- A+
网络图片范文第1篇
1、搜索引擎识别图片格式
流行的图片格式是jpg，gif，png，最流行的也是最适合的。图标用gif，照片用jpg，png多少用于照片。
2、图片描述
用适当的词汇来描述图片，准确，简单明了，添加关键词。alt属性
3、吸引搜索引擎抓取
如何吸引蜘蛛抓这个图片，可以增加链接，在文章中添加相关图片的说明，也有利于读取。
4、图片的大小
为图片分为大小格式，如果你网站会自动生成大中小图片，这就和重复网页一样，最好能屏蔽掉另外两个。
如何利用图片进行推广？
(1)添加水印
为图片添加水印，特别是有自己版权的图片，最好加上水印，第一：可以防止你辛辛苦苦拍的照片满天飞，甚至别人加了水印；第二：在图片被索引或别人转用你图片的时候，可以增加你网站的曝光度。(2)图片网站
图片行业网站是搜索引擎抓取图片的来源，在网络推广中，以在这些大型门户网站中添加自己产品的图片，有利用推广。
(3)图片效果
网络图片范文第2篇
关键词：图片；视频；网络；监控
中图分类号：TP391文献标识码：A文章编号：1009-3044-(2012)11-2628-03
1开发背景
视频是一副副静态图片的连续动态呈现。如果我们关注的不是某一事件发生的连续过程，而是某一事件是否发生，发生时的现场状况如何，高清晰的数字图片就能达到反映现场状况的目的，在这种情况下，高成本的实时视频传输就显得“大材小用”了。我们能否以“图片监控”的思路，来达到某些应用场景下的监控目的呢？答案是肯定的。事实上由于相对于视频，图片具有清晰度高、传输占用带宽低、存储占用空间小、易于检索等特点，在某些应用场合，采用图片监控比视频监控更合适。
2图片监控
“图片监控”是以图片作为信息载体的监控应用方式。它将数码相机或摄像头在监控现场采集到的高清晰数字图片，通过有线或无线通信网络进行传输，再通过智能化的计算机软件将它们即时呈现在远端的用户面前，让人们通过高清晰的数字图片，实时了解前方现场的状况，从而达到远程联网监控的目的。
2.1图片监控的适用范围
1）事件敏感场景，视频监控“不必需”：这一类的应用场景通常只关注某一事件是否发生，而非事件发生的动态连续过程。例如环保领域工地杨尘监控，通过高清晰的数字图片就能反映现场工地杨尘情况；再例如安保领域门禁和通道的监控、无人值守设备防盗监控，我们只需要在前方监控设备上加入一些触发机制，如传感器触发、红外触发等，就可在外人侵入时，自动抓拍现场高清晰图片，并自动推送到监控中心，发起警报，监控中心便可以迅速采取措施，同时侵入人的特征也通过高分辨率的图片保留下来，利于查证。
2）监控点网络条件差，视频监控“不方便实施”：某些监控的应用环境决定了如果要部署大量视频监控点，费用非常高，例如监控点分散在海上、偏远地区等。图片监控由于传输的是图片，对网络带宽要求相对较低，只要能打电话、包括移动电话的地方，就能满足图片传输的网络需求，进行图片监控。
3）对场景清晰度要求高，“视频图像清晰度不够”：例如交管监控中对车牌号的记录、防汛中对水位线高度的远程监控、远程技术支持中对仪器部件和电路板的远程查看等等。数字视频的分辨率一般是远低于数字图片的，在北京就发生过居民小区里的汽车被砸，视频记录了全过程，却无法看清砸车人所乘车辆的车牌号的事件。
2.2图片监控的抓拍
实现图片监控的首要问题是：图片是不连续的，如何控制拍照的时机，保证准确、及时抓拍处于被监控范围的场景图片？
1）结合各行业的实际应用，通过不同的触发机制对不同的环境实施昼夜监控，如温度传感器、湿度传感器、电压传感器触发；微波探测器、声音探测器、振动探测器以及红外探测器触发等。这些触发装置输出的报警信号，可以触发前端设备自动作出如下一系列的动作：首先控制电动云台将摄像头或照相机自动对准事发现场，然后自动进行拍摄，并将拍摄的高清晰现场图片自动推送到监控中心，同时发起警报。
2）通过联动装置对监控的场所进行多角度，全方位的监控。除此之外还可根据需要远程进行抓拍，或设置时间间隔来定时自动拍摄。这些灵活的拍照设置机制、远程抓拍机制和自动触发机制，充分保障了用户得到想要的图片。
2.3图片视角范围小、监控范围有限问题的解决
普通的网络视频监控视角固定，使得监控范围受限，虽然可采用球面镜头，但仍需要通过云台控制来不停的改变监控视角。静态图片，通过全景成像技术则完全可以扩展其监控范围，全景图片视角范围可以达到全视角（360ox360o），只需进行一次拍摄，监控现场就可一览无遗。该技术目前均采用硬件和软件结合的解决方案，前端既可采用数码相机+外接式鱼眼镜头或柱面镜头进行广角图片的采集；也可通过摄像头在不改变硬件的条件下，利用智能识别和数字图像处理算法，实时拍摄360度广角照片（用30万像素的摄像头可拍摄高达200万像素的全景照片）。然后将抓拍的广角照片通过软件技术进行自动展开和拼接等处理，生成一幅三维的全景照片，此项技术不但可以有效扩展拍摄角度，提高拍摄质量，更可以给用户带来真实地现场感和交互的感受。
2.4图片清晰程度的把握
数字化监控行业对数字视频监控产品提出两项要求：首先要求数据量低，保证系统能够长时间录像和稳定实时的网络传输；其次要求回放图像清晰度高，满足对细节的要求。因此，视频监控始终面对着“数据量”和“图像清晰度”这两个因素之间的权衡，目前视频监控行业中，CIF（352*288）录像分辨率是主流分辨率，绝大部分产品都采用CIF分辨率。
而使用图片作为信息载体，则“鱼和熊掌”得兼，在低数据量条件下，得到高分辨率的图像信息。以北京普讯科技有限公司的“快照通”即时图片通信系统为例，此系统采用以下两种方式来获取图片：一种是从视频流当中捕获，通常采用摄像头作为视频流的输入，再通过其他硬件设备从视频流当中捕获其中的某一帧进行加工处理作为图片输出，图片分辨率一般为720*576，大小为20~ 30k。另一种是通过数码相机采集图片，数码相机能拍摄多高分辨率的图片，系统就能即时获取并传输多高分辨率的图片。目前，国内较低价位的数码相机已经达到300万像素（分辨率为2048 x 1536）、远高于视频图像分辨率。
采用“快照通”即时图片通信系统，将前方场景通过高清晰数字图片分毫毕现，特别适合对图片精细度有较高要求的监控应用。
2.5图片的网络传输速度
相对于远程数字视频传输，图片传输占用带宽更低，网络传输速度更快。通常情况下一张图片在不同的网络环境下需要传输多长时间呢？表1与表2是一张300K的数字图片在不同的有线和无线网络环境下实测的数据。
表1有线传输
表2无线传输
2.6系统对图片进行的管理
用户可通过在计算机上安装专门的软件，或通过浏览器登陆Web界面对前方传来的图片进行接收、存储和管理。系统可以自动标注每一张图片来自的监控地点和拍摄时间，因此很容易进行分类、管理，以及日后的精确检索。基于Web的应用方式，使得用户可以随时随地对前方场景的图片进行浏览和管理，只要他有一台能够接入互联网的电脑，或者甚至是PDA、手机等移动通信终端。
2.7系统安装使用的方便性
虽然视频监控在监控市场占据着主导地位，但其在安装、使用、和管理过程中表现出的复杂性一直在困扰着用户。事实上，人们期望通信产品能够成为一种更为高效、灵活和方便的选择，能够很快熟练的使用，而不必花费过多的时间和精力去学习、记忆那些复杂的操作，以及对系统进行经常的维护。
显然图片监控在这方面有着独特的优势，其前端设备均采用嵌入式的设计，对于摄像头输入的模拟视频信号，通过嵌入式编码器转换成数字信号，再经过压缩处理模块将数字视频图片压缩成JPEG格式；对于数码相机输入的数字照片也是通过嵌入式设备完成处理。同时系统还具备前端自动推送图片、断线重连、断点续传等强大的传输功能，支持基于Web的远程控制和远程管理，用户界面简洁友好，使用方便。此外，系统采用模块化的设计方式，可根据用户需求灵活扩展各项通信功能，或集成到其它监控系统中使用。
2.8图片监控的费用
相对于视频监控，图片监控绝对是一种低成本投入的监控解决方案，它可在如下几个方面节约成本：
1）网络建设和使用费用：图片监控无需象视频监控那样花费大量资金铺设光纤或电缆专线，或以不菲的价格租用专门的信道或联网服务，它可充分利用Internet或CDMA等公用网络工作，相对于视频监控，网络建设和使用成本低得多。
2）设备：图片监控对硬件设备的处理能力要求比视频监控要低得多，用户甚至可以不购买、维护服务器，只是购买系统平台提供的图片即时传输和接收管理服务，因此在设备成本上也远远低于视频监控设备。
3）存储：图片存储较视频存储占用空间要小的多，不必花费大量资金来提高服务器存储容量，或单独购买DVR等数字存储设备。
进行过计算，图片监控每个监控点的平均费用，大约是目前视频监控的1/4-1/3。
3结束语
图片监控是针对监控领域不同的应用需求，进行市场细分的结果。它并不是要取代视频监控，但是在实际的监控应用中，确实存在一些视频监控“不必要”、“不方便实施”的情况，在这些情况下使用图片监控，无疑是很合适的，况且成本又很低。此外，图片监控还可以集成到视频监控系统中，让用户在看到连续的视频图像的同时，对重点关注的场景抓拍高清晰的图片，解决有些应用需求中“视频图像清晰度不够”的问题。
图片监控在可靠性方面较视频监控也有着明显的优势，众所周知视频均采用UDP协议进行传输，也就是说它的传输是不完全可靠的，也不具有重传性，但图片不同于视频，它采用可靠的TCP协议进行传输，对于发送不成功或发送不完整的照片可重新发送，并且由于其占用空间小，可在本地首先进行存储，再进行传输，决不会出现数据丢失的现象。
参考文献：
网络图片范文第3篇
关键词关键词：深度学习；卷积神经网络；古玩图片；图像识别
DOIDOI：10.11907/rjdk.162768
中图分类号：TP317.4
文献标识码：A文章编号文章编号：16727800（2017）005017405
0引言
随着电子商务的发展，大批艺术品交易网站随之兴起，藏品交易规模也越来越大。而当前的古玩网上交易平台还不能够实现对现有藏品图片的自动分类，客户在寻找目标藏品时不得不在众多图片中一一浏览。因此需要一种有效的方法来完成面向图像内容的分类。
在基于内容的图像检索领域，常使用人工设计的特征-如根据花瓶、碗、盘子的不同形态特征：目标轮廓的圆度、质心、宽高比等[1]，继而使用BP神经网络、SVM分类器等对特征进行学习分类。文献[2]基于植物叶片的形状特征，如叶片形状的狭长度、矩形度、球状性、圆形度、偏心率、周长直径比等，利用BP神经网络实现对植物叶片进行分类。文献[3]研究印品图像的各类形状缺陷，利用图像缺陷形状的轮廓长度、面积和圆形度等几何特征，导入SVM分类器进行训练，得到分类器模型实现分类。文献[4]提出了一种基于Zernike矩的水果形状分类方法，通过提取图像中具有旋转不变性的Zernike矩特征，并运用PCA方法确定分类需要的特征数目，最后将这些特征输入到SVM分类器中，完成水果形状的分类。上述方法都要求对目标形状分割的准确性，而分割过程中由于存在目标阴影、目标分割不完整问题，会影响到人工特征的准确选取。除了上述人工特征外，最常用的特征是HOG[5，6]、SIFT[7，8]等。HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。HOG表示的是边缘结构特征，因此可以描述局部形状信息。SIFT在图像的空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。SIFT特征对于旋转、尺度缩放、亮度变化保持不变。但是，这两种特征在实际应用中，描述子生成过程冗长、计算量太大。而且在上述方法征设计需要启发式的方法和专业知识，很大程度上依靠个人经验。
卷积神经网络不需要手动设计提取特征，可以直接将图片作为输入，隐式地学习多层次特征，进而实现分类[9]。相比目前常用的人工设计特征然后利用各分类器，具有明显的优势。近年来，卷积神经网络已成为语音、图像识别领域研究热点。它的权值共享特点使得网络复杂度降低，权值数量减少。而且，卷积神经网络直接将图片作为输入，避免了复杂的特征设计和提取，具有一定的平移、缩放和扭曲不变性[10]。本文采用卷积神经网络对古玩图片进行分类。首先，将背景分离后的图片作为网络的输入，相比原图作为输入，此方法的网络结构更加简单。然后，卷积层通过不同的卷积核对输入图片进行卷积得到不同特征图，采样层进一步对特征图进行二次提取，最终提取到合适的特征输入分类器进行分类，而在卷积层、采样层征图的大小、数目都会影响到网络的分类能力。因此，本文通过优化网络参数，使网络达到较好的分类效果。
1卷积神经网络
1989年，LECUN等[11]提出了卷积神经网络（Convolution Neural Networks，CNN），CNN是一种带有卷积结构的深度神经网络，一般至少有2个非线性可训练的卷积层、2个非线性的固定采样层和1个全连接层，一共至少5个隐含层[12]。百度于2012年底将深度学习技术成功应用于自然图像OCR识别和人脸识别，此后深度学习模型被成功应用于一般图片的识别和理解。从百度经验来看，深度学习应用于图像识别不但大大提升了准确性，而且避免了人工特征抽取的时间消耗，从而大大提高了在线计算效率[13]。
卷积神经网络作为一种高效的深度学习方法[14]，在许多图像识别方面取得了很好的成效[1519]。该网络作为一种多隐层神经网络，可以提取图像的多层次特征进行识别。
卷积神经网络主要包括卷积层和采样层，卷积层通过可学习的卷积核对输入图片进行卷积得到特征图，卷积操作即加强了输入图片的某种特征，并且降低噪声。卷积之后的结果通过激活函数（通常选择Sigmoid函数或Tanh函数）作用输出构成该层的特征图。特征图上的每一个神经元只与输入图片的一个局部区域连接，每个神经元提取的是该局部区域的特征，所有神经元综合起来就得到了全局特征，与神经元相连接的局部区域即为局部感受野[20]。而在卷积层中一般存在多张特征图，同一张特征图使用相同的卷积核，不同特征图使用不同的卷积核[21]，此特点称为权值共享，即同一张特征图上的所有神经元通过相同的卷积核连接局部感受野。卷积神经网络的局部感受野和嘀倒蚕硖氐愦蟠蠹跎倭送络训练的参数个数，降低了网络模型的复杂度。
采样层对卷积层提取到的特征图进行局部非重叠采样，即把特征图分为互不重叠的N×N个子区域，对每个子区域进行采样。卷积神经网络的采样方式一般有两种：最大值采样和均值采样。最大值采样即选取区域内所有神经元的最大值作为采样值，均值采样为区域内所有神经元的平均值作为采样值。最大值采样偏向于提取目标的特征信息，而均值采样偏向于提取背景的特征信息[22]。采样后的特征平面在保留了区分度高特征的同时大大减少了数据量，它对一定程度的平移、比例缩放和扭曲具有不变性。
卷积神经网络通过卷积层和采样层的循环往复提取到图像由低层次到高层次的特征，最后一般通过全连接层将所有特征图展开得到一维向量，然后输入到分类器进行分类。
卷积神经网络在处理二维图像时，卷积层中每个神经元的输入与上一层的局部感受野相连接，并提取该局部的特征，权值共享特点又使得各神经元保持了原来的空间关系，将这些感受不同局部区域的神经元综合起来就得到了全局信息。采样层对特征图进行局部特征提取，不会改变神经元之间的空间关系，即二维图像经过卷积层、采样层仍然保持二维形式。因此，卷积神经网络有利于提取形状方面的特征。虽然卷积神经网络的局部感受野、权值共享和子采样使网络大大减少了需要训练参数的个数，但是该网络作为多隐层神经网络还是十分复杂的。对于不同的数据库，为了达到比较好的分类效果，网络的层数、卷积层特征图个数以及其它参数的设置都需要探究。
2基于卷积神经网络的古玩图片分类
2.1特征提取及传递
不同古玩的主要区别在于形状不同，而花瓶、盘子和碗在古玩中最常见，因此将这3类图片作为实验对象，对于其它种类的古玩图片的分类，该网络同样适用。卷积神经网络采用如下图所示的5层网络结构，并对网络各层的特征图数目、大小均作了修改。对于网络的输入，先将原图像进行目标与背景分割，然后进行灰度化、统一分辨率的处理，最后输入到卷积神经网络。由于训练卷积神经网络的根本目的是提取不同古玩的特征，而背景不是目标的一部分，对古玩识别来说并不提供任何有用的信息，反而对特征的提取造成干扰，所以去除背景噪声后，网络结构会更加简单，同时也利于网络对特征的学习。但是因为进行了去背景的预处理，网络也失去了对复杂背景下图片的识别能力，所以使用该网络进行古玩图片分类前都要进行目标分割的预处理过程。
卷积神经网络对古玩图片的特征提取过程如下：
（1）输入网络的图片为100×100大小的预处理图，卷积神经网络的输入层之后为卷积层，卷积层通过卷积核与输入图像进行卷积得到特征平面，卷积核大小为5×5。如图2所示，特征平面上每个神经元与原图像5×5大小的局部感受野连接。卷积核移动步长为1个像素，因此卷积层C1的特征平面大小为96×96。这种卷积操作在提取到输入图像的某一方面特征时，必然会损失掉图像的其他特征，而采取多个卷积核卷积图像得到多个特征平面则会一定程度上弥补这个缺陷。因此，在卷积层C1中使用了6个不同的卷积核与输入图像进行卷积，得到6种不同的特征平面图。如图3所示，同一张特征图上的所有神经元共享一个卷积核（权值共享），图中连接到同一个特征图的连接线表示同一个卷积核，6个不同的卷积核卷积输入图片得到6张不同的特征平面图。卷积之后的结果并非直接储存到C1层特征图中，而是通过激活函数将神经元非线性化，从而使网络具有更强的特征表达能力。激活函数选择Sigmoid函数。
卷积层中所使用的卷积核尺寸若过小，就无法提取有效表达的特征，过大则提取到的特征过于复杂。对于卷积层征图个数的设置，在一定范围内，特征图的个数越多，卷积层提取到越多有效表达原目标信息的特征，但是特征图个数如果过多，会使提取到的特征产生冗余，最终使分类效果变差。卷积层的各平面由式（1）决定： Xlj=f（∑i∈MjXl-1j*klij+blj）（1）
式（1）中，Mj表示选择输入的特征图集合，l是当前层数，f是激活函数，klij表示不同输入特征图对应的卷积核，blj为输出特征图对应的加性偏置。
（2）卷积层C1后的采样层S1由6个特征平面组成，采样层对上一层特征图进行局部平均和二次特征提取。采样过程如图4所示，特征平面上的每个神经元与上一层4×4大小的互不重合的邻域连接进行均值采样，最终每个平面的大小为24×24。采样层的各平面由式（2）决定：
Xlj=f（βljdown（Xl-1j）+blj）（2）
式（2）中，down（.）表示一个下采样函数，l是当前层数，f是激活函数，βlj表示输出特征图对应的乘性偏置，blj为输出特征图对应的加性偏置。
（3）卷积层C2与C1层操作方式一样，唯一区别的是C2层每个特征图由6个不同的卷积核与上一层6个特征图分别卷积求和得到，因此C2层一共有6×6个不同的卷积核，卷积核大小为5×5，C2层每个平面大小为20×20，共6个特征平面。
（4）采样层S2与S1层操作一样，对上一层4×4大小邻域进行均值采样，输出6个5×5大小的特征平面。本文所用的网络共包括2个卷积层、2个采样层、1个全连接层，由于输入图片已经过背景分离的预处理，采样层S2特征图大小为5×5，所以图1所示5层网络已经有很好的表达能力。如果直接将原图作为输入，那么网络的层数以及特征图的个数将比图1所示的网络更加复杂。
（5）全连接层将上一层6个5×5大小的二维平面展开成为1×150大小的一维向量输入Softmax[23]分类器，输出层一共有3个神经元（即分类的种类数目），分类器将提取到的特征向量映射到输出层的3个神经元上，即实现分类。
2.2网络训练
训练方式为有监督地训练，网络对盘子、花瓶和碗共三类图片进行分类，所以分类器输出一个3维向量，称为分类标签。在分类标签的第k维中1表示分类结果，否则为0。训练过程主要分为两个阶段：
第一阶段：向前传播A段。
将预处理过的图片输入卷积神经网络计算得到分类标签。
第二阶段：向后传播阶段。
计算输出的分类标签和实际分类标签之间的误差。根据误差最小化的原则调整网络中的各个权值。分类个数为3，共有N个训练样本。那么第n个样本的误差为：
En=12∑3k=1（tnk-ynk）2（3）
式（3）中，tn表示第n个样本的网络输出标签，tnk对应标签的第k维，yn表示第n个样本的实际分类标签，ynk对应标签的第k维。为了使误差变小，利用权值更新公式（4）更新各层神经元的权值，一直训练直到网络误差曲线收敛。
W（t+1）=W（t）+η・δ（t）・X（t）（4）
式（4）中，W（t）表示算第n个样本时的权值，W（t+1）表示计算第n+1个样本的权值，η为学习速率，选取经验值，δ为神经元的误差项，X表示神经元的输入。
3实验结果及分析
实验在MatlabR2012a平台上完成，CPU 2.30GHz，内存4GB，所采用的图像由相关古玩网站提供，分辨率统一格式化为100×100。由于盘子、花瓶和碗在各种古玩种类中它们之间的形状差别比较明显，本文实验对这三类古玩图片进行分类。对古玩图片进行了水平翻转处理，增加图片数据量，以加强网络对古玩图片分类的鲁棒性。实验数据如表1所示，图5列出了3类图片的部分样本，实验所用图片均与图5所示图片类似，背景比较单一，少数图片下方有类似阴影。
为了形象表示网络各层提取的不同特征，图6展示了当网络输入为盘子时的各层特征图。卷积层C1中6张特征图分别提取到了输入图片的不同特征，而由于权值共享，同一张特征图中神经元的空间关系保持不变，所以6张特征图都抓住了盘子的圆形特征。采样层S1对C1进行均值采样，相当于模糊滤波，所以S1层各特征图看起来模糊了一些。卷积层C2中每张特征图由6个不同的卷积核卷积S1层各特征图叠加而成，S2层与S1层处理方式相同。
为了说明将背景分离后的图片作为输入的网络与原图输入的网络之间的差异，设计了如表3所示的两种网络结构，网络CNN4只需要4层网络层就可以达到0.19%的错误率，而原图作为输入的CNN8共6层网络层，在网络达到收敛的情况下，错误率为5.24%。由此可以说明，将背景分离后图片作为输入的网络结构更加简单。
网络的训练采用了批量训练方式，即将样本分多批，当一批样本前向传播完之后才进行权值更新，每批大小为100，训练集共2 200张图片，网络迭代次数为1时共进行22次权值更新，所以权值更新的计算次数与迭代次数有如下关系：
计算次数=22×迭代次数（5）
图7为网络在训练集上的误差曲线图，横坐标为误差反向传播的计算次数，纵坐标为训练集上的均方误差。可以看出，当网络训练次数达到270次（计算次数约6 000）时，训练集误差趋于平缓，网络已经基本拟合。训练好的网络可以用来对测试集图片进行分类，表4为不同迭代次数下训练的网络在测试集上的分类错误率，可以看出迭代次数在达到270次后，网络在测试集的错误率收敛，此时只有2张图片出现分类错误。
表5给出了图像分类算法中常用的人工特征+BP神经网络、人工特征+SVM分类器以及Hog特征+SVM分类器与CNN方法的性能比较。人工设计的特征包括图片中目标轮廓的最大长宽比、质心、圆度等特征。从准确率方面来看，CNN方法的准确率高于其他方法，Hog特征方法的准确率远远高于人工特征的方法，说明了特征的好坏对图像分类效果有着很大程度上的影响，CNN提取到的特征比Hog和人工设计的特征更具代表性。从测试时间来看，Hog方法与CNN方法相差不多，采用人工特征的方法时间最长。综合两个方面，CNN方法在测试时间和HOG方法相近的情况下，准确率最高。
4结语
针对网上古玩图片分类问题，为了克服现有算法中人工设计特征困难以及往往依赖个人专业经验的不足，提出一种基于卷积神经网络的方法。将背景分离后的目标图片作为网络输入，可以实现自动提取特征进行分类，背景分离后图片作为网络输入使得网络结构更加简单，并且设置了合适的特征图个数以使网络在古玩图片集上取得较好的分类准确率。实验数据表明，该方法能够解决网上古玩图片的分类问题，并且分类准确率达到99%，其准确率优于常用的Hog特征以及人工特征方法。另外该方法不仅可以应用于网上古玩图片，还可应用于鞋类、服装等其它商品图像的分类。
参考文献参考文献：
[1]K KAVITHA，M.V.SUDHAMANI.Object based image retrieval from database using combined features[C].in Signal and Image Processing （ICSIP），2014.
[2]董红霞，郭斯羽，一种结合形状与纹理特征的植物叶片分类方法[J].计算机工程与应用，2014，50（23）：185188.
[3]舒文娉，刘全香，基于支持向量机的印品缺陷分类方法[J].包装工程，2014，35（23）：138142.
[4]应义斌，桂江生，饶秀勤，基于Zernike矩的水果形状分类[J].江苏大学学报：自然科学版，2007，28（1）：3639.
[5]ZHU Q，YEH M C，CHENG K T，et al.Fast human detection using acascade of histograms of oriented gradients[C].Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2006.
[6]M VILLAMIZAR，J SCANDALIANS，A SANFELIU bining colorbased invariant gradient detector with Hog descriptors for robust image detection in scenes under cast shadows[C].In Robotics and Automation，ICRA IEEE International Conference on.Barcelona，Spain：IEEE，2009.
[7]CHEN J，LI Q，PENG Q，et al.CSIFT based localityconstrained linear coding for image classification[J].Formal Pattern Analysis & Applications，2015，18（2）：441450.
[8]AHMAD YOUSEF K M，ALTABANJAH M，HUDAIB E，et al.SIFT based automatic number plate recognition[C].International Conference on Information and Communication Systems.IEEE，2015.
[9]LAWRENCE S，GLIES C L，TSOI A C，et al.Face recognition：a convolutional neuralnetwork approach[J].IEEE Transactions on Neural Networks，1997，8（1）：98113.
[10]TREVOR HASTIE，ROBERT TIBSHIRANI，J FRIEDMAN.The elements of statistical learning[M].New York：Springer，2001.
[11]Y LECUN，L BOUOU，Y BENGIO.Gradientbased learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：22782324.
[12]DAHL J V，KOCH K C，KLEINHANS E，et al.Convolutional networks and applications in vision[C].International Symposium on Circuits and Systems （ISCAS 2010），2010：253256.
[13]余凯，贾磊，陈雨强，等.深度学习的昨天、今天和明天[J].计算机研究与发展，2013（09）：17991804.
[14]MAIRAL J，KONIUSZ P，HARCHAOUI Z，et al.Convolutional kernel networks[DB/OL].http：///pdf/1406.3332v2.pdf.
[15]Z世杰，杨东坡与刘金环，基于卷积神经网络的商品图像精细分类[J].山东科技大学学报：自然科学版，2014（6）：9196.
[16]程文博等，基于卷积神经网络的注塑制品短射缺陷识别[J].塑料工业，2015（7）：3134，38.
[17]邓柳，汪子杰，基于深度卷积神经网络的车型识别研究[J].计算机应用研究，2016（4）：14.
[18]T JONATAN，S MURPHY，Y LECUN，et al.Realtime continuous pose recovery of human hands using convolutional networks[J].ACM Transaction on Graphics，2014，33（5）：3842.
[19]S SKITTANON，A C SURENARAN，J C PLATT，et al.Convolutional networks for speech detection[C].Interspeech.Lisbon，Portugal：ISCA，2004.
[20]HUBEL D H，WIESEL T N.Integrative action in the cat's lateral geniculate body[J].Journal of Physiology，1961，155（2）：385398.
[21]JAKE BOUVRIE.Notes on convolutional neural networks[DB/OL].http：///5869/1/cnn_tutorial.pdf.
网络图片范文第4篇
[关键词]拓片 著录 标引 元数据 特色数据库
1 引言
拓片是通过捶拓的方法，将镌刻在金石器物上的铭文与图画拓印到宣纸上的一种特殊文献。拓片以其较高的史料价值、艺术价值及文物价值，历来被视为中华民族文化的瑰宝。但由于拓片文献载体的特殊性，图书馆在收藏管理和提供阅览服务时面临区别于一般文献的问题和困难。收藏管理的首要问题是拓片的著录与分类保存，目前指导图书馆文献分类著录的“分类法”尚不能满足对拓片详细分类著录的需要，常规图书资料的排架借阅管理方式也不适用与拓片。拓片的珍贵性和安全保护的要求决定了拓片阅览服务的局限性，这些都是长期以来影响图书馆拓片资源利用的主要因素。笔者所在的洛阳师范学院图书馆是一所利用地域文化优势收藏墓志拓片在国家同类高校中数量较多、质量较高的图书馆，本馆参建的中国高等教育文献保障系统CALIS“十五”专题特色数据库子项目“河洛文化文献专题数据库”(项目编号4401—2—070，2007年结项获三等奖)，依据国家“数字图书馆标准与规范”对馆藏拓片进行著录与建库，借助现代数字图书馆网络技术，较好地解决了拓片保存和利用之间的矛盾，使珍贵的拓片资源得到了有效利用。本文结合实践就“拓片原件的著录”和“拓片数字图像的建库与网络”进行介绍和探讨。
2 拓片原件的著录
“拓片原件”指的是从器物上捶拓而得的原拓拓片实物，主要区别于同一拓片的复制品或数字图像。拓片原件的著录是从目录学的角度，对拓片的诸多著录项目依照一定的著录法则进行著录，同时兼顾到拓片数据库元数据制订时拓片元素名称与著录项目的对应关系。
典藏号项：典藏号的主要功能是便于排架和检索。典藏号以数字编码或以字母、数字相结合混合编码构成，有以下几种形式：①文献类别代号+顺序号+盒号；②文献类别代号+朝代号+年代号+盒号；③文献类别代号+盒号+顺序号；④朝代号+别页序号+盒号；⑤朝代号+盒号+别页序号；⑥分类号+别页序号+盒号；⑦分类号+盒号+顺序号。收藏单位可根据情况选择一种标识系统作为典藏号，如RUB 0001:1，RUB表示文献类别(墓志拓片)，0001表示顺序号，:1表示盒号。
原题名项：原题名是指墓志本身原有的题名。一般位于墓志首行，记述死者的朝代、官职、籍贯、姓氏等。但少数墓志的题名在志文的末尾。如《曹夫人李氏墓志》，首行为撰文者，末尾题“扶风曹氏夫人陇西李氏墓志铭并序”，此种情况，仍视为原题名著录。
名称项：原题名情况比较复杂，有的含有朝代、历任官职、任职地点、皇帝赐名等多达几十字，如《孙汉绮墓志》，原题名为“宋故推忠翔戴功臣光禄大夫检校持保使口即和州诸军事行和州刺史充木州团练使兼御史大夫上柱国乐安郡开国候食邑一千户孙公墓志铭并序”，作为题名项太烦琐，还有的墓志根本就没有题名或题名意义不明确。鉴于此，著录时可拟定一个简单明了的名称，说明某人之墓志即可。
责任者项：对创建拓片资源内容负责任的实体。责任者包括撰、撰并书、编、辑、述、篡、注、译、绘、篆、刻、书额、篆额、书盖、篆盖、摹、镌、造、立等不同的责任方式。著录时不同责任方式之间用逗号或分号隔开。
金石年代项：金石文字和图像内容产生与刻制的日期。1949年之前著录中历纪年，顺序为：中国朝代、帝号、纪年(相应的公元纪年)、纪月、纪日及依据。1949年之后著录公元纪年、月、日及依据。朝代著录推荐使用“中国历史朝代名称著录规范表”。
金石所在地项：著录墓志刻立、出土和收藏处所。以国家、省市自治区、县、乡、处所名称顺序著录。
语种项：拓片资源内容文字的语种。如汉、满、蒙、藏文、契丹、西夏文、阿拉伯文、英文、法文等。
版本项：因金石刻制、捶拓不同而产生的不同特征的拓片类型。版本特征如：捶拓时间、技法、色托、出版地、出版者、版次等。例：《陆亘墓志》，墨拓，初拓，1998年3月15日拓。
拓本形态项：拓片资源的外观形态。著录拓片的保存形式、托裱装订、数量、尺寸、附件等。
书法特征项：著录拓片文字的书体、书写特征、原器物铭文行款、存字数量等信息。除书体外，其他内容可选择著录。例：志正书，34行，行36字，志盖篆书，5行，行6字。
文献记载项：著录关于该墓志已有文献的记载情况：①其他文献中收录该墓志的情况记载；②关于墓主的生平事迹、祖系亲属以及撰文者、书丹者、篆盖者等的史料记载，如《屈突通墓志》：《千唐志斋藏志》上册9页有载；屈突通，两唐书中均有传。
附注项：对拓片资源内容的描述及对各著录项目的补充说明。包括金石附注、拓片附注、丛编、子目、提要、录文、著录文献等。
收藏历史：拓片流传历史及本馆获得方式的描述。包括拓片来源、购买价格、收藏沿革、题跋印记等。
关键词项：对揭示资源内容能起到关键作用的词汇。
权限项：拓片本身所有的或被赋予的权限信息。权限管理一般包括知识产权、版权等。这里主要指拓片的服务范围，如：限馆内阅览。
通过上述项目的著录，拓片的主要特征即可在目录中得以充分揭示，以便排架管理和读者检索利用。
3 拓片数字图像的建库与网络
3.1拓片图像数据的获取与预处理
·先期处理阶段：为保护珍贵拓片不至于在数字化过程中受损，加工对象必须在扫描或数码拍照前经过托裱或平整处理。
·获取设备与加工方式。设备：高精度专业数码相机和专业扫描仪等；加工方式：直接用数码相机或高精度专业相机加大型数字后背对原件进行扫描；或先用专业相机对原件进行传统拍摄，然后再用专业胶片扫描仪或高精度专业相机加大型数字后背对该胶片进行数字扫描。拓片在拍摄时对光线的要求很严格、讲究，光照要均匀、明亮，本身或周围环境不能有反光物体和其他干扰光线，要采用冷光源，不得使用卤素灯、荧光灯、水银灯、镁光灯。
·对格式、分辨率、压缩比的要求：①典藏级文件：文本格式TIFF，分辨率600DPI以上，不压缩存档；用途：出版印刷，不上网。可做格式转换和复制的母本。②复制加工级文件：由保存级TIFF文件1:1转换生成，文本格式JPEG／JFIF／PNG，分辨率300DPI，轻度压缩；用途：加工复制各种精度、大小的屏幕浏览图像的母本文件。③网上浏览级文件：因用途和使用对象不同可分为以下3级：大浏览级，以JPEG／JFIF／PNG 格式保存，分辨率200DPI，中度压缩，屏显尺寸相对较大。中浏览级：以JPEG／JFIF／PNG格式保存，分辨率150—100DPI，高度压缩。通常以屏幕显示尺寸为度；小浏览级：以256色的GIF或高度压缩的JPEG格式保存缩略图，分辨率72DPI，文件在20K以下。
·拓片图像文件的保存：①图书馆存储系统中，每个目录包含一个收藏识别号和一个描述图像的数字化对象识别号。两个识别号一起用于恢复系统中，从服务器存储的图像中取出相应图像。②数据存储写入DVD光盘。每一张光盘有唯一识别标签(按照光盘命名规则)。③按照收藏种类，建立目录结构，存储图像文件，如拓片目录：RUB／YUAN／2003／MUZ／A／，其路径名详解如下：RUB——拓片、YUAN——原拓、2003——2003年加工、MUZ——墓志、A—典藏级。④给拓片图像文件命名，同一资源生成不同类型的图像，每类图像中的每张图像文件名都有一个数字资源的唯一识别号。
3.2关于数据库的构建平台
·选择建库平台应遵循以下原则：①先进性：采用先进成熟的技术开发与建设；②标准化：遵守相关标准，如国际标准、国家标准、业界标准和CALIS标准等；③开放性：提供完整的权限控制机制和版权保持技术；④易用性：系统功能规范，界面友好、维护简单；⑤可扩展性：提供系统对数据的迁移和对应用的扩展功能。
·建库平台应具备的基本功能：①对象数据加工：包括纸本资源加工和电子资源加工。专用的电子书制作工具、OCR识别与编辑、电子资源的导人与格式转换等。②元数据标引：系统能够预置元数据模版；可根据特色库规范注册新的元数据格式和进行元数据格式转换。③保存和输出：系统应有审校功能，可按文献类型分库保存元数据。可选择导入导出格式，具有批量导出功能。④统计与检索：可对用户著录进行统计；提供基本检索、高级检索、二次检索。⑤信息：提供模板和自建模板。⑥管理及维护功能：具有系统管理员、建库人员和用户分级权限及数据库用户IP段、用户名、密码设置管理、自动或定制的数据备份、安全管理等。
3.3拓片数据库元数据方案设计
数据库元数据方案设计是数据标引的关键，是数据库建设的核心部分。使用当前具有权威的元数据规范标准是保障数据库质量与实现资源共享的前提。
3.3.1元数据结构分析 一般情况下，各类型资源对象描述元数据的基本框架都可由核心元素，资源类型核心元素和个别元素三部分组成。核心元素在各类资源对象中通用。在元数据的通用性方面，DC(Dublin Core)是最能满足通用性的元数据。CALIS“拓片描述元数据规范”核心元素复用DC的15个基本元素，支持通用的检索工具。资源类型核心元素根据资源对象特点、参照其他元数据标准制定，在同一类型资源对象中通用。个别元素以某种特定的资源对象为基础制定，仅适用于这类对象，不用于交换。应用时仅要求该种对象遵守其定义。
3.3.2元素组成的规则
——核心元素集复用DC的15个元素做为核心元素集，其复用原则：①采用“简单DC”(Simple DC)，不推荐使用“限制性DC”(Qualified DC)，即，当元素本身具备很强的专指性和完整的描述性时，可以不必扩展修饰词，这样，元数据规范也可以不受日趋复杂的限制性DC的修饰词体系的局限；②严格遵守DC的元素语义定义，核心元素集中元素的语义不允许有交叉；③核心元素并非必备元素，具体应用时允许只复用其中一部分；④允许复用“限制性DC”中的修饰词(Quali-fied)，必须说明并严格遵守其语义定义；⑤允许复用时根据资源情况重新命名元素和修饰词。
——资源类型核心元素集：①在制定不同类型和不同资源的元数据标准时，可以根据资源对象共同特点，制定各自所需资源类型核心元素或修饰词，或者从其他元数据标准中复用元素或修饰词；②在制定此类元素或扩展修饰词时，必须保持与已经采用的核心元素在语义上没有交叉，如果是从其他元数据标准中引用，必须在命名域(Namespace)说明并严格遵守其语义定义；③“DC图书馆应用大纲”中的三个元素(Edition，Location，Audience)在描述文献资源时具有较强的通用性，需要时作为资源类型核心元素。
——个别元素集：此类元素为某资源对象所特有，只应用于该资源对象，一般需自定义，制定的规则与资源类型核心元素相同。
——与DC的映射：考虑到数据交换和检索的需要，所制定的元数据标准应与DC建立映射关系：①映射单位可以是元素，也可以是修饰词；②可以建立的映射关系有：一对一、一对多、多对一；③如有不能映射到DC的元素或修饰词，则无须强行建立映射。
依据“拓片描述性元数据规范极其著录规则”制定拓片元数据方案如表1：
3.4标引建库：元数据模板和标引字段的制订
多数图书馆不可能象国家图书馆或北京大学图书馆那样拥有一定规模的拓片馆藏而建立独立的拓片数据库，大多将拓片数据库作为馆藏数据库的一个子库来建。那么各子库间由于文献资源类型的不同，在文献标引时采用的元数据模板和标引字段也不同。例如，河洛文化文献数据库子库分类是依据河洛文化文献的内涵进行划分的，拓片文献被列入“河洛风土、金石信息”子库下的“河洛碑志拓片”和“洛阳师范学院馆藏拓片及志石”数据库中。这样划分的目的在于方便文献知识的组织与管理，便于分类和导航。但是，文献在标引建库时是依据文献资源类型的元数据字段进行标引的，如果按照数据库子库分类结构去建立元数据标引字段，由于同一个子库的文献可能包含多种文献类型，如河洛风土、金石信息子库包括金石拓片、古迹、器物、服装等文献类型；因而，在一个子库里，数个文献类型的元数据字段合在一起，模板标引字段就过长，标引时易造成效率低、错误多；而在一个子库里若按文献种类建立多个元数据模板，又势必同其他子库相同文献种类的元数据模板重复，易造成标引混乱。因此，在对资源数据进行标引时，应摒弃数据库子库概念的束缚，按照不同文献种类元数据建立不同的元数据标引模板，再按不同元数据模板分配相应的数据项目，进行标引分类，对于子库与子库间内涵相关的文献建立超链即可。实践证明这样做有以下优点：①可完全依照CALIS的元数据规范建立标引字段，保证了建库工作的规范化；②可使标引字段简明清晰，避免标引字段冗长，提高标引效率；③有利于标引任务的分配和管理；④有利于数据库的修改与扩展。
3.5网络
科学、合理、富有特色的页面和专题导航类目的设立直接关系到数据库的使用效率。数据库信息是利用系统的“向导”进行模板设计的：
·首先选择要的数据库，选定“数据库”菜单命令和适合内容的模板。
·定制字段。在模板中分别设置概览字段和细览字段作为数据库检索字段。设置时可将文献元数据的全部字段引入库字段表中，根据要求，在编辑字段工具栏中设置必备字段和可选字段。由于特色库拓片的元素名称项加上相应的元素修饰词，著录字段过多。为简捷起见，概览区字段只设置“题名”、“主要责任者”、“金石年代”、“馆藏信息”即可。细览字段可相对详细些，选择“题名”、“关键词”、“语种”、“主要责任者”、“其他责任者”、“金石年代”、“金石所在地”、“版刻与版本”、“书法特征”、“权限管理”、“收藏历史”等。
·配置检索选项。分为分类检索和字段检索两种：①分类检索是根据字段分类信息，从分类导航树上检索出符合某一分类的文献。导航类目为读者提供了多种检索途径，系统自带中图法分类导航树，也可根据需要建立其他分类导航树。在选定分类体系的基础上，系统自动生成导航树，只要将记录拖动到相应的结点，系统就可记录下对应的分类号，建立导航检索。②字段检索则是按字段信息进行的检索，分专项检索和组合检索。专项检索对某一特定的字段检索，组合检索可使用户利用多种运算符构造的检索式(如：比较运算符、逻辑运算符、属性运算符、限定运算符和加权运算符等)进行检索。
网络图片范文第5篇
关键词：医学断层图像；网络教学；自主学习
中图分类号：R322-33 文献标识码：B
随着医学影像的快速发展，影像诊断在医学中的重要性越来越突出，影像诊断教学在医学教育中的地位也越来越重要。影像解剖是影像诊断的理论基础。在影像解剖的教学实践中，通常需要大量的人体断层图像。书本所能承载的信息量有限，往往只能提供少量的断层图片，这对于学习是非常不利的。同时，书本的图片资源比较陈旧，更新很慢，很难及时最新的图片资料。
随着计算机和网络技术的发展，学习资源的网络花已经成为大势所趋，也涌现出一批优质的医学影像网络资源[1-7]。我们开发了医学断层图像网络资源系统，打破了传统教学在时间和空间上的限制，所有学生都可以全面的学习影像解剖学，而且也在一定程度上提高了学生的学习积极性，激发了学习热情。
医学断层图像网络资源系统主要包括CT、MRI和冰冻人体切片（Visible Human Project，VHP）[8-9]这三类人体断层影像资源。CT、MRI我们采用的是健康的成年女性人体连续水平断层标本照片和CT、MRI灰度图像，而冰冻组织切片的断面为真彩色图像。我们首先对获取的图像进行预处理。
1断层图像材料预处理
断层图像预处理的内容主要是使图片的尺寸统一。特别是VHP图片，由于在采集图像的时候是分段进行的，所以图像大小不统一。我们运用MATLAB对同类型图片的尺寸进行归一化，使所有同类型图片的尺寸与最大的那个图片一致，这样有利于我们生成浏览所需的冠状图，见图1、图2。
图1 未处理前图像 图2 处理后的图像
可以看出经过处理后原图片不足尺寸的行和列都以黑色补齐到预定的行和列的大小。
2冠状导航图绘制
为了方便用户能方便快捷地获取目标部位的断层图像，我们分别制作了CT、MRI和VHP的冠状导航图。方法是从每一幅断层图像的中央抽取宽度为一像素的细条，然后按顺序将抽取到的细条组成一幅图像，这就是冠状导航图，见图3。
图3 CT、MRI、VHP冠状导航图
3图像浏览
医学断层图像网络资源系统有两种浏览方式，分别是自顶向下自动播放和自主选取断层浏览。
CT、MRI和VHP这三种断层图片资源的冠状导航图下均设置了"浏览"按钮，点击此按钮即可从顶部向下自动播放每一幅断层图片。断层图片显示窗口上部有暂停按钮，此按钮可以暂停播放过程。播放暂停后，暂停按钮转变为上一张和下一张两个按钮，用来按顺序向上或下翻看断层图片。
自主选取断层浏览可以在左侧的冠状导航图中选择感兴趣部位的断层图片进行浏览。选择的图片打开后，也有上一张和下一张两个按钮，用来按顺序向上或下翻看断层图片，见图4。
图4 断层图片资源浏览示意图
4结论
医学断层图像网络资源系统的开发是根据影像解剖学的需要，经过认真调研、讨论、论证而制作出来的。它的设计改变了刻板、枯燥乏味的传统教学。网络化的资源便于快速更新和共享。同时，多种图片资源的整合有利于将不同类型的断层图片进行对比学习。
虽然该系统有以上诸多优点，但是由于图像资源的限制，医学断层图像网络资源系统也存在一些不足之处。因无法获得同一人的同一位置的正常与病理图片，无法实现正常组织与病变组织的对比。因CT、MRI图片不是来自同一人且三类图片数目不一，不能实现三类图片同时观察。
随着医学影像资源的越来越丰富，医学断层图像网络资源系统也将越来越完善，在医学教育中发挥越来越重要的作用。
参考文献：
[1] 蒋心萍. 人体解剖学网络教学系统的设计与开发[J]. 华北工学院学报：社会科学版. 2004， 20（3）： 96-99.
[2] 胡俊峰 武斌 唐鹤云 赵杰 刘忠啸 唐慧. 基于网络的医学影像学临床教学模式研究[J]. 中国医学教育技术. 2012， 26（1）： 62-64.
[3] 唐鹤云，姚姗姗，胡俊峰. Flash游戏在医学影像读片教学中的应用研究[J].中国医学教育技术，2013，27（1）：77-79.
[4] 彭鹏，邱维加，唐海民. 基于PACS的网络教学在医学影像学实习中的应用[J].西北医学教育，2009，17（1）：193-194.
[5] 李传明.基于网络的自主教学在医学影像学教学中的探索与应用[J].中华医学教育杂志，2011，31（1）：117-118.
[6] 杨俊丽.浅谈网络在医学教育中的应用[J].山西医科大学学报：基础医学教育版. 2006，8（3）：283-285.
[7] 李萍，张在人，张士德. 基于多媒体与网络技术的影像学实习教学改革研究[J]. 中国医学教育技术， 2007， 21（6）： 470-472.
