于明 彭偉峰 郭迎春

摘要 針對(duì)現(xiàn)有方法沒(méi)有充分考慮圖像空間美學(xué)信息，并且評(píng)價(jià)效果過(guò)分依賴(lài)于主體區(qū)域識(shí)別效果的問(wèn)題，提出一種基于興趣點(diǎn)密度加權(quán)的圖像美學(xué)質(zhì)量評(píng)價(jià)模型。首先對(duì)圖像進(jìn)行超像素分割和興趣點(diǎn)檢測(cè)并提取特征描述子，然后統(tǒng)計(jì)超像素塊內(nèi)的興趣點(diǎn)個(gè)數(shù)，根據(jù)興趣點(diǎn)密度對(duì)超像素塊內(nèi)的特征描述子進(jìn)行加權(quán)并進(jìn)行局部約束線性編碼處理，最后利用機(jī)器學(xué)習(xí)方法進(jìn)行圖像美學(xué)質(zhì)量評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明該方法用來(lái)圖像美學(xué)質(zhì)量評(píng)價(jià)大大減少了特征維度和計(jì)算時(shí)間，提高了評(píng)價(jià)模型的準(zhǔn)確率。

關(guān) 鍵 詞 圖像美學(xué);質(zhì)量評(píng)價(jià);超像素分割;興趣點(diǎn)密度加權(quán)

中圖分類(lèi)號(hào) TP391.4? ? ?文獻(xiàn)標(biāo)志碼 A

Abstract The aesthetic evaluation model has low accuracy since the existing methods heavily rely on the performance of object region extraction and insufficient characterization of image space aesthetic information. Aiming at solving the problem， an image aesthetic quality evaluation model based on density of interest points weighting is proposed. First， superpixel segmentation was used to segment images into irregular superpixel blocks， and interest points were detected and feature descriptors were extracted on the original image; Second， the density of interest points in the superpixel block were calculated， and the feature descriptors were weighted according to the density of interest points and coded by locality-constrained linear coding method. Finally， the machine learning method was used to evaluate the aesthetic quality of images. The experimental results show that this proposed method is effective for image aesthetic quality evaluation， which greatly reduces the feature dimension and the computation time， and improves the accuracy of the evaluation model.

Key words image aesthetic; quality evaluation; superpixel segmentation; density of interest points weighting

0 引言

圖像美學(xué)質(zhì)量評(píng)價(jià)屬于圖像質(zhì)量評(píng)價(jià)的主觀評(píng)價(jià)方法，希望能讓計(jì)算機(jī)模擬人類(lèi)的審美思維對(duì)圖像質(zhì)量做出高低評(píng)價(jià)[1]。近年來(lái)，從美感角度來(lái)評(píng)價(jià)圖像質(zhì)量受到了廣泛關(guān)注，圖像美學(xué)質(zhì)量評(píng)價(jià)可以應(yīng)用于圖像檢索、圖像美化、圖像設(shè)計(jì)等領(lǐng)域。

一些研究者致力于設(shè)計(jì)更有效的圖像手工特征進(jìn)行圖像美學(xué)質(zhì)量評(píng)價(jià)。Ke等[2]通過(guò)提取圖像的高層視覺(jué)特征包括邊緣空間分布、顏色分布、色調(diào)數(shù)和模糊度來(lái)識(shí)別出高質(zhì)量的專(zhuān)業(yè)照和低質(zhì)量的快照。Wong等[3]提出用顯著性增強(qiáng)的方法區(qū)分專(zhuān)業(yè)照和快照，在顯著性區(qū)域提取視覺(jué)特征包括曝光度、形狀度、紋理細(xì)節(jié)等，取得了比全局特征更好的分類(lèi)效果，但該方法依賴(lài)于顯著性區(qū)域的檢測(cè)效果。Luo等[4]基于專(zhuān)業(yè)攝影照片的相關(guān)技術(shù)特點(diǎn)，在主體背景分離的區(qū)域上提取一系列高層語(yǔ)義特征，有效改善了分類(lèi)效果，該方法嚴(yán)重依賴(lài)主體區(qū)域檢測(cè)效果。Tang[5]等提出了基于圖像內(nèi)容感知的美學(xué)質(zhì)量評(píng)估模型，根據(jù)圖像內(nèi)容的識(shí)別結(jié)果提取相應(yīng)的特征，提高了分類(lèi)效果，但評(píng)價(jià)效果嚴(yán)重依賴(lài)于圖像內(nèi)容的判定和主體區(qū)域的提取效果。

為了克服圖像美學(xué)質(zhì)量評(píng)價(jià)中美學(xué)的手工特征提取缺點(diǎn)，研究人員提出了通用的可計(jì)算美學(xué)評(píng)價(jià)模型提取圖像美學(xué)信息。Nishiyama等[6]提出了分塊級(jí)別下的色彩和諧模型，在顏色通道提取顏色分布特征描述子，取得了一定的成果。Marchesotti[7]等提出用一般圖像描述子進(jìn)行圖像美學(xué)分類(lèi)任務(wù)，提供了可計(jì)算美學(xué)評(píng)價(jià)方案新思路。Zhang等[8]提出了通過(guò)圖模型建立圖像局部空間的線索聯(lián)系并在圖像上提取全局和局部的結(jié)構(gòu)描述子特征進(jìn)行圖像美學(xué)評(píng)價(jià)。Guo[9]等提出手工特征與稠密采樣語(yǔ)義特征結(jié)合的美學(xué)評(píng)價(jià)模型，解決了美學(xué)評(píng)價(jià)結(jié)果嚴(yán)重依賴(lài)主題區(qū)域提取的問(wèn)題，但稠密采樣語(yǔ)義特征維度過(guò)高，難以實(shí)現(xiàn)美學(xué)圖像的實(shí)時(shí)評(píng)價(jià)。

針對(duì)圖像美學(xué)質(zhì)量評(píng)價(jià)模型嚴(yán)重依賴(lài)圖像主體區(qū)域識(shí)別效果并且空間信息表征不足的問(wèn)題，本文提出了一種新的圖像美學(xué)質(zhì)量評(píng)價(jià)模型，根據(jù)興趣點(diǎn)密度對(duì)超像素塊內(nèi)提取的特征描述子進(jìn)行加權(quán)，通過(guò)局部約束線性編碼計(jì)算圖像的語(yǔ)義特征，利用機(jī)器學(xué)習(xí)方法進(jìn)行圖像美學(xué)質(zhì)量評(píng)價(jià)。

1 超像素分割與興趣點(diǎn)密度加權(quán)

1.1 超像素分割

對(duì)圖像進(jìn)行超像素（Superpixels）分塊處理的目的是增加圖像的空間信息，降低圖像匹配算法的復(fù)雜度。超像素是指具有相似紋理、顏色、亮度等特征的相鄰像素構(gòu)成的有一定視覺(jué)意義的不規(guī)則像素塊。傳統(tǒng)的均勻網(wǎng)格分塊，操作簡(jiǎn)單，不同圖像在相等的空間位置處提取固定大小的局部區(qū)域。這樣做割裂了相鄰像素之間的關(guān)系。超像素分割方法是利用像素之間相似性將像素分組，用少量的超像素集合代替大量的像素點(diǎn)來(lái)表達(dá)圖像特征，很大程度上降低了圖像匹配的復(fù)雜度。

圖1展示了均勻網(wǎng)格算法和超像素分割算法對(duì)圖像進(jìn)行分塊處理后的效果圖。通過(guò)對(duì)比發(fā)現(xiàn)，超像素分割算法產(chǎn)生的超像素塊是不規(guī)則的，比均勻網(wǎng)格分塊算法更接近圖像內(nèi)容的真實(shí)形狀。使用超像素分割算法替代均勻網(wǎng)格采樣算法引入圖像空間屬性，大大降低了特征維度和計(jì)算時(shí)間。在超像素分割算法選擇上，通過(guò)圖1分割效果對(duì)比可以發(fā)現(xiàn)，SLIC算法[10]的超像素分割效果比SEEDS算法[11]的好。SLIC算法產(chǎn)生的超像素能夠貼合圖像內(nèi)的邊緣區(qū)域并且盡可能保持分割后的超像素塊的規(guī)整性，鄰域特征比較容易表達(dá)，有利于后續(xù)的圖像處理。本文最后選擇SLIC算法進(jìn)行超像素分塊處理。

1.2 興趣點(diǎn)密度加權(quán)

興趣點(diǎn)是根據(jù)一定的數(shù)學(xué)模型從圖像中選取某些特征點(diǎn)并對(duì)圖像進(jìn)行局部分析。興趣點(diǎn)周?chē)木植繄D像結(jié)構(gòu)豐富，利用興趣點(diǎn)可以簡(jiǎn)化視覺(jué)系統(tǒng)的處理過(guò)程。在圖像美學(xué)價(jià)值判斷中，圖像復(fù)雜度影響人類(lèi)對(duì)圖像美感的理解和判斷，圖像復(fù)雜度屬性還沒(méi)有統(tǒng)一的衡量標(biāo)準(zhǔn)。本文參考SIFT算法的興趣點(diǎn)檢測(cè)原理，嘗試通過(guò)超像素塊內(nèi)的興趣點(diǎn)密度，來(lái)衡量超像素塊的圖像復(fù)雜度，進(jìn)而表征圖像的美學(xué)屬性。因此提出了基于興趣點(diǎn)密度加權(quán)的超像素分割方法來(lái)提取圖像的局部特征描述子。

本文先用SLIC算法對(duì)圖像進(jìn)行超像素分割，然后通過(guò)SIFT、SURF、ORB算法進(jìn)行興趣點(diǎn)檢測(cè)，其中以SIFT興趣點(diǎn)為主，SURF、ORB興趣點(diǎn)作為補(bǔ)充，彌補(bǔ)SIFT興趣點(diǎn)檢測(cè)不足問(wèn)題。再統(tǒng)計(jì)落在每一超像素塊內(nèi)的興趣點(diǎn)個(gè)數(shù)，在統(tǒng)計(jì)過(guò)程中，過(guò)濾掉重復(fù)出現(xiàn)的興趣點(diǎn)。按公式（1）計(jì)算圖像中超像素塊的興趣點(diǎn)密度[m]。

式中：[S]表示超像素塊的面積;[n]表示超像素塊的興趣點(diǎn)個(gè)數(shù)。

設(shè)定一個(gè)閾值[t]，通過(guò)比較閾值t與超像素塊的興趣點(diǎn)密度來(lái)區(qū)分背景的復(fù)雜度，經(jīng)過(guò)大量實(shí)驗(yàn)得出t=0.001，當(dāng)[m<t]時(shí)，超像素塊權(quán)重為0，即沒(méi)有或者有很少的興趣點(diǎn)的塊，說(shuō)明是背景單一的區(qū)域塊，這部分提取的特征對(duì)美學(xué)評(píng)價(jià)的作用度很小。當(dāng)[m≥t]時(shí)，說(shuō)明區(qū)域塊內(nèi)背景信息足夠復(fù)雜，有很大程度上是人眼注意力焦點(diǎn)所在，直接影響人們對(duì)圖像美學(xué)的評(píng)分，所以對(duì)該超像素塊賦予較大權(quán)重，突出該局部區(qū)域的重要性。超像素塊權(quán)重[w]計(jì)算公式為

圖2展示了在原圖上進(jìn)行超像素分割和興趣點(diǎn)檢測(cè)之后的效果圖，可以發(fā)現(xiàn)興趣點(diǎn)集中出現(xiàn)在蜜蜂所在的重心區(qū)域，在其他各個(gè)超像素塊內(nèi)也會(huì)有興趣點(diǎn)落在其中，證明了超像素塊加權(quán)是合理的，當(dāng)興趣點(diǎn)集中落在信息豐富的超像素塊內(nèi)，也會(huì)導(dǎo)致該超像素塊的興趣點(diǎn)密度過(guò)高，需要對(duì)權(quán)重值[w]設(shè)置上限，來(lái)解決興趣點(diǎn)過(guò)于集中帶來(lái)的高權(quán)值問(wèn)題。

2 基于興趣點(diǎn)密度加權(quán)的圖像美學(xué)質(zhì)量評(píng)價(jià)模型

2.1 圖像美學(xué)質(zhì)量評(píng)價(jià)模型框架

本文設(shè)計(jì)的圖像美學(xué)質(zhì)量評(píng)價(jià)框架如圖3所示，主要工作包含4部分，分別是興趣點(diǎn)密度計(jì)算、加權(quán)特征描述子提取、LLC編碼和分類(lèi)輸出。

首先使用SLIC算法進(jìn)行超像素分割，然后利用SIFT、SURF、ORB算法進(jìn)行興趣點(diǎn)檢測(cè)，計(jì)算超像素塊的興趣點(diǎn)密度，然后對(duì)提取的特征描述子進(jìn)行加權(quán)處理，利用局部約束線性編碼算法（locality-constrained linear coding，LLC） [12]對(duì)提取出來(lái)的特征描述子進(jìn)行編碼處理。最后在圖像美學(xué)質(zhì)量評(píng)價(jià)過(guò)程中，使用支持向量機(jī)（SVM）在AVA圖像美學(xué)數(shù)據(jù)集上進(jìn)行分類(lèi)實(shí)驗(yàn)。

2.2 特征描述子提取

通過(guò)興趣點(diǎn)檢測(cè)算法，可以得到3種特征描述子，分別是SIFT特征描述子、SURF特征描述子和ORB特征描述子，用來(lái)表征圖像的語(yǔ)義信息。

對(duì)圖像利用SLIC算法分割得到超像素，如圖4所示，圖4a）中不規(guī)則的超像素塊的質(zhì)心已經(jīng)不再是均勻網(wǎng)格劃分時(shí)的初始中心了。通過(guò)迭代聚類(lèi)之后，超像素的質(zhì)心落在圖像的合理位置上不再移動(dòng)，超像素質(zhì)心周?chē)S富的圖像信息，為此將每個(gè)超像素塊的質(zhì)心作為興趣點(diǎn)，根據(jù)超像素塊的權(quán)重計(jì)算出該興趣點(diǎn)的SIFT算法中的加權(quán)尺度值。用SIFT方法提取超像素塊的質(zhì)心局部[U×U]區(qū)域的質(zhì)心加權(quán)特征描述子（Centroid Weighting Descriptor， CWD）。質(zhì)心的計(jì)算方法為

式中：[xδi]表示第[i]個(gè)超像素塊的[x]軸坐標(biāo);[yδi]表示第[i]個(gè)超像素塊的[y]軸坐標(biāo);[I（x，y）∈δi]表示為圖像上落在[δi]內(nèi)的點(diǎn)，如果落在[δi]內(nèi)，則值為1，否則為0。

通過(guò)興趣點(diǎn)密度加權(quán)的超像素塊，具備了圖像的空間屬性，為了加入圖像美學(xué)屬性，本文在超像素塊內(nèi)提取圖像美學(xué)特征，包括HSV顏色直方圖特征、顏色距特征（Color moments）、Tamura紋理特征、Gabor特征和LBP特征作為特征描述子進(jìn)行實(shí)驗(yàn)。

在超像素塊內(nèi)提取Gabor特征時(shí)，由于超像素塊是不規(guī)則的，無(wú)法進(jìn)行Gabor濾波操作。這里以超像素塊質(zhì)心為原點(diǎn)，提取周?chē)霃綖閇R]的圓外矩形圖像來(lái)表示當(dāng)前超像素塊，然后進(jìn)行Gabor濾波操作，提取8方向5尺度的Gabor特征圖4a）中超像素塊的質(zhì)心圖，每個(gè)質(zhì)心用紅色原點(diǎn)表示，圖4b）為超像素塊質(zhì)心的外接矩形示意圖。圖中紅色矩形框表示的是圖像邊緣的超像素塊的外接矩形框會(huì)超出圖像，求出1個(gè)超像素塊質(zhì)心后，計(jì)算質(zhì)心周?chē)木匦慰虼笮〔⑴c圖像位置比較，保留在圖像區(qū)域內(nèi)的矩形框。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法的有效性，使用SVM分類(lèi)器在AVA數(shù)據(jù)庫(kù)上進(jìn)行圖像美學(xué)質(zhì)量分類(lèi)實(shí)驗(yàn)，通過(guò)ROC（AUC）曲線衡量分類(lèi)器的性能。其中，SLIC算法預(yù)分割的超像素塊數(shù)[K=400]，超像素間的緊湊度為[m=20]。LLC算法中利用K-means聚類(lèi)算法得到字典集大小[Km=1024]，使用KNN算法找到最近的碼本詞匯[Kn=5]。SVM分類(lèi)器RBF核函數(shù)的最優(yōu)超參數(shù)[c=62.5]，[γ=0.0338]。

3.1 實(shí)驗(yàn)數(shù)據(jù)集

AVA數(shù)據(jù)庫(kù)共包含255 348幅圖像，圖像內(nèi)容涉及建筑，人物，動(dòng)物，植物，風(fēng)景等共42種語(yǔ)義標(biāo)簽[13]，具有代表性。部分圖片如圖5所示，AVA數(shù)據(jù)庫(kù)圖像被超過(guò)100人進(jìn)行網(wǎng)上評(píng)分，評(píng)分范圍[1，10]。圖像的美感度用平均評(píng)分表示，分?jǐn)?shù)越高美感度越高。本文從AVA數(shù)據(jù)庫(kù)中抽選圖像6 493張進(jìn)行實(shí)驗(yàn)。首先從AVA數(shù)據(jù)集中選出美學(xué)評(píng)分高低兩端各10%數(shù)據(jù)，再以分?jǐn)?shù)段[4.5，6.5]為邊界，取兩側(cè)數(shù)據(jù)集，各挑選2 000幅用來(lái)訓(xùn)練模型。然后隨機(jī)選取1 286張高美感圖像和1 206張低美感圖像共2 493張圖像用來(lái)測(cè)試模型。

3.2 實(shí)驗(yàn)結(jié)果及分析

為了得到最佳美學(xué)分類(lèi)模型，本文在不同超像素分塊個(gè)數(shù)上對(duì)提取的加權(quán)特征描述子進(jìn)行了訓(xùn)練分類(lèi)實(shí)驗(yàn)。其中實(shí)驗(yàn)的特征包括：SIFT、SURF、ORB3種特征描述子，在超像素塊內(nèi)提取的HSV顏色直方圖特征、顏色距特征、Tamura紋理特征、Gabor特征、LBP特征，和超像素塊質(zhì)心加權(quán)特征描述子（SLIC-CWD）。

不同超像素塊數(shù)下的實(shí)驗(yàn)分類(lèi)準(zhǔn)確率結(jié)果如表1所示，可以發(fā)現(xiàn)超像素塊數(shù)對(duì)實(shí)驗(yàn)結(jié)果有影響，超像素塊數(shù)越多，平均準(zhǔn)確率結(jié)果越高。Gabor特征和LBP特征的分類(lèi)效果好于其他特征。并且在超像素塊數(shù)為400時(shí)，LBP特征取平均分類(lèi)準(zhǔn)確率最高，為79.42%。

圖6展示了通過(guò)SVM對(duì)不同特征訓(xùn)練的分類(lèi)器的ROC（AUC）曲線圖。圖中的AUC取值為最高的特征分類(lèi)器性能。其中SLIC表示在超像素塊內(nèi)提取的加權(quán)特征描述子。通過(guò)圖6a）可以發(fā)現(xiàn)本文提出的超像素塊質(zhì)心加權(quán)特征描述子（SLIC-CWD）雖然效果不如SIFT、SURF特征描述子，但效果還是好于ORB特征描述子，在質(zhì)心周?chē)崛〉奶卣髅枋鲎舆€有待改進(jìn)。

圖6b）～f）展示了在超像素塊提取的局部加權(quán)特征描述子（SLIC）與全局特征組合的對(duì)比實(shí)驗(yàn)?？梢园l(fā)現(xiàn)通過(guò)興趣點(diǎn)密度加權(quán)的局部特征描述子分類(lèi)效果明顯優(yōu)于全局特征，兩者組合之后，分類(lèi)效果不在提升，有的特征分類(lèi)效果還略微下降，說(shuō)明本文提出的興趣點(diǎn)密度加權(quán)算法是有效的，局部加權(quán)的特征描述子能夠影響分類(lèi)效果。其中分類(lèi)效果較好的是Gabor特征和LBP特征，AUC值均超過(guò)了0.87，高于其他特征的AUC值。LBP特征得到的分類(lèi)模型效果最好，AUC達(dá)到了0.873 17，并且LBP特征計(jì)算簡(jiǎn)單，大大降低了圖像美學(xué)質(zhì)量評(píng)價(jià)模型的時(shí)間復(fù)雜度。

本文還與其他圖像美學(xué)質(zhì)量評(píng)價(jià)模型做了比較。選擇使用加權(quán)超像素下的LBP語(yǔ)義特征作為本文最優(yōu)模型與這些算法對(duì)比，對(duì)比方法中包括Luo[4]，Nishiyama[6]，Marchesotti[7]，Zhang[8]。對(duì)比結(jié)果如表2所示，本文方法明顯優(yōu)于Luo[4]等的方法。相比于Nishiyama[6]等、Marchesotti[7]等方法有提升。雖然比Zhang[8]等人的結(jié)果低，但本文的LBP語(yǔ)義特征維度更小，時(shí)間效率更高。說(shuō)明了基于興趣點(diǎn)密度加權(quán)的圖像美學(xué)質(zhì)量評(píng)價(jià)模型是有效的，還需要再進(jìn)行特征改進(jìn)。

4 結(jié)束語(yǔ)

本文提出了一個(gè)基于興趣點(diǎn)密度加權(quán)的圖像美學(xué)質(zhì)量評(píng)價(jià)模型。通過(guò)計(jì)算超像素塊內(nèi)的興趣點(diǎn)密度對(duì)提取的局部特征描述子進(jìn)行加權(quán)處理，來(lái)提高圖像美學(xué)質(zhì)量評(píng)價(jià)模型的分類(lèi)準(zhǔn)確率。通過(guò)SVM機(jī)器學(xué)習(xí)算法在AVA數(shù)據(jù)集上進(jìn)行訓(xùn)練分類(lèi)實(shí)驗(yàn)，證明了本文提出的興趣點(diǎn)密度加權(quán)分類(lèi)模型的有效性。隨著深度學(xué)習(xí)的發(fā)展，對(duì)于圖像美學(xué)質(zhì)量評(píng)價(jià)這種主觀性強(qiáng)的分類(lèi)任務(wù)，今后的研究方向是通過(guò)深度學(xué)習(xí)來(lái)挖掘潛在語(yǔ)義特征進(jìn)行圖像美學(xué)質(zhì)量評(píng)價(jià)。

參考文獻(xiàn)：

[1]? ? 王偉凝，蟻靜緘，賀前華. 可計(jì)算圖像美學(xué)研究進(jìn)展[J]. 中國(guó)圖象圖形學(xué)報(bào)，2012，17（8）：893-901.

[2]? ? KE Y，TANG X，JING F. The design of high-level features for photo quality assessment[C]//Computer Vision and Pattern Recognition，2006 IEEE Computer Society Conference on. IEEE，2006，1：419-426.

[3]? ? WONG L K，LOW K L. Saliency-enhanced image aesthetics class prediction[C]//Image Processing （ICIP），2009 16th IEEE International Conference on. IEEE，2009：997-1000.

[4]? ? LUO Y，TANG X. Photo and video quality evaluation：Focusing on the subject[C]//European Conference on Computer Vision. Springer，Berlin，Heidelberg，2008：386-399.

[5]? ? TANG X，LUO W，WANG X. Content-based photo quality assessment[J]. IEEE Transactions on Multimedia，2013，15（8）：1930-1943.

[6]? ? NISHIYAMA M，OKABE T，SATO I，et al. Aesthetic quality classification of photographs based on color harmony[C]//Computer Vision and Pattern Recognition （CVPR），2011 IEEE Conference on. IEEE，2011：33-40.

[7]? ? MARCHESOTTI L，PERRONNIN F，LARLUS D，et al. Assessing the aesthetic quality of photographs using generic image descriptors[C]//Computer Vision （ICCV），2011 IEEE International Conference on. IEEE，2011：1784-1791.

[8]? ? ZHANG L，GAO Y，ZIMMERMANN R，et al. Fusion of multichannel local and global structural cues for photo aesthetics evaluation[J]. IEEE Transactions on Image Processing，2014，23（3）：1419-1429.

[9]? ? GUO L，XIONG Y，HUANG Q，et al. Image esthetic assessment using both hand-crafting and semantic features[J]. Neurocomputing，2014，143：14-26.

[10]? ACHANTA R，SHAJI A，SMITH K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE transactions on pattern analysis and machine intelligence，2012，34（11）：2274-2282.

[11]? VAN DEN BERGH M，BOIX X，ROIG G，et al. Seeds：Superpixels extracted via energy-driven sampling[C]//European conference on computer vision. Springer，Berlin，Heidelberg，2012：13-26.

[12]? WANG J，YANG J，YU K，et al. Locality-constrained linear coding for image classification[C]//Computer Vision and Pattern Recognition （CVPR），2010 IEEE Conference on. IEEE，2010：3360-3367.

[13]? MURRAY N，MARCHESOTTI L，PERRONNIN F. AVA：A large-scale database for aesthetic visual analysis[C]//Computer Vision and Pattern Recognition，2012 IEEE Conference. Providence RI? ?USA：IEEE，2012：2408-2415.

[責(zé)任編輯 田 豐]