一种基于人眼视觉深度学习的国画所属画家自动识别方法与流程

技术特征：
1.一种基于人眼视觉深度学习的国画所属画家自动识别方法，其特征在于，所述方法包括：构建样本数据集，所述样本数据集中包括属于若干个不同的画家的若干幅国画样本；对所述样本数据集中的每副国画样本进行视觉前端显著性处理提取得到视觉显著图；基于每个像素点及其邻域像素点的像素值关系对所述视觉显著图进行视觉后端感知信息处理得到有序风格效果图；以每副幅国画样本处理得到的有序风格效果图为输入、对应的画家为输出，利用所述样本数据集基于卷积神经网络进行模型训练得到画家识别模型；提取待识别国画的有序风格效果图并输入所述画家识别模型，输出识别得到的所述待识别国画所属的画家。2.根据权利要求1所述的方法，其特征在于，所述样本数据集中的国画样本包括原始国画以及对原始国画做图像预处理后模拟得到的有损国画，所述图像预处理包括亮度增强、色彩渲染、对比度增强、高斯污染、随机亮度改变、锐度处理、图像旋转、图像翻转中的至少一种。3.根据权利要求1所述的方法，其特征在于，所述对所述样本数据集中的每副国画样本进行视觉前端显著性处理提取得到视觉显著图，包括对于每副国画样本：对所述国画样本进行基于视觉的阈值滤波处理；对完成阈值滤波处理后的国画样本进行频域光强的对数变换；利用sdsp提取算法对变换后的国画样本进行特征提取得到所述视觉显著图。4.根据权利要求3所述的方法，其特征在于，所述对所述国画样本进行基于视觉的阈值滤波处理，包括：根据视觉对比度敏感阈值csf(1)、视觉中央凹函数τ(i,j)和视觉阈值δ对所述国画样本中任意坐标(i,j)处的像素点的像素值y(i,j)进行阈值滤波处理，得到阈值滤波处理后的像素值z(i,j)为：其中，视觉对比度敏感阈值为：csf(1)＝2.6[0.0192 λ
·2‑1·
r
·
v
·
tan(0.50)]exp{
‑
[λ
·2‑1·
r
·
v
·
tan(0.50)]
1.1
}；视觉中央凹函数其中，r为分辨率参数，v为视距参数，λ为第一调节参数，d
t
为第二调节参数，d(i,j)是所述国画样本中坐标(i,j)的像素点与样本图像中心之间的距离，d0是所述国画样本的样本图像中心到图像边缘的距离。5.根据权利要求3所述的方法，其特征在于，所述对完成阈值滤波处理后的国画样本进行频域光强的对数变换，包括：对于完成阈值滤波处理后的国画样本中任意坐标(i,j)处的像素点的像素值z(i,j)，进行频域光强的对数变换后的结果为：
其中，函数f(
·
)表示进行频域正变换处理，f
‑1(
·
)表示进行频域逆变换处理，g(ω,θ
j
)为log
‑
gabor滤波器。6.根据权利要求1所述的方法，其特征在于，所述基于每个像素点及其邻域像素点的像素值关系对所述视觉显著图进行视觉后端感知信息处理得到有序风格效果图，包括：计算坐标(i,j)处的像素点的像素值t(i,j)与其邻域像素点的像素值t
k
(i,j)之间的互信息；基于像素值t(i,j)与各个邻域像素点的像素值之间的互信息，获得坐标(i,j)处的像素点在所述有序风格效果图中的像素值q(i,j)。7.根据权利要求6所述的方法，其特征在于，像素值t(i,j)与与其邻域像素点的像素值t
k
(i,j)之间的互信息为：i[t(i,j),t
k
(i,j)]＝logp[t(i,j)/t
k
(i.j)]
‑
logp[t(i,j)]；其中，p[t(i,j)]为像素值t(i,j)的统计概率，p[t(i,j)/t
k
(i,j)]为像素值t(i,j)与邻域像素值t
k
(i,j)的统计条件概率，log表示对数运算。8.根据权利要求6所述的方法，其特征在于，坐标(i,j)处的像素点在所述有序风格效果图中的像素值q(i,j)为：其中，t(i,j)为坐标(i,j)处的像素点的所有邻域像素点的像素值构成的邻域像素值集合，c
l
是邻域像素值t
l
(i,j)对应的归一化系数且有ω(i,j)为高斯权重函数，m
×
n为t(i,j)的窗口尺寸，i[t(i,j),t
l
(i,j)]为像素值t(i,j)与邻域像素值t
l
(i,j)之间的互信息，t
k
(i,j)表示t(i,j)中的任意一个邻域像素点的像素值。9.根据权利要求1所述的方法，其特征在于，在训练得到所述画家识别模型时：按照对每副幅国画样本处理得到的有序风格效果图进行归一化处理，以每副幅国画样本的归一化处理后的有序风格效果图为输入、对应的画家为输出，利用所述样本数据集基于卷积神经网络进行模型训练得到画家识别模型，其中，q(i,j)是有序风格效果图中的像素值。10.根据权利要求1所述的方法，其特征在于，用于训练得到所述画家识别模型的卷积神经网络包括五个卷积模块和三层全连接层，每个卷积模块分别包括卷积层、激活函数和池化层，每个卷积模块中的激活函数均为relu，每层池化层的池化函数为最大池化，每个全连接层的激活函数均为relu；所述输出识别得到的所述待识别国画所属的画家，包括：输出所述待识别国画属于各个候选画家的预测概率，并将预测概率最大的候选画家作为所述待识别国画所属的画家，候选画家是样本数据集中的国画样本所属的各个画家。

技术总结
本发明公开了一种基于人眼视觉深度学习的国画所属画家自动识别方法，涉及基于视觉处理机制的深度学习在艺术领域的应用，该方法对样本数据集中的每副国画样本进行视觉前端显著性处理提取得到视觉显著图后，基于每个像素点及其邻域像素点的像素值关系进行视觉后端感知信息处理得到有序风格效果图，以每副幅国画样本处理得到的有序风格效果图为输入、对应的画家为输出，利用样本数据集基于卷积神经网络进行模型训练得到画家识别模型，然后利用画家识别模型即可以识别得到待识别国画所属的画家，该方法充分考虑了人眼视觉的感知特性和观赏者的主观判断经验，相比于现有的各种识别方法来说，提高了自动识别的准确率，和观赏者判断的结果高度一致。判断的结果高度一致。判断的结果高度一致。


技术研发人员：董晨曦 王峰
受保护的技术使用者：江南大学
技术研发日：2021.08.11
技术公布日：2021/11/8