針對(duì)現(xiàn)有全局與局部特征提取方法所提取的顏色特征無法有效描述畫家藝術(shù)風(fēng)格的問題,提出了一種基于關(guān)鍵區(qū)域的油畫描述法。首先,通過融合主色調(diào)占比與顏色豐富度定義了油畫區(qū)域信息豐富度,以檢測(cè)并選取油畫的關(guān)鍵區(qū)域。其次,提取所選油畫關(guān)鍵區(qū)域的54維特征來描述油畫,并利用Fisher Score對(duì)這些特征進(jìn)行評(píng)估,選取重要的特征描述油畫關(guān)鍵區(qū)域,從而高度體現(xiàn)畫家藝術(shù)風(fēng)格。最后,為了驗(yàn)證上述方法的有效性,利用樸素貝葉斯分類器實(shí)現(xiàn)油畫的分類。建立兩個(gè)數(shù)據(jù)庫(kù)進(jìn)行仿真實(shí)驗(yàn),數(shù)據(jù)庫(kù)1包含3位畫家的120幅作品,數(shù)據(jù)庫(kù)2包含9位畫家3種流派的513幅作品。數(shù)據(jù)庫(kù)1上的實(shí)驗(yàn)結(jié)果表明,結(jié)合Fisher Score特征描述的分類正確率高于普通分類的正確率,所提方法依據(jù)畫家與流派的油畫分類正確率分別達(dá)到了90%與90. 20%。數(shù)據(jù)庫(kù)2上的實(shí)驗(yàn)結(jié)果表明,所提方法根據(jù)畫家的油畫分類正確率達(dá)到了90%,相較Features-FS的正確率提高了6. 67個(gè)百分點(diǎn);依據(jù)流派分類的結(jié)果正確率達(dá)到了90. 20%,與Features-FS的正確率相當(dāng)。所提的基于關(guān)鍵區(qū)域的油畫描述法所提取的特征能夠有效描述畫家的藝術(shù)風(fēng)格。 

【文章來源】：計(jì)算機(jī)應(yīng)用. 2020,40(06)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

關(guān)鍵區(qū)域選取結(jié)果示例

本文方法流程如圖2所示。首先，根據(jù)第2章對(duì)油畫信息豐富度的定義度量并選取油畫關(guān)鍵區(qū)域；然后，提取關(guān)鍵區(qū)域的顏色特征得到油畫的初步描述F=(f1,f2，…，f54)；再通過Fisher Score評(píng)估每個(gè)特征的重要性并選取部分權(quán)重大的特征得到油畫的最終描述F=(f1",f2"，?，fn"")。重復(fù)此步驟得到m幅油畫的描述，作為訓(xùn)練數(shù)據(jù)集，訓(xùn)練得到樸素貝葉斯分類器。最后用樸素貝葉斯分類器對(duì)新的油畫進(jìn)行分類。4.3 時(shí)間復(fù)雜度分析

為了驗(yàn)證本文Fisher Score特征提取的必要性，在實(shí)驗(yàn)1中對(duì)比了未經(jīng)Fisher Score特征選擇的普通分類器與結(jié)合Fisher Score特征選擇的分類器依據(jù)畫家與流派的分類結(jié)果。為了驗(yàn)證本文整體算法的有效性，在實(shí)驗(yàn)2中對(duì)比了本文方法與文獻(xiàn)[9]方法、文獻(xiàn)[10]方法對(duì)于依據(jù)畫家與流派的分類結(jié)果。由于文獻(xiàn)[10]的主要工作為提取油畫的多種特征，所以將其方法定義為Features-FS(Feature selected by Fisher Score）。5.1 實(shí)驗(yàn)1

【參考文獻(xiàn)】：
期刊論文
[1]面向大規(guī)模中文文本分類的樸素貝葉斯并行Spark算法（英文）[J]. 劉鵬,趙慧含,滕家雨,仰彥妍,劉亞峰,朱宗衛(wèi).  Journal of Central South University. 2019(01)
[2]繪畫特征提取方法與情感分析研究綜述[J]. 賈春花,郭小英,白茹意.  中國(guó)圖象圖形學(xué)報(bào). 2018(07)
[3]基于貝葉斯樹和集成學(xué)習(xí)的異常檢測(cè)[J]. 姚武軍,魏彬.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2014(06)
[4]基于信息熵的圖像檢索[J]. 孫君頂,毋小省,周利華.  西安電子科技大學(xué)學(xué)報(bào). 2004(02)



本文編號(hào)：3235827