在线字典学习方法进行字典训练，得到病害字典和非 病害字典。
3. 根据权利要求1所述的一种基于全局字典特征的古代壁画病害标识方法，其特征在 于，所述建立贝叶斯模型对每个超像素标识的步骤具体为： 提取每个超像素块的特征； 对每个特征计算稀疏系数；针对每一个超像素块的特征，使用稀疏编码对此特征进行 稀疏表示； 建立贝叶斯模型。
【文档编号】G06K9/46GK104504409SQ201410843650
【公开日】2015年4月8日 申请日期:2014年12月30日 优先权日:2014年12月30日
【发明者】冯伟, 孙济洲, 张屹峰, 黄睿 申请人:天津大学