發(fā)布時間：2021-03-31 06:33

　　國畫作為我國獨有的一種傳統(tǒng)繪畫藝術形式,在世界美術領域占有重要地位。欣賞和學習國畫藝術除了關注作品的畫面美感之外,還要了解作品的相關信息,包括作品從專業(yè)的角度如何分類。然而對國畫進行分類需要一定的專業(yè)知識和素養(yǎng),沒有國畫相關知識的普通觀賞者對國畫進行分類較為困難。本文設計與實現(xiàn)了一個國畫分類系統(tǒng)來幫助用戶對所拍攝的國畫進行自動化分類。本文對國畫分類系統(tǒng)的設計與實現(xiàn)過程進行了詳細描述,包括了對現(xiàn)有相關軟件和國畫分類方法的調(diào)研、相關技術的介紹。描述了系統(tǒng)的需求分析、設計與實現(xiàn),最后對系統(tǒng)進行了測試。本文的主要工作包括:（1）建立了一個按照題材和繪畫手法兩種分類標準標記的中國畫作品數(shù)據(jù)集,并在該數(shù)據(jù)集的基礎上對基于VGG-16的深度學習模型進行訓練。為了解決訓練樣本量較小的問題,采用遷移學習的方法訓練模型。實驗結(jié)果表明針對本文的國畫分類任務,遷移學習可以有效地提高模型的分類效果。（2）設計與實現(xiàn)了一個C/S架構(gòu)的國畫分類系統(tǒng)。其中系統(tǒng)的客戶端基于iOS操作系統(tǒng)實現(xiàn),主要負責UI交互、圖像獲取以及分類與匹配結(jié)果的展示。在客戶端的設計與實現(xiàn)上,通過GCD技術將UI界面的工作與其他任務,諸如圖像檢... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
縮略語表
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國畫的自動化分類方法
        1.2.2 相關應用現(xiàn)狀
    1.3 主要工作內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 相關技術概述
    2.1 客戶端開發(fā)相關技術
        2.1.1 iOS系統(tǒng)與開發(fā)框架
        2.1.2 iOS開發(fā)工具和語言
        2.1.3 GCD多線程技術
    2.2 服務器端開發(fā)相關技術
        2.2.1 服務器框架
        2.2.2 Redis數(shù)據(jù)庫
        2.2.3 Docker容器技術
        2.2.4 Elasticsearch搜索引擎
    2.3 深度學習
        2.3.1 深度卷積神經(jīng)網(wǎng)絡
        2.3.2 深度遷移學習
        2.3.3 深度學習開發(fā)框架Keras
    2.4 本章小結(jié)
第三章 國畫分類模型的實現(xiàn)
    3.1 建立數(shù)據(jù)集
    3.2 模型訓練的軟硬件環(huán)境
    3.3 模型訓練
    3.4 本章小節(jié)
第四章 需求分析與概要設計
    4.1 系統(tǒng)需求分析
        4.1.1 功能性需求
        4.1.2 非功能性需求
    4.2 概要設計
        4.2.1 系統(tǒng)框架設計
        4.2.2 系統(tǒng)功能模塊
        4.2.3 系統(tǒng)核心數(shù)據(jù)的存儲結(jié)構(gòu)設計
    4.3 本章小結(jié)
第五章 詳細設計與實現(xiàn)
    5.1 客戶端的設計與實現(xiàn)
        5.1.1 圖像獲取模塊
        5.1.2 圖像質(zhì)量評估模塊
        5.1.3 網(wǎng)絡傳輸模塊
        5.1.4 結(jié)果展示模塊
    5.2 服務器端的設計與實現(xiàn)
        5.2.1 服務器端架構(gòu)設計方案
        5.2.2 服務器框架
        5.2.3 圖像匹配模塊
        5.2.4 消息代理模塊
        5.2.5 分類服務模塊
    5.3 本章小結(jié)
第六章 國畫分類系統(tǒng)的測試
    6.1 測試環(huán)境與服務器端部署
        6.1.1 在Docker容器中部署服務器端
    6.2 功能性測試
    6.3 非功能性測試
        6.3.1 系統(tǒng)負載測試
        6.3.2 系統(tǒng)并發(fā)請求及響應時間測試
        6.3.3 實際分類正確率和匹配成功率測試
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文工作總結(jié)
    7.2 后期工作展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]深度學習認知計算綜述[J]. 陳偉宏,安吉堯,李仁發(fā),李萬里.  自動化學報. 2017(11)
[2]基于表現(xiàn)手法的國畫分類方法研究[J]. 高峰,聶婕,黃磊,段凌宇,李曉明.  計算機學報. 2017(12)
[3]基于卷積神經(jīng)網(wǎng)絡的繪畫圖像分類研究[J]. 肖志鵬,王小華,楊冰,姚金良.  中國計量大學學報. 2017(02)
[4]傳統(tǒng)中國畫的分類及欣賞[J]. 劉太雷.  美與時代(下半月). 2002(05)

博士論文
[1]基于視覺感知的中國畫圖像語義自動分類研究[D]. 鮑泓.北京交通大學 2012

碩士論文
[1]基于深度學習的水表檢測Android應用設計與實現(xiàn)[D]. 羅智勇.華南理工大學 2017
[2]基于Caffe平臺深度學習的人臉識別研究與實現(xiàn)[D]. 魏正.西安電子科技大學 2015
[3]基于語義標簽組織檢索方法的相冊應用的設計與實現(xiàn)[D]. 劉笑江.中山大學 2015
[4]中國畫傳統(tǒng)筆墨的時代演進[D]. 秦香石.哈爾濱師范大學 2012
[5]計算機輔助的國畫：分類、鑒別與系統(tǒng)[D]. 關曉惠.浙江大學 2005



本文編號：3110978