相关实验视频
Updated: May 12, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.3K
适应性非线性伯恩斯坦指导的优化器用于壁画图像分割
Jianfeng Wang1, Jiawei Fan2, Xiaoyan Zhang1
1College of Design, Hanyang University, Ansan 15588, Republic of Korea.
Biomimetics (Basel, Switzerland)
|August 27, 2025
概括
这项研究引入了自适应非线性伯恩斯坦指导的优化器 (ANBPO),用于改进壁画图像细分,增强文化遗产的保护. 通过ANBPO,可以显著提高细分精度,并保留原始特征信息.
科学领域:
- 计算机视觉
- 人工智能
- 保护文化遗产
背景情况:
- 世界文化遗产受到破坏, 需要先进的修复技术.
- 目前用于壁画保护的图像分割方法表现不佳.
- 有效的图像细分对于精确的壁画修复和保护至关重要.
研究的目的:
- 提出一个高效的壁画图像分段方法来克服现有技术的局限性.
- 增强优化器 (PO) 算法,以获得更优质的壁画图像细分质量.
- 改善壁画中的原始特征信息的保存.
主要方法:
- 通过将适应性学习,非线性因素和第三阶级的伯恩斯坦导向策略集成到Parrot Optimizer (PO) 中,开发了适应性非线性伯恩斯坦导向优化器 (ANBPO).
- 通过考虑个人信息差异,适应性学习策略增强了全球探索.
- 非线性因素和第三阶段的伯恩斯坦指导策略改善了当地利用,并避免了当地最佳.
主要成果:
- 在竞争的算法中,ANBPO在适应性函数值中取得了91.6%的胜率.
- ANBPO的表现优异,改善率为67.6% (PSNR),69.4% (SSIM) 和69.7% (FSIM).
- 这种算法有效地分割了12个壁画图像,
结论:
- 该算法为壁画图像分段提供了高效有效的解决方案.
- 这对保护文化遗产至关重要.
- 这种方法保留了重要的特征信息, 帮助修复壁画.
