27、大型历史古迹逐石分割与手写文本识别技术解析

大型历史古迹逐石分割与手写文本识别技术解析

大型历史古迹逐石分割技术

在大型历史建筑的监测与维护中，石质分割是建立健康记录的关键步骤。为实现这一目标，我们采用了多种技术方法。

边缘检测与阈值分割方法

• Canny边缘检测 ：这是一种流行的图像分割边缘检测算法，采用多步检测来寻找图像中的各种边缘。其关键参数是滞后阈值，使用两个阈值（上阈值和下阈值）。为自动确定数据集图像的阈值，我们使用Sobel检测器提供的二值化阈值，高滞后阈值等于二值化阈值，低阈值固定为二值化阈值的0.4倍。这种组合能产生更精确的结果，减少因石头表面噪声导致的假边缘检测。
• OTSU阈值分割 ：该方法从灰度图像的直方图中自动定义阈值，将图像最佳分割为两类，在保持类内可变性的同时最大化可分离性。尽管简单，但在多种情况下能给出相当不错的结果。

这两种阈值分割方法都在将图像基于三个颜色通道的加权和转换为灰度图像后应用。

深度学习方法

• SegNet ：是一种用于语义分割的深度全卷积神经网络，基于编码器 - 解码器架构。编码器网络由VGG16网络的卷积层组成，包含13个卷积层并按块排列，每个卷积块后接一个最大池化层，池化使用2×2的核并存储最大池化的索引。多次池化导致空间分辨率显著降低，解码器通过上采样解决这一问题。解码器网络与编码器网络的各层对应，使用之前存储的最大池化索引进行上采样，随后是卷积层。最后，使用K类softmax分类器的像素分类层独立预测每个像素的类别。