利用图像熵和复杂网络的中国画分类方法

发布时间：2018-01-20 08:44

  本文关键词： 图像处理 图像分析 纹理特征 复杂网络 图像熵　出处：《激光与光电子学进展》2017年02期 　论文类型：期刊论文

【摘要】：与以题款印鉴为主要依据的人工分类方法不同,采用图像内容特征作为计算机分类的信息来源,是数字化中国画管理的重要工作。针对数字化中国画存在的各种不规范问题和已有特征提取算法的一些不足,提出了基于图像熵的分块筛选方法,与复杂网络理论相结合来提取中国画的纹理特征,并使用支持向量机进行分类。实验结果表明,该方法能有效地提取中国画纹理特征并进行分类,且在图像不规范的情况下依然有较好的表现。
[Abstract]:Different from the manual classification method based on the seal, the image content feature is used as the information source of the computer classification. It is an important work of digital Chinese painting management. Aiming at the various nonstandard problems existing in digital Chinese painting and some shortcomings of existing feature extraction algorithms, this paper proposes a block selection method based on image entropy. Combining with the complex network theory to extract the texture features of Chinese painting and use support vector machine to classify. Experimental results show that this method can effectively extract and classify texture features of Chinese painting. And in the case of non-standard image still has a better performance.
【作者单位】： 西安建筑科技大学信息与控制工程学院;
【基金】：陕西省自然科学基础研究基金面上项目(2014JM8343)
【分类号】：J212;TP391.41
【正文快照】： 中国画是我国艺术和文化的重要表现形式。目前,数字化对其保存和传播具有极其重要的意义。数字化管理的重要环节是根据作者信息对中国画进行分类。随着计算机图像处理和图像识别技术的发展,越来越多的研究者利用图像特征和纹理分析来进行图像分类。常见的图像特征包括灰度特征

【参考文献】

相关期刊论文 前8条

1 孙亮;王双庆;邢建春;;一种基于自适应阈值的改进MIC算法[J];微电子学与计算机;2015年05期

2 郭鹏宇;苏昂;张红良;张小虎;于起峰;;结合纹理和形状特征的在线混合随机朴素贝叶斯视觉跟踪器[J];光学学报;2015年03期

3 盛家川;;基于小波变换的国画特征提取及分类[J];计算机科学;2014年02期

4 张炜;刘伟;普杰信;;一种基于SIFT和区域选择的图像拼接方法[J];微电子学与计算机;2010年06期

5 聂仁灿;周冬明;赵东风;;基于Unit-Linking PCNN和图像熵的图像分割新方法[J];系统仿真学报;2008年01期

6 关晓惠;潘纲;吴朝晖;吴敢;;计算机辅助的国画真伪鉴别研究[J];计算机应用与软件;2007年04期

7 陆伟;倪林;;利用颜色和熵提取感兴趣区域的感性图像检索[J];中国图象图形学报;2006年04期

8 薄华;马缚龙;焦李成;;图像纹理的灰度共生矩阵计算问题的分析[J];电子学报;2006年01期

【共引文献】

相关期刊论文 前10条

1 张慧娜;李裕梅;傅莺莺;;基于Haar-CNN模型的自然场景图像分类的研究[J];四川师范大学学报(自然科学版);2017年01期

2 徐岩;韦镇余;;一种改进的交通标志图像识别算法[J];激光与光电子学进展;2017年02期

3 蔡荣太;朱鹏;;基于马尔科夫随机场的多特征人脸跟踪算法[J];激光与光电子学进展;2017年02期

4 王民;王羽笙;刘涛;胡毅;肖磊;;利用图像熵和复杂网络的中国画分类方法[J];激光与光电子学进展;2017年02期

5 王洋;李俊;;基于ASM的改进型人脸特征点定位方法[J];桂林电子科技大学学报;2016年06期

6 谢永华;范文晓;;基于多尺度空间子带共生矩描述子的花粉图像特征提取方法研究[J];科学技术与工程;2016年34期

7 冯筠;刘飞鸿;李盼;卜起荣;王红玉;;基于格式塔认知框架的腹腔CT多目标分割算法[J];北京邮电大学学报;2016年05期

8 栾书鹏;;基于图块和二阶统计特征的行人检测[J];电子设计工程;2016年20期

9 黄杰;王光辉;胡高强;杨化超;;高分辨率彩色遥感影像变化检测方法研究[J];测绘通报;2016年08期

10 Qian Wang;Jiuling Du;Na Li;;Robust description and recognition of various viewpoint dynamic textures[J];Journal of Systems Engineering and Electronics;2016年04期

【二级参考文献】

相关期刊论文 前10条

1 赵洁;;联合Harris特征点与Hu不变矩的图像区域复制篡改盲取证[J];微电子学与计算机;2013年11期

2 王蒙;戴亚平;;基于FAST角点检测的局部鲁棒特征[J];北京理工大学学报;2013年10期

3 丁尤蓉;王敬东;邱玉娇;俞海波;;基于自适应阈值的FAST特征点提取算法[J];指挥控制与仿真;2013年02期

4 肖得胜;刘桂华;;多尺度Harris角点检测的FPGA实现[J];通信技术;2012年11期

5 夏桂华;李志纲;;基于MIC角点检测的改进算法[J];应用科技;2011年09期

6 夏嵬;鲁宏伟;谢长生;赵小厦;;基于改进的不变质心和小波域的鲁棒数字图像水印方法[J];计算机科学;2011年04期

7 张炜;刘伟;普杰信;;一种基于SIFT和区域选择的图像拼接方法[J];微电子学与计算机;2010年06期

8 张辉;赵保军;唐林波;李建科;;基于自适应多特征整合的红外目标跟踪[J];光学学报;2010年05期

9 龚平;刘相滨;周鹏;;一种改进的Harris角点检测算法[J];计算机工程与应用;2010年11期

10 杨婷;陈家新;黎蔚;庄玉册;;一种基于提升小波的自适应SUSAN角点检测算法[J];微电子学与计算机;2009年07期

【相似文献】

相关硕士学位论文 前1条

1 曹霞;肌肉疲劳过程中超声图像熵特性[D];陕西师范大学;2014年

，

本文编号：1447590