[发明专利]一种图像美学评价方法

说明书

技术领域

本发明涉及图像信号处理、图像分析、计算机视觉领域，具体是一种机器图像美学自动评价方法。

背景技术

美学作品由人类进行创作、由人类进行评判，符合人类审美习惯的艺术作品总能带给人类难以言表的喜悦感。

近年来，随着计算机视觉和模式识别等技术的快速发展，在计算机科学范畴提出了计算美学（Computational Aesthetics）的概念，希望研究“美”的可计算方法，使机器能模拟人类自主地理解、推导和计算“美”，并在相关应用中做出可行性的美学决策。图像美学可以定义为人们在观察图像时引发的美学兴趣，是客观和主观共同影响的结果。可计算的图像美学是计算美学在图像处理方面的重要研究，其研究结果可以应用到融合主观感知的基于语义的图像检索、图像美学质量评价、摄影的美学预测与修正、艺术作品风格分析、人机交互等方面，在设计、摄影、广告等领域。可计算美学已逐步引起国际学术界的关注，该课题的研究和应用得到很多学者的重视，处于快速发展阶段，具有重要的理论研究价值和实际应用前景。

随着人们对图像美学的认识和挖掘，利用可计算图像美学的方法对图像美学价值给出智能化的判断是可计算图像美学的一个重要课题。由于美学作品由人类创作和评判，美感评价从人类共性和个性并存的审美角度、审美经验、审美习惯出发，涉及的细节多而复杂。但对于美感的判断存在一定的共性且有相关的理论基础指导，而机器学习方法的出现与快速发展，给实现机器自动评估图像美学提供了有效的方法。利用积累的已知知识，通过训练和学习，建立图像美学评价模型，机器便可以根据美学评价模型模拟人类的审美感知对图像美学做出思考。目前，图像美学评价的研究在国外刚刚兴起，而国内尚未见到相关研究成果报道。

发明内容

本发明的目的在于模拟人类美学感知，利用机器自动完成对图像的美学评价，提出一种图像自动美学评价方法。通过提取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，利用机器学习的方法对样本数据进行训练学习，获得图像美感等级分类器和美学回归模型。结合训练学习的结果和图像特征，来指导机器模拟人类的审美思维，自动对图像进行美学评价。本发明通过以下技术方案得以实现。

图像美学评价方法，包括如下步骤：

步骤1、对样本图像进行特征区域划分，包括图像整体区域和主体区域； 

步骤2、对特征区域提取图像低层视觉特征和高层美学特征；

步骤3、对样本图像进行训练学习，通过训练学习结果建立美感等级分类器和美学回归模型；

步骤4、对目标图像调用美感等级分类器和美学回归模型，实现图像高、低美感评价和美学分数预测。

上述方法步骤1中，将图像的整体区域和主体区域作为图像特征区域。其中，整张图像作为图像整体区域。而图像的主体区域包含了重要的图像信息，对指导美学评价有重要的意义。因此，本发明除了考虑图像的整体区域外，同时计算了图像的主体区域。

上述方法步骤1中，提取图像的主体区域作为特征区域的一部分。本发明方法设计了一种基于图像分割与梯度特征结合的快速提取图像主体区域的方法，结合图像分割和梯度线索提取了图像的主体区域，其具体包括了图像分割、区域合并、主体提取。本发明首先采用分水岭分割算法对图像进行分割，然后根据亮度和色彩特征对分割后的区域进行区域融合，结合区域分割结果及图像梯度特征确定了图像的主体区域。

上述方法步骤2中，对图像提取图像低层视觉特征和高层美学特征。其中，低层视觉特征包括颜色特征、纹理特征和形状特征。具体为HSV颜色空间的颜色直方图、颜色矩、Gabor特征、Tumura特征、GLCM特征；而高层视觉特征包括Daubchies小波变换、信息熵复杂度、KolmogorovZurek复杂度、基于GLCM特征的图像复杂度、景深、色彩空间EMD距离。

上述的方法中，步骤3具体包括：采集适量多包含人类美感评价的图像，美感评价由众多受试者对图片进行美感评分获得，分数为 0-10分，所有带有美学评分值的图像数据作为美学回归数据集。同时按照美感分数的高低，建立美感等级图像集，包括高美感等级图像集和低美感等级图像集。把分数大于等于5.6分的图像列为高美感图像，把分数小于等于4.2分的图像列为低美感图像，把分数介于4.2和5.6分之间的图像列为中美感图像，但由于中等美感分数区间值较小，容易引起混淆，因此在分类中不考虑中等美感分数的图像。为此，对美感等级图像集，利用Adaboost算法进行训练学习，得到图像美感等级分类器；而对美学回归数据集，利用SVR方法进行训练学习，得到图像美学回归模型。