基于人工智能算法的敦煌舞图像处理技术论文

SCI论文（www.lunwensci.com）:
 
 摘   要：在信息化高速发展的背景下，各行业电子信息数量逐渐增多，对于图像处理的需求相应形成，期望准确获取图像 中的信息，为各行业发展带来更多可能性。本文以人工智能算法为研究视角，以人工神经网络为算法研究方向，研究此算法在 敦煌舞图像处理中的应用，以展现人工神经网络的优势价值，获取更准确的图像信息，提升敦煌舞类别划分的精准性，助力敦 煌舞图像处理技术发展。

关键词：人工智能 ；卷积核 ；图像 ；敦煌舞


LIU Lei, YUAN Linde, WANG Zining, KANG Xinxin
(Xi an Conservatory of Music, Xian Shaanxi 710061)

【Abstract】： Under the background of rapid development of informatization, the amount of electronic information in various industries is gradually increasing, and the demand for image processing is formed accordingly. It is expected that information in images can be accurately obtained, which will bring more possibilities for the development of various industries. Based on artificial intelligence algorithm as the research perspective, research direction based on artificial neural network algorithm, the application of the algorithm in dunhuang dance image processing is studied, in order to show the advantage of artificial neural network value, obtain more accurate information about the image, improve classification precision, dunhuang dance help dance image processing technology development.

【Key words】： artificial intelligence;convolution kernel;image;dunhuang dance

0 引言

在图像处理环节中引入的人工智能算法，算法类别 包括遗传、蚁群等方式，用于对图像边缘进行测定、准 确切割图像、辨别图像信息、图像内容匹配、图像类别 划分等，具有较高的应用价值。现阶段人工智能算法的 应用体系尚未成熟，处于持续完善的状态，在时代发 展进程中，将会更多算法，以提升图像处理过程的完善性，带动智能算法处理敦煌舞人脸图像分类的有序发展。

1 人工神经网络概述

神经网络的智能技术，是以动物神经网络为基础，对其进行了模拟与智能演化，构建出具有数学推理的计 算模型，用于信息处理，借助模型内部各节点之间的关 联关系，达成图像处理的目标，表现出程序智能化、功 能自主完善、智能推理等优势。在图像压缩处理时，可 使用神经网络技术，在图像出入层位置设计若干个节 点，在中间传输位置设计较少数量的节点，在网络学习 完成时，借助较少数量的节点进行图像反馈，便于图像信息完整存储与有效交互，提升存储空间的节约效果， 增强信息传输有效性，便于图像输出位置准确展现各项信息。

学者 Blanz 在研究中给出了三层神经网络的信息处理模型，用于图像信息分割与处理。学者 Babaguchi 给出多层级图像信息处理的分类参数取值标准。学者 Ghosh在研究中，以较高噪音类别的图像为方向，使用神经网络进行分割。学者 J.Cao 在图像类别划分时，使用了 PCA神经网络，确保图像特征信息获取的全面性，有效完成了图像分类 [1]。学者 B.Lerner 在医学图像中引入了神经网络技术，完成了人类染色体各项影像信息的类别划分。结合各位学者的研究情况，能够发现 ：神经网络应用在各行业高精专业图像中，具有较强的信息提取、类别划分能力 [2]。


2 神经算法进行图像信息提取与处理的应用表现

2.1 敦煌舞影像信息提取的应用

2.1.1 神经算法的使用优势

图像信息分类与提取的结果，是敦煌舞图像分析的关键依据。对图像进行细节划分，使其成为若干个图像节点，进行局部图像细节查看，采取图像放大、图像读取等方式，以保障图像信息提炼的全面性与准确性。一般情况下，原有舞蹈图像处理时，集中引入了灰度特点、边缘测定两种方法。然而，在敦煌舞图像获取时存在的分辨率不高、信息完整性不全等问题，此种图像分割处理，并不适用于各类异常组织的检测活动。神经网络技术的引入，有效解决了原有分割方法的不足，切实提升了数据提取速度，增加了数据输出效果。如果将神经网络与分割两种技术进行融合处理，能够有效提升敦煌舞图像的处理效果，确保图像分割质量，提升图像分析能效。

2.1.2 应用表现

在舞蹈图像分析实践中有专家以神经网络为视角，进行了灰度处理、轮廓提取的多重技术融合，以此完善神经网络敦煌舞图像的处理功能。比如，Kuo 学者在研究中，使用了分水岭处理方法，借助图像分割优势，融合于神经网络算法，有效减少敦煌舞图像信息处理的精细性，尝试获取较小的图像分割单元。在此基础上，进行空间信息按类查找，确保图像分析的全面性。在图像处理时，配合其他算法联合开展图像分割，共同落实图像分析。分析结果发现 ：借助量化分析方法，能够有效获取神经网络结构的基础特征，有效发挥出算法的信息搜查、信息提取各项能力，显著提升了敦煌舞图像处理效 果，达成精准切割目标，顺应敦煌舞研究的各项要求。

在提取敦煌舞人物姿时，神经网络算法具有较为活 跃的应用优势。在识别舞蹈图像时，较为关键的图像信 息是微钙化，借助特定方式提升微钙化检测的有效性，然而在实践中仍然存在误诊与漏诊的情况。借助神经网 络算法，在进行微钙化问题排查时，能够显著提升图像 信息提取的有效性，在各类算法进行完成时，神经网络 能够智能判断壁画图像中的异常情况，切实舞姿误判等 问题，有效提升了敦煌舞姿图像效果。

学者 Powell 在研究中曾明确提出 ：借助神经网络 构建的信息处理模型，在用于图像信息排查时，仅需准 确添加出入参数，能够确保向量机分割精准性，在给予 相应训练后，神经网络具有更强的学习能力、信息存储效果，能够在数秒内获取敦煌舞图像信息的处理结果。

由此发现 ：相比传统图像分割处理方法，神经网络 表现出较强的图像分割优势。在神经网络完成数据训练 后，能够提升数据与图像的匹配准确性，切实增强诊断 效能。与此同时，神经网络图像在对图像进行分割处理 时，对于灰度与边界线并未给予较高依赖。在算法应用 时，不以概率分布为起点，由此获得了分割影像更具信 息展示能力，显著提升了图像诊断的准确性。此外，神 经网络算法在实践使用时，对于噪音、辐射等客观因素 的干扰，表现出较强的对抗能力，由此降低了伪影、虚 影各类图像处理问题，切实排除了不确定问题 [3]。

2.2 敦煌舞壁画线条检测

2.2.1 深度学习

在人工智能发展时期，神经网络算法相应获得了完 善，深度学习成为全新的智能发展方向。由 1958 年学 者 Rosenblatt 给出的信息感知分析模型，神经网络获 得了全面发展，发展至 2012 年，学者 AlexNet 再次提 出深度学习，形成全新的研究热潮。卷积神经网络具有 平移固定性、局部信息精练性，能够有效优化数据训练 次数，在图像分析中，可采取分块信息处理方式，能够 提升信息获取的全面性 [4]。


如图 1 所示，卷积类型的神经网络分析，相比全局分析更为精密。假设图像中的每个神经单元，有效 连接于长宽均为 10 的像素中，此时的权值数量结果为 1×108，数据量能够实际收回的指数倍数不多。


如图 2 所示是卷积层进行图像分析的过程示意图， 表现出卷积核的参数平移固定性，提升了神经网络数据 交互与共享的平稳性，以保障图像处理的完整性与高效 性。图 2 中给出的图像，是卷积分析完成时获得的图像 结果。假设单通道图像宽参数为 K、高参数为 H，卷积 核 w 对应参数为宽 k、高 h，则卷积分析获得的图像结 果 y，在图像第 i 横列、第j 竖列的公式表达方式为 ：

      

关系式中 u 与 v 分别对应的是图像与目标图的分析节点，x 表示是原分析图像。

2.2.2 敦煌舞壁画舞蹈姿势检测应用

2020 年在对《供养菩萨》进行信息采集与图像分析 时，使用了卷积神经分析方法。敦煌舞壁画则有佛图象、 乐奏、飞天等 [5]。采集光线包括强光照、弱光照等类别。拍摄时间为上午 8 点至下午 17 点。采集数据表现出
差异性，便于图像分析与检测。检测结果如表 1 所示。 


文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/34310.html