音乐声的音色感知特征与图像的纹理特征的关联研究

发布时间：2021-01-28 03:22

　　本文主要研究音乐声的音色感知特征与图像的纹理之间的关联关系并建立音色与纹理的匹配模型.首先对Brodatz纹理库中的图片提取纹理特征,然后利用纹理特征对纹理图片进行系统聚类和多维尺度分析,挑选出18张用来做主观评价实验的纹理图片.通过主观评价实验,得到音色感知特征值以及音色和纹理的匹配关系数据,并基于此数据分别计算了匹配（或不匹配）的音色感知特征纹理特征之间的皮尔逊相关系数,相关系数绝对值最高达0.75,证明了二者之间存在强烈关联.最后使用逻辑回归、随机森林、多层感知神经网络对音色感知特征和纹理之间的匹配关系进行预测,得到了准确率较高的预测模型,说明通过音色感知特征和纹理特征预测二者匹配关系是可行的. 

【文章来源】：复旦学报(自然科学版). 2020,59(03)北大核心

【文章页数】：8 页

【部分图文】：

筛选出的纹理图片

图5是纹理特征值对音色特征值变化的散点图，横轴是音色素材m的某个音色特征，纵轴是音色素材m对应纹理的某个平均特征．从图5中可以看出，部分音色特征与纹理特征之间存在比较明显的关联关系，并且匹配与不匹配的相关性是相反的，如与嘶哑-协和匹配的纹理的粗细度随着协和程度的增大而增大，而与嘶哑协和不匹配的纹理粗细度随着协和程度增大而减小．

从图6可以看出，各个模型的精准度都比较理想，逻辑回归算法的精准度达到0.9．表3中3种算法的10折交叉验证的AUC的平均值均在0.9以上．综合图6和表3的结果，逻辑回归算法的建模结果略好于随机森林和多层感知器神经网络的．可能是由于纹理和音色感知特征之间的关系近似于线性关系，并且本文数据量和特征量较少，因此逻辑回归作为1种更加简单的线性算法，更适合于本文的数据．但不论是哪种算法，模型的精准度都在0.708以上，说明使用音色感知特征和纹理特征来判断二者之间是否匹配是可行的．4 结语

【参考文献】：
期刊论文
[1]基于多层感知器-Fisher判别分析的车用保险杠红外光谱鉴别[J]. 何欣龙,王继芬,李青山,何亚,姜晓佳,李超,彭山珊.  中国测试. 2019(05)
[2]基于灰度共生矩阵的遥感图像分类研究[J]. 廖敏,陈国郑.  科学技术创新. 2018(28)
[3]基于RSSI的多维标度室内定位算法[J]. 石欣,印爱民,陈曦.  仪器仪表学报. 2014(02)
[4]GMRF随机场在纹理特征描述与识别中的应用[J]. 王业琴,王辉.  计算机工程与应用. 2011(25)
[5]基于分形维数的图像纹理特征表示方法[J]. 赵莹,胡静,黎明,迟冬祥.  上海电机学院学报. 2011(01)
[6]基于小波变换的纹理特征提取[J]. 王水璋,冀小平,闫文娟.  科技情报开发与经济. 2008(11)

硕士论文
[1]音乐和颜色的情绪性关联[D]. 张聪聪.华东师范大学 2014



本文编号：3004265