基于颜色特征的画家艺术风格提取方法

发布时间：2021-06-17 19:59

　　针对现有全局与局部特征提取方法所提取的颜色特征无法有效描述画家艺术风格的问题,提出了一种基于关键区域的油画描述法。首先,通过融合主色调占比与颜色丰富度定义了油画区域信息丰富度,以检测并选取油画的关键区域。其次,提取所选油画关键区域的54维特征来描述油画,并利用Fisher Score对这些特征进行评估,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,为了验证上述方法的有效性,利用朴素贝叶斯分类器实现油画的分类。建立两个数据库进行仿真实验,数据库1包含3位画家的120幅作品,数据库2包含9位画家3种流派的513幅作品。数据库1上的实验结果表明,结合Fisher Score特征描述的分类正确率高于普通分类的正确率,所提方法依据画家与流派的油画分类正确率分别达到了90%与90. 20%。数据库2上的实验结果表明,所提方法根据画家的油画分类正确率达到了90%,相较Features-FS的正确率提高了6. 67个百分点;依据流派分类的结果正确率达到了90. 20%,与Features-FS的正确率相当。所提的基于关键区域的油画描述法所提取的特征能够有效描述画家的艺术风格。 

【文章来源】：计算机应用. 2020,40(06)北大核心CSCD

【文章页数】：6 页

【部分图文】：

关键区域选取结果示例

本文方法流程如图2所示。首先，根据第2章对油画信息丰富度的定义度量并选取油画关键区域；然后，提取关键区域的颜色特征得到油画的初步描述F=(f1,f2，…，f54)；再通过Fisher Score评估每个特征的重要性并选取部分权重大的特征得到油画的最终描述F=(f1",f2"，?，fn"")。重复此步骤得到m幅油画的描述，作为训练数据集，训练得到朴素贝叶斯分类器。最后用朴素贝叶斯分类器对新的油画进行分类。4.3 时间复杂度分析

为了验证本文Fisher Score特征提取的必要性，在实验1中对比了未经Fisher Score特征选择的普通分类器与结合Fisher Score特征选择的分类器依据画家与流派的分类结果。为了验证本文整体算法的有效性，在实验2中对比了本文方法与文献[9]方法、文献[10]方法对于依据画家与流派的分类结果。由于文献[10]的主要工作为提取油画的多种特征，所以将其方法定义为Features-FS(Feature selected by Fisher Score）。5.1 实验1

【参考文献】：
期刊论文
[1]面向大规模中文文本分类的朴素贝叶斯并行Spark算法（英文）[J]. 刘鹏,赵慧含,滕家雨,仰彦妍,刘亚峰,朱宗卫.  Journal of Central South University. 2019(01)
[2]绘画特征提取方法与情感分析研究综述[J]. 贾春花,郭小英,白茹意.  中国图象图形学报. 2018(07)
[3]基于贝叶斯树和集成学习的异常检测[J]. 姚武军,魏彬.  武汉大学学报(理学版). 2014(06)
[4]基于信息熵的图像检索[J]. 孙君顶,毋小省,周利华.  西安电子科技大学学报. 2004(02)



本文编号：3235827