[发明专利]对图像进行美学评价的多特征融合方法

说明书

本发明对图像进行美学评价的多特征融合方法，涉及一般的图像数据处理的图像分析，步骤是：输入彩色RGB图像I，并进行显著区域检测得到主体区域和背景区域；彩色RGB图像I在不同颜色空间的特征向量提取：包括提取色彩调和特征向量，提取构图特征向量，提取颜色特征向量，提取清晰度特征向量，提取纹理特征向量，提取DCT统计特征向量共六类特征向量；将提取的六类特征向量融合后利用SVM分类器将图像按美学分数高低分为两类，实现图像的美学评价，克服了现有技术利用多特征融合方法进行图像美学评价时，存在对于颜色复杂图像的美学评价效果不好，不能很好地适用于各种类型图像美学评价的缺陷。

技术领域

本发明的技术方案涉及一般的图像数据处理的图像分析，具体地说是对图像进行美学评价的多特征融合方法。

背景技术

可计算图像美学评价的研究是利用计算机模拟人类的视觉系统与审美思维对图像进行美学评价，计算美学的概念是在2005年由欧洲计算机图形学会举办的第一届图形图像视觉计算美学学术会议上提出的，随后逐渐引起了各界学术人士的关注。可计算美学广泛应用于基于语义的图像检索、图像美学评价、图像的美学修正以及摄影的美学预测等。

2006年，宾夕法尼亚大学Datta等人通过提取一系列全局和局部视觉特征，来构建图像美学评价模型。该模型包括图像的颜色、饱和度及亮度等56个特征值，利用分类回归树算法选取其中15个最为有效的特征值，并利用支持向量机对图像进行分类，但得到的图像高低美感评价的准确率不高，主要原因是由于采用的特征是低层特征，且量化比较粗糙。2009年，新加坡国立大学的Wong等人利用了显著性增强算法来提取图像的显著区域，作为主体区域，然后利用主体区域特征、全局特征及主体和背景之间的关系的特征来区分专业照和快照，强调了主体区域在图像美学评价中的重要的作用，但并未考虑构图特征，导致分类预测的准确率不高。2011年，东京大学工业科学研究所的Nishiyama等人利用Moon-Spencer色彩调和模型，通过结合图像局部区域和Moon-Spencer色彩调和模型的分类方法实现对图像的分类，但在采样时使用的简单网格法没有考虑主体和背景颜色复杂度的不同，使得最终的分类效果不佳。2012年，浙江大学金勇等人根据基本的构图原则，设计了一个带有约束条件的二次规划能量函数，用这个函数来衡量在原始图像中视觉元素的位置和符合美学的目标位置的距离，以评估图像的组成。但他们只考虑了构图特征，没有提取颜色、清晰度和纹理等特征。2016年，华南理工大学王伟凝等人在前人的研究基础上，提取了颜色、纹理、景深和复杂度等特征，利用这些特征构建图像美学分类模型，对图像进行高低美感的分类，由于采用的色彩调和模板本身只涉及色调，没有饱和度和亮度的计算，同时选用模板时，一幅图像适用多个模板，造成难以确定适用模板的问题。CN105787966A公开了一种计算机图像的美学评估方法，该方法提出了基于对象区域构图特征，将局部高层语义特征应用于美学计算进行美学评估，主要是根据构图来进行美学分析，没有考虑色彩和纹理这些全局特征对图像美学的影响，同时没有明确说明图像美学评价的准确率。CN103218619A公开了一种图像美学评价方法，提出了图像整体区域和主体区域的低层视觉特征和高层美学特征，利用Adaboost和SVR(Support Vector Regression)算法建立了美感等级分类器和美学回归模型，该方法虽然提取了大量的特征，但其中有些特征的有效性较低，没有提高对图像美学评价的准确率。

现有技术的图像美学评价模型虽然利用多特征融合的方法来进行图像美学评价，然而由于没有考虑图像的主体区域和背景区域的颜色信息熵的不同，仍存在对于颜色复杂的图像美学评价的效果不好，不能很好地适用于各种类型图像的图像美学评价。

发明内容