[发明专利]一种基于特征融合Alexnet壁画图像分类方法

说明书

本发明涉及AlexNet模型技术领域，且公开了一种基于特征融合Alexnet壁画图像分类方法，具体分类方法步骤如下：AlexNet模型的建立，所述AlexNet模型由5个卷积层和3个全连接层组成，且采用双通道结构，卷积层和池化层是模型提取特征的关键部分。本发明针对传统人工提取壁画特征具有主观随机性和不充分性等诸多问题，选择采用卷积神经网络自主提取壁画图像特征进行分类，通过增强数据集算法扩大壁画数据集，对AlexNet模型进行调整，将网络层数调整为适合壁画数据集的大小，通过实验对比不断调节网络参数，能够提高特征提取的准确率，从而验证了该AlexNet模型在壁画分类方面的适用性和有效性。

技术领域

本发明涉及AlexNet模型技术领域，具体为一种基于特征融合Alexnet壁画图像分类方法。

背景技术

古代壁画是一种绘在墙壁上的画作，多出现在寺观、石窟或墓室的墙壁，壁画作品数字化是从上世纪90年代开始的，随后三维激光扫描技术和三维重建技术的应用，使得数字化壁画图像越来越丰富，如何有效对这些资源进行分类研究，日益引起研究学者的关注，这不仅可以提高壁画图像检索的准确率，也可为古代壁画的分类别修复带来便捷性，同时为现代壁画的再创造提供新思路。

传统的壁画分类模型框架包括特征提取、特征编码、特征汇聚和分类器分类四部分，这一时期特征的提取本质上都是人工设计的，所以特征的提取好坏直接影响着分类模型的性能，壁画是人为绘制得到的，具有一定主观性和多元性，采用传统特征的提取方法有一定的效果，但需要丰富的经验知识，同时提取到的特征会存在表达不充分和泛化能力不强的问题。

近年来，随着数据量的迅速增长和计算能力的大幅度提升，卷积神经网络因为能自主提取特征，而且拥有局部连接和权值共享两大特性被广泛应用于计算机辅助检测、社交网络图像分类以及其他计算机视觉领域，提出了深度卷积神经网络——AlexNet模型，因此，为解决传统壁画图像特征提取的诸多问题，本文将卷积神经网络用于壁画分类，借鉴经典卷积神经网络AlexNet模型结构，综合考虑壁画数据量和网络结构的影响因素，通过对比实验确定模型参数，提出一种既具有纵向延伸，又兼有横向扩展特点的卷积神经网络模型来实现壁画图像的自动分类。

发明内容

鉴于现有技术存在的上述问题，本发明的一方面目的在于提供一种基于特征融合Alexnet壁画图像分类方法。

为了实现上述目的，本发明提供的一种基于特征融合Alexnet壁画图像分类方法，具体分类方法步骤如下：

(1)AlexNet模型的建立

所述AlexNet模型由5个卷积层和3个全连接层组成，且采用双通道结构，卷积层和池化层是模型提取特征的关键部分，卷积层是由m个卷积核组成的特征映射层，卷积操作公式如下：

池化层在卷积操作之后进行，池化操作公式如下：

(2)基于特征融合AlexNet壁画图像分类框架的建立

分类框架由一个3层双通道的特征融合层和一个3层的全连接层组成，具体建立方法如下：

S1输入层将原始图像以224×224×3的形式作为输入；

S2中间的堆叠层设置为具有相同层数和卷积核数量的两个通道channel1和channel2，分通道来提取图像抽象特征传递给分类器，Channel1的卷积核大小分别为11、5、3，Channel2的卷积核大小为11、3、5，各通道的卷积核数目分别为96、256、384，步长为4、1、1，每层池化核大小设置为3×3，步长为2；

S3同样采用三个全连接层，并在全连接处使用Dropout层；

(3)壁画分类流程

S1图像预处理