计算机应用

作者：曹建芳, 田晓东, 贾一鸣, 闫敏敏

单位：1. 太原科技大学 计算机科学与技术学院, 太原 030024;2. 忻州师范学院 计算机系, 山西 忻州 034000

关键词：壁画分割,多尺度信息融合,深度可分离卷积,倒转残差,空间金字塔池

基金：山西省高等学校人文社会科学重点研究基地项目（20190130）。

针对古代壁画图像分割过程中出现的目标边界模糊、图像分割效率低等问题，提出一种融合轻量级卷积神经网络的多分类图像分割模型MC-DM，该模型将DeepLabV3+结构和MobileNetV2相结合，利用DeepLabV3+特有的空间金字塔结构对壁画的卷积特征进行多尺度融合，从而减少壁画分割时的图像细节损失。首先，通过MobileNetV2对输入图像进行特征提取，从而在确保图像信息准确提取的同时减少耗时；其次，通过空洞卷积处理图像特征，从而扩展感受野，并在不改变参数数量的情况下得到更多的语义信息；最后，采用双线性插值的方法对输出特征图像进行上采样，以得到像素级的预测分割图，从而最大限度保证图像分割的准确性。在JetBrains PyCharm Community Edition 2019环境下，利用以1 000张壁画扫描图片制作而成的数据集进行测试，实验结果表明，MC-DM模型较传统的基于SegNet的图像分割模型在训练精确度上提升了1个百分点，较基于PSPNet的图像分割模型在精确度上提升了2个百分点，且MC-DM模型的峰值信噪比（PSNR）较实验对比模型平均提高了3～8 dB，充分验证了该模型在壁画分割领域的有效性。所提模型为古代壁画图像分割提供了新的思路。

来源：2021年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第5期