權(quán)海波 顧迎燕 朱鵬強(qiáng)

摘要：傳統(tǒng)的圖像信息采集方式大多存在著對(duì)人工過度依賴的問題，人主觀上的操作失誤與物理環(huán)境方面的客觀因素，在一定程度上影響著圖像信息采集的完整性與有效性。針對(duì)該問題，本文汲取、融合了先前的國(guó)畫特征提取技術(shù)，基于人工智能，探究新型提取的方法，既關(guān)注形狀特征的提取，又重視顏色氛圍的表達(dá)，挖掘更多細(xì)節(jié)，以達(dá)到提取效果與人眼主觀視覺的高度匹配。

關(guān)鍵詞：人工智能;國(guó)畫特征;特征提取;顏色

引言

在綿延幾千年的歷史長(zhǎng)河中，中國(guó)畫是我國(guó)寶貴的歷史財(cái)富和人民智慧的結(jié)晶，承載著中華民族燦爛悠久的歷史文化。近年來，隨著人工智能技術(shù)的不斷發(fā)展，其應(yīng)用范圍越來越大，本文將基于人工智能，深入探究中國(guó)畫特征提取的系列方法，以促進(jìn)中國(guó)畫的數(shù)據(jù)化分析、理解與識(shí)別，為中國(guó)畫的傳承鑒賞提供有效的數(shù)字工具。

1國(guó)內(nèi)外研究現(xiàn)狀

人工智能自1956年提出，到今天初步具備產(chǎn)品化的可能性經(jīng)歷了58年的演進(jìn)。主要發(fā)達(dá)國(guó)家積極布局人工智能技術(shù)，搶占戰(zhàn)略制高點(diǎn)，近幾十年來，我國(guó)亦高度重視人工智能領(lǐng)域的研究與發(fā)展。

對(duì)于國(guó)畫特征提取方面，很多學(xué)者進(jìn)行了廣泛而深入的研究。Sheng等人將像素亮度作為局部特征，提出一種基于神經(jīng)網(wǎng)絡(luò)的國(guó)畫作者識(shí)別方法。Li等人提出一種基于小波變換和混合2D多分辨率隱式 Markov模型的國(guó)畫分類算法。Jiang等人提出一種基于顏色特征和紋理特征的SVM國(guó)畫識(shí)別算法，王剛等人提出基于顏色特征和紋理特征的正則化極限學(xué)習(xí)機(jī)的油畫識(shí)別研究，對(duì)寫意畫和工筆畫進(jìn)行了高精度識(shí)別。

2提取技術(shù)

2.1模式識(shí)別法

模式識(shí)別法是當(dāng)前圖像識(shí)別領(lǐng)域用的最多的方法，在提取國(guó)畫顯著特征方面也具有同樣應(yīng)用原理，它的工作原理如同大數(shù)據(jù)搜索，是在多國(guó)學(xué)者專家多年圖像分類、識(shí)別、匯總的經(jīng)驗(yàn)下，運(yùn)用計(jì)算機(jī)快速計(jì)算的優(yōu)點(diǎn)，在海量數(shù)據(jù)中找到與國(guó)畫特征的線條、墨色、點(diǎn)簇等相似匹配的圖像信息，并且運(yùn)用計(jì)算機(jī)的邏輯推理，進(jìn)一步分析所提取國(guó)畫的曲線，形狀，邊緣，紋理等的特征，且計(jì)算機(jī)自動(dòng)完成對(duì)這些特征的融合，擬構(gòu)，組織并作出評(píng)價(jià)。

2.2神經(jīng)網(wǎng)絡(luò)法

原理是利用計(jì)算機(jī)模擬人類神經(jīng)元結(jié)構(gòu)，與傳統(tǒng)圖像識(shí)別結(jié)合，從而完成各種非線性智能任務(wù)，常見的有BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)完成對(duì)圖像的分類和識(shí)別。同時(shí)在當(dāng)今計(jì)算機(jī)發(fā)展領(lǐng)域，基于神經(jīng)網(wǎng)絡(luò)發(fā)展而來的深度學(xué)習(xí)也是國(guó)畫特征提取的廣泛認(rèn)可的方法。

2.3非線性降維方法

通過單幅國(guó)畫數(shù)據(jù)的高維化，來獲得單幅國(guó)畫數(shù)據(jù)在高維空間中的數(shù)據(jù)描述，然后可以使用Laplacian Eigenmap方法對(duì)其進(jìn)行降維，獲得國(guó)畫本征結(jié)構(gòu)的一維特征表達(dá) 向量，最后基于向量進(jìn)行國(guó)畫特征的識(shí)別。我們可以看出，這里與通常的基于特征空間的方法（如CPA，LAD等）區(qū)別在于是對(duì)每幅畫像都進(jìn)行獨(dú)立的降維，而在降維過程 中沒有考慮與其他畫像之間的關(guān)聯(lián)，從而使得得到特征表達(dá)向量可以較好的反映國(guó)畫數(shù)據(jù)的本征結(jié)構(gòu)形態(tài)。

3技術(shù)的優(yōu)缺點(diǎn)

然而，在實(shí)際應(yīng)用中，上述的基于內(nèi)容的圖像分類技術(shù)的效果卻不盡人意。其主要原因在于，在基于內(nèi)容的圖像特征識(shí)別技術(shù)中，畫像之間的相似性主要體現(xiàn)在人類的視覺的相似性上，但是人類對(duì)畫像之間相似性的辨別則主要建立在畫像語義的相似性上，即僅是通過計(jì)算機(jī)所提取的畫像的低層次特征并不能很好地表達(dá)畫像內(nèi)容所體現(xiàn)的畫像的高層次語義。同時(shí)，由于畫像的內(nèi)容是豐富并且多樣的，這種利用簡(jiǎn)單的視覺特征來解決圖像的相似性匹配問題，是無法滿足更高要求的畫像特征提取的。而色彩的提取影響著圖像的情感表達(dá)，要想優(yōu)化圖像提取的完整性、有效性，首先要從色彩提取方面進(jìn)行展開。

4圖像優(yōu)化

顏色失真是圖畫特征提取過程中最常見的問題。其常在R、G、B三個(gè)顏色分量中出現(xiàn)，解決顏色失真問題應(yīng)從三個(gè)顏色分量中入手。經(jīng)過研讀文獻(xiàn)以及探索實(shí)踐，我們領(lǐng)會(huì)了一種新的處理方法。由于三個(gè)顏色分量的優(yōu)化方法類似，所以本節(jié)優(yōu)化方法僅從R顏色分量中展開。

首先，對(duì)R顏色分量進(jìn)行對(duì)數(shù)變換，以使其符合人眼非線性感知特性。其數(shù)學(xué)表達(dá)式為

（1）

其中：（i，j）表示圖像在該點(diǎn)的像素。

然后，按照d*d大小，重疊兩個(gè)尺度的方式進(jìn)行分塊。分塊后的圖像塊用一個(gè)集合來表示，并計(jì)算該圖像塊集合X的像素平均值，用M來表示。兩者相減可以求得圖像塊的結(jié)構(gòu)信息：

（2）

其中：o是一個(gè)維度與X相同的全1矩陣。這主要是因?yàn)樵肼暢３霈F(xiàn)在圖像的高頻部分，所以式（2）可以有效地得到包含圖像噪聲的高頻信息。該高頻信息中除了噪聲外還有圖像自身的結(jié)構(gòu)信息，故如何在保留結(jié)構(gòu)信息的基礎(chǔ)上去除噪聲，亦是至關(guān)重要的問題。

5結(jié)語

為了更好更穩(wěn)定地對(duì)國(guó)畫特征進(jìn)行提取，本文歸納總結(jié)了幾種常見的提取思想方法，著眼于顏色失真這一方面進(jìn)行考究，嘗試了一種新型的圖像優(yōu)化方式，通過實(shí)驗(yàn)驗(yàn)證該方式提取效果與人眼主觀視覺具有較好的一致性，但是為獲得更佳的提取效果，還需進(jìn)一步探究。

參考文獻(xiàn)

[1] Sheng J，Jiang J.Recognition of Chinese artists via windowed and entropy balanced fusion in classification of their authored ink and wash paintings（IWPs）[J].Pattern Recognition，2014，47（2）：612-622

[2]王剛.基于顏色特征和紋理特征的RELM油畫識(shí)別研究[J].微型電腦應(yīng)用，2019，35（10）：57-60.

[3]萬兵.基于人工智能的圖像識(shí)別技術(shù)的研究[J].信息與電腦（理論版），2019（02）：141-142.

[4] 吳明明，陳勇，房昊.基于K-均值聚類的彩色圖像質(zhì)量評(píng)價(jià)及優(yōu)化[J].計(jì)算機(jī)應(yīng)用研究，2019，（10） ： 3148-3151.

作者簡(jiǎn)介：

權(quán)海波，生于1997年11月，男，漢族，安徽合肥人，江蘇大學(xué)京江學(xué)院本科在讀，計(jì)算機(jī)科學(xué)與技術(shù)方向

顧迎燕，生于1997年02月，女，漢族，江蘇鹽城人，江蘇大學(xué)京江學(xué)院本科在讀，計(jì)算機(jī)科學(xué)與技術(shù)方向

朱鵬強(qiáng)，生于1996年12月，男，漢族，四川樂山人，江蘇大學(xué)京江學(xué)院本科在讀，計(jì)算機(jī)科學(xué)與技術(shù)方向

基金項(xiàng)目：本文系江蘇大學(xué)2019年度第十八批大學(xué)生科研立項(xiàng)項(xiàng)目，18A264