面向古陶器断代识别的纹饰与器型特征提取方法研究.pdf

第 卷第期陕西科技大学学报V o l N o 年月J o u r n a l o fS h a a n x iU n i v e r s i t yo fS c i e n c e&T e c h n o l o g y A u g 文章编号:X()面向古陶器断代识别的纹饰与器型特征提取方法研究冯金牛,周强,张静,王莹,罗宏杰,(陕西科技大学 电气与控制工程学院,陕西 西安 ;陕西科技大学 硅酸盐质文化遗产研究院,陕西 西安 ;上海大学 材料科学与工程学院,上海 )摘要:针对于不同历史时期古陶瓷外观特征挖掘不足的现状,从器型和纹饰两个方向研究提取古代玉壶春瓶外观特征的方法,分别在建立玉壶春瓶轮廓模型的基础上精确提取器型特征,构建蕉叶纹纹饰的局部二值模式(L o c a lB i n a r yP a t t e r n,L B P)和方向梯度直方图(H i s t o g r a mo fO r i e n t e dG r a d i e n t,HO G)等纹饰特征,并通过器型、纹饰特征的广义回归神经网络(G e n e r a l i z e dR e g r e s s i o nN e u r a lN e t w o r k,G R NN)融合模型实现元明清三个时期玉壶春瓶的辨识实验表明:本方法不仅能够准确提取古陶瓷具有代表性的器型和纹饰特征,发掘其外观随时代演变的一般规律,并且能够利用器型和纹饰特征准确判断玉壶春瓶的朝代,辅助古陶瓷文物的研究和数字化保护工作关键词:玉壶春瓶;元明清时期;纹饰特征;器型特征;信息融合;G R NN中图分类号:T P 文献标志码:AR e s e a r c ho ne x t r a c t i o nm e t h o do f e m b l a z o n r ya n dv e s s e l t y p ef e a t u r e s f o ra n c i e n tp o t t e r yd a t i n gr e c o g n i t i o nF E NGJ i n n i u,Z HOU Q i a n g,Z HANGJ i n g,WANGY i n g,L UO H o n g j i e,(S c h o o l o fE l e c t r i c a l a n dC o n t r o lE n g i n e e r i n g,S h a a n x iU n i v e r s i t yo fS c i e n c e&T e c h n o l o g y,X i a n ,C h i n a;R e s e a r c hI n s t i t u t eo fS i l i c a t eC u l t u r a lH e r i t a g e,S h a a n x iU n i v e r s i t yo fS c i e n c e&T e c h n o l o g y,X i a n ,C h i n a;S c h o o l o fM a t e r i a l S c i e n c e a n dE n g i n e e r i n g,S h a n g h a iU n i v e r s i t y,S h a n g h a i ,C h i n a)A b s t r a c t:I nt h i sp a p e r,w e s t u d y t h em e t h o d so f e x t r a c t i n g t h ea p p e a r a n c e f e a t u r e so f a n c i e n tj a d ep o t sa n ds p r i n gv a s e sf r o mt w od i r e c t i o n s,i n c l u d i n gt h ea c c u r a t ee x t r a c t i o no fv e s s e ls h a p e f e a t u r e s,t h ec o n s t r u c t i o no fL o C a lB i n a r yP a t t e r n(L B P)a n dH i s t o g r a mo fO r i e n t e dG r a d i e n t(HO G)o fb a n a n al e a fo r n a m e n t a t i o nb a s e do nt h ee s t a b l i s h m e n to ft h ec o n t o u rm o d e l o f j a d ep o t sa n ds p r i n gv a s e s,r e s p e c t i v e l y T h em e t h o di sb a s e do nag e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r k(G R NN)f u s i o nm o d e l f o rt h e i d e n t i f i c a t i o no f j a d ev a s e sf r o mt h eY u a n,M i n ga n dQ i n gd y n a s t i e s T h ee x p e r i m e n t ss h o wt h a t t h i sm e t h o di sn o to n l ya b l et oa c c u r a t e l ye x t r a c tt h er e p r e s e n t a t i v ef e a t u r e so fa n c i e n tc e r a m i c s,b u ta l s ot od i s c o v e rt h e收稿日期:基金项目:国家重点研发计划项目(Y F C );陕西省科技厅科技计划项目(GY )作者简介:冯金牛(),男,陕西渭南人,在读硕士研究生,研究方向:图像处理、深度学习、古陶瓷鉴定通讯作者:周强(),男,重庆人,教授,博士,研究方向:古陶瓷鉴定、深度学习、智能控制,z h o u q i a n g s u s t e d u c n第期冯金牛等:面向古陶器断代识别的纹饰与器型特征提取方法研究g e n e r a lp a t t e r no f t h e e v o l u t i o no f t h e i r a p p e a r a n c eo v e r t i m e,a n d t oa c c u r a t e l yd e t e r m i n e t h ed y n a s t yo f t h e j a d ep o t s p r i n gv a s eu s i n g t h e f e a t u r e so f t h ev e s s e l t y p e a n dd e c o r a t i o n,w h i c hc a na s s i s t i nt h er e s e a r c ho f a n c i e n t c e r a m i c r e l i c s K e yw o r d s:j a d ep o ts p r i n gb o t t l e;Y u a n,M i n ga n d Q i n gd y n a s t i e s;d e c o r a t i v ef e a t u r e s;s h a p ec h a r a c t e r i s t i c s;i n f o r m a t i o nf u s i o n;G R NN引言中国古陶瓷历史悠久,文化内涵丰富随着现代社会经济的迅速发展,人们越来越倾向于收藏古陶瓷以提高审美及文化素养,同时艺术市场逐步走向资本市场,在巨大经济利益下的市场中,造假和虚假鉴定给收藏机构和个人造成很大的损失所以能对古陶瓷进行科学有效的鉴定是非常重要的最常用的古陶瓷鉴定方法有传统的经验鉴定和科学鉴定两种传统方法主要是靠“眼学”从纹饰、器型、釉色、款识、胎质等多方面信息量进行分析由于传统的鉴定方法缺少客观标准约束,易受主观判断因素的影响和利益驱使,难以做出正确判断为此,国内学者在古陶瓷科技鉴定方面开展了大量工作 ,借助先进仪器设备对陶瓷器的化学组成和晶相结构进行分析,但其中部分方法属于有损检测,且受限于仪器设备的测试条件和陶瓷器型的原因不能全部检测近年来结合“眼学”特征,利用数字化图像手段提取陶瓷外观特征,探索将陶瓷外观时代特征量化,为古陶瓷的科学鉴定提供了依据,已经取得了一些研究成果 但是对于陶瓷的器型和纹饰等外观特征的研究尚未深入,因此限制了这种新方法的辨识效果并使其驻足不前玉壶春瓶呈“S”型,且颈部和足部常环以蕉叶纹、回纹、卷草纹等,极具特色因此本文以玉壶春瓶为研究对象进行古陶器的器型和纹饰特征提取方法研究,利用相机拍摄的二维图像,首先对拍摄角 度 和 相 机 镜 头 造 成 畸 变 进 行 图 像 矫 正 预 处理,利用矫正后的图像,分别提取玉壶春瓶器型特征和纹饰特征其中器型特征的提取是建立在玉壶春瓶外部轮廓模型的基础上,构建瓶颈最小直径、腹部最大直径、瓶腹部最大直径高度与瓶高之比等器型特征量;而纹饰特征是从常见的玉壶春瓶辅助纹饰“蕉叶纹”图 像中,提 取 局 部 二 值 模 式(L B P)和梯度直方图(HO G)等纹饰特征其它常见的纹饰特征提取方法还包括基于G a b o r滤波器的纹饰特征提取、基于灰度共生矩阵(G L CM)的纹饰特征分析、基于马尔可夫随机场(MR F)的纹饰征提取、基于局部二值模型(L B P)的纹饰特征提取 等最后,采用粒子群优化算法优化光滑因子的广义回归神经网络(G e n e r a l i z e dR e g r e s s i o nN e u r a lN e t w o r k,G R NN)模型进行辨识实验验证:通过对这些能够准确反映玉壶春瓶时代演变规律的器型和纹饰特征的融合,可以有力地辅助古玉壶春瓶的时代鉴定玉壶春瓶特征提取及辨识总体框架本系统主要由图像预处理、图像特征提取和G R NN古陶瓷断代辨识模型组成,具体如图所示图像预处理主要包括图像增强、图像主视畸变校正及目标区域提取;图像特征提取包括古陶瓷器型和纹饰两个外观特征空间的多个关键特征的提取及最佳组合;最后,采用基于G R NN网络模型的多特征融合技术,实现古陶瓷图像的准确辨识图玉壶春瓶特征提取及辨识系统框图玉壶春瓶的器型和纹饰特征提取整个研究由图像预处理、图像特征提取和纹饰器型特征融合辨识三大部分组成 图像预处理因拍摄角度、灯光、设备等因素不同会导致拍摄图像存在模糊畸变等问题,对其进行预处理,过程如图所示首先进行增强图像边缘轮廓和纹饰以获得高清晰度图像及图像边缘轮廓然后进行图像畸变矫正预处理,还原准确真实的器型轮廓正视视角下图像最后进行目标图像区域提取陕西科技大学学报第 卷图古陶瓷图像预处理过程反锐化掩膜操作可以增强图像的高频成分,同时抑制低频成分,从而可以实现对图像的线条和边界区域等细节部分进行增强,突出陶瓷纹饰细节与器型边缘轮廓,提高边缘可辨识度反锐化掩膜算法的流程是,首先去掉原始图像I(x,y)中的高频成分,得到一个比较模糊的图像;再去掉图像的低频部分,然后通过对参数的调节从而可以控制图像高频部分的放大倍数;最后再与原始图像I(x,y)相加即可得到锐化后的图像F(x,y)由式()即可得到经反锐化掩膜变换后的增强图像:F(x,y)I(x,y)G(x,y)()G(x,y)I(x,y)IL(x,y)()式()中:I(x,y)为原始图像,为控制图像增强程度的系数,取值为,;式()中:IL(x,y)是原图像中的低频成分,G(x,y)为是高频成分反锐化掩膜处理使得图像的边缘轮廓及图案细节更清晰针对非正视拍摄角度下产生的图像畸变,借助三维物体的二维成像原理,通过分析二维图像信息与拍摄角度的几何关系,预测相机与拍摄对象的相对位置信息,利用玉壶春瓶旋转体器型轴对称性特征实现其主视校正,具体过程为:()古陶瓷图像廓线提取:利用边缘检测算子提取出 玉壶春瓶侧 边缘、瓶口 与下足底的 轮廓曲线()使用霍夫变换的椭圆轮廓检测算法,拟合顶部和底足椭圆模型()图像主视畸变校正:采用最小二乘法拟合出上瓶口、下足底的边界椭圆函数,再根据投影椭圆信息推算出图像的拍摄角度(相机与水平方向之间的夹角):a r c c o sab()式()中:a、b分别为拟合椭圆的长、短半轴长度同理估计玉壶春瓶身每一水平截面的成像角度i,则成像投影图像的尺寸I(x,y)与原图像尺寸I(x,y)存在以下关系:I(x,y)I(x,y)c o si()由公式()即可得到校正后的玉壶春瓶正视图图像I(x,y)玉壶春瓶器型特征提取器型结构是鉴定古陶瓷的关键因素之一,提取器型特征方法如下为提取玉壶春瓶图像的完整边缘轮廓信息,采用基于最小二乘法的多项式拟合方法构建侧边缘轮廓线的器型函数首先将侧边缘轮廓曲线尺寸等高划分为m份,然后把m组坐标数据作为原始数据,根据原始数据获得最佳拟合曲线,即可得:m i nP(x)Emip(xi)yi()式()中P(x)即为最佳的拟合函数根据古陶瓷侧边缘拟合的曲线函数,结合古陶瓷的造型特点,从中选取一些较为明显并且可以反映整个轮廓的特征进行研究,而决定玉壶春侧边缘显“S”形状的主要因素即为瓶颈、腹部的尺寸,同时瓶颈最小处以及其分布在瓶体的高度位置和瓶腹部最大处以及其分布在瓶体的高度位置也是决定形状的主要因素对古陶瓷边缘拟合曲线函数求导,倒数为时恰巧为拐点处,也就是古陶瓷器型的瓶颈最小和腹部最大处玉壶春瓶口处曲线变化也比较明显因此初步构建古陶瓷器物的一些特征量为:玉壶春瓶底足的直径Db、玉壶春瓶瓶口的直径Dt、玉壶春瓶的高度H、玉壶春瓶颈部的最小半径m i nRt、玉壶春瓶腹部的最大半径m a xRb、玉壶春瓶半径最小颈部处的瓶身高度Hm i nR、玉壶春瓶半径最大腹部处的瓶身高度Hm a xR、以及玉壶春瓶最小半径m i nRt和腹部最大半径m a xRb的比等本实验数据均来自于台北故宫博物馆、故宫博物馆及各大博物馆官网的馆藏图像资料,以官方给出的瓶高、瓶口直径、底足直径为标准 玉壶春瓶纹饰特征提取玉壶春瓶的纹饰时代特征主要集中在蕉叶纹图案中,蕉叶纹作为辅助纹饰位于颈肩部或是下腹部位置为了得到蕉叶纹纹饰特征,首先对图像进第期冯金牛等:面向古陶器断代识别的纹饰与器型特征提取方法研究行灰度化处理、然后再使用感兴趣区域(R e g i o no fI n t e r e s t,R O I)检测技术来获取蕉叶纹区域,然后再进行归一化等操作,最后对其纹饰特征进行提取,针对于古陶瓷纹饰分析的特殊性以及复杂性,结合蕉叶纹图案的形状特点,其排列形式、叶层数、叶缘、叶脉在各个时代均具有较明显的特色,在视觉上有很醒目的对比效果,在研究纹饰特征时发现,L B P可以用以提取细腻的纹饰特征,作为一种像素层级的纹理特征,具有较高的特征鉴别能力,可以用来提取蕉叶纹图像纹饰特征;另外,梯度直方图(HO G)在描述纹饰边缘形状信息上效果比较好,可以将蕉叶纹的叶缘、叶脉、叶尖处的信息提取出来,因此本文以图像的L B P和HO G构建纹饰的特征向量L B P特征提取方法具有旋转和灰度不变性特点,该算子可以用来描述图像的局部纹理特征,通过对比可以发现L B P更加适合处理纹饰,L B P特征图谱可以将蕉叶纹的细节特征体现出来,如:叶脉纹路、叶尖和边缘等特征因此使用该算子来处理蕉叶纹纹饰,本文L B P特征提取过程:先取一个大小的纹理单元C,然后选取该纹理单元的阈值ic,ic是该单元中心像素点的灰度值,将其与周围几个像素点相比,若小于,则将小于的像素点设为,反之为,经过这些步骤之后就会得到一个位的二进制数,然后需要将这个位的二进制数转化为十进制数,这样便得到了蕉叶纹纹饰的L B P编码,如图所示,其中、最多只经过一次跳变图L B P特征提取其数学表达式可描述为:L B P(xc,yc)p pps(ipic)()式()中:(xc,yc)为纹饰单元的中心像素点的坐标,p为中心像素点邻域的第p个像素点,而ip则为邻域像素点的像素灰度值,ic则为中心像素点的灰度值,s(x)为符号函数如式()所示:s(x),x,x()对于HO G特征提取方法,一般来说,图像的拐角和边缘相比平坦区域梯度幅值更大,并且会包含更多物体形状信息由于蕉叶纹图像的边界形状及角点包含很重要的信息因此本文利用HO G表征蕉叶纹局部区域边缘形状信息,特征提取过程为:()划分子区域先对图像进行区域分割,以提取更细致地纹饰信息先将其按单元划分,一个单元为个像素点,然后将其分为块,一个块由个单元以组成,其大小为 ,图像将被划分为m个小b l o c k,记为Rj(j,m)()梯度强度G(x,y)以及梯度方向(x,y)的计算G(x,y)Gx(x,y)Gy(x,y)()(x,y)a r g t a nGy(x,y)Gx(x,y),)o r,)()在,)的梯度方向上均匀的以每 来划分生成个区间(b i n)()直方图特征的构建首先根据该像素点的梯度大小和方向来计算HO G,每一个单元的梯度信息都会得到一个维的特征向量,每一个块的梯度信息得到一个 维的特征向量,将直方图的每个b i n按照梯度值大小进行加权投影,就会得到该图像的每个小区域的HO G特征,如式()所示:HGjRJckVk(x,y)j,m()式()中:ck表示投影权重的系数,Vk(x,y)是每一个像素点(x,y)在其所在分量区间的幅值,其表示为:Vk(x,y)G(x,y)(x,y)b i nk(x,y)b i nkk()图像的HO G特征向量由每个块的特征向量进行级联,可以表示为HGH,H,Hm 纹饰、器型特征融合辨识对提取的玉壶春瓶器型和纹饰的特征进行信息融合和辨识,可用于鉴定古代玉壶春瓶的时代使用广义回归神经网络(G R NN)来对其进行辨识G R NN有很强的非线性能力和容错性 并且对于小样本问题具有比较好的预测效果因此可用于玉壶春瓶根据器型和纹饰特征的融合和时代辨识G R NN网络是一个以模式层、求和层作为隐含层的四层网络,其结构如图所示陕西科技大学学报第 卷图G R NN古陶瓷辨识模型第一层是器型及纹饰特征量的输入层,将 节和 节中提取到的两类特征量作为G R NN的输入第二层为模式层,与输入层全连接Pie x p(XXi)T(XXi)i,n()式()中:X表示模型的输入变量;Xi表示该模型第i个神经元的核函数中的中心矢量,则表示光滑因子第三层为加和层,有两个神经元如下是这两类神经元的传递函数,式()是对所有神经元的输出进行算术求和,式()则是对所有的模式层神经元进行加权求和SDniPi()SNniyiPi()式()中:yi表示第二层的第i个神经元与第三层神经元间的权重第四层网络为该辨识器的输出层,其输出为:ySNSD()G R NN网络的节点数目、激活函数都随样本的输入而确定,而光滑因子的取值大小则会对预测结果有很大影响的取值如果过大过小时,都会产生不好的预测结果,过大时则网络的预测效果比较差,过小时则网络会产生过拟合为了得到比较满意的光滑因子,使网络模型的输出与估计之间误差减小到最小光滑因子的选择常用经验试探法、交叉验证法等,经过多次调整,不断循环得到最优参数,使得网络精度和效率受到制约因 此 本 文 利 用 粒 子 群 优 化 算 法(P a r t i c l eS w a r mO p t i m i z a t i o n,P S O)获得最优的光滑因子P S O具有较好的寻优特性,该算法是一种基于种群的随机优化技术,模拟昆虫、兽群、鸟群和鱼群等的群集行为,群体中的每个成员通过学习它自身的经验和其它成员的经验来不断改变其搜索模式,利 用 位 置、速 度 等 属 性 能 够 找 到 全 局 最优解dm i nyiyiF()式()中:d为优化目标,通过对参数的寻优,使得d最小化可用Xi(xi,xi,xi d)表示粒子i,Pb e s t表示在搜索空间中所经过的最优位置,gb e s t表示所有粒子搜索到的最优位置粒子i的搜索过程可用公式表示为:vki d vki dcr(Pb e s txki d)cr(gb e s txki d)()xki dxki dvki d()式()中:表示惯性权重,c、c分别表示个体、群体学习因子,k为迭代次数,r、r则为,内的任意随机数,可以增加搜索的随机性利用公式()、()不断迭代优化,获得最优粒子 玉壶春瓶器型及纹饰特征实验及结果分析 实验方法在 节中初步构建了玉壶春瓶的个器型特征,均数字化描述了玉壶春瓶的器型结构,但是对于玉壶春瓶的断代辨识具有不同的区分效果,因此对这些特征量进行分类性能的评估,最终确定瓶口直径Dt、瓶颈最小半径m i nRt、瓶颈最小半径处瓶高Hm i nR、瓶腹最大半径m a xRb及瓶底直径Db等个分类效果明显的显式特征量,将玉壶春瓶器型结构特征向量表示为:fs t r u c t u r eDt,m i nRt,Hm i nR,m a xRb,Db()在 节中提取出了L B P和HO G两种隐式纹饰特征,可描述为:fp a t t e r nfL B P,fH O G()图为玉壶春瓶特征量智能化分析的流程首先提取每幅图像的特征向量fs t r u c t u r e和fp a t t e r n,并将其输入到G R NN网络模型中进行玉壶春瓶特征量智能化断代分析 G R NN模型则输出断代的结果结果以数字表示,“”为元、“”为明、“”为清随机抽取样本中 幅作为训练样本,另外 幅作为测试集样本,训练样本集对玉壶春瓶断代模型进行训练,并利用粒子群优化算法对光滑因子进行寻优,再根据最优光滑因子构造G R NN网络实现古代玉壶春瓶的年代预测第期冯金牛等:面向古陶器断代识别的纹饰与器型特征提取方法研究图玉壶春瓶特征提取及辨识系统模型 实验结果与分析根据以上实验,本文对玉壶春瓶的器型及纹饰特征分别进行辨识能力的评估和分析,验证本文方法的断代辨识效果对 中选择的玉壶春瓶个特征量的区分度性能进行分析图为五个器型特征量的不同时代差异分布图图为玉壶春瓶的个器型特征量分布图,其横坐标表示玉壶春瓶的数量,纵坐标表示器型特征量归一化后的值(单位:mm)本实验以玉壶春瓶的高度做为标准“”,设其高度均为 mm,分别对特征量尺寸做归一化处理,得到各特征量对应的值在图(a)、(c)、(d)中,三种特征量在元、明、清三时期的差异明显,能够用于区分元、明、清三朝代的玉壶春瓶;从图(b)可见明代玉壶春瓶瓶口直径较小,图(e)显示元代玉壶春瓶颈部最小半径处瓶高最小,这两种特征分别能够将明、元两朝代的玉壶春区分出来因此,多种特征量相结合有助于提高断代方法的辨识能力另外,由图所示各种特征的差异也能发现玉壶春瓶的器型发展规律,虽然标签信息完整的古陶瓷图像稀缺,且博物馆陈列展览的古陶瓷数量有限,古陶瓷图像样本集无法完全覆盖文物的各时代特征,但根据本文方法仍可以发现玉壶春瓶一般性的外观演变规律为:()元代玉壶春瓶底足相对较小,颈部最小半径最小,即颈部较细,且颈部最小半径处瓶高也最小()明代玉壶春瓶尺寸较大,整体造型比较圆润、丰硕,瓶口直径相比元代则较小()而发展至清代,玉壶春瓶的造型变化不是很大,腹部呈现更浑圆的状态陕西科技大学学报第 卷图器型特征量不同时代分布图为验证纹饰特征量的断代有效性,对L B P和HO G两种特征图谱的统计直方图进行对比分析,其结果如图所示本文使用大小的窗口对 大小的图像进行划分,提取出其L B P特征向量维数为 维,然后对其进行降维处理以减少其高纬度信息的冗余度,最后得到图像的 维L B P特征向量如图(a)所示,且每幅图像提取到HO G特征 个如图(b)所示从图可以看出,这些特征具有很明显的差异,具有较好的时代区分能力,因此这两个特征可以作为古陶瓷断代分类的依据从图所示的两种特征分布图都可以看出,绿色的信息明显少于其他两种颜色,即元代的蕉叶纹纹饰的L B P和HO G特征量都小于其他两朝代由此看出元代相比明、清两朝代的蕉叶纹饰纹饰线条稀疏、简单元代瓷器事实上也是纹饰简单,叶片自成单元随着时代的发展,瓷器上的蕉叶纹饰也变得复杂,叶层数也有所增加根据图所示结果,可以得到并且验证元、明、清各代蕉叶纹的发展规律,纹饰复杂度增加,排列形式愈加紧密图元、明、清三代古陶瓷器蕉叶纹纹饰的L B P、HO G特征分布图为验证本文提出的玉壶春瓶器型和纹饰两类特征提取技术的可行性和有效性,进行实验研究本文实验所用古陶瓷图像数据来自于台北故宫博物馆、故宫博物馆及各大博物馆官网的馆藏图像资料,总共搜集到元、明、清三个朝代玉壶春瓶 幅,每朝代各、幅从中任取 幅作为训练样本,幅作为测试样本在断代分类识别时,以古陶瓷器型、纹饰融合特征作为分类器的输入量,本文分别构造了B P神经网络、支持向量机(S VM)、广义回归神经网络第期冯金牛等:面向古陶器断代识别的纹饰与器型特征提取方法研究(G R NN)以及径向基神经网络(R B F)对古陶瓷进行断代辨识,其统计结果如表所示表基于不同分类器的古陶瓷断代识别结果对比准确率/平均耗时/sB P S VM R B F G R NN 从表可见,G R NN辨识模型对古陶瓷的断代辨识准确率最好,且辨识速度较快另外,为验证器型、纹饰特征融合技术的古陶瓷断代辨识有效性,本文设计了对比实验,并均以G R NN模型作为分类器完成识别,从表所示的结果可以看出,特征融合的辨识结果明显高于单类特征量的识别效果,反映出古陶瓷时代鉴别是一个高维特征辨识过程,同时也证明了器型和纹饰两类特征的独立性表单特征量与融合特征的古陶瓷识别结果对比特征量识别准确率/平均耗时/s单一纹饰特征 单一器型特征 纹饰器型融合特征 结论本文在对古玉壶春瓶进行研究的基础上,探索从玉壶春图像中提取器型和纹饰特征方法,并将这两类外观特征进行信息融合以实现古玉壶春瓶的朝代辨识仿真实验结果表明:在小样本条件下,本文所提取的器型特征和纹饰特征比较准确,能够实现对元、明、清三朝代的玉壶春瓶的高精度分类同时也可以根据对这些玉壶春瓶的特征量的分析得到一些变化规律,从而对古陶瓷的辨识鉴定有一定的参考价值参考文献律海明浅析古陶瓷的几种鉴定方法J文物鉴定与鉴赏,():王浩古陶瓷鉴定方法简述J文物鉴定与鉴赏,():尹丽不同数据处理方法在古陶瓷断源断代研究中的对比分析D景德镇:景德镇陶瓷学院,王继伟文物科技鉴定的基本原理及应用J文物鉴定与鉴赏,():吴旭东,冯璐远,刘剑,等智能算法在古陶瓷文物鉴定中的应用J内江科技,():刘有延,罗荫权热释光方法在古陶瓷鉴定中的应用J物理,():李净,管业鹏,李伟东,等基于多波段漫反射光谱古陶瓷窑口无损鉴定J光谱学与光谱分析,():吴隽,熊露,唐敏,等古瓷类文物器型结构的数字化特征鉴定J中国科学:技术科学,():罗宏杰,杨云,王芬,等不同历史时期耀州窑碗器型结构特征之研究J中国陶瓷工业,():陆军中国古陶瓷饰纹发展史论纲D北京:中国艺术研究院,张瑞瑞,周强,王莹,等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,():李云峰,张澎悦基于G L CM和G a b o r纹理特征的手势识别算法J计算机应用与软件,():赵若晴,王慧琴,王可,等基于HO G和G L CM混合特征的青铜器金文图像识别J激光与光电子学进展,():雷扬博,黄勋,王阳阳,等马尔可夫随机场在纸病检测中的应用研究J中国造纸,():孙伟,赵玉普增强旋转不变L B P算法及其在图像检索中的应用J计算机科学,():刘艳莉,桂志国,张权,等基于局部梯度和复杂度的反锐化掩膜 法 J仪 器 仪 表 学 报,():范日召基于反锐化掩膜的红外图像增强算法研究D长 春:中 国 科 学 院 长 春 光 学 精 密 机 械 与 物 理 研 究所,L i n gD i n g,P r a s a dR a n g a r j u,Am i rP o u r s a e e A p p l i c a t i o no fg e n e r a l i z e dr e g r e s s i o nn e u r a l n e t w o r km e t h o d f o r c o r r o s i o nm o d e l i n go fs t e e le m b e d d e di ns o i lJ S o i l sa n dF o u n d a t i o n s,():【责任编辑:陈佳】