基于深度学习的古代人物绘画图像分割关键算法研究

摘要

近年来随着深度学习的发展，图像分割技术取得了巨大的进展。我国有数量众多的文物绘画图像，研究高性能、高准确度的图像语义分割算法，在文化创意产业、艺术鉴赏分析等多个领域具有重要意义。但是由于文物绘画图像数据在线条、色彩、人物目标形状等方面的特殊性，常见的图像分割神经网络结构无法产生很好的分割效果，而且对古代绘画图像中的线条、边缘的处理比较粗糙。
　　针对以上问题，本文基于深度学习，研究占代人物绘画图像的图像分割问题。本文的主要算法与成果如下:
　　(1)提出基于空洞卷积与超列特征的图像分割神经网络。本文在全卷积神经网络结构的基础上，引入空洞卷积，同时采用超列特征模块，整合卷积神经网络中浅层次特征与深层次特征。本文基于大型核卷积，设计了像素分类模块，对超列特征进行处理，得到比较好的分割效果。
　　(2)提出结合神经网络与Graph-Cut算法的精细化分割算法。针对神经网络处理古代绘画图像中的线条、边缘比较粗糙等问题，本文结合图像分割神经网络对Graph-Cut算法进行改进。改进后的算法可以矫正图像分割神经网络的分割结果，得到古代人物绘画图像的精细化分割结果。
　　本文算法在通用图像分割数据集CamVid和PASCAL VOC2012上进行了对比实验，得到了比SegNet等神经网络模型更好的效果，证明了本文提出的图像分割网络模型的可行性。本文算法还在以古代人物绘画为主的艺术图像数据集上进行测试，取得了非常好的效果，证明了本文的分割算法对于古代人物绘画图像分割问题的有效性。

目录

声明

摘要

1．1 课题背景

1．1．1 文化创意产业

1．1．2 文化艺术图像鉴赏与分析

1．2 相关领域研究现状与存在的问题

1．3 本文的主要工作

1．4 本文的组织与结构

第2章 图像分割相关技术与研究现状

2．1 图像分割与图像语义分割

2．2 相关评估标准

2．3 基于非深度学习的图像分割算法

2．3．1 基于边缘检测的图像分割算法

2．3．2 基于色彩的图像分割算法

2．3．3 基于区域的图像分割算法

2．3．4 基于图论及概率图模型的图像分割算法

2．4 基于深度学习的图像分割算法

2．4．1 人工神经网络

2．4．2 卷积神经网络

2．4．3 基于全卷积神经网络的图像分割

2．5 总结

第3章 基于空洞卷积和超列特征的语义分割

3．1 引言

3．2 总体网络结构

3．3 基于空洞卷积的上采样

3．4 基于超列特征的特征提取模块

3．5 像素分类模块设计

3．6 批规范化与改进的激活函数

3．6．1 批规范化

3．6．2 改进的ReLU激活函数

3．7 实验结果分析

3．7．1 运行环境

3．7．2 在CamVid数据集上实验结果

3．7．3 在PASCAL VOC 2012数据集上实验结果

3．7．4 在艺术图像数据集上实验结果

3．8 总结

第4章 结合卷积神经网络与Graph-Cut算法的精细分割

4．1 引言

4．2 基于图割的图像分割算法：Graph-Cut

4．3 结合卷积神经网络改进Graph-Cut算法

4．4 实验结果分析

4．5 总结

5．1 总结

5．2 展望

参考文献

攻读硕士学位期间主要的研究成果

致谢