基于贝叶斯方法的超高分辨率多模态绘画图像裂纹检测
计算机视觉与模式识别
2013-04-24 v2 机器学习
摘要
文化遗产的保护至关重要。得益于数字采集技术的最新发展，强大的图像分析算法得以开发，可作为辅助艺术修复与保护的非侵入式工具。本文提出了一种半监督裂纹检测方法，适用于来自不同模态的高维绘画采集数据。我们的数据集包含最近采集的《根特祭坛画》（1432 年）图像集，这是北欧最重要的艺术杰作之一。我们的目标是构建一个分类器，能够从由非裂纹像素组成的背景中区分出裂纹像素，并充分利用每种模态提供的信息。为此，我们采用了一种最近开发的非参数贝叶斯分类器，该分类器利用张量分解来刻画任意条件概率。我们在分解参数上设置了先验，使得允许预测变量之间的所有可能交互，同时仍能识别出其中的稀疏子集。我们将所提出的贝叶斯分类器称为条件贝叶斯张量分解（CBTF），并通过将其分类结果与随机森林（RF）算法进行视觉比较来评估其性能。
引用
@article{arxiv.1304.5894,
title = {Bayesian crack detection in ultra high resolution multimodal images of paintings},
author = {Bruno Cornelis and Yun Yang and Joshua T. Vogelstein and Ann Dooms and Ingrid Daubechies and David Dunson},
journal= {arXiv preprint arXiv:1304.5894},
year = {2013}
}
备注
8 pages, double column