前言

国画作为中华传统文化最普遍的一种传承形式，逐渐成为人们学习和弘扬传统文化的主要途径之一。

在互联网时代下，数字博物馆、数字图书馆以及一些相关的国画美术网站发展起来，另一方面，国画数字化的盛行导致国画数据库对数字国画的质量难以把控。而且在大数据时代下，数字化国画的来源增多，其内容真伪性逐渐成为人们关注的焦点。

相关基础理论概述

图像的笔触特征是指构成图像内容的线条，线条是构成图像内容的基元。在图像中，线条的变化可以表现图像内容的姿态和轮廓。

索贝尔算子，由欧文·索贝尔于1968年提出。其检测原理是通过寻找灰度图像的绝对灰度幅度来检测图像的边缘。基于统计方法：纹理特征在图像区域内具有随机性，但利用统计方法可以挖掘出纹理特征的某种规律特性。

基于模型方法：该类方法认为纹理可按照某种模型分布排列，可以通过模型的参数表示纹理基元之间的关系。基于频谱方法：该方法主要是基于频谱特性和多尺度分析纹理特征。其代表方法为小波变换。

颜色特征是图像处理中重要的视觉特征。其中，红绿蓝（RGB），色调、饱和度、明度（HSV）是两种最常用的颜色空间。

颜色直方图是每种颜色在图像中的比例，但忽略了颜色的空间分布信息。此方法适于无分割任务的图像。利用颜色信息主要集中在低阶矩中的特性，通过计算图像的颜色一阶矩、二阶矩和三阶矩来表达画作中的颜色特征信息。

深度学习是机器学习领域中的一个新的研究热点。深度学习主要强调两点，VGG深度学习模型的全称为VisualGeometryGroup[49]，可以看作是AlexNet的加深版本，由牛津大学科学工程系设计，常被应用于图像分类、人脸识别等任务。

除此之外，利用大量的卷积核对输入特征图进行卷积操作之后，还需要对特征图进行信息筛选，池化主要利用最大值和平均值进行操作。

GoogLeNet是2014年提出的一种新的深度学习模型，在2014年的ImageNet挑战赛中，GoogLeNet模型战胜了VGG夺得魁首。残差网络（ResNet）是由何凯明等人于2015年提出。VGG和GoogleNet都通过增加网络层数使得层数和网络性能成正相关。

基于多分支注意力机制网络的国画画家智能分类算法

在互联网时代下，一些数字博物馆和数字图书馆逐渐发展起来。数字国画作为其中一项重要的艺术文物，画幅形式多样，有长卷、横披，条幅、折扇等，则画幅形式不规则，在数字国画图像特征提取上造成一定困难。

对于图像对比度，不仅表现了图像的清晰程度,也体现图像所表示信息量的大小。图像对比度越大，图像层次感强，清晰度高，图像的熵值也更高。不同画家在运笔方式、肌理手法、色彩运用等方面具有显著差异，其在特征方面主要体现为不同的笔触、纹理、颜色等特征。

画作中笔触特征的提取主要采用边缘检测算法。常用的边缘检测算子包括Sobel算子，Canny算子，Laplacian算子。

国画画作表面存在纹理的变化，其纹理变化所传达的视觉表现效果则为肌理。肌理受画作材料和画家手法的影响，即不同的画作材料和表现手法使画作产生不同的肌理。画作中的纹理特征提取算法主要采用灰度共生矩阵和局部二值模式。

灰度共生矩阵在计算过程中会产生大量冗余信息。国画的表现方法多样，无论采用任何一种表现方法，颜色都是国画中的一种基本元素。通常，颜色特征的提取方法主要采用颜色直方图、颜色集、颜色矩三种算法。

颜色直方图缺少颜色的空间信息，即无法描述画作中的艺术目标。分类网络的特征学习能力是影响分类精度的一项关键因素。针对预生成后的笔触特征、纹理特征和颜色特征，如何有效的学习预生成特征是正确分类的关键。

而在分类过程中，仅利用画作中的底层特征信息进行分类具有局限性。如何利用预生成特征作深层语义表达是提高分类精度的关键。除不同预生成特征表达不同的特征信息外，其特征信息的表达能力也不同。

因为画家在历史演变过程中，笔法、肌理表现手法以及用色着色等方面有相应的改变，为了改善网络的非线性能力，本文将网络中的ReLu激活函数替换并引入新的Mish激活函数为清晰阐述注意力机制模块与网络结构的关系，对网络中一个分支的处理流程进行描述。

通道注意力机制(CA)：首先，将输入的特征图利用全局最大池化和全局平局池化提取两个尺度的特征信息；然后，利用多层感知机压缩特征的维数。

融合输出。该部分主要完成特征融合和分类决策操作。首先，全连接层将所有分支的特征向量融合为2048维的列向量。

从《新美术》、《艺术品鉴》等期刊中与国画相关的文献以及中国美术家网、中国美术馆官网收集了齐白石、黄宾虹、徐悲鸿和张大千四位画家总共800幅数字国画图像。为了验证在中国画分类背景下所提出网络分类的性能，采用五折交叉验证法。

首先将全部数据集分成5个不相交的子集，在图像块剔除过程中，画作艺术目标在整个画幅中占一定比例，除艺术目标外还存在空白且无意义的图像块。这是因为空白图像块和包含少量无效信息的图像块被剔除，保留了包含有效信息的图像块。

颜色特征在四位画家中的查全率和查准率较低，这是因为提取颜色特征时，画作中颜色种类较单一，数据集颜色丰富度较差，难以做到好的分类结果。

相较于颜色特征，纹理特征有着更好的表征能力，纹理特征在查全率和查准率两个指标上有了更好的表现。在融合了三种特征之后，四位画家的查全率和查准率都有了明显的提升。

说明融合特征能弥补颜色特征表征能力不足的缺陷；进一步我们讨论所提网络的有效性，首先论证卷积注意力机制是否提升网络的性能。在深度卷积网络中，常用的注意力机制模块有SE模块。

在融入CBAM模块之后网络在平均准确率指标有了明显的提升，但实验过程中我们发现，当CBAM模块融入网络的个数不同时，对网络的性能有着直接的影响。

通常深度学习网络都将ReLU作为激活函数，增加网络的非线性的能力。我们用实验将Mish激活函数和ReLU激活函数做对比。在人工智能时代下，基于生成对抗网络的图像生成方法在艺术领域应用广泛。如将照片转换成绘画、画作的风格迁移等。

因此，在面对新一代信息技术的伪作生成方法，急需一种鉴定精度高以及鉴定效率高的数字国画真伪辅助鉴定方法。画家通常在作画过程中分为两个步骤。画家先用笔勾勒画作中内容边缘；随后画家用墨填色。

该模型生成器改变以往潜在变量的映射方式，采用8层多层感知机的方式完成了的映射。该模型主要训练其生成国画骨架能力。

在训练该模型时，将经过边缘检测处理的国画特征图输入到对抗生成网络中，专家在对某一幅画进行鉴定时，都会寻找所属画家的代表作作为参照。通过对比两幅画作之间的差异，并结合自身的经验对画作做最后鉴定。该网络架构包括特征提取和相似度计算两部分。

第一部分主要针对数字国画图像的特征提取，并得到两个特征向量。基于边界分类方法的网络有ＳｐｈｅｒｅＦａｃｅ，它使用的损失函数为Ａ－ＳｏｆｔｍａｘＬｏｓｓ，它考虑了不同类别的特征在空间中的分布具有角度性质而增加了余弦函数，广义的语音识别系统包含了语音识别系统和声纹识别系统。

声谱图是频谱的光学或电子学表示，是由篡改扣划的数据片段的ＦＦＴ构成的一个序列。语音信号表征特性有时域、频域和语谱图。时域是用数学函数描述信号的物理量相对于时间的关系。

增加网络感受野。以上方案都用小尺寸卷积核代替大尺寸卷积核，减少卷积的运算量。画家图像的特征区域不仅蕴含了画家创作时的情感，还表现了其在辅助鉴定过程中重要程度。

加载已训练好的网络参数，输入测试图像，获取最后一层卷积层的图像张量；为了验证本文方法的性能，采用五折交叉验证法，首先将全部数据集分成5个不相交的子集，然后随机将其中四份作为训练集，随着卷积层数的增加，平均准确率在提高。说明引入VGG结构增加网络的深度可以提高网络的特征提取能力，并对伪作有较好的分辨能力。

增加网络深度可以提高网络特征提取能力，融合残差机制可以解决网络深度增加带来的特征提取能力停滞问题。

这是因为图像边缘含有较少的作画细节，在辅助鉴定过程中提供的有效信息少。相反，图像中心包含丰富的特征信息，使其表示为高亮暖色系。本系统是在Window10系统环境下进行开发。

当系统进行辅助鉴定的时候，得到待鉴定图像的画家类别；接着，输入待鉴定国画数字图像与该画家类别的数字代表作，利用对抗生成网络生成相似伪作数据集。然后根据专家的鉴定方式，提出一种基于孪生网络的数字国画真伪辅助鉴定方法。

总结

改善传统以经验为主的鉴定方法。通过深度学习技术给传统鉴定方法增加可量化的客观依据，并提高鉴定的准确度和效率。

对于空间定位敏感性的建模，在我们的框架中，注意力模型Ｍ被集成到端到端的贴片生成过程中。一是贴片到贴片的对抗生成，有助于产生具有视觉保真度和感知相关性的理想对抗性贴片，然后进一步附加贴片损失以捕获和增强生成的贴片与输入图像的上下文的高感知相关性。

有利于传统文化的传承和鉴赏。通过当下新型技术实现了计算机技术与历史文化的结合，使国画展示和传承更加方便和简洁。