原创性声明

本人郑重声明：本人所呈交的毕业论文是本人在指导教师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。

论文作者签名：              日期：  年  月  日

(相关资料图)

目  录

1引言

研究意义

国内外研究现状

本文主要工作

2相关理论

图像特征提取

卷积神经网络

神经网络的接口—Keras

3基于卷积神经网络的古代壁画朝代分类方法

网络结构

图像预处理

Relu激活函数

优化器和损失函数

Softmax激活函数

4算法实验

软硬件环境

算法评价指标

数据集

实验及实验结果分析

5结束语

参考文献

致谢

摘  要：中国古代壁画是我国文化遗产的重要组成部分，记录着各个时代的宗教信仰和社会生活等内容，具有丰富的文化内涵。随着数字化壁画图像越来越丰富，如何从海量资源中找到研究者所需素材是一个亟待解决的问题。古代壁画识别是指利用计算机技术对壁画图像进行分类和标注，从而更好地管理、保护和研究古代壁画。本研究提出了一种基于卷积神经网络的古代壁画朝代分类方法。该方法通过对古代壁画的图像进行预处理和特征提取，然后将其输入卷积神经网络中进行训练和分类。实验结果表明，本研究的方法均能够获得较好的分类效果。为了验证该算法的可行性及优越性，本次实验采用了来自八个不同朝代的古代壁画数据库进行实验。实验结果证明，本研究得到的方法具有较高的分类准确度和稳定性。综上所述，研究提出的基于卷积神经网络的古代壁画朝代分类方法为古代壁画的保护和研究提供了新思路和方法，具有一定的实际意义和应用价值。

关键词：古代壁画朝代分类；卷积神经网络；图像识别

Research on the Classification Method of Ancient Mural Dynasties Based on Convolutional Neural Network

Abstract:Ancient Chinese murals are an important component of China's cultural heritage, recording religious beliefs and social life in various eras, and possessing rich cultural connotations. With the increasing abundance of digital mural images, it is an urgent problem to find the materials needed by researchers from massive resources. Ancient mural recognition refers to the use of computer technology to classify and annotate mural images, in order to better manage, protect, and study ancient murals. This article proposes a method for classifying ancient mural dynasties based on convolutional neural networks. This method preprocesses and extracts features from ancient mural images, and then inputs them into a convolutional neural network for training and classification. The experimental results show that all the methods proposed in this thesis can achieve good classification results. To verify the feasibility and superiority of this algorithm, we conducted experiments using ancient mural databases from eight different dynasties. The experimental results demonstrate that the method proposed in this thesis has high classification accuracy and stability. In summary, the classification method of ancient mural dynasties based on convolutional neural networks proposed in this article provides new ideas and methods for the protection and research of ancient murals, and has certain practical significance and application value.

Keywords:Ancient mural dynasty classification;Base volume network;Image recognition

1引言

古代壁画是现在研究历史文明和艺术的重要资料之一，尤其是在考古领域中，壁画常常可以提供珍贵的历史信息。然而，由于历史的长河和文化的多元性，古代壁画也呈现出了很多不同的样貌和特点。因此，对壁画进行分类和整理，不仅有助于更好地了解古代文化和艺术，还能够帮助现代人更好地保护和传承这些文化遗产。

目前，对古代壁画的分类主要依靠人工鉴定和专家经验，这种方式费时费力，而且结果可能受到主观因素的影响。随着深度学习的不断发展进步，卷积神经网络作为一种强大的图像处理工具被广泛应用于图像分类任务。相比于传统的机器学习算法，CNN具有自动特征提取、逐层抽象和高准确率等优势，可以有效地学习和提取图像的特征信息，从而使得图像分类更加准确和可靠。

本论文旨在探讨基于卷积神经网络的古代壁画朝代分类方法，通过实验验证，希望证明使用卷积神经网络进行古代壁画朝代分类的可行性，并提出优化方法以进一步提高分类准确度，为古代壁画的保护和研究提供新思路和方法。

研究意义

古代壁画的朝代分类方法是研究古代艺术和文化的重要手段。在过去，壁画的朝代分类主要依据历史记载、风格差异和题材等方面进行判断。然而，随着时代的变迁和考古技术的不断发展，这种传统分类方法存在一些问题。近年来，随着科技进步，许多新的技术被应用于壁画的研究中，如放射性碳同位素测年、X射线荧光光谱分析以及红外线成像等。这些技术的出现，为壁画研究提供了更加准确和可靠的数据支持，从而推动了古代壁画朝代分类方法的研究。当前，基于科技手段的壁画研究已经成为一个重要的研究领域。研究者们利用各种技术手段对壁画进行仔细的分析和研究，结合历史地图、文物编年和器物标本等资料，逐步建立了一套相对完善的朝代分类方法。

基于人工智能的壁画研究是近年来迅速发展的一个研究领域。古代壁画朝代分类方法也不例外，人工智能技术在其中的应用已逐渐成为一种趋势。目前，基于人工智能的壁画分类主要利用计算机视觉技术和深度学习算法进行分析和研究。这些技术可以实现对大量壁画数据进行自动化处理和分类，从而提高研究效率和准确性，同时也节省了研究者的时间和精力。在具体实践中，基于人工智能的壁画朝代分类主要依靠图像特征提取和机器学习算法。通过对图像的颜色、纹理、形状等特征进行提取，再结合训练好的神经网络模型进行分类和识别。这种方法可以有效地区分不同朝代的壁画，同时也可以在一定程度上减少主观因素对分类结果的影响。

1.2 国内外研究现状

随着人工智能的不断进步，对于古代壁画的研究越来越先进，并且取得了不错的成果。其中较为重要的就是对于古代壁画的修复，而本研究要介绍的是人工智能对古代壁画的分类。人工智能技术的不断进步，对古代壁画的研究变得更加先进和深入。其中一个重要的应用是利用人工智能来对古代壁画进行分类。已经有多种方法被提出，包括卷积神经网络、胶囊网络、迁移学习等等。《Chronological classification of ancient paintings using appearance and shape features》与《Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes》的方法均使用卷积神经网络CNN对壁画图像进行分类[1]。唐大伟等采用多实例分组的分类方法，通过对样本空间的划分和个子空间的训练对壁画的风格进行有效的分类[2]。

总之，基于人工智能的壁画朝代分类方法是一种新兴的研究方向，其应用使得壁画研究更加高效和准确。这些方法在壁画分类方面取得了显著的成果，可以增强壁画研究的效率和准确性。随着人工智能技术的不断发展和完善，这种方法在壁画研究领域将会有更广泛的应用。

1.3 本文主要工作

第一章：引言。提出了基于卷积神经网络的古代壁画朝代分类方法，探讨利用深度学习技术提高古代壁画分类准确度的可行性。为古代壁画研究提供思路和方法。

第二章：相关理论。主要介绍了图像特征提取，卷积神经网络和神经网络接口。

第三章：基于卷积神经网络的古代壁画朝代分类方法。介绍了本算法卷积网络结构，算法使用的各种函数，以及对算法实现进行介绍。

第四章：算法实验。从准确率，平均精确率，平均召回率，F1值的等方面对不同数量的训练集和测试集进行实验对比分析。

第五章：结束语。总结论文工作。

2相关理论

2.1 图像特征提取

壁画分类不同于普通图片的分类，直接对整幅图像进行分类很难保证分类结果的正确性。因此，本研究选取最为常见的人物形象对壁画分类，并通过人体检测和图像分割技术从壁画中分割出人物形象。接着，根据这些人物形象的特征进行分类，需要提取出图像中的颜色、轮廓、纹理等特征。首先，从图像中提取颜色特征。颜色是构成纹理、轮廓等其他特征的基础，是构成图像的实体部分，也是人观察识别图像的主要参考标准之一[3]。采用RGB空间和HSV空间来描述颜色特征，并选择颜色直方图、颜色相关图和颜色矩等方法来量化颜色特征的表达。其次，提取图像的纹理特征和轮廓特征。纹理和轮廓是构成图像的重要视觉元素，能够表现出图像的局部细节和整体结构。采用小波变换和Gabor滤波器来提取图像纹理特征，采用边缘检测算法和形态学运算来提取图像轮廓特征。最后，通过对图像提取的颜色、纹理和轮廓等特征进行向量化处理，得到特征向量，并利用分类算法来进行分类。采用支持向量机（SVM）算法来进行壁画分类，并通过实验验证了方法的有效性和可行性。

2.2 卷积神经网络

卷积神经网络(CNN)是一种被广泛应用于图像处理与识别领域的深度学习模型。它能够自动学习和提取图像特征，因此受到了广泛的关注和应用。CNN最早可以追溯至1980年代，当时主要用于语音信号识别。但是由于硬件条件较差，网络规模较小，无法在复杂任务中应用。2006年，Hinton等人提出了深度置信网络，重新引起了人们对深度学习的关注。同年，LeCun等人在论文中描述并使用了现在常用的卷积神经网络结构，称之为LeNet-5，并成功地应用于手写数字识别。

2012年，Alex Krizhevsky等人提出了名为AlexNet的CNN模型，并在ImageNet Large Scale Visual Recognition Challenge竞赛上取得了非常好的成绩，证明深度学习在图像处理领域具有重要性并带动了深度学习的热潮。之后，又相继出现了VGG、GoogLeNet、ResNet等一系列经典CNN模型。CNN不断获得新的理论成果和技术突破，如Dropout技术用于缓解过拟合问题、Batch Normalization技术用于加快网络收敛速度、Depthwise Separable Convolution技术用于减少CNN参数量等。这些技术的应用不仅提高了CNN的性能，而且也丰富了其应用场景。

随着GPU计算能力的增强和深度学习框架的逐渐成熟，CNN的训练效率也有了很大提升。现在，使用TensorFlow、PyTorch等深度学习框架构建、训练和部署CNN模型已变得轻松便捷。

总之，从最初的DBN到如今的各种经典CNN模型，CNN的发展历程凝聚了众多学者的智慧和努力。随着深度学习技术的不断成熟和硬件条件的不断提高，CNN在图像处理领域的应用前景将会更加广阔。

神经网络的接口—Keras

Keras是一个高层次的神经网络API，基于Python语言实现，能够在TensorFlow、CNTK或Theano之上运行。它被广泛用于深度学习领域，以快速构建和测试各种神经网络模型。

1. ：该库包含了各种预定义的神经网络模型，例如Sequential、Model等。这些模型可以通过添加各种层来进行自定义，也可以使用已有的权重进行预测。

2. ：该库包含了各种不同类型的层，例如全连接层(Dense)、卷积层(Conv2D)、池化层(MaxPooling2D)等。你可以使用这些层构建自己的神经网络模型。

3. ：优化器是深度学习中非常重要的组件之一，它们用于更新神经网络权重以最小化损失函数。该库包含了各种优化器，包括Adam、SGD、RMSprop等。

4. ：损失函数也是深度学习中非常重要的组件之一，它们用于衡量预测结果与真实结果之间的误差。该库包含了各种损失函数，包括均方误差、交叉熵等。

5. ：该库包含了各种评估指标，例如精准度(Precision)、准确率(Accuracy)、召回率(Recall)和F1等。这些指标可以用于评估模型的性能。

6. ：该库包含了各种常用的数据集。 

7. ：该库包含了各种图像和文本预处理工具。

8. ：该库包含了各种回调函数，这些回调函数可以在训练过程中对神经网络模型进行监控，并采取相应的行动。

总之，Keras是一个非常丰富和强大的神经网络API，它提供了各种功能和组件，方便开发者进行深度学习的研究和实践。

3基于卷积神经网络的古代壁画朝代分类方法

网络结构

本研究使用了卷积神经网络(Convolutional Neural Network, CNN)进行特征提取和分类。该模型采用了多层卷积层和池化层来提取图像特征，并通过全连接层实现对图像的分类识别。

1. 输入层：接收图像数据，输入形状为(h, w, way)，其中h、w表示图像高度和宽度，way表示图像通道数；

2. 卷积层1：使用64个3x3的卷积核，步长为2，padding方式为same，使用ReLU激活函数，并使用均匀分布的随机权重初始化；

3. 池化层1：使用2x2的池化窗口，步长为2，进行最大值池化操作；

4. 卷积层2：使用128个3x3的卷积核，步长为2，padding方式为same，使用ReLU激活函数，并使用均匀分布的随机权重初始化；

5. 池化层2：使用2x2的池化窗口，步长为2，进行最大值池化操作；

6. 卷积层3：使用256个3x3的卷积核，步长为2，padding方式为same，使用ReLU激活函数，并使用均匀分布的随机权重初始化；

7. 池化层3：使用2x2的池化窗口，步长为2，进行最大值池化操作；

8. 展平层：将高维特征向量压缩成一维向量；

9. 全连接层1：使用256个神经元，使用ReLU激活函数，并加入10%的Dropout正则化；

10. 全连接层2：使用512个神经元，使用ReLU激活函数，并加入15%的Dropout正则化；

11. 输出层：使用8个神经元，使用softmax激活函数，用于对图像进行分类。

整个模型采用了交叉熵为损失函数，优化方法用随机梯度下降(SGD)。

网络结构部分代码如下。

(

Conv2D(

64,

(3, 3),

strides=(2, 2),

input_shape=input_shape,

padding="same",

activation="relu",

kernel_initializer="uniform",

)

)

(MaxPooling2D(pool_size=(2, 2)))

(

Conv2D(

128,

(3, 3),

strides=(2, 2),

padding="same",

activation="relu",

kernel_initializer="uniform",

)

)

(MaxPooling2D(pool_size=(2, 2)))

(

Conv2D(

256,

(3, 3),

strides=(2, 2),

padding="same",

activation="relu",

kernel_initializer="uniform",

)

)

(MaxPooling2D(pool_size=(2, 2)))

(Flatten())

(Dense(256, activation="relu"))

(Dropout())

(Dense(512, activation="relu"))

(Dropout())

图像预处理

本研究中的图像预处理方法是将图像转换为浮点类型，并将像素值缩放到0到1之间。这种归一化可以增加训练速度和稳定性，同时确保在不同数据分布上进行训练时对模型的影响较小。具体而言，这些线性变换可以更快地收敛优化器，因为它们会使梯度更平坦，从而减小了训练时间，也有助于防止过拟合。

部分代码如下。

def preProcess(image):

"""

图像预处理

"""

image = ("float32")

image = image /

return image

Relu激活函数

本研究中Relu函数被用于卷积神经网络（CNN）的激活函数。在模型初始化函数中，这个函数被应用于Conv2D层和Dense层之后的输出。具体来说，在Conv2D层中，输入图像经过卷积计算后通过Relu函数进行非线性变换；在Dense层中，Relu函数同样被应用于激活函数之后。Relu函数是一种常用的激活函数，其定义为：

简单来说，就是如果输入值大于零，则直接输出该值，否则输出0。Relu函数有很多优点，比如它的计算速度快、求导容易等等。在CNN中，Relu函数的使用可以有效地增强模型的非线性能力，从而提高模型的表现能力。

卷积层中使用Relu函数部分代码如下。

(

Conv2D(

64,

(3, 3),

strides=(2, 2),

input_shape=input_shape,

padding="same",

activation="relu",

kernel_initializer="uniform"

)

)

4算法实验

4.1软硬件环境

实验选用处理器为IntelCorei5-9thGen、NVIDIAGeForceGTX1650、内存8G。计算机操作系统为Windows11。本实验以为编译器，使用的编程工具为。

算法评价指标

为了验证本研究算法的性能，将准确率、平均精确率、平均召回率和综合评价指标 F1作为评价指标。

1. 准确率公式：

其中，TP表示真正例，即正确朝代壁画被分类识别为正确朝代壁画的样本数；TN表示真负例，即错误朝代壁画被分类识别为错误朝代壁画的样本数；FP表示假正例，即错误朝代壁画被识别为正确朝代壁画的样本数；FN表示假负例，即正确朝代壁画被识别分类为错误朝代壁画的样本数。

2. 精确率公式：

其中，TP表示真正例，即正确朝代壁画被分类识别为正确朝代壁画的样本数；FP表示假正例，即错误朝代壁画被识别为正确朝代壁画的样本数。

3. 召回率公式：

对于一个模型，召回率越高，说明该模型能够找到更多的正样本而不会漏掉太多的正样本。

4. F1公式：

其中，precision是预测为正确的的壁画且正确的壁画样本占预测为正确样本总数的比例，recall则是预测为正确的壁画且正确的壁画样本数占实际正确壁画样本数的比例。F1的取值范围为0到1，当分类器完全错误时F1等于0，当分类器完全正确时F1等于1。

数据集

壁画：敦煌壁画在构图方面的特点，与自然图像相比有本质上的差别。壁画图像的纹理更加复杂，由于绘制于墙壁；其色调存在一定的色彩梯度变化，颜料使用矿物质颜料且存在一定的主观意向性；多元的文本内容包括艺术形象如供养人、佛、菩萨、建筑等；同时也存在主观性和多义性，不同朝代的壁画图像在各方面都有较大差异性。

各朝代部分壁画图像如图所示。

 实验及实验结果分析

1. 实验一：设置2108个壁画图像，其中1708个壁画图像作为训练集，400个壁画图像作为测试集，且这些壁画图像都是对导师提供的数据集进行数据增强后所得保证了数据集的有效性。以北魏，北周，隋朝，唐朝，五代，宋朝，西夏，西魏共8个朝代，对算法训练。本次实验所用数据集结构如表所示。

随机设置400个壁画图像，以北魏，北周，隋朝，唐朝，五代，宋朝，西夏，西魏共8个朝代，每个朝代50张壁画，统计各朝代壁画的识别情况，并统计。

各朝代壁画分类情况统计如表所示。

各朝代壁画分类准确率对比如表所示。

由上述图表可知，本算法对壁画朝代识别的准确率为%，平均精确率为%，平均召回率为%，F1为%。对于唐朝壁画图片的召回率非常高，也就是说对唐朝壁画的识别非常灵敏，但对其他朝代壁画图片识别率较低且大多数识别错的壁画图片为唐朝，在对北魏，北周，隋朝壁画的识别召回率也较高，而对于五代，宋朝，西夏，西魏的壁画识别召回率较低。

2. 实验二：为验证本算法网络对训练集和测试集中壁画数量的敏感性，分别随机抽取总样本数的%、%、%作为训练集，实验一中训练集所占比例为%，剩余样本作为测试集，验证训练集和测试集数量对算法准确率的影响。实验结果如表和图所示。

由表和图可以看出，即使训练集和测试集的样本数相差较大，测试的准确率也保持稳定，相差在1%左右。说明本算法的网络模型对于训练集的样本数并不敏感，也验证了其具有很好的稳定性。

5结束语

本研究提出了一种基于卷积神经网络的古代壁画朝代分类方法，该方法可以有效地对古代壁画进行朝代分类，为文化遗产的保护和研究提供了参考。在本次研究中，使用了预训练模型，并通过微调来适应特定的任务，从而提高了分类精度。此外，还针对数据集不足的问题，采用数据增强技术进行了扩充，进一步提高了模型的分类效果。实验过程中，通过对不同数量的训练集和测试集进行实验验证，验证了算法的稳定性。

虽然本研究取得了一定的成果，但仍存在一些局限性和需要改进的方面。例如，还需要更多的数据来支撑算法模型的泛化能力，在处理大规模数据时，需要更加高效的算法和硬件设备来提高计算速度等。这些都将是未来工作的重点和挑战。

总之，随着技术的不断进步和数据资源的持续丰富，本次研究将会为古代壁画的保护和研究做出更大的贡献，也希望本研究对于其他领域的研究有所启发和借鉴。

参考文献

[1] 崔红艳．基于深度学习的古代壁画分类研究[D]．太原科技大学，2020．

[2] 曹建芳，闫敏敏，田晓东等．适应性增强胶囊网络的古壁画朝代识别算法[J]．图学学报，2021，42(05)：744-754．

[3] 郝亚博．基于风格特征的中国古代人物壁画分类算法研究与实现[D]．天津大学，2017．

[4] 林景栋，吴欣怡，柴毅等．卷积神经网络结构优化综述[J]．自动化学报，2020，46(01)：24-37．

[5] 曹建芳，闫敏敏，贾一鸣等．融合迁移学习的Inception-v3模型在古壁画朝代识别中的应用[J]．计算机应用，2021，41(11)：3219-3227．

[6] 陈佳昌．基于卷积神经网络的图像分类优化算法[D]．重庆邮电大学，2022．

[7] 李陈军，褚凯，张伯健．基于卷积神经网络的多特征融合和图像分类[J]．计算机仿真，2022，39(07)：201-207．

[8] 胡翔．基于卷积神经网络的图像识别方法[J]．信息与电脑(理论版)，2023，35(01)：190-192．

[9] 朱小燕，利节，王东．深度学习和图像识别[J]．电子技术应用，2022，48(11)：1．

[10] 张松兰．基于卷积神经网络的图像识别综述[J]．西安航空学院学报，2023，41(01)：74-81．

[11] 伍维模，吕双庆，赵长巍等．基于小型卷积神经网络的南疆棉花图像分类[J]．智慧农业导刊，2023，3(08)：17-23．

[12] 靳晶晶，王佩．基于卷积神经网络的图像识别算法研究[J]．通信与信息技术，2022，No．256(02)：76-81．

[13] 吴蓓，肖黎．基于卷积神经网络的农作物智能图像识别分类研究[J]．农机化研究，2023，45(12)：20-23+29．

[14] 史腾飞，尚家秀，吴宗航．基于卷积神经网络的图像分类改进方法研究[J]．现代信息科技，2023，7(05)：109-112．

[15] Qin Z，Yu C，Li Q，et al．Chronological classification of ancient paintings using appearance and shape features[J]．Pattern Recognition Letters，2014，49()：146-154．

[16] LIQQ，ZOUQ，MAD，et al．Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes[J]．Science China Information Sciences，2018，61(09)：1-14．

致谢

时光总是短暂的，眨眼间答辩已经结束了，我在学校的学习时光也已经结束了，虽然已经结束了学习生涯，但这只是我人生旅途中的一段小小的风景。在这里，我首先要感谢我的论文指导老师，老师对本次论文的选题、论文大纲、字体等等做了一系列的规定，感谢您对我的悉心指导和关心，您耐心地引导我完成了这篇论文。您的丰富的传业知识和严谨教学的态度使我获益良多。同时，也感谢您在我学习和生活中给予的支持和关爱。

其次，我要感谢所有传授我知识的老师们。正是因为他们诲人不倦以及辛苦的劳动，才能为我们上好每一分钟的课，最大程度的帮助我学习专业知识与技能，让我各方面素质的得到提高。同时，我也要谢谢与我一路同行的同学们，感谢他们的一路相陪，谢谢你们陪我度过这愉快的大学时光，给我的大学生活增添了无限的欢乐，祝我们的友谊长存。之后，我还要感谢我的家人和朋友们，在我学习上过程中陷入迷茫时给予我精神上的支持和鼓励。感谢你们对我一直以来的支持和理解，让我能够顺利完成学业。

最后，再次感谢所有给予我帮助和支持的人，有你们的帮助，我才能完成这篇论文，并取得这样的成果。

姓名

年  月  日

关键词：