本發(fā)明屬于計(jì)算機(jī)視覺，具體涉及到山水畫的真?zhèn)舞b別方法。

背景技術(shù)：

0、技術(shù)背景

1、山水畫作為中國傳統(tǒng)繪畫藝術(shù)的重要形式之一，歷史悠久，具有深厚的文化內(nèi)涵。中國山水畫能夠被視為水墨以及線的完美結(jié)合，其主要追求的是韻味，筆墨和章法，在構(gòu)圖上以散點(diǎn)透視為主，尤其以筆墨為重。在技法上，它講究用筆上的種種變化，如用筆時(shí)的輕重、剛?cè)帷⒎綀A、粗細(xì)等多種多樣、豐富的變化模式。畫中的山石、水流、樹木等自然元素的紋理表現(xiàn)通常更加細(xì)致和復(fù)雜。畫家通過運(yùn)用點(diǎn)畫、勾勒、潑墨等技法，描繪出山石的裂紋、水流的波瀾、樹木的紋理等細(xì)節(jié)，使畫面更加生動(dòng)和具有質(zhì)感。

2、隨著山水畫市場的繁榮和價(jià)值的不斷提升，假冒偽劣山水畫的泛濫情況日益嚴(yán)重。目前，市場上存在著大量偽造的山水畫作品，給收藏者和鑒賞者帶來了巨大的經(jīng)濟(jì)損失和精神困擾。因此，開發(fā)一種準(zhǔn)確可靠的山水畫真?zhèn)舞b別方法具有重要的意義。

3、目前，對(duì)于山水畫真?zhèn)舞b別的方法主要依賴于藝術(shù)鑒賞家的經(jīng)驗(yàn)和直覺，或者通過傳統(tǒng)的人工觀察和檢測手段進(jìn)行判斷。這些方法受主觀因素影響較大，且容易被高水平的偽造者欺騙。同時(shí)，傳統(tǒng)的人工觀察手段往往耗時(shí)費(fèi)力，且難以對(duì)復(fù)雜的山水畫進(jìn)行全面準(zhǔn)確的鑒別。

4、基于以上現(xiàn)狀，在山水畫風(fēng)格遷移技術(shù)領(lǐng)域，當(dāng)前需迫切解決的技術(shù)問題是開發(fā)一種客觀準(zhǔn)確的鑒別方法，通過結(jié)合先進(jìn)的技術(shù)手段和科學(xué)方法，提高對(duì)山水畫真?zhèn)蔚蔫b別能力，為市場和收藏領(lǐng)域提供更可靠的保障。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于克服上述現(xiàn)有技術(shù)問題的缺點(diǎn)，提供一種信息多樣化、鑒別效率高、鑒別速度快的基于多尺度特征融合的山水畫真?zhèn)舞b別方法。

2、解決上述技術(shù)問題所采用的技術(shù)方案是由下述步驟組成：

3、(1)建立山水畫真?zhèn)螖?shù)據(jù)集

4、選取山水畫圖像真品、仿作品作為數(shù)據(jù)集，將數(shù)據(jù)集按7：3劃分為訓(xùn)練集和測試集。

5、(2)數(shù)據(jù)集預(yù)處理

6、去除山水畫圖像中大面積空白部分，保留山水畫圖像主體內(nèi)容，調(diào)整為512×512像素圖像，保存為jpg格式并對(duì)山水畫圖像進(jìn)行真?zhèn)稳斯?biāo)注。

7、(3)構(gòu)建山水畫真?zhèn)舞b別網(wǎng)絡(luò)

8、山水畫真?zhèn)舞b別網(wǎng)絡(luò)由特征提取模塊與特征融合模塊、真?zhèn)舞b別模塊依次串聯(lián)構(gòu)成。

9、所述的特征提取模塊由預(yù)處理模塊、殘差塊組1、殘差塊組2、注意模塊1連接構(gòu)成，預(yù)處理模塊與殘差塊組1串聯(lián)，殘差塊組1的輸出端分別與殘差塊組2、注意力模塊1的輸入端相連，注意力模塊1為cbam注意力機(jī)制；所述的預(yù)處理模塊由卷積層1、池化層1依次串聯(lián)構(gòu)成；所述的殘差塊組1由殘差塊1-1與殘差塊2-1、殘差塊2-2、殘差塊1-2、殘差塊2-3、殘差塊2-4、殘差塊2-5依次串聯(lián)構(gòu)成；所述的殘差塊組2由殘差塊1-3與殘差塊2-6、殘差塊2-7、殘差塊2-8、殘差塊2-9、殘差塊2-10依次串聯(lián)構(gòu)成。

10、所述的特征融合模塊由上采樣層與拼接層1串聯(lián)構(gòu)成。

11、所述的真?zhèn)舞b別模塊由注意力模塊2與池化層2、展開層、全連接層、softmax層1依次串聯(lián)構(gòu)成。

12、(4)訓(xùn)練山水畫真?zhèn)舞b別網(wǎng)絡(luò)

13、1)確定目標(biāo)函數(shù)

14、目標(biāo)函數(shù)包括損失函數(shù)l、評(píng)價(jià)函數(shù)acc、評(píng)價(jià)函數(shù)f1，按下式確定損失函數(shù)l：

15、l＝-(ylogpi+(1-y)log(1-pi))

16、

17、其中，i、c均表示樣本的真?zhèn)晤悇e，即真品與非真品，y表示目標(biāo)類或非目標(biāo)類，目標(biāo)類y取值為0，非目標(biāo)類y取值為1，pi為模型對(duì)第i個(gè)真?zhèn)晤悇e的預(yù)測概率，zi表示模型對(duì)第i個(gè)真?zhèn)晤悇e的預(yù)測得分，zc表示模型對(duì)第c個(gè)類別的預(yù)測得分。

18、按下式確定評(píng)價(jià)函數(shù)acc：

19、

20、其中，tp表示正例預(yù)測正確的個(gè)數(shù)，fp表示負(fù)例預(yù)測錯(cuò)誤的個(gè)數(shù)，tn表示負(fù)例預(yù)測正確的個(gè)數(shù)，fn表示正例預(yù)測錯(cuò)誤的個(gè)數(shù)，tp與fp、tn、fn的和為總的樣本數(shù)，tp與tn的和為預(yù)測正確的樣本數(shù)，tp,fp,tn,fn∈n,n為有限的正整數(shù)，且tp,fp,tn,fn不同時(shí)為0。

21、按下式確定評(píng)價(jià)函數(shù)f1：

22、

23、其中，p是精準(zhǔn)率，r是召回率，且tp,fp,tn,fn不同時(shí)為0。

24、2)訓(xùn)練山水畫真?zhèn)舞b別網(wǎng)絡(luò)

25、將訓(xùn)練集輸入到真?zhèn)舞b別網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，初始學(xué)習(xí)率設(shè)為0.001，訓(xùn)練輪數(shù)為100，每輪訓(xùn)練的批量大小為8，迭代至損失函數(shù)收斂，在訓(xùn)練真?zhèn)舞b別網(wǎng)絡(luò)過程中，不斷更新權(quán)重，保存權(quán)重文件。

26、(5)測試山水畫真?zhèn)舞b別網(wǎng)絡(luò)

27、將測試集輸入到訓(xùn)練好的山水畫真?zhèn)舞b別網(wǎng)絡(luò)中進(jìn)行測試，加載保存的權(quán)重文件，得到山水畫的真?zhèn)舞b別結(jié)果。

28、在本發(fā)明的步驟(3)構(gòu)建山水畫真?zhèn)舞b別網(wǎng)絡(luò)中，所述的殘差塊1-1由卷積層2、relu激活函數(shù)層1、卷積層3、relu激活函數(shù)層2、卷積層4、relu激活函數(shù)層3、卷積層5連接構(gòu)成，卷積層2與relu激活函數(shù)層1、卷積層3、relu激活函數(shù)層2、卷積層4、relu激活函數(shù)層3依次串聯(lián)，卷積層5的輸入端與卷積層2的輸入端相連、輸出端與relu激活函數(shù)層3的輸入端相連；卷積層2、卷積層5的卷積核大小為1×1步長為2；卷積層4的卷積核大小為1×1步長為1；卷積層3的卷積核大小為3×3步長為1。

29、所述的殘差塊1-2、殘差塊1-3的結(jié)構(gòu)與殘差塊1-1的結(jié)構(gòu)相同。

30、在本發(fā)明的步驟(3)構(gòu)建山水畫真?zhèn)舞b別網(wǎng)絡(luò)中，所述的殘差塊2-1由卷積層6、relu激活函數(shù)層4、卷積層7、relu激活函數(shù)層5、卷積層8、relu激活函數(shù)層6連接構(gòu)成，卷積層6與relu激活函數(shù)層4、卷積層7、relu激活函數(shù)層5、卷積層8、relu激活函數(shù)層6依次串聯(lián)，卷積層6的輸入端與relu激活函數(shù)層6的另一輸入端相連；卷積層6、卷積層8的卷積核大小為1×1步長為1；卷積層7的卷積核大小為3×3步長為1。殘差塊2-2、殘差塊2-3、殘差塊2-4、殘差塊2-5、殘差塊2-6、殘差塊2-7、殘差塊2-8、殘差塊2-9、殘差塊2-10的結(jié)構(gòu)與殘差塊2-1的結(jié)構(gòu)相同。

31、在本發(fā)明的步驟(3)構(gòu)建山水畫真?zhèn)舞b別網(wǎng)絡(luò)中，所述的注意力模塊2由位置感知模塊、注意力聚合模塊、交互層1、交互層2、權(quán)重調(diào)整層、特征強(qiáng)化模塊連接構(gòu)成；位置感知模塊與注意力聚合模塊、交互層1、交互層2、權(quán)重調(diào)整層依次串聯(lián)，特征強(qiáng)化模塊的一輸出端與交互層1相連、另一輸出端與交互層2相連。

32、本發(fā)明的位置感知模塊由池化層3和池化層4的輸出端分別與拼接層2相連。

33、本發(fā)明的注意力聚合模塊由卷積層9與歸一化層、池化層5、softmax層2依次串聯(lián)構(gòu)成，卷積層9的卷積核大小為1×1步長為1。

34、本發(fā)明的特征強(qiáng)化模塊由空洞卷積層與池化層6、卷積層10、卷積層11、softmax層3依次串聯(lián)，空洞卷積層的一輸出端與交互層1的另一輸入端相連，softmax層3的輸出端與交互層2的另一輸入端相連構(gòu)成。卷積層10、卷積層11的卷積核大小為1×1步長為1?？斩淳矸e層的卷積核大小為3×3步長為1間隔為1。

35、由于本發(fā)明的山水畫真?zhèn)舞b別網(wǎng)絡(luò)采用了特征提取模塊，解決了現(xiàn)有技術(shù)的山水畫圖像特征提取豐富度不足，在處理復(fù)雜山水畫過程中無法充分捕捉畫作中細(xì)節(jié)信息的技術(shù)問題，能夠?qū)S度特征充分捕捉；采用了特征融合模塊，解決了現(xiàn)有技術(shù)的特征信息孤立處理技術(shù)問題，提升鑒別網(wǎng)絡(luò)魯棒性與泛化能力；采用了真?zhèn)舞b別模塊，解決了現(xiàn)有技術(shù)對(duì)山水畫中筆觸、墨色變化和紋理等細(xì)節(jié)特征聚焦不足，導(dǎo)致鑒別效果不佳的技術(shù)問題，提高了鑒別準(zhǔn)確率和效率。本發(fā)明與現(xiàn)有技術(shù)相比，具有特征提取效率高，鑒別準(zhǔn)確性高等優(yōu)點(diǎn)，可用于山水畫的真?zhèn)舞b別。