CN112070116B - 一种基于支持向量机的艺术画作自动分类系统及方法 - Google Patents
一种基于支持向量机的艺术画作自动分类系统及方法 Download PDFInfo
- Publication number
- CN112070116B CN112070116B CN202010776758.XA CN202010776758A CN112070116B CN 112070116 B CN112070116 B CN 112070116B CN 202010776758 A CN202010776758 A CN 202010776758A CN 112070116 B CN112070116 B CN 112070116B
- Authority
- CN
- China
- Prior art keywords
- classification
- artistic
- oil painting
- image
- extracting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉技术领域,公开了一种基于支持向量机的艺术画作自动分类系统及方法,包括图像预处理模块、艺术画作分类模块,图像预处理模块用于对待分类的艺术画作进行预处理,得到预处理后的艺术画作;艺术画作分类模块采用三级SVM分类器;第一级分类器采用偏态分类树,用于根据预处理后的艺术画作分类出素描画、非素描画;第二级分类器采用偏态分类树,用于根据非素描画分类出水彩画、油画;第三级分类器采用正态树,用于根据油画得到油画派别。本发明解决了现有技术中无法对不同风格的艺术画作进行自动分类的问题,能够更好地实现不同风格的艺术画作分类。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于支持向量机(SupportVector Machine,SVM)的艺术画作自动分类系统及方法。
背景技术
从艺术画作中分类出不同风格的艺术画作是一个非常重要的问题,针对不同绘画艺术作品图像的不同艺术风格特征,利用数字图像相关技术,来研究并实现对绘画艺术作品的分类,是当今的研究热点之一。
伴随着图像分类技术与人工智能(机器学习、计算机视觉等)及数据库等相关技术的结合逐渐紧密。如何处理图像数据,并结合图像特征,将人工智能及机器学习等技术运用于图像分类中,己成为一种新的研究方向。图像分类,是一种根据不同图像的不同特点来区分类别的图像处理方法。通过计算机对图像进行量化处理,定性分析,将图像进行分类,以代替人类的主观视觉。
目前一般的进行图像分类的方法大体上可以分为以下几种:基于形状的图像分类技术、基于色彩特征的索引技术、基于空间关系的图像分类技术、基于纹理的图像分类技术等。但是,现有技术无法对不同风格的艺术画作进行自动分类。
发明内容
本申请实施例通过提供一种基于支持向量机的艺术画作自动分类系统及方法,解决了现有技术中无法对不同风格的艺术画作进行自动分类的问题。
本申请实施例提供一种基于支持向量机的艺术画作自动分类系统,包括:图像预处理模块、艺术画作分类模块;
所述图像预处理模块用于对待分类的艺术画作进行预处理,得到预处理后的艺术画作;
所述艺术画作分类模块采用三级SVM分类器;第一级分类器采用偏态分类树,用于根据所述预处理后的艺术画作分类出素描画、非素描画;第二级分类器采用偏态分类树,用于根据所述非素描画分类出水彩画、油画;第三级分类器采用正态树,用于根据所述油画得到油画派别。
优选的,所述基于支持向量机的艺术画作自动分类系统还包括:验证模块、评估模块;
所述验证模块用于验证所述第一级分类器、所述第二级分类器、所述第三级分类器的分类准确率;
所述评估模块用于基于所述艺术画作分类模块的分类准确率评估所述三级SVM分类器的分类性能。
优选的,所述三级SVM分类器的训练包括:
提取训练集中素描画、水彩画、油画这三类图像的颜色特征,得到第一标签,并将所述第一标签作为所述第一级分类器的输入,选用SVM的径向基核函数进行分类训练,通过所述第一级分类器实现素描的分类,得到素描画集和非素描画集;
针对所述非素描画集中的样本,提取图像的高低灰度对比度特征、分块熵分布特征、LBP特征,组成特征向量集并形成第二标签,将所述第二标签作为所述第二级分类器的输入,选用SVM的线性核函数进行训练,通过所述第二级分类器实现水彩和油画的分类,得到水彩画集和油画集;
针对所述油画集中的样本,提取图像的54维特征,组成特征向量并形成第三标签,将所述第三标签作为所述第三级分类器的输入,选用SVM的线性核函数进行训练,通过所述第三级分类器实现油画的派别分类。
优选的,所述提取颜色特征的具体实现方式为:
针对输入类型为uint8的图像,提取第一个通道分量,并转为uint32编码,乘以2562,得到第一通道信息;
提取第二个通道分量,并转为uint32编码,乘以256,得到第二通道信息;
提取第三个通道分量,并转为uint32编码,得到第三通过信息;
将所述第一通道信息、所述第二通道信息、所述第三通道信息相加,得到的结果矩阵;
根据所述结果矩阵统计其中不同数值的数量,得到颜色种类数目,作为所述颜色特征。
优选的,提取所述高低灰度对比度特征的具体实现方式为:将图像转化为灰度图在一定范围内的低灰度值的像素点个数与高灰度值像素个数的比值;所述比值表示为:
式中,θ1、θ2分别是低灰度值和高灰度值的阈值;当高灰度值像素点个数为0时,比值自动设置为1。
优选的,提取所述分块熵分布特征的具体实现方式为:将图像划分为n*n大小的多个正方形小块,计算每一个小块对应的信息熵;计算所有小块对应的信息熵的方差,将所述方差作为所述分块熵分布特征。
优选的,提取所述LBP特征的具体实现方式为:提取图像的LBP特征,转为LBP图谱,将所述LBP图谱分成m*m大小的多个子区域,对于每个子区域中的一个像素点,将相邻的8个像素的灰度值与其进行一一比较,若周围像素值大于该像素点对应的像素值,则该像素点的位置被标记为1,否则为0;所有相邻的8个像素与该像素点比较完成后产生8位二进制数,作为对应窗口中心像素点的LBP值;然后以LBP值计算每个子区域的直方图,并对该直方图进行归一化处理;最后将得到的每个子区域的直方图进行连接成为一个特征向量,获得LBP纹理特征向量。
优选的,提取所述图像的54维特征的具体实现方式为:计算油画区域的信息丰富度,选取重要的特征描述油画的关键区域;提取所述关键区域的R、G、B、H、S、I六个通道对应的颜色直方图特征、纹理特征,得到所述54维特征;
其中,所述颜色直方图特征包括颜色均值、方差、倾斜度、峭度、能量;所述纹理特征包括对比度、方向二阶矩、熵、均值。
本申请实施例提供一种基于支持向量机的艺术画作自动分类方法,包括以下步骤:
步骤1、构建上述的基于支持向量机的艺术画作自动分类系统;
步骤2、构建训练集,通过所述训练集对所述艺术画作分类模块进行训练;
步骤3、构建测试集,通过所述测试集对所述艺术画作分类模块进行测试;
步骤4、将待分类的艺术画作输入至测试后的图像预处理模块中,进行预处理;
步骤5、将预处理后的图像输入至测试后的艺术画作分类模块中,并获得分类结果。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在本申请实施例中,首先构建基于支持向量机的艺术画作自动分类系统;然后构建训练集,通过训练集对所述艺术画作分类模块进行训练;构建测试集,通过测试集对所述艺术画作分类模块进行测试;接着,将待分类的艺术画作输入至测试后的图像预处理模块中,进行预处理;最后将预处理后的图像输入至测试后的艺术画作分类模块中,并获得分类结果。其中,构建的基于支持向量机的艺术画作自动分类系统包括:图像预处理模块、艺术画作分类模块;图像预处理模块用于对待分类的艺术画作进行预处理,得到预处理后的艺术画作;艺术画作分类模块采用三级SVM分类器;第一级分类器采用偏态分类树,用于根据预处理后的艺术画作分类出素描画、非素描画;第二级分类器采用偏态分类树,用于根据非素描画分类出水彩画、油画;第三级分类器采用正态树,用于根据油画得到油画派别。即本发明提出基于支持向量机(SVM)的艺术画作自动分类系统,该系统可以从艺术画作中分类出素描画,水彩画,油画这三种典型的艺术风格画作,并将油画类别进一步细化,分类出油画的不同派别。相对于现有技术,本发明能够更好地实现不同风格的艺术画作分类。
附图说明
为了更清楚地说明本实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于支持向量机的艺术画作自动分类方法的流程图;
图2为SVM偏态树的结构示意图;
图3为偏态树结构的二级SVM分类器的示意图;
图4为SVM油画派别分类器的示意图;
图5为不同艺术风格图像的SVM三级二叉树分类的示意图。
具体实施方式
本发明提供一种基于支持向量机的艺术画作自动分类方法,主要包括以下步骤:
步骤1、构建基于支持向量机的艺术画作自动分类系统。
其中,系统主要包括:图像预处理模块、艺术画作分类模块;所述图像预处理模块用于对待分类的艺术画作进行预处理,得到预处理后的艺术画作;所述艺术画作分类模块采用三级SVM分类器;第一级分类器采用偏态分类树,用于根据所述预处理后的艺术画作分类出素描画、非素描画;第二级分类器采用偏态分类树,用于根据所述非素描画分类出水彩画、油画;第三级分类器采用正态树,用于根据所述油画得到油画派别。
优选的情况下,系统还包括:验证模块、评估模块;所述验证模块用于验证所述第一级分类器、所述第二级分类器、所述第三级分类器的分类准确率;所述评估模块用于基于所述艺术画作分类模块的分类准确率评估所述三级SVM分类器的分类性能。
步骤2、构建训练集,通过所述训练集对所述艺术画作分类模块进行训练。
步骤3、构建测试集,通过所述测试集对所述艺术画作分类模块进行测试。
步骤4、将待分类的艺术画作输入至测试后的图像预处理模块中,进行预处理。
步骤5、将预处理后的图像输入至测试后的艺术画作分类模块中,并获得分类结果。
下面对本发明的部分内容做进一步的说明。
(1)采用混合式SVM进行三级分类器的训练。
基于三种艺术风格(素描,水彩,油画)的绘画艺术作品的本身特点,设计三级支持向量机的分类器。第一级分类器、第二级分类器采用偏态分类树,依次分出素描,水彩和油画,第三级分类器采用正态树结构以分类出不同风格的油画。
具体的,SVM三级分类器的训练方法为:先提取训练集中素描画、水彩画、油画这三类图像的颜色数目,并做标签作为一级偏态SVM分类的输入,实现素描的分类和分离;而后在剩下的样本(即非素描画集)中提取高低灰度对比度,分块熵分布特性和局部二值化纹理分布并分别做标签作为二级SVM线性分类是输入,实现油画和水彩分离。最后提取油画类画作的54维的特征向量进行三级正态分类。
(2)在第一级SVM分类器的训练中,由于素描画表现为颜色单一,以灰黑居多,而水彩和油画都是色彩丰富且复杂的典型代表。因此提取这三者的图像中的色彩数目,采用偏态树来达到分类出素描的目的。选用SVM的径向基核函数(RBF)进行分类训练。
具体的,颜色特征提取为:将输入类型为uint8的彩色图像,提取第一个通道分量并转为uint32编码,乘以2562,得到第一通道信息;然后提取第二个通道分量同样的转为uint32编码,乘以256,得到第二通道信息;提取第三个通道分量也转为uint32编码,得到第三通道信息;这样就分别得到了R、G、B这三个通道的32位二进制数据,然后再将三个通道的数据相加。将得到的结果矩阵,统计其中不同数值的数量,即为最终的颜色种类数目,并作为颜色特征。
(3)在第二级SVM分类器的训练中,提取出图像的三种信息特征,包括:高低灰度对比度特征,分块熵分布特征和LBP(Local Binary Patterns,局部二值模式)特征,并组成特征向量集,选用SVM线性核函数进行水彩和油画的分类训练,实现水彩和油画的分类。
具体的,三类特征的提取方法分别为:
(3.1)高低灰度对比度特征的提取。
对一幅彩色画作图像,将其转化为灰度图在一定范围内的低灰度值的像素点个数与高灰度值像素个数的比值。
式中,θ1、θ2分别是低灰度值和高灰度值的阈值,通过实验发现θ1、θ2分别取60和200效果较好。而当高灰度值像素点个数为0时,比值自动设置为1。
(3.2)分块熵分布特征的提取。
将图像分为n*n大小的多个正方形小块,求每一个小块对应的信息熵,然后求这所有小块对应的信息熵的方差,通过方差来反映分布的均匀情况,分差越大,分布越不均匀,反之,就越均匀。
(3.3)LBP特征的提取。
提取图像的LBP特征,转为LBP图谱,将所述LBP图谱分成m*m大小的多个子区域,对于每个子空间中的一个像素,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素点的LBP值;然后以LBP值计算每个子区域(cell)的直方图,即每个数字出现的频率;然后对该直方图进行归一化处理;最后将得到的每个子区域的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量。
(4)在第三级SVM分类器的训练中,对油画的R、G、B、H、S、I六个通道分别提取出颜色直方图特征(颜色均值、方差、倾斜度、峭度、能量)与纹理特征(对比度、方向二阶矩、熵、均值)共九种特征,一共组成6*9共54维的特征向量,组成训练集,并设置相应的标签集,选用SVM的线性核函数对该训练集进行学习训练,实现多个油画派别分类。
具体的,基于关键区域的特征提取为:首先通过计算油画区域的信息丰富度,选取具有代表性的区域作为关键区域,即选取重要的特征描述油画的关键区域,使得所选区域能更有效地体现画家的艺术风格;其次提取关键区域的54维特征,并通过Fisher Score方法计算每个特征对于油画的重要性,选取重要的特征对关键区域进行描述,利用关键区域的特征描述油画。
(5)完成训练以后,进行测试。在训练样本的图像中随机选出100幅图像作为测试样本,按照设置的“偏态树”结构SVM,先提取颜色数目,输入至第一级分类器进行识别,如分类出素描则停止,如果不是,则继续提取出分类出高低颜色对比度、分块熵方差、LBP纹理特征,利用第二级分类器进行分类,分类出水彩画和油画。如果是油画,则可以根据分类出油画派别的方法,提取相应特征,利用第三级分类器,识别出油画的具体派别。
具体的,实验测试过程为:本次实验中,随机选出100幅图像作为测试样本,所有图像进行归一化处理,利用双三次插值法,将图像调整为512*512统一尺寸大小。实验中的图片必须是不包含任何裱框的图片,同时不经过任何特殊的艺术化处理,且图片中不包含大量的文字。将测试样本放入已经训练好的分类器中进行分类,并分析在三个分类器独立测试集上的准确率,再由三个分类器组成特定的SVM三级分类器,从而得到一个总的分类模型,最后,通过对测试结果的评估,分析整个分类模型的性能及推广能力。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
下面首先对本发明所提到一些概念进行介绍:
图像分析,包含特征提取,图像分割、匹配和识别等,其算法的设计与最终效果的准确性,与图像质量的好坏息息相关,因此,在做图像分析之前,需要对图像进行预处理。总结来说,图像预处理的主要目的,是消除图像中的冗余信息,突出显示对机器学习、分析最主要的部分,提高信息的可识别性的同时简化数据,提升图像分析算法的可靠性。
具体来说,图像预处理包括对图像的灰度进行调整(对比度增强)、图像锐化、图像平滑、图像去噪。而图像处理的方法根据处理图片的域不同,可以大致分为空间域和频率域的图像处理。频率域处理包含傅里叶变换、小波变换等;空间域处理可分为点运算、形态学运算、临域运算等。
支持向量机方法基于统计学习理论的VC维理论和最小结构风险原理,根据有限的样本信息,在模型中特定训练样本的学习准确性,以及可在任何样本中无差错识别的能力,之间找到最好的平衡,以获得最佳的泛化能力。SVM是一种二分类模型,其基本模型被定义为在分类特征空间中间隔最大的线性分类器。但是经过多层使用SVM可以实现多分类问题,常用的多分类SVM有两种结构,正态结构和偏态结构。SVM还包括内核技术,这使其成为实质上的非线性分类器。支持向量机的分类方法能解决小样本、非线性、高维数和局部极小点等实际问题,并且具有泛化能力强等优点。
本发明把艺术画作分类问题看作是计算机对图像的识别和分类过程,并认为不同的艺术画作具有不同的风格和特征,而艺术画作分类过程就是利用关键区域的特征从图像中分类出不同艺术风格并且识别出油画派别。
本发明直接对图像集中的素描、水彩、油画三类不同风格的图像进行处理,实了一种基于支持向量机(SVM)的艺术画作分类方法。本发明分为两个部分:一、分类出不同艺术风格的画作,二、识别出油画的具体派别。系统采取支持向量机(SVM)作为分类器,运用分层次的分类方法,提出了一种针对三者艺术属性的图像分类的特定SVM二叉树多类别分类算法。
图1是图像分类的基本流程,图像经过图像的预处理、特征提取(包括颜色特征、纹理特征、形状特征、其他特征等)、图像分类、输出分类结果等。
图像处理技术是用计算机对图像信息进行处理的技术。主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等,其中图像数字化、图像增强和复原属于图像预处理范围。
SVM是一种二分类模型,其基本模型,被定义为在分类特征空间中间隔最大的线性分类器。如图2所示,它是偏态树结构的多级SVM分类器,偏态树结构原理就是在每个节点把类集合中某一个子类划分出来,直到所有的子类都划分出来。
提取素描、水彩、油画这三类图片的颜色数目,并做标签作为一级偏态SVM分类的输入,实现素描的分类和分离,包括以下步骤:
步骤1:根据RGB彩色图像特性,采用提取颜色种类数目的算法。
将输入类型为uint8的彩色图像,提取第一个通道分量并转为uint32编码,乘以2562,然后提取第二个通道分量同样的转为uint32编码,乘以256,提取第三个通道分量也转为uint32编码,将三者相加。将得到的结果矩阵,统计其中不同数值的数量,即为最终的颜色种类数目。
步骤2:选用SVM的径向基核函数(RBF)进行分类训练,训练出识别素描画的模型。
油画和水彩这二者同属于多色,颜色丰富,纹理复杂,为了很好的区分出二者,要从三个角度出发,提取特征,实现分类的目的,如图3所示。分类水彩画和油画的模型训练包括以下步骤:
第一步:图像的高低灰度对比度提取,增加了HSI模型中I通道的高低灰度对比度,结合起来,形成了一个直方图高低对比度特征。灰度图像的高低灰度对比度,说的是一幅图像,在一定范围内的低灰度值的像素点个数与高灰度值像素个数的比值。
高低灰度比的计算公式如下:
式中,θ1、θ2分别是低灰度值和高灰度值的阈值。通过实验发现θ1、θ2分别取60和200效果较好。而当高灰度值像素点个数为0时,比值自动设置为1。
第二步:利用分块熵的统计方法,将图像分为n*n大小的多个正方形小块,求每一个小块对应的信息熵,然后求这所有小块对应的信息熵的方差,通过方差来反映分布的均匀情况,分差越大,分布越不均匀,反之,就越均匀。
第三步:提取图像的LBP特征,转为LBP图谱,将所述LBP图谱分成m*m大小的多个子区域,对于每个子空间中的一个像素,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素点的LBP值;然后计算每个子区域(cell)的直方图,即每个数字出现的频率;然后对该直方图进行归一化处理;最后将得到的每个子区域的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量。
经过上面三步的处理,将提取到的三种特征,组成特征向量集,并设置每幅图像对应的标签集。同样利用fitcsvm函数对该训练集进行学习训练,SVM核函数选择线性核函数,惩罚因子设置为8,最终得到一个分类出油画和水彩画的分类模型。
画家的艺术风格主要体现在其对色彩的应用以及运笔的习惯,计算油画区域的信息丰富度,并选取信息丰富度最高的区域作为一幅油画的关键区域。油画的关键区域能够最大限度地保留油画的整体特征,体现画家对色彩的应用,并更加突出表现油画的细节纹理,体现画家的运笔习惯。在油画派别的分类中,提取关键区域的信息,得出一个能够实现多个油画派别分类的模型。如图4所示,具体操作如下:
第一步:对油画的R、G、B、H、S、I六个通道分别提取出颜色直方图特征(颜色均值、方差、倾斜度、峭度、能量)与纹理特征(对比度、方向二阶矩、熵、均值)共九种特征,一共组成6*9共54维的特征向量,组成训练集,并设置相应的标签集。
第二步:利用fitcecoc函数对该训练集进行学习训练,得到一个可以分类油画派别的SVM分类器。
完成训练以后,在得到的SVM三级分类器上面进行测试,如图5所示,按照设置的“偏态树”结构SVM,先提取颜色数目,扔进第一个模型进行识别,如分类出素描则停止,如果不是,则继续提取出分类出高低颜色对比度、分块熵方差、LBP纹理特征,利用第二个模型进行分类,分类出水彩画和油画。如果是油画,则可以根据分类出油画派别的方法,提取相应特征,利用第三个分类器,识别出油画的具体派别。
综上,本发明具有以下特点:
(1)系统采取支持向量机(SVM)作为分类器,运用分层次的分类方法,提出了一种针对三者艺术属性的图像分类的特定SVM二叉树多类别分类方法;
(2)通过对三种画作的艺术风格特征的分析研究,分别提取了其中有代表性、区分度好并且易于计算的特征;
(3)采取基于关键区域的油画分类方法,将油画类别进一步细化,分类出油画的不同派别。
本发明实施例提供的一种基于支持向量机的艺术画作自动分类系统及方法至少包括如下技术效果:
(1)本方法针对于分类出不同的风格画,提出不同的用于分类识别的特征,利用不同风格画的艺术风格及绘画技法,描述其特征,进行分类;
(2)本方法通过对比分析各种风格画的艺术特征与绘画技法的差异,提出了多种能够有效识别分类的特征向量,构造了多级SVM的分类器,实现三种画作的分类;
(3)本方法在分类油画派别中,提取了油画关键区域的54维特征来描述油画,选取重要的特征描述油画关键区域,从而高度体现画家艺术风格。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于支持向量机的艺术画作自动分类系统,其特征在于,包括:图像预处理模块、艺术画作分类模块;
所述图像预处理模块用于对待分类的艺术画作进行预处理,得到预处理后的艺术画作;
所述艺术画作分类模块采用三级SVM分类器;第一级分类器采用偏态分类树,用于根据所述预处理后的艺术画作分类出素描画、非素描画;第二级分类器采用偏态分类树,用于根据所述非素描画分类出水彩画、油画;第三级分类器采用正态树,用于根据所述油画得到油画派别;
所述三级SVM分类器的训练包括:
提取训练集中素描画、水彩画、油画这三类图像的颜色特征,得到第一标签,并将所述第一标签作为所述第一级分类器的输入,选用SVM的径向基核函数进行分类训练,通过所述第一级分类器实现素描的分类,得到素描画集和非素描画集;
针对所述非素描画集中的样本,提取图像的高低灰度对比度特征、分块熵分布特征、LBP特征,组成特征向量集并形成第二标签,将所述第二标签作为所述第二级分类器的输入,选用SVM的线性核函数进行训练,通过所述第二级分类器实现水彩和油画的分类,得到水彩画集和油画集;
针对所述油画集中的样本,提取图像的54维特征,组成特征向量并形成第三标签,将所述第三标签作为所述第三级分类器的输入,选用SVM的线性核函数进行训练,通过所述第三级分类器实现油画的派别分类。
2.根据权利要求1所述的基于支持向量机的艺术画作自动分类系统,其特征在于,还包括:验证模块、评估模块;
所述验证模块用于验证所述第一级分类器、所述第二级分类器、所述第三级分类器的分类准确率;
所述评估模块用于基于所述艺术画作分类模块的分类准确率评估所述三级SVM分类器的分类性能。
3.根据权利要求1所述的基于支持向量机的艺术画作自动分类系统,其特征在于,所述提取颜色特征的具体实现方式为:
针对输入类型为uint8的图像,提取第一个通道分量,并转为uint32编码,乘以2562,得到第一通道信息;
提取第二个通道分量,并转为uint32编码,乘以256,得到第二通道信息;
提取第三个通道分量,并转为uint32编码,得到第三通道信息;
将所述第一通道信息、所述第二通道信息、所述第三通道信息相加,得到的结果矩阵;
根据所述结果矩阵统计其中不同数值的数量,得到颜色种类数目,作为所述颜色特征。
5.根据权利要求1所述的基于支持向量机的艺术画作自动分类系统,其特征在于,提取所述分块熵分布特征的具体实现方式为:将图像划分为n*n大小的多个正方形小块,计算每一个小块对应的信息熵;计算所有小块对应的信息熵的方差,将所述方差作为所述分块熵分布特征。
6.根据权利要求1所述的基于支持向量机的艺术画作自动分类系统,其特征在于,提取所述LBP特征的具体实现方式为:提取图像的LBP特征,转为LBP图谱,将所述LBP图谱分成m*m大小的多个子区域,对于每个子区域中的一个像素点,将相邻的8个像素的灰度值与其进行一一比较,若周围像素值大于该像素点对应的像素值,则该像素点的位置被标记为1,否则为0;所有相邻的8个像素与该像素点比较完成后产生8位二进制数,作为对应窗口中心像素点的LBP值;然后以LBP值计算每个子区域的直方图,并对该直方图进行归一化处理;最后将得到的每个子区域的直方图进行连接成为一个特征向量,获得LBP纹理特征向量。
7.根据权利要求1所述的基于支持向量机的艺术画作自动分类系统,其特征在于,提取所述图像的54维特征的具体实现方式为:计算油画区域的信息丰富度,选取重要的特征描述油画的关键区域;提取所述关键区域的R、G、B、H、S、I六个通道对应的颜色直方图特征、纹理特征,得到所述54维特征;
其中,所述颜色直方图特征包括颜色均值、方差、倾斜度、峭度、能量;所述纹理特征包括对比度、方向二阶矩、熵、均值。
8.一种基于支持向量机的艺术画作自动分类方法,其特征在于,包括以下步骤:
步骤1、构建如权利要求1-7中任一所述的基于支持向量机的艺术画作自动分类系统;
步骤2、构建训练集,通过所述训练集对所述艺术画作分类模块进行训练;
步骤3、构建测试集,通过所述测试集对所述艺术画作分类模块进行测试;
步骤4、将待分类的艺术画作输入至测试后的图像预处理模块中,进行预处理;
步骤5、将预处理后的图像输入至测试后的艺术画作分类模块中,并获得分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776758.XA CN112070116B (zh) | 2020-08-05 | 2020-08-05 | 一种基于支持向量机的艺术画作自动分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776758.XA CN112070116B (zh) | 2020-08-05 | 2020-08-05 | 一种基于支持向量机的艺术画作自动分类系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070116A CN112070116A (zh) | 2020-12-11 |
CN112070116B true CN112070116B (zh) | 2023-06-16 |
Family
ID=73657026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010776758.XA Active CN112070116B (zh) | 2020-08-05 | 2020-08-05 | 一种基于支持向量机的艺术画作自动分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070116B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037634A (zh) * | 2021-11-25 | 2022-02-11 | 阿坝师范学院 | 一种基于图像的油画风格识别方法 |
CN114186497B (zh) * | 2021-12-15 | 2023-03-24 | 湖北工业大学 | 艺术作品价值智能化解析方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316042A (zh) * | 2017-07-18 | 2017-11-03 | 盛世贞观(北京)科技有限公司 | 一种绘画图像检索方法及装置 |
CN109726725A (zh) * | 2018-12-28 | 2019-05-07 | 中南大学 | 一种基于大间隔类间互异性多核学习的油画作者识别方法 |
US10290036B1 (en) * | 2013-12-04 | 2019-05-14 | Amazon Technologies, Inc. | Smart categorization of artwork |
WO2020077866A1 (zh) * | 2018-10-17 | 2020-04-23 | 平安科技(深圳)有限公司 | 基于摩尔纹的图像识别方法、装置、设备和存储介质 |
CN111325290A (zh) * | 2020-03-20 | 2020-06-23 | 西安邮电大学 | 一种基于多视融合多示例学习的国画图像分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8644624B2 (en) * | 2009-07-28 | 2014-02-04 | Samsung Electronics Co., Ltd. | System and method for indoor-outdoor scene classification |
US10255296B2 (en) * | 2016-02-25 | 2019-04-09 | Omniearth, Inc. | System and method for managing geodemographic data |
-
2020
- 2020-08-05 CN CN202010776758.XA patent/CN112070116B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10290036B1 (en) * | 2013-12-04 | 2019-05-14 | Amazon Technologies, Inc. | Smart categorization of artwork |
CN107316042A (zh) * | 2017-07-18 | 2017-11-03 | 盛世贞观(北京)科技有限公司 | 一种绘画图像检索方法及装置 |
WO2020077866A1 (zh) * | 2018-10-17 | 2020-04-23 | 平安科技(深圳)有限公司 | 基于摩尔纹的图像识别方法、装置、设备和存储介质 |
CN109726725A (zh) * | 2018-12-28 | 2019-05-07 | 中南大学 | 一种基于大间隔类间互异性多核学习的油画作者识别方法 |
CN111325290A (zh) * | 2020-03-20 | 2020-06-23 | 西安邮电大学 | 一种基于多视融合多示例学习的国画图像分类方法 |
Non-Patent Citations (3)
Title |
---|
基于支持向量机的低质量文档图像二值化;熊炜;徐晶晶;赵诗云;王改华;刘敏;赵楠;刘聪;;计算机应用与软件(第02期);全文 * |
基于颜色特征的画家艺术风格提取方法;王栖榕;黄樟灿;;计算机应用(第06期);全文 * |
多类SVM在图像艺术属性分类中的应用研究;陈小娥;陈昭炯;;智能系统学报(第02期);摘要,正文第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070116A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Scale-and rotation-invariant local binary pattern using scale-adaptive texton and subuniform-based circular shift | |
Fan et al. | Superpixel guided deep-sparse-representation learning for hyperspectral image classification | |
Buza et al. | Skin detection based on image color segmentation with histogram and k-means clustering | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
Lin et al. | Image retrieval and classification using adaptive local binary patterns based on texture features | |
Sheng et al. | Learning-based road crack detection using gradient boost decision tree | |
CN108932518B (zh) | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 | |
US11144799B2 (en) | Image classification method, computer device and medium | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN111860309A (zh) | 一种人脸识别方法及系统 | |
Lim et al. | Text segmentation in color images using tensor voting | |
CN112560858B (zh) | 一种联合轻量化网络和个性化特征提取的字符图片检测及快速匹配方法 | |
Lodh et al. | Flower recognition system based on color and GIST features | |
Forczmański et al. | Stamps detection and classification using simple features ensemble | |
Shah et al. | Image splicing forgery detection using DCT coefficients with multi-scale LBP | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
Kalaiselvi et al. | Face recognition system under varying lighting conditions | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
Tsai et al. | Recognition of Vehicle License Plates from a Video Sequence. | |
CN111401485A (zh) | 实用的纹理分类方法 | |
Krupiński et al. | Binarization of degraded document images with generalized Gaussian distribution | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
Chen et al. | An improved local descriptor and threshold learning for unsupervised dynamic texture segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |