改进DeepLabV3+模型在壁画分割中的应用

曹建芳，田晓东，贾一鸣，闫敏敏

（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）

（*通信作者电子邮箱kcxdj122@126.com）

0 引言

古代壁画是承载中国文化的载体，有着极为珍贵的历史价值，然而在自然环境及人为环境的影响下，年代久远的古壁画都出现了不同程度的病害，壁画内容受到严重损坏，壁画图像修复成为文物工作者和历史研究人员在分析古代壁画过程中遇到的主要难题之一。图像分割技术作为图像保护工作中不可分割的一部分，应用在壁画修复工作中可以减少工作耗时，提高壁画修复效率。

深度学习是机器学习研究中的一个新的领域，是基于人工神经网络的一种学习方法，它模仿人脑来处理和解释数据，被广泛应用于图像处理、声音处理等多个领域。深度学习可以将神经网络与概率模型相结合，提升图像模型的推理能力，所以，在图像分割领域，各种基于深度学习的图像分割模型被提出，有效解决了传统分割方法中存在的图像边缘分割模糊、分割图像信息缺失等一系列问题。最初，研究者利用全卷积网络（Fully Convolutional Network，FCN）［1］或者改进的FCN 进行图像分割，特点是将卷积神经网络（Convolutional Neural Network，CNN）［2］的全连接层换成了卷积层，适应任意尺寸的输入，并输出低分辨率的分割图片。但是，该方法存在明显的弊端，FCN 的边缘分割性较差，分割图像的轮廓模糊。Chen等［3］针对该问题提出了DeepLabV1 模型，该模型使用全连接条件随机场（Conditional Random Field，CRF）进行边界分割的优化，有效解决了FCN 中存在的边缘轮廓分割问题。……