基于人工智能的楚国漆器器型与纹饰图像特征感知与识别研究

基于人工智能的楚国漆器器型与纹饰图像特征感知与识别研究

王迪阳 ,赵鸣 ,吕文慧  ,王奥赢  ,李洋  ,于彪 , ,张健*  

长江大学计算机科学学院  湖北  荆州  434023

【摘要】    进行价值认知是古代漆器文物保护和传承的重要任务，为此对漆器识别方法的研究具有重要意义。漆器“目鉴”中存在的主观性太强，识别鉴定不能进行量化；“科鉴”中需要专业技术支撑，方法本身存在局限和偏差的问题。本文概述了几种常见的楚漆器器型智能识别方法，对楚漆器器型识别方法进行介绍，分析这些方法的优势与不足，并展望了楚漆器识别方法未来的研究。

【关键词】    器型识别；特征提取；文物保护

【Abstract】 Estimation of the value of lacquerware is an important task for the protection and inheritance of ancient lacquerware cultural relics, so it is of great significance to the research of lacquerware identification methods. The subjectivity of lacquerware "Identification with the eyes" is too strong, and the identification cannot be quantified; Professional and technical support is needed in the "Identification with tools", and there are limitations and deviations in the method itself. This paper summarizes several common Chu lacquerware type recognition methods, introduces the Chu lacquerware type recognition methods, analyzes the advantages and disadvantages of these methods, and looks forward to the future research of Chu lacquerware identification methods.

【Keywords】Lacquer type identification method  Feature extraction  Cultural relics protection

1. 引言

近年来商业目的“鉴定”充斥市场，致使民间对古代漆器文物的价值严重曲解误读。 为深化楚漆器的价值挖掘与技术传承，创新楚漆器识别方法，提升楚漆器价值认知水平， 解决楚漆器“目鉴”与“科鉴”中的局限和偏差的问题。本文提出了人工智能及其辅助技术为支撑的楚漆器创新识别方法，初步的实现楚漆器的智能识别，为未来智慧博物馆、古陶瓷智能 识别、无机质文物价值认知等提供新方法和路线是本研究的目的意义所在。

目前为止，文物保护领域研究已经取得了较多的进展。中外研究人员的研究主要集中在文物的图像、器型、纹饰、铭文款式特征提取及识别上。其中，最为首要的、基本的便是对器型的特征提取及识别。

本文这里概述三种较为常见的模式方法：基于机器视觉技术三维还原算法，基于特征线子空间嵌入的非线性特征方法，基于图像边缘特征信息的器型识别方法。以及当今漆器识别面临的挑战和待解决问题，对未来方向的展望。

2. 当前常用的器型特征提取识别方法

2.1  基于机器视觉技术的器型三维还原算法

此算法[[1]]主要是借助于相机多角度摄像或机器扫描后获取的古文物二维图像，通过对图像进行一系列二值化处理，如腐蚀膨胀、图像滤波降噪、小波锐化增强等，初步提取到研究文物的器型边缘轮廓，再根据获取的多方位图像提取上下边缘椭圆现象，自适用优化成像畸变效应，之后使用神经网络建模构建完整的器型轮廓，其建立的侧边缘轮廓曲线模型包含着器型的完整信息，可作为器型的原始数据保存。根据该曲线模型，进一步还原成对应的文物器型三维模型。

该算法需要对应文物多角度的高清图像，当初步采集的图像达到一定标准时，能减小误差，精度达到甚至超过一般三维扫描仪。但也由于对二维图像精度、拍摄角度的一些限制，对初步采集阶段要求相对较高，前期需要做好充分的准备。

2.2  基于特征线子空间嵌入的非线性特征方法

    假设有n个样本组成的样本集X，他们分别属于C个不同的类。样本子集属于第c类，大小为nc。存在任意的元素为样本子集中的任一样本。

    假设在高维欧式空间R，有n个样本组成的样本集X，他们分别属于C个不同的类。样本子集x属于c类，大小为n。为样本子集x中任一样本。寻求一个投影矩阵

ω。将这些数据映射到一个相对低维的特征空间 Ｒd ( d≤D) 中。由此，可以定义特征线NFL 方法中的类内散度矩阵和类间散度矩阵。

其中: FK1 ( xci) 指的是点 xci在类 c 内由 K1 个近邻

特征线组成的子空间。

其中: BK2 ( xci ) 指的是点 xci在不同类间由 K2 个近

邻特征线组成的子空间。

经过改写和简化，则式( 3) 和式( 4) 可以分别

简化为下式:

其中: LW 为类内全局关联矩阵，

LB 为类间全局关

联矩阵。

则 NFL 特征提取方法的目标函数为:

2.3  基于图像边缘特征信息的器型识别方法

文献[[2]]对图像通过大津算法进行二值化处理，是彩色图像变为二值图像，二值图像为仅包含彩色图像轮廓信息的最小集合。能够完整的描述出轮廓特征，用来描述古陶瓷器型特征可以减少相关的干扰因素,提升器型特征的提取和识别率。再对二值图像通过形态学处理获取边缘特征信息—器型特征。形态学处理是根据古陶瓷二值图像获得相对精确古陶瓷器型图像特征的处理过程。Freeman链码(弗雷曼链码)是一种在计算机图形学领域中描述曲线和区域边界的方法，该方法以边界方向为依据，描述边界点集合。根据所得到的具有器型特征的图像，通过链码技术描述和检测器型特征。

该方法适合简单场景下的器型识别。由于单帧耗时少，满足一般实时性的要求。对于特殊场景的器型识别，无法满足条件。所识别的图像必须有完整的器型，且图像必须清晰。对于器型损坏或者不清晰的图像将无法有效识别。对于大部分的器型识别，具有准确率高且有效的识别。

3. 总结与展望

本文首先进行概述楚漆器特征提取识别的研究背景及意义，接着对现今常用的几种器型识别方法进行了分析总结，并对各方法优缺点进行分析，可以看出本文提及的漆器识别方法在复杂场景下的表现都不够理想。一方面，部分方法需要昂价设备进行特征精确化采集，另一方面，识别时对图像要求有一定限制，对遮挡损坏的漆器图片准确率低。虽然现有的方法对漆器识别达到了一定的成果，部分问题依旧存在，致使识别率仍处在一个不够理想的水平，这些问题值得后续继续研究。

对于现今的文物保护，单一的某种算法、某些算法已经不能很好地应对实际识别。一方面，文物漆器的图像资源应得到充分高质量的信息采集，另一方面，应当多维度地特征提取识别，综合权重来确定识别结果。

参考文献

[[1]] 张瑞瑞,周强,王莹,罗宏杰,张静,王芬. 基于机器视觉技术的古陶瓷器型三维还原算法[J].硅酸盐通报,2020,39(11):3655-3663.

[[2]]穆天红. 基于人工智能的古陶瓷器型和纹饰图像特征识别研究[D].陕西科技大学,2020.DOI:10.27290/d.cnki.gxbqc.2020.000011.

【基金项目】长江大学2021年度大学生创新创业训练计划项目（编号：Yz2021122）