一种基于局部CNN框架的甲骨拓片分类方法技术

本发明专利技术提供一种基于局部CNN框架的甲骨拓片分类方法，包括：对甲骨拓片图像进行区域划分，将图像划分为盾纹区域、齿纹区域和非盾纹非齿纹区域；基于CNN框架对划分后的各区域进行训练，提取各区域特征，建立甲骨拓片的分类识别模型；对未知类型的甲骨拓片在进行区域分割后，利用训练好的CNN框架进行甲骨拓片的分类。本发明专利技术在传统的利用专家经验进行甲骨材质分类研究的基础上，采用卷积神经网络对甲骨拓片进行自动分类，通过对甲骨专家整理好的甲骨拓片扫描成像后进行训练，利用CNN框架的特征抽取、分类预测的能力，建立甲骨拓片的材质分类识别模型，实现对龟甲和兽骨拓片的自动判别，能够将领域专家的知识固化于计算机模型，促进甲骨分类学的发展。

A method of Oracle rubbings classification based on local CNN framework

【技术实现步骤摘要】
一种基于局部CNN框架的甲骨拓片分类方法
本专利技术主要涉及甲骨材质分类相关
，具体是一种基于局部CNN框架的甲骨拓片分类方法。
技术介绍
甲骨文是刻写在龟甲和兽骨上的商代文字，研究甲骨文不仅要关注文字本身，还需要重视文字所依附的材料及形态等信息。甲骨形态研究可包括甲骨材质、甲骨形制、甲骨部位、钻凿形态、兆坼形态等多方面内容，而这中间首当其冲需要研讨的便是甲骨材质问题。从甲骨材料研究相关的实际情况来看，材料分类工作主要还只能依靠甲骨的拓本图像做出。通常，基于甲骨拓本对甲骨材质进行分类，都是利用甲骨学领域专家的经验进行研判，而成为甲骨学领域专家则需要长期学习和积累。图像分类是利用人工智能技术特别是机器学习方法，使计算机能够对图像进行识别和分类，其在模式识别领域扮演重要的角色。图像分类目前方法主要分为两大类：基于图像空间的分类和基于特征空间的分类。图像空间分类方法主要利用图像的颜色、灰度、纹理、形状、位置等底层特征来对图像进行分类；而基于特征空间的分类方法是通过将原图像映射到高维空间，然后提取其高层特征来实现图像的分类，这样能有效地降低数据的维度和计算过程的复杂程度。因此分类的结果很大程度上取决于特征提取方法的适应性。近年来，在图像分类领域，更多采用了深度学习的方法进行特征的提取。采用卷积神经网络(ConvolutionalNeuralNetwork，CNN)的架构开始迅速发展，并在不同领域取得较好的应用效果。特别是现有技术中的AlexNet结构(图1所示)，不仅比传统的神经网络层数更多更深，并且可以学习更复杂的图像高维特征。卷积神经网络结构通过构建复杂的模型结构，完成对数据分析和处理，其重要应用之一就是进行图像分类和识别，因此也非常适合甲骨分类。长期以来，甲骨卜辞字体分类都依靠人工观察进行，完全凭借领域专家的经验和学识来完成。引入神经网络分类识别技术，探索机器自动分类，既能将领域专家的知识固化于计算机模型，也有利于可视化分析现有的分类系统和分类方法，进一步促进甲骨分类学的发展。
技术实现思路
为解决目前技术的不足，本专利技术结合现有技术，从实际应用出发，提供一种基于局部CNN框架的甲骨拓片分类方法，本方法通过对甲骨拓片的特征进行提取，实现原图到特征空间的转换，在特征空间中完成甲骨图像的自动分类，能够实现对龟甲和兽骨拓片的自动判别，在利用人工智能技术辅助甲骨形态辨识方面提供技术基础。本专利技术的技术方案如下：一种基于局部CNN框架的甲骨拓片分类方法，所述方法包括：对甲骨拓片图像进行区域划分，将图像划分为盾纹区域、齿纹区域和非盾纹非齿纹区域；基于CNN框架对划分后的各区域进行训练，提取各区域特征，建立甲骨拓片的分类识别模型；对未知类型的甲骨拓片在进行区域分割后，利用训练好的CNN框架进行甲骨拓片的分类。进一步的，对甲骨拓片图像进行区域划分时，图像划分原则为：将图像按照一定秩序在水平和/或垂直方向进行区域划分；对于图像像素梯度变化超过阈值的区域不进行切分，且与上部分图像合并成一个区域；对图像边缘像素进行求导，对导数不连续的边缘区域，不进行切分；在水平和/或垂直方向进行区域划分时，选择区域划分数量多的方向。进一步的，对甲骨拓片图像进行区域划分时，基于Laplace算子实现对盾纹区域的划分，具体为：对于甲骨图像f(x,y)，由于Laplace算子具有各向同性的性质，因此满足Laplace算子是梯度的散度：由于图像是离散的二维矩阵，用差分近似微分得到故，Δf＝f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)(4)其中i，j为梯度方向，通过计算的梯度Δf结合判定阈值划分出盾纹区域。进一步的，对甲骨拓片图像进行区域划分时，基于弧微分来计算甲骨边缘的各个点的曲率，并进一步判断单位长度曲率变化的情况，最终确定齿纹区域，具体为：对甲骨图像边缘曲线C，其方程为r＝r(s)，其中s是曲线的弧长参数，r′(s)是曲线C的单位切向量场，，令α(s)＝r′(s)(5)α(s)是曲线C在s处的方向向量，方向向量α(s)转动的快慢用|α′(s)|来衡量，用Δθ表示向量α(s+Δs)与α(s)之间的夹角，则有limΔs→0|Δθ/Δs|＝|α(s)|；令k＝|α′(s)|，其中k为曲线r＝r(s)在s处的曲率，α′(s)为该曲线的曲率向量，α′(s)平行移动到原点，其曲线的切线象的参数方程为r＝α(s)(6)将切线象的弧长元素表示为则甲骨图像边缘曲线C在s处的曲率可以表示因此，甲骨图像边缘曲线的二阶导数通过计算η值，结合判定阈值划分出齿纹区域。进一步的，基于CNN框架对划分后的各区域进行训练，提取各区域特征具体包括：对于CNN框架的输入Im×n×c，其每维表示图像宽度、高度和通道，通过卷积层计算输入图像与滤波器卷积核W并增加偏移量b，得到其中，表示卷积运算，Rm‘×n’×c’是输出，将激活函数ReLU用非线性变换层，得到对于甲骨拓片图像的局部相应归一化层，在应用ReLU之后，变为：其中，表示在使用ReLU之后，在位置坐标x,y处的卷积核计算出的网络层的激活度，表示局部响应归一化的激活度，N表示核的数量，k，n，α，β是超参数，利用最大池化层对进行下采样，得到其中，h×w是子窗口，s是滑动窗口的步长，整个全连接层是用CNN的结构，因此，局部区域的CNN特征抽取，表示为F＝Φ(I,θ)(11)Φ表示全卷积的连接过程，I为输入信息，θ包含了滤波器卷积核W和偏移量b。进一步的，对于获得的每个局部区域的特征，首先，将局部区域的特征向量与其他特征向量级联作为整体特征向量F＝[f0,f1,f2..]，f为输入数据；然后，建立分层自动编码网络以融合这些特征并减小特征维度，并且f充当自动编码网络的输入数据，动编码网络的输出是融合的最终特征表示F；最后，通过Softmax层预测每个局部区域的类别；具体包括：假设图像I包含N个区域Oi,i∈{1,2,…,N}，同时，每个对象区域Oi包含了M个像素，对于在对象Oi中的每个像素Ij,j∈{1,2,…,M}，每个像素的特征为fj，每个区域特征为rj，建立图像每个区域深度特征的块Uj＝[fj,rj]用于原始的图像在像素级别的特征分类，区域Oi的标签主要是根据矢量Uj统计值来判定，得到Pj＝W2tanh(W1WUj+b1)(12)其中，矩阵W1和W2是CNN的训练参数，Pj是预测标签，t(Oi)是对象的像素点个数，最终对象Oi的特征表示为Fi＝argmaxdi,a(14)。本专利技术的有益效果：本专利技术在传统的利用专家经验进行甲骨材质分类研究的基础上，采用卷积神经网络对甲骨拓片进行自动分类，通过对甲骨专家整理好的甲骨拓片扫描成像后进行训练，利用CNN框架的特征抽取、分类预测的能力，建立甲本文档来自技高网...

【技术保护点】
1.一种基于局部CNN框架的甲骨拓片分类方法，其特征在于，所述方法包括：对甲骨拓片图像进行区域划分，将图像划分为盾纹区域、齿纹区域和非盾纹非齿纹区域；基于CNN框架对划分后的各区域进行训练，提取各区域特征，建立甲骨拓片的分类识别模型；对未知类型的甲骨拓片在进行区域分割后，利用训练好的CNN框架进行甲骨拓片的分类。/n

【技术特征摘要】
1.一种基于局部CNN框架的甲骨拓片分类方法，其特征在于，所述方法包括：对甲骨拓片图像进行区域划分，将图像划分为盾纹区域、齿纹区域和非盾纹非齿纹区域；基于CNN框架对划分后的各区域进行训练，提取各区域特征，建立甲骨拓片的分类识别模型；对未知类型的甲骨拓片在进行区域分割后，利用训练好的CNN框架进行甲骨拓片的分类。


2.如权利要求2所述的一种基于局部CNN框架的甲骨拓片分类方法，其特征在于，对甲骨拓片图像进行区域划分时，图像划分原则为：
将图像按照一定秩序在水平和/或垂直方向进行区域划分；对于图像像素梯度变化超过阈值的区域不进行切分，且与上部分图像合并成一个区域；对图像边缘像素进行求导，对导数不连续的边缘区域，不进行切分；在水平和/或垂直方向进行区域划分时，选择区域划分数量多的方向。


3.如权利要求2所述的一种基于局部CNN框架的甲骨拓片分类方法，其特征在于，对甲骨拓片图像进行区域划分时，基于Laplace算子实现对盾纹区域的划分，具体为：
对于甲骨图像f(x,y)，由于Laplace算子具有各向同性的性质，因此满足



Laplace算子是梯度的散度：



由于图像是离散的二维矩阵，用差分近似微分得到






故，Δf＝f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)(4)
其中i，j为梯度方向，通过计算的梯度Δf结合判定阈值划分出盾纹区域。


4.如权利要求2所述的一种基于局部CNN框架的甲骨拓片分类方法，其特征在于，对甲骨拓片图像进行区域划分时，基于弧微分来计算甲骨边缘的各个点的曲率，并进一步判断单位长度曲率变化的情况，最终确定齿纹区域，具体为：
对甲骨图像边缘曲线C，其方程为r＝r(s)，其中s是曲线的弧长参数，r′(s)是曲线C的单位切向量场，令
α(s)＝r′(s)(5)
α(s)是曲线C在s处的方向向量，方向向量α(s)转动的快慢用|α′(s)|来衡量，用Δθ表示向量α(s+Δs)与α(s)之间的夹角，则有limΔs→0|Δθ/Δs|＝|α(s)|；
令k＝|α′(s)|，其中k为曲线r＝r(s)在s处的曲率，α′(s)为该曲线的曲率向量，α′(s)平行移动到原点，其曲线的切线象的参数方程为
r＝α(s)(6)

【专利技术属性】
技术研发人员：陈善雄，莫伯峰，高未泽，林小渝，李然康，
申请(专利权)人：西南大学，首都师范大学，
类型：发明
国别省市：重庆;50