文摘
本文深入研究和分析图像特征提取技术的古陶瓷鉴定使用偏微分方程的算法。古陶瓷的图像特征是密切相关的特定的原料选择和工艺技术,并完成收购古陶瓷的图像特征是一个先决条件实现图像特性鉴定古陶瓷,自area-grown古代陶瓷图像特征提取方法提取质量密切相关的背景像素和没有普遍性。在本文中,我们提出一个基于深度学习提取方法,使用了深度学习支持平台,提取和验证5834的272种古代陶瓷窑,灰绿色,和越窑后手动标签和培训学习,和结果表明,平均完成萃取率高于99%。深度学习的实现方法的总结和与传统区域生长提取方法相比,结果表明,该方法是健壮的学习量的增加和普遍性,这是一个新方法来有效地实现完整的古代陶瓷的图像特征提取。有限差分法的主要内容是使用的比率两个相邻点的函数值之间的差异,两个点之间的距离近似函数的偏导数的变量。这个想法是用来把部门的问题变成一个不同的问题。识别古陶瓷实现图像特征提取的基础上的整体形象特征古陶瓷、容器类型特征的提取和识别,多维特性的定量识别融合装饰图像特性,和实现基于铭文的深度学习模型识别图像特征分类识别方法;三层B / S架构的web应用程序系统和跨平台的系统语言称为架构支持;和数据库服务、深度学习包装和数字图像处理。具体实现方法是基于数据库服务,深度学习封装,数字图像处理,和第三方调用,服务层融合和再学习机制,提出实现古代陶瓷容器类型的初步智能识别系统和装饰形象特征。 The results of the validation test meet the expectation and verify the effectiveness of the ancient ceramic vessel type and ornament image feature recognition system.
1。介绍
陶瓷是陶器和瓷器的总称,一个类别的材料和产品形成于人类生产和生活10000多年(1]。陶瓷的定义是一种硬物质形成的矿物质如粘土、制定,粉碎,并塑造了一系列的物理化学反应后在高温下燃烧,有类型的日常使用和建筑陶瓷。日常使用和艺术陶瓷更多样,有一个高度的实用性和一些赞赏和工业和工艺的结合的一个很好的例子。陶瓷材料被定义为岩石由铝硅酸盐,主要是氧化物,通过在特定的大气化学过程在高温和(氧化、碳化等),用于满足人类生产和生活的需要,大部分是不吸水的,一些表面上釉和装饰着模式。陶瓷是一种根植于科技发明,和古代陶瓷文物是一个技术水平的综合反映,时代的艺术风格和文化元素(2]。中国古代陶瓷有明确的《创世纪》和一个庞大的系统,普遍存在,并有重要的物证和脚注的传统中国文化,形成一个大型陶瓷技术的血统和文化继承和多样化。世界上最早的釉是中国青铜时代的原始釉,在形成之后,成熟和发展创造一个辉煌的陶瓷文明的高峰(3]。白瓷的出现是一个历史上的5个阶段中国陶瓷的发展及其对后世的生产青花瓷和丰富多彩;粉彩瓷的繁荣提供了物质基础;尤其是邢窑隋王朝的出现透明的白色瓷已引起学术界关注;其精湛的生产工艺是惊人的。复合装饰技术的发明和应用是中国陶瓷科学与艺术的辉煌成就,和这个独特的釉装饰技术广泛应用于北部和南部窑冀州市窑等Duandian窑、琼脂窑,Ningguo龙窑,常州窑。进行价值观念是一个重要的任务在古代陶瓷文物的保护和传播。
数据挖掘技术的理论和应用已得到改进和声音,由计算机科学和数据库的不断升级和创新最近和其他技术。如今,数据挖掘技术已经与各个领域相互交织,并利用数据挖掘技术分析各领域问题已成为一个研究的趋势。古陶瓷的研究中,数据挖掘技术也非常重要和有效的方法。通过构造一个合适的从古代陶瓷的样本数据模型,该模型可用于分类和预测的样本(4]。这里提到的分类和预测样本被称为分类和回归问题的数据挖掘模型,和分类和回归是最常用的两个数据挖掘模型和数据挖掘技术相对发达的国家。近年来,统计相关方法的使用在古陶瓷研究领域的不同地区的中国已经取得了很大的进步,和结果,如多元统计分析方法的使用,VC程序开发工具,和其他研究古陶瓷制品的分类问题,得到更好的分类结果(5]。因此,使用数据挖掘的前景和发展趋势和其他技术领域的古陶瓷鉴定、统计相关方法的使用分析和处理大量的积累古代陶瓷数据,并发现内部链接和模式隐含在样例数据中,特别是在破碎的来源和几代人的分类,使用这些方法可以更深入的研究工作,也可以实现更好的结果。
为了解决这些传统的去噪方法的缺点,重要的是要找到一个去噪方法能有效去除噪声同时考虑图像的细节和边缘纹理和结构信息。近年来,“评估”为商业目的涌入市场,导致严重的误解古代陶瓷文物的价值。深化的价值挖掘技术继承古代陶瓷、古陶瓷鉴定方法创新,提高水平的古代陶瓷价值识别,和解决问题的“视觉识别”的古陶瓷的存在两个强烈的主体性,识别不能量化;“科学识别”是需要专业的技术支持。在本文中,我们提出了使用人工智能及其辅助技术。提出了一个创新的古代陶瓷由人工智能识别方法及其辅助技术和智能识别的初始实现古老的陶瓷,它提供了新的方法和路线为未来智能博物馆、智能识别古陶瓷、无机文物和价值观念等。
2。的研究现状
与传统的图像增强方法相比,偏微分equation-based图像增强方法是一个后发展图像增强过滤方法,传统方法无可比拟的优势的。评估一个嘈杂的图像恢复的图像质量过滤,即反映噪声去除方法的性能,现有的标准通常可以由主观和客观评价,分别。主观评价是一个定性的方法,容易受到主观情绪,和评价结果的不确定性(6]。目前,大多数基于偏微分图像增强的方法主要是基于像素点来设计自适应扩散系数达到平滑或保存图像细节根据不同的像素点。等模型的各向异性扩散、双向拉普拉斯滤波,提出了扩散和双向影响。和图像增强过程在很大程度上增强图像的细节信息(7]。当地的详细信息是在数学上表示为图像的梯度,因此调整图像的梯度来达到增强图像细节也更有效的图像增强方法。其中,参数活动提出的模型是用动力学来研究曲线的演化过程(8]。首先是通过定义一个初始化曲线;接下来,曲线演化共同作用下的内力和外力基于图像信息和最终目标边界附近的收敛。该模型将目标边缘的提取问题转化为一个优化问题的能量函数。等传统模型存在一些缺陷,但这是对曲线的初始化位置敏感,容易受到噪声,而且容易陷入局部最小值,此外,该模型不能收敛于对象的抑郁。直到图像的灰度值达到平均价值和终止,各向异性扩散模型可以选择不同的扩散系数在不同地区来平滑图像的图像根据地方特色。改善第一个问题,提出了基于气球力的一种改进算法。算法的主要思想是避免陷入局部最小值的曲线通过改变外部能量项,即:,添加膨胀力项,而模型的内部能量项保持不变。克服失踪的地方抑郁能力的问题,基于梯度向量流模型的一种改进方法(预防)。这个模型的主要思想是指导曲线演化通过引入梯度向量场,以便曲线可以收敛于大萧条地区的目标。 Later, the method was improved and the generalized gradient vector flow model (GGVF) was proposed [9]。
AlphaGo背后的深度学习和索菲亚机器人吸引了社会的广泛关注和各种国家,已经建立了人工智能和相关机构(10]。深度学习的本质由神经网络,由于深度学习比传统的神经网络层隐藏层,层次越多,可以抽象对象的本质,这有助于看数据的分布特性11]。科学的数据处理是一个重要组成部分的使用现代核分析技术来研究古陶瓷;多元统计分析方法使用数学和统计学原理分析多元问题;特别是计算机技术的升级和发展和创新,多元统计分析技术已经广泛应用于数据的处理更高端领域;多元统计方法中的一些分析技术已经成为非常实用,简单,有效的现代加工方法(12]。本文多元统计分析方法用于处理多变量数据分析问题,和常见的多元统计分析方法包括方差分析、散射分析、因子分析、判别分析、模糊聚类分析,合理分类陶瓷样品的轮胎和釉料不同的起源和帮助分类属陶瓷样品;例如,模糊聚类分析使用一个定量的数学建模方法,根据一批分析对象的多个观测发现一些具体数据置信水平可以衡量彼此的稀疏,并使用模糊数学线性代数的转置对称的特点,建立模糊线比较关系和分类的研究对象13]。使用多种分析工具来识别和分类陶瓷样本数据更有效地使用实验数据,提高科学研究的精度,并使实验结论可靠(14]。
学习精度正确分类样本的数量比样品的总数;Fl-score的求和平均分类精度和召回,这里的平均F1-score为每个类别。精确的比例是正确预测样本的数量为一个类别的总数预测样本的类别,每个类别的平均精度。召回的数量的比例是正确预测样本类别的样本总数的类别,每个类别的平均精度;召回的数量的比例是正确预测样本类别的样本总数的类别,每个类别的平均召回的。召回是指样本正确预测的数量之比为一个类别的样本总数预测类别,这里每个类别的召回率的平均值。碑文标记图像的识别率特性是指当前检测到的概率铭文可以准确识别标记图像特性在图书馆里学习。人工结果的系统提出了一种结合技术,古代陶瓷的主要视觉功能,智能应用系统实现无损智能识别系统的设计和实现为古陶瓷的主要视觉特性。系统充分考虑深度学习的设计和实现调用,调用第三方语言,和古代陶瓷图像数据库,提出了一个再学习机制来解决这一问题的不完整的识别。
3所示。分析古陶瓷鉴定通过偏微分方程图像特征提取技术
3.1。改进的偏微分方程的图像特征提取算法
在实际工程物理问题,获得未知物理量与时间和空间和方程的方程或系统建设,在这种关系不仅包括空间的偏导数和偏导数的时间还一类方程也称为偏微分方程:
基于偏微分方程的图像处理方法首先模型所研究的对象,即。构造偏微分方程,构造偏微分方程在图像处理问题的方法主要可以分为以下几类(15]。对于一个特定的形象,概括函数构造的能量转化为偏微分方程问题的变分法和梯度下降流方法,最后,完成图像处理过程由偏微分方程的解决方案。造型曲线或表面的图像,或更高的一维曲线或曲面如一个水平集函数,完成图像处理过程控制的发展曲线或曲面。在这项研究中,两种统计方法,灰度同现矩阵(机器视觉)和田村纹理特征(人类的视觉),被用来计数古代陶瓷纹理图像的纹理特性改善的有效性和精度鉴定古陶瓷质地特性。施工方法是基于图像问题直接建立扩散项和扩散偏微分方程方向,更典型的这种类型的方法是出版社方程。使用有限差分方法在偏微分方程问题,首先必须离散连续问题通过比例操作函数和两个相邻点之间的区别这两个点之间的距离,然后将变量的偏导数的函数:
基于变分去噪方法理论通常需要考虑目标图像的属性,然后寻求最理想的能量形式一般函数通过研究这些属性,代表图像的内容和空间参数化,并最终获得相应的偏微分方程求解获得更好的去噪性能(15]。改进的偏微分方程图像特征提取框架如图1。
广义极坐标的能量解决方案解决问题可以转化为相应的欧拉方程。欧拉方程通常是非线性,计算密集型和难以使用传统离散化的数值计算方法。为了解决这个问题,解决静态非线性欧拉方程可以转化为一个动态非线性欧拉方程问题通过引入一个“时间”辅助变量。进化过程倾向于稳定状态时,欧拉方程的解决方案。这个过程也称为梯度下降流方法:
由于偏微分方程的复杂性,很难直接得到偏微分方程的解析解在基于偏微分方程的图像处理。因此,偏微分方程的近似解,只能通过一些数值计算方法。在实际应用中,大多数应用计算方法包括有限元法、有限差分法和谱方法。由于有限差分方法的计算复杂度低,更常用的基于偏微分方程的图像处理。在本节中,根据有限差分法数值计算过程。的比率两个相邻点的函数值之间的差异,两个点之间的距离是用来近似函数的偏导数有关变量(16]。这个想法是属地的问题转换成一个不同的问题。例如,函数的偏导数有关时间通常是用向前差分近似:
有限差分方法,最后,用于获得进化方程的形式将一个棘手的偏微分方程转化为一个代数方程的表达形式。有限差分方法包含三类:明确,semi-implicit和隐式。其中,semi-implicit形式很容易计算和具有较高的稳定性,更广泛应用于基于偏微分方程的图像处理。古典full-variance去噪方法研究了变分去噪方法的发展和通信学院的功能模型,对于问题的“步骤”效应,提出了一种高阶full-variance改进方法抑制一步的效果在平坦区域的图像(17]。与一些传统的去噪模型相比,新模型具有优越的噪声去除性能,提高去噪图像的定义,和更好的保护边缘信息和详细的结构。去噪的有效性和稳定性更好,如图2。如果它被设置为一个较小的值,全局收敛性的效果会更糟,但同时局部收敛的结果会更好,这通常被认为是粒子的惯性权重0.8和1.2之间范围设置:
均匀扩散的各向同性扩散法使相同程度的扩散特征地区如边缘、纹理,和角点的形象平面均匀区域的形象,导致模糊图像的边缘和详细的纹理的过程中消除噪音。在过滤的过程中,随着尺度参数的增加和迭代的频率增加,图像的模糊程度增加直到图像的灰度值达到平均价值和终止。各向异性扩散的模型,另一方面,可以通过选择不同的平滑图像扩散系数在不同地区根据当地特点的形象。在一些相对平坦地区,扩散系数增加,提高去噪性能;在图像的边缘区域,扩散系数却降低了保护优势特点:
提取的古陶瓷,没有明确的方法来实现完整的古代陶瓷的提取。数字图像处理的方法框架只能提取某种类型的古陶瓷的相关特性的特定王朝或提取只有一些特殊功能,和提取方法处理一个对象和没有泛化的特征。然而,古代陶瓷是中国传统文化的遗产,还有各种类型的船舶和饰品,需要一种特征提取方法与泛化特征和适用于古代陶瓷的多个场景。随着人工智能的发展,深度学习,和其他相关技术,这种提取方法理论和实现成为可能。上面提到的深度学习网络摆脱深度学习和有优势的不断发展为一定阶级的图像,但所有学习网络需要建立一个基本的学习框架下和编程实现,并且平台构建和编程实现需要支持的软件和硬件资源。本研究的重点是如何实现古代陶瓷使用深度学习图像特征提取;这项研究并不关注如何构建框架,但获得高质量的提取结果。
3.2。实验设计的古陶瓷鉴定图像特征提取
纹理特征的统计方法在数字图像处理一般统计方法,几何方法、模型方法、信号处理方法、等古代陶瓷装饰图像通常是真实的人,风景,植物,动物,和其他古代陶瓷装饰的图片呈现灰绿色,白瓷,和其他相对单色类型的装饰品;考虑古代陶瓷装饰的纹理特征,它更适合用信号处理的方法来描述。该方法时间和频率统计方法建立在图像分析和多尺度空间(18]。其中,灰度同现矩阵和田村纹理特征是两个常用的信号处理方法。在这项研究中,两种统计方法,灰度共生矩阵(机器视觉)和田村纹理特性(人类的视觉),用于计算古陶瓷装饰图像的纹理特性提高纹理特征识别的有效性和准确性的古代陶瓷装饰。应用灰度共生矩阵建立灰度热电联产矩阵的纹理特性(),提出了图像纹理特征,统计方法是基于这样一个前提:图像中的像素空间分布关系包含图像纹理信息和统计图像中像素的值前古陶瓷装饰。灰度热电联产矩阵通常14统计,在这项研究中,四个对比统计,自相关,烦恼,和同质性选择来描述装饰特征的灰度热电联产矩阵根据古代陶瓷装饰图像的特点:
粒子群优化算法包括粒子的重量等参数惯性,粒子运动的最大速度,粒子群的大小。其中最重要的参数设置粒子的惯性权重和学习因子的模型。本文所需的粒子群优化算法中的参数设置基于实证的方法。根据经验方法,模型的学习因子值介于0和4,一般而言,学习因素是相同的,是设置为219]。粒子的惯性权重的设置,它被认为是经验法,由于粒子的惯性权重模型中描述了粒子的程度保持原来的速度,该模型具有更好的性能在全局收敛性粒子的惯性权重设置为更大的值。当设置为一个较小的值,对全局收敛性的影响将变得更糟,但与此同时,当地的收敛结果将变得更好,因此人们普遍认为,设置粒子的惯性权重范围在0.8和1.2之间将确保两个更好的性能模型的全局收敛性和收敛速度。在粒度总体参数的设置问题,通常认为粒径的粒子群模型设置为20 ~ 40粒子;事实上,大多数的实际应用使用10粒子能满足实验的需要,和模型取得了较好的效率,当面对非常复杂的和大数据问题,人口规模的模型可以适当调整粒子群人口规模扩大,如图3。
同时,确保其他用户不允许随意修改数据库,只有有权查询和导出。你不能把混乱的数据。如果你想把数据转换成它,你需要向系统管理员发送一个请求。在身份识别信息的操作包括三个部分,根据样本数据的不同信息,灵活使用识别方法,与参考数据的分析结果相比,不同类型的数据采取不同的处理方法,偏向于研究对象和研究中心在哪里。数据识别和分析模块是本系统的关键;为了保证数据的可靠性和有效性,实验数据分为两部分,一部分是作为最终的测试结果显示,另一部分是作为参考数据,使用其他分析方法,最后,通过比较,分析不同方法的优点进行了总结:
每个系统有一定的业务权限管理;面对不同的用户需求,清楚什么能做,什么不能做。使数据完全存储在数据库中,你需要所有的数据输入到系统,这样就不会丢失数据,同时确保没有其他用户随意修改此数据库和用户只有权查询和导出,不能任意投入混乱的数据;如果你想把数据进入系统,那么您需要系统管理员发送一个请求,等待一个明确的业务需求分析。如果你想把数据转换成它,你需要向系统管理员发送一个请求,业务需求分析清楚之后,你可以存储数据管理员检查确认后没有恶意修改(20.]。还有识别系统发展的过程,需要进行某些听业务,也就是说,日志记录;这需要由后期维护人员查看。用户管理模块,用户信息管理,包括系统管理员登录界面,注册普通用户登录界面;他们的接口将不同取决于权利;系统管理员会及时反馈其他用户的信息;让普通的成员资格,必须保证会员信息在MySQL数据存在,通过内置的会员,提供驱动程序的实现数据库访问阶段的欲望,这会员深凭据提供程序定义在web项目的配置文件。xml的配置要经过身份验证的用户的应用程序使用的形式,如图4。
这里提到的分类和预测样本被称为数据挖掘模式分类和回归问题。分类和回归也是两种最常用和相对成熟的数据挖掘模式的数据挖掘技术。在本文中,我们使用高斯混合模型来估算梯度直方图的分布。增强图像的细节信息,防止overenhancement疲软,一个扩展增强梯度直方图的双峰高斯函数拟合的算法。梯度直方图分为两个梯度范围对应的弱边缘细节和清晰的边缘细节。然后这两个梯度范围自适应扩展(21]。弱边缘细节的梯度范围扩展多清晰的边缘细节。这将增强弱者的细节而防止overenhancement清晰的边缘细节。重建从转换后的梯度场增强的图像,我们使用一个方法基于矩阵正弦变换的一种快速而简单的解决方案。的原理和实现扩展与双峰高斯函数梯度直方图增强适应接下来会被描述:
使用多层感知器,参数调试几次,3选择隐藏的神经元,测试样本作为训练样本的80%和20%被用作预测样本,建立了预测模型和双曲正切隐藏层中激发,不断激活输出方程,和无限的停止规则近似误差(最低22]。的轮胎数据三个地方可以分布在各自相应的位置,加上精度高;它表明,轮胎原材料的三个地方是高度分化,和三个地方的原材料不是相同的起源。
4所示。结果和分析
4.1。偏微分方程的图像特征提取算法的性能结果
红外图像,通常情况下,信噪比和对比度较低,所以边缘细节往往埋在的背景噪音。在前一节中,我们考虑增强微弱的细节。提供高质量的图像信息,图像应用如白昼标志检测与跟踪、边缘细节增强和去噪的图像是必要的。noise-containing图像的增强,噪声也放大时边缘细节增强的传统方法,如直方图均衡化方法。因此,红外图像的增强和去噪是一个具有挑战性的任务。基于上面的梯度场重建方法中,使用相同的高斯混合模型来适应梯度直方图的分布在这一节中。去噪和增强方法梯度场分层重建提出了估计的高斯混合模型。由于图像中噪声的存在,来实现噪声去除,同时增强图像,梯度值分为三部分对应的模糊细节图像,噪声和边缘细节的明确的目标。然后,弱者的梯度增加细节和噪声降低的梯度通过构造一个分段函数。进一步抑制噪声,一个各向异性扩散约束添加时重建增强的图像。 In this section, the principle and implementation of the denoising and enhancement method for gradient field hierarchical reconstruction based on Gaussian mixture model estimation are developed. In this paper, we use a Gaussian mixture model to fit the distribution of the gradient histogram into three gradient ranges corresponding to the faint details, noise, and clear edges of the target in the image. We then construct a segmentation function that adds weak gradient detail and suppresses the gradients of noise. Figure5显示了高斯和梯度函数的仿真结果。
与一些传统的去噪模型相比,新模型具有优越的噪声去除性能,提高去噪图像的定义,和更好的保护边缘信息和详细的结构。同时,峰值信噪比明显提高,和去噪的有效性和稳定性更优秀。发现内部连接和法律隐含在样本数据,特别是源的分类和约会。使用这些方法不仅可以深化研究工作,也取得更好的结果。
实验结果分析,可以看到从图6因为梯度用来检测边缘点模型噪声处理的过程中很容易受到噪声的影响,使图像边缘模糊区域高度,因为图像是许多峰值地面了,角点和其他边缘信息在去噪的过程中导致不完全保留图像的边缘结构和人物的脸的轮廓特征被抹去。
的整体图像识别铭文是古代陶瓷的智能识别的一个重要组成部分;有许多关于机图像分类识别的方法,传统的汽车车牌识别,识别号门,和其他组合的文本识别问题,通常使用multilabel分类方法培训和数量和其他问题作为整体特性识别;这种认可是更可靠的比个人的分割识别效果,也是未来的趋势相结合的车牌识别号门。谷歌也取得了良好的识别精度的门数一般街景通过使用这种方法。考虑深度学习的便利和成熟的应用程序领域的图像分类和识别,本研究使用深度学习为基础实现铭文模型识别图像的分类和识别功能。
5。实验结果的图像特征提取的古陶瓷鉴定
示例NAA数据字段和样本光谱仪数据字段的PIXE实验数据和陶瓷类型信息存储在sample数据库中。有效地分析数据,数据库中的数据通常是排序从最丰富的信息。有效地分析数据,数据库中的数据信息通常是显示在前端页面显示的顺序从最大到最小的数据信息,以便用户可以看到数据和更多信息,便于分析数据。设计这个领域信息如图7。
示例数据管理模块是系统的核心模块之一,负责管理的核心数据古陶瓷样品和提供数据支持古代陶瓷的识别和分析。以这个数据信息为例,古代陶瓷数据管理主要包括标准样本PIXE数据的管理和维护和快速分页查询和为用户提供了查询结果为一个Excel文件下载;该模块还提供了一个Excel数据上传模板;用户填写模板格式导入示例数据;数据可以很容易地导入到系统数据库中。此外,考虑到产品数据库的扩张,有必要建立一个临时数据表,其结构类似于标准数据表,添加和修改普通用户的示例数据的临时表,这可以有效地避免造成的损害的直接入口无用的数据到系统数据库,此外,使识别结果更加可靠,而且还旨在扩大标准样本数据的安全性,例如。如果数据是有效的和合理的,数据可以导入更多的人使用的标准样本数据库实现产能扩张的目的。示例PIXE数据接口如图8。
通过实验获取样本数据信息后,放入系统数据库,然后,进行关键数据分析模块;这部分涉及到具体的数据分析算法,它需要理解因素的工作原理分析,聚类分析,等等,然后设计的实现系统数据分析根据特定需求;每个数据分析有其操作过程;下面将描述数据应用分析的实现。
在当今经济大数据,分类通常是用于查找数据库中的数据的共同特征和存在的一组相关的数据对象映射与函数表达式的关系的回归分析,并且,集群的概念用于单独的相似性和最大差异的数据,以确保不同类别之间的相关性很低,同一类别的属性数据非常接近,以及使用ultra-advanced神经网络识别技术的非线性和训练数据。这些底层算法的原则构建了本文实验数据分析模块。造型曲线或表面的图像,或一维曲线或曲面高如一个水平集函数,完成图像处理过程控制的发展曲线或曲面。
判别分析的方法有很多,包括费雪的判别,距离判别, - - - - - -近邻算法。系统方程建立了筛选分类,以及判别函数方程给出的这个分类器,并判别的结果两组之间的差异和最小化最大化每个小组内部之间的色散。计算分组后的均值已知类别样本的类别,对观察到的数量的样本进行测试,如果任何样本进行测试,如果新样品最接近分组的中心th类别,那么这个样品可以被认为属于类别。当使用SPSS软件测试样本数据的判别分析,每个样品的归属类别设置考虑到判别分析是确定多个类别,并确保每个类别可以投影后得到更好的分类。
6。结论
基于多元统计分析方法的原则,一些重要的数据分析技术用于数据处理,功能设计,数据库建设和业务流程设计,除了系统编码所需的准备工作,以及实现过程的原理和操作系统的关键模块,和一些核分析技术的原则要求在详细介绍了系统的实现过程。它还详细描述了所需的核分析技术的原理系统帮助用户识别的实现这些技术的优缺点。古陶瓷的物理化学性质密切相关的颜色特征装饰图片,和某些元素的内容是图像特征的变异的根源的装饰。因此,提出了一种多维特征融合方法来识别古陶瓷颜色特征和纹理特征,机器视觉和人类视觉混合融合,灰度热电联产矩阵和平均欧氏距离田村纹理特征的纹理特性,和颜色直方图和HSV颜色空间与色彩特征相似性平均。耀州窑青瓷的实验样品,越窑青瓷,柔和的,和搪瓷用于实验验证有20%椒盐卷饼噪声(模拟粮食受损图像特征)和随机部分丢失(颗粒图像的模拟部分失踪),并验证结果满足纹理图像特征识别的期望。方法充分考虑机器视觉和人类的视觉,考虑纹理特征和颜色特征,达到有效的古陶瓷的纹理图像特征识别不同类型的年龄和窑。智能识别系统的图像特征的传统陶瓷产品(作品),系统面向需求的具体问题,并基于容器的提出和验证的方法来识别图像特征类型,饰品,和铭文,系统功能和性能提出了要求。系统分为5个模块和详细设计的图像特征数据存储、深度学习服务包装,和第三方编程语言调用实现最小的原型系统。把测试用例后,系统测试应用程序,测试结果符合预期,和测试中存在的问题进行了分析,机器智能识别古陶瓷的最初实现的图像特征。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
这项工作是支持的2021年教育部人文社会科学基金:研究就要数宁国长姚赛拉米烧烤生产性保护的背景下“文化自信”(项目号:21 yja760046)。