專利名稱：一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種模式分析領(lǐng)域，特別是關(guān)于一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏 色分層分析方法。
背景技術(shù)：
中國(guó)書畫作品是中國(guó)文化中的重要組成部分，具有獨(dú)特的藝術(shù)創(chuàng)作形式，在
世界美術(shù)領(lǐng)域中自成體系，獨(dú)樹一幟。20世紀(jì)90年代以來(lái)，隨著計(jì)算機(jī)技術(shù)和圖 像處理技術(shù)的迅速發(fā)展，中國(guó)書畫作品的數(shù)字圖像獲得廣泛應(yīng)用，因此對(duì)中國(guó)書 畫作品數(shù)字圖像的處理和使用受到越來(lái)越廣泛的關(guān)注。
目前對(duì)圖像的研究主要集中在自然圖像領(lǐng)域，且技術(shù)相對(duì)成熟。其主要研究 領(lǐng)域包括基于圖像語(yǔ)義的標(biāo)注和分類，圖像分割，圖像識(shí)別與檢索等。這些研究 主要是利用圖像的全局特征，但考慮到中國(guó)書畫作品采用"散點(diǎn)透視"的構(gòu)圖方法， 且大多使用毛筆作畫，具有"以形寫神"、"隨類賦彩"的藝術(shù)特點(diǎn)，即通過(guò)色塊能表 現(xiàn)出圖像的結(jié)構(gòu)特征。因此使用對(duì)自然圖像的全局分析處理方法處理中國(guó)書畫， 其效果受到了一定的限制。
機(jī)器學(xué)習(xí)是研究計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能， 重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使 計(jì)算機(jī)具有智能的根本途徑，其應(yīng)甩遍及人工智能的各個(gè)領(lǐng)域，主要使用歸納、 綜合的方法。其主要算法包括決策樹算法，隨機(jī)森林算法，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks—ANN)， SVM (支持向量機(jī))算法，貝葉斯學(xué)習(xí)算法等。近年來(lái)，
國(guó)內(nèi)外對(duì)有關(guān)機(jī)器學(xué)習(xí)的研究和應(yīng)用取得了長(zhǎng)足發(fā)展，在國(guó)內(nèi)如泛化能力的研究； 監(jiān)督學(xué)習(xí)算法向多示例學(xué)習(xí)算法轉(zhuǎn)化一般準(zhǔn)則的研究；在工作流模型設(shè)定中的應(yīng)
用；在數(shù)據(jù)挖掘中的商業(yè)應(yīng)用；基于機(jī)器學(xué)習(xí)的入侵檢測(cè)技術(shù)；人工智能原理在 人類學(xué)習(xí)中的應(yīng)用等。國(guó)外如搜索引擎；PAL計(jì)劃；汽車自動(dòng)駕駛；對(duì)天文物體 的分類等。
在與顏色有關(guān)的書畫數(shù)字圖像處理領(lǐng)域，Tang Li于2006年發(fā)表的論文 "Developing a Shape-and-Composition CBIR Thesaurus for the Traditional Chinese
Landscape"中提出的利用中國(guó)山水畫顏色圖表對(duì)中國(guó)書畫中CBIR的應(yīng)用進(jìn)行改 進(jìn)。2007年姜磊，錢謙等在論文"中國(guó)國(guó)畫計(jì)算機(jī)色彩還原系統(tǒng)的研究"中提出的利用國(guó)畫常用顏色譜在HSV色彩空間上建立國(guó)畫色彩還原模型。
目前，在中國(guó)書畫數(shù)字圖像領(lǐng)域的研究，主要集中在中國(guó)書畫的色彩還原， 山水畫布局構(gòu)圖的分析以及書畫的分類等方面，而利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)的中國(guó)書畫 顏色分層分析方面的研究尚無(wú)人涉足。

發(fā)明內(nèi)容
針對(duì)上述問(wèn)題，本發(fā)明的目的是提供一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層 分析方法。
為實(shí)現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案 一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏 色分層分析方法，其特征在于對(duì)同類圖像樣本進(jìn)行像素級(jí)別的顏色分類，建立 一組關(guān)于顏色集的先驗(yàn)知識(shí)；利用所述先驗(yàn)知識(shí)對(duì)圖像進(jìn)行基于所述顏色集的分 層；將圖像中包含的語(yǔ)義信息，以各圖像區(qū)域?yàn)檩d體，層析到各所述顏色層上； 實(shí)現(xiàn)所述圖像的各要素的分割提?。黄洳襟E包括1)獲取數(shù)字圖像的顏色先驗(yàn)知 識(shí)；2)用機(jī)器學(xué)習(xí)方法建立顏色分層的原始顏色描述模型；3)對(duì)所述原始顏色 描述模型進(jìn)行反饋學(xué)習(xí)，得到顏色描述模型；4)利用所述顏色描述模型，對(duì)輸入 的書畫數(shù)字圖像進(jìn)行顏色分層。
所述步驟l)分為a)利用HSV顏色空間的飽和度描述非彩色顏色集；b) 利用CIELab顏色空間描述彩色顏色集。
所述步驟2)分為C)利用所述先驗(yàn)知識(shí)建立訓(xùn)練樣本集；d)基于機(jī)器學(xué)習(xí) 方法設(shè)計(jì)原始顏色描述模型；e)訓(xùn)練所述原始顏色描述模型。
所述步驟3)分為f)對(duì)數(shù)字圖像進(jìn)行基于先驗(yàn)知識(shí)的聚類分析；g)利用所 述聚類分析的數(shù)據(jù)結(jié)果，對(duì)所述原始顏色描述模型進(jìn)行反饋學(xué)習(xí)。
所述步驟c)中，對(duì)于所述非彩色顏色集，先從HSV顏色空間中選取樣本數(shù)據(jù)， 再借助RGB顏色空間轉(zhuǎn)換到CIE Lab顏色空間，之后用極坐標(biāo)(C、^6)表示a、 b分 量；對(duì)于所述彩色顏色集，在CIE Lab顏色空間直接用極坐標(biāo)(C、/zW)表示a、 b分
本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)1、本發(fā)明提供了一種能夠 將整幅書畫作品或書畫作品局部圖像準(zhǔn)確地按顏色分層分割的基于機(jī)器學(xué)習(xí)的中 國(guó)書畫顏色分層分析方法，可以實(shí)現(xiàn)半監(jiān)督的反饋學(xué)習(xí)，從而不斷改進(jìn)優(yōu)化模型； 通過(guò)該模型對(duì)書畫數(shù)字圖像進(jìn)行分層描述，符合中國(guó)書畫的構(gòu)圖特點(diǎn)，相對(duì)全局 的特征描述子，能更有效的提取書畫作品中，包括技法、用色、構(gòu)圖等的高層語(yǔ) 義特征。2、本發(fā)明提供了一個(gè)基于一般書畫作品的先驗(yàn)知識(shí)建立的原模型，可以 利用這種設(shè)計(jì)思路，進(jìn)一步結(jié)合各類書畫作品，逐漸完善顏色分類和顏色集的范 圍設(shè)置，其顏色種類可以根據(jù)書畫作品的種類進(jìn)行調(diào)整，為書畫作品的分類和高層語(yǔ)義的標(biāo)注奠定了基礎(chǔ)。3、本發(fā)明通過(guò)對(duì)書畫圖像進(jìn)行分層，可以將圖像中包 含的色彩、結(jié)構(gòu)，甚至繪畫技法等語(yǔ)義信息，以各圖像區(qū)域?yàn)檩d體，層析到各顏 色層上，因此在特定色層上包含同質(zhì)語(yǔ)義信息的圖像區(qū)域相對(duì)集中，這使得運(yùn)用 傳統(tǒng)的圖像處理和分析方法即可提取和研究這些特征信息，因此較之現(xiàn)有的書畫 圖像分析方法更加簡(jiǎn)單。本發(fā)明的方法為實(shí)現(xiàn)中國(guó)書畫作品的各要素的分割提取， 如技法、分類、構(gòu)圖、主題，甚至意境等中、高層語(yǔ)義的研究奠定了基礎(chǔ)；為書 畫作品的圖像檢索、分類和自動(dòng)語(yǔ)義標(biāo)注等提供了一種全新的研究思路。


圖l是本發(fā)明的流程示意圖
圖2是本發(fā)明的三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖
圖3是本發(fā)明的分層處理前的樣本圖像
圖4是本發(fā)明基于先驗(yàn)知識(shí)分割后的紅色色層的二值圖像
圖5是本發(fā)明基于先驗(yàn)知識(shí)分割后的黃色色層的二值圖像
圖6是本發(fā)明基于先驗(yàn)知識(shí)分割后的藍(lán)色色層的二值圖像
圖7是本發(fā)明基于先驗(yàn)知識(shí)分割后的綠色色層的二值圖像
圖8是本發(fā)明基于先驗(yàn)知識(shí)分割后的白色色層的二值圖像
圖9是本發(fā)明基于先驗(yàn)知識(shí)分割后的黑色色層的二值圖像
圖10是本發(fā)明基于先驗(yàn)知識(shí)分割后的雜色色層的二值圖像
圖11是本發(fā)明基于先驗(yàn)知識(shí)分割后的紅色色層圖像
圖12是本發(fā)明基于先驗(yàn)知識(shí)分割后的黃色色層圖像
圖13是本發(fā)明基于先驗(yàn)知識(shí)分割后的藍(lán)色色層圖像
圖14是本發(fā)明基于先驗(yàn)知識(shí)分割后的綠色色層圖像
圖15是本發(fā)明基于先驗(yàn)知識(shí)分割后的白色色層圖像
圖16是本發(fā)明基于先驗(yàn)知識(shí)分割后的黑色色層圖像
圖17是本發(fā)明基于先驗(yàn)知識(shí)分割后的雜色色層圖像
圖18是本發(fā)明聚類分割后的紅色色層圖像
圖19是本發(fā)明聚類分割后的黃色色層圖像
圖20是本發(fā)明聚類分割后的藍(lán)色色層圖像
圖21是本發(fā)明聚類分割后的綠色色層圖像
圖22是本發(fā)明選取的圖像基于書畫顏色模型分層分割前的效果
圖23是本發(fā)明選取的圖像基于書畫顏色模型分層分割后紅色分層的二值圖
圖24是本發(fā)明選取的圖像基于書畫顏色模型分層分割后黃色分層的二值25是本發(fā)明選取的圖像基于書畫顏色模型分層分割后藍(lán)色分層的二值圖 圖26是本發(fā)明選取的圖像基于書畫顏色模型分層分割后綠色分層的二值圖 圖27是本發(fā)明選取的圖像基于書畫顏色模型分層分割后白色分層的二值圖 圖28是本發(fā)明選取的圖像基于書畫顏色模型分層分割后黑色分層的二值圖 圖29是本發(fā)明選取的圖像基于書畫顏色模型分層分割后雜色分層的二值圖 圖30是本發(fā)明選取的圖像基于書畫顏色模型分層分割后紅色分層圖像 圖31是本發(fā)明選取的圖像基于書畫顏色模型分層分割后黃色分層圖像 圖32是本發(fā)明選取的圖像基于書畫顏色模型分層分割后藍(lán)色分層圖像 圖33是本發(fā)明選取的圖像基于書畫顏色模型分層分割后綠色分層圖像 圖34是本發(fā)明選取的圖像基于書畫顏色模型分層分割后白色分層圖像 圖35是本發(fā)明選取的圖像基于書畫顏色模型分層分割后黑色分層圖像 圖36是本發(fā)明選取的圖像基于書畫顏色模型分層分割后雜色分層圖像 圖37是本發(fā)明選取的一幅花鳥畫數(shù)字圖像
圖38是本發(fā)明選取的圖像基于先驗(yàn)知識(shí)分層分割后紅色分層圖像 圖39是本發(fā)明選取的圖像基于先驗(yàn)知識(shí)分層分割后黃色分層圖像 圖40是本發(fā)明選取的圖像基于先驗(yàn)知識(shí)分層分割后藍(lán)色分層圖像 圖41是本發(fā)明選取的圖像基于先驗(yàn)知識(shí)分層分割后綠色分層圖像 圖42是本發(fā)明選取的圖像基于先驗(yàn)知識(shí)分層分割后白色分層圖像 圖43是本發(fā)明選取的圖像基于先驗(yàn)知識(shí)分層分割后黑色分層圖像 圖44是本發(fā)明選取的圖像基于先驗(yàn)知識(shí)分層分割后雜色分層圖像 圖45是本發(fā)明選取的圖像基于書畫顏色模型分層分割后紅色分層圖像 圖46是本發(fā)明選取的圖像基于書畫顏色模型分層分割后黃色分層圖像 圖47是本發(fā)明選取的圖像基于書畫顏色模型分層分割后藍(lán)色分層圖像 圖48是本發(fā)明選取的圖像基于書畫顏色模型分層分割后綠色分層圖像 圖49是本發(fā)明選取的圖像基于書畫顏色模型分層分割后白色分層圖像 圖50是本發(fā)明選取的圖像基于書畫顏色模型分層分割后黑色分層圖像
具體實(shí)施例方式
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)的描述。
目前對(duì)于書畫數(shù)字圖像處理領(lǐng)域主要是借助了自然圖像處理領(lǐng)域的相關(guān)研究 方法和思路。對(duì)于中國(guó)書畫數(shù)字圖像的特征描述子的提取，目前主要集中于圖像 的全局特征描述，而缺少同質(zhì)區(qū)域粒度級(jí)別的視覺(jué)特征描述信息。但由于中國(guó)書 畫的繪畫技法、構(gòu)圖、用色等的相似性，以及文化歷史的傳承等因素，使得全局特征的應(yīng)用受到了一定的限制。而從人眼視覺(jué)感知的分析角度出發(fā)，區(qū)域級(jí)別的 描述信息可以較好地區(qū)分中國(guó)書畫主體與相應(yīng)的題跋、印章等語(yǔ)義區(qū)域。利用這 種語(yǔ)義區(qū)域的劃分又可以提取更加具有判別力的信息——如印章，輔助中國(guó)書畫 數(shù)字圖像的語(yǔ)義分類。于是，提取具有高語(yǔ)義概念區(qū)分能力的低層視覺(jué)特征成為 提高中國(guó)書畫作品數(shù)字圖像自動(dòng)分類和標(biāo)注性能的關(guān)鍵所在?，F(xiàn)有的視覺(jué)信息處 理領(lǐng)域中眾多研究成果表明，顏色是描述圖像內(nèi)容的重要特征，在各種圖像特征 的對(duì)比分析中，顏色對(duì)于圖像分類及標(biāo)注也是最為有效的一種特征描述，在基于 內(nèi)容的圖像檢索技術(shù)中得到了廣泛的應(yīng)用。因此，建立利用顏色分層描述的模型 對(duì)于構(gòu)建區(qū)域級(jí)的圖像特征描述具有重要的研究意義。
在幾大類低層視覺(jué)特征中，顏色特征占有重要的地位，因?yàn)轭伾卣骶哂兄庇^， 區(qū)分度強(qiáng)等特性，因此在描述中國(guó)書畫數(shù)字圖像的語(yǔ)義概念時(shí)，顏色特征起到關(guān) 鍵作用。而中國(guó)書畫作品的顏色是有限的，且發(fā)展的趨勢(shì)從"有色走向無(wú)色"的。 據(jù)王繹在《寫像秘訣》"采繪章"中記載，唐朝時(shí)期顏料的品種達(dá)七十二種之多， 而到元朝時(shí)中國(guó)畫的顏料就只剩三十多種，而到了二十世紀(jì)六七十年代，中國(guó)畫 中常使用的顏色就只有十多種?；陬伾挠邢扌裕梢钥紤]通過(guò)對(duì)一定數(shù)量的 樣本書畫數(shù)字圖像進(jìn)行分析，尋找中國(guó)書畫作品的基本顏色分類，構(gòu)造顏色分層 的先驗(yàn)性知識(shí)。對(duì)一幅書畫數(shù)字圖像進(jìn)行分層。
為便于分類研究，本發(fā)明首先將中國(guó)書畫的色彩大致分為六類，即紅色類，
綠色類，藍(lán)色類，黃色類，白色類和黑色類，作為機(jī)器學(xué)習(xí)(MachineLearning) 的先驗(yàn)知識(shí)，其中白色類中包括淺色和純白色。之后根據(jù)顏色先驗(yàn)知識(shí)建立基于 機(jī)器學(xué)習(xí)的原始顏色描述模型，對(duì)書畫數(shù)字圖像進(jìn)行基于先驗(yàn)知識(shí)的聚類分析， 利用聚類分析提供的數(shù)據(jù)，進(jìn)行學(xué)習(xí)反饋。通過(guò)不斷改進(jìn)原始顏色描述模型，進(jìn) 而得到不斷完善的基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層的顏色描述模型，實(shí)現(xiàn)對(duì)中 國(guó)書畫數(shù)字圖像中包含的顏色信息進(jìn)行精確的分層。
本發(fā)明利用統(tǒng)計(jì)學(xué)的方法，結(jié)合CIELab顏色空間和HSV顏色空間的分布以及 中國(guó)書畫色彩運(yùn)用和顏料使用演進(jìn)的調(diào)查分析，通過(guò)對(duì)836幅不同時(shí)期、不同類 型的中國(guó)書畫作品進(jìn)行統(tǒng)計(jì)分析，將中國(guó)書畫作品的顏色分成如下六個(gè)顏色集 紅色顏色集，主要為書畫作品的印章以及紅色顏料所繪對(duì)象，如鳥嘴、紅花等。 綠色顏色集，主要為書畫作品中綠顏色對(duì)象，如樹葉等。藍(lán)色顏色集，主要為書 畫作品中藍(lán)顏色的對(duì)象，如羽毛等。黃色顏色集，主要為書畫作品中黃顏色的對(duì) 象，如石山等。白色顏色集，主要為書畫作品的淺色背景，如花鳥畫和山水畫的 淺色背景、留白等。黑色顏色集，主要為書畫作品的書法、題跋、水墨對(duì)象以及水墨勾畫的對(duì)象輪廓等。也可以根據(jù)不同的書畫種類，如花鳥、人物或工筆和寫 意等重新劃分，且顏色集的數(shù)目也不一定為6。 本發(fā)明方法的總體思路如下
首先，基于一定數(shù)量的同類書畫數(shù)字圖像樣本進(jìn)行像素級(jí)別的顏色分類，建 立相應(yīng)的一組關(guān)于顏色集的先驗(yàn)知識(shí)。利用上述先驗(yàn)知識(shí)對(duì)書畫數(shù)字圖像進(jìn)行基 于顏色集的分層，即將屬于同一顏色集的圖像像素層析到相應(yīng)的色層中。
其次，考慮到中國(guó)書畫的繪畫技法，以及顏色運(yùn)用等的特點(diǎn)，如上述先驗(yàn)知 識(shí)設(shè)計(jì)合理，則在各色層上會(huì)形成一些位置相鄰的像素集，即圖像區(qū)域，且這些 圖像區(qū)域?qū)τ谡鶊D像而言，孤立且閉合。則通過(guò)上述方法對(duì)書畫數(shù)字圖像進(jìn)行 分層后，可以將圖像中包含的色彩、結(jié)構(gòu)，甚至繪畫技法等語(yǔ)義信息，以各圖像 區(qū)域?yàn)檩d體，層析到各顏色層上。于是在特定色層上包含同質(zhì)語(yǔ)義信息的圖像區(qū) 域相對(duì)集中，這使得運(yùn)用傳統(tǒng)的圖像處理和分析方法即可提取和研究這些特征信 息，較之現(xiàn)有方法變得相對(duì)簡(jiǎn)單。為實(shí)現(xiàn)中國(guó)書畫作品的各要素的分割提取，如 技法、分類、構(gòu)圖、主題，甚至意境等中、高層語(yǔ)義的研究奠定了基礎(chǔ)。為書畫 作品的圖像檢索、分類和自動(dòng)語(yǔ)義標(biāo)注等提供了一種全新的研究思路。
最后，本發(fā)明方法考慮到基于先驗(yàn)知識(shí)的分層方法具有一定的局限性，還通 過(guò)特定顏色空間的聚類分析方法對(duì)所獲得的書畫作品進(jìn)行分析。將分析的結(jié)果利 用機(jī)器學(xué)習(xí)的方法對(duì)基于先驗(yàn)知識(shí)的顏色分層模型進(jìn)行改進(jìn)，使模型逐漸趨于合 理。
如圖l所示，顏色分層分析模型的建立和學(xué)習(xí)過(guò)程步驟如下
1、獲取書畫數(shù)字圖像的顏色先驗(yàn)知識(shí)
1)利用HSV顏色空間的飽和度描述非彩色顏色集
計(jì)算機(jī)中圖像顏色的描述一般采用RGB顏色空間，但是RGB顏色空間是一 種亮度和色調(diào)混合的顏色空間，不適合對(duì)彩色進(jìn)行分類和表示。本發(fā)明采用CIE Lab顏色空間進(jìn)行各顏色集的描述，而由于黑色和白色顏色集屬于非彩色顏色集， 在CIELab顏色空間中不能有效描述，因此采用HSV顏色空間的飽和度來(lái)區(qū)分非 彩色顏色集的黑色顏色集和白色顏色集。從RGB到HSV顏色空間的轉(zhuǎn)換關(guān)系為<formula>formula see original document page 9</formula>
F = max(i ，G,5) Fo=min(R，G,B)
其中，￡) = r —Fq， //e
，
， Fe[O.O,LO]， //、 S 、 7禾口 i 、 G、
6分別為HSV顏色空間和RGB顏色空間中對(duì)應(yīng)顏色分量。綜上所述，中國(guó)書畫作 品非彩色顏色集在HSV顏色空間的先驗(yàn)知識(shí)如下
黑色顏色集SSO.l， r《0.6; 白色顏色集SSO.l， F2 0.7。 2)利用CIELab顏色空間描述彩色顏色集
計(jì)算機(jī)中圖像顏色的描述一般采用RGB顏色空間，本發(fā)明針對(duì)在C正Lab顏色 空間描述的中國(guó)書畫數(shù)字圖像顏色分層模型，將輸入的書畫數(shù)字圖像進(jìn)行圖像空 間的轉(zhuǎn)換。即借助XYZ顏色空間，將書畫數(shù)字圖像由RGB顏色空間轉(zhuǎn)換到CIELab 顏色空間。從RGB到XYZ顏色空間的轉(zhuǎn)換關(guān)系因依推薦標(biāo)準(zhǔn)而異，本實(shí)例采用在 標(biāo)準(zhǔn)光源D65 (即色溫為6504。K的日光)下的轉(zhuǎn)換關(guān)系
<formula>formula see original document page 9</formula>
其中，X、 r、 Z和i 、 G、 S分別為各自顏色空間中對(duì)應(yīng)顏色分量；再由XYZ
到CIELab有以下轉(zhuǎn)換關(guān)系
丄=116 0)-16
a = 500[/(X/X0)-/X"r0)]
6 = 200[/("。_/(Z/Z0)]
其中，丄、a、 6為CIELab顏色空間中的各分量，X。， K， Z。是XYZ國(guó)際坐標(biāo)
制中參考白點(diǎn)的三色刺激值。在函數(shù)/(0中，當(dāng),>(6/29)3時(shí)，
否則，/(,) = |(^)2"16/116 3 6
將圖像在CIELab空間中每個(gè)像素點(diǎn)的"和6分量使用其極坐標(biāo)(C*,^6)表示: Zza6 = arctan(6 / a)
綜上所述，中國(guó)書畫作品顏色集在CIELab顏色空間的先驗(yàn)知識(shí)如下
紅色顏色集5S丄S90， 9《C*， 330 S/jfl6或0 S/zc^ S 50 ;
黃色顏色集"98， 9SC、 61"a"100;
藍(lán)色顏色集5 "《90， 9SC*， 180330;
綠色顏色集20"S90， 9SC*， 101"""180。
2、用機(jī)器學(xué)習(xí)方法建立顏色分層的原始顏色描述模型
a)利用先驗(yàn)知識(shí)建立訓(xùn)練樣本集
根據(jù)先驗(yàn)知識(shí)，在各顏色集上隨機(jī)取10000個(gè)樣本數(shù)據(jù)，作為建立原始顏色描 述模型的訓(xùn)練樣本集，為書畫數(shù)字圖像的顏色分層奠定基礎(chǔ)。對(duì)于彩色顏色集(紅、 黃、藍(lán)、綠)，在C正Lab顏色空間直接選取樣本數(shù)據(jù)，并將a、 b分量用極坐標(biāo)(C*, 表示；對(duì)于非彩色顏色集(黑、白)，需在HSV顏色空間中選取樣本數(shù)據(jù)，并將其 借助RGB顏色空間轉(zhuǎn)換到CIELab顏色空間，并將a、 b分量用極坐標(biāo)(C、/u^)表示。
從HSV顏色空間到RGB顏色空間的轉(zhuǎn)換關(guān)系是
mod 6
60
v = Kx(l — /xS) w=Fx(l_(l —/)x5")
對(duì)于RGB顏色空間中的每個(gè)顏色分]
—(7,w,")， z// = o
(i ，G，5)=
(v，F(xiàn)，w), ,//z = l O,F,w)， z//z = 2 (",v,r)， ," = 3
(7,w，v), z//z = 5
其中，//、 S、 F和7 、 G、 B分別為HSV顏色空間和RGB顏色空間中對(duì)應(yīng)顏色 b)設(shè)計(jì)原始顏色描述模型
本實(shí)施例選用按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的三層BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)為輸入層、隱層和輸出層。模型也可采用其他類型的神經(jīng)網(wǎng)絡(luò)，或其他機(jī)器學(xué)習(xí)算法， 如支持向量機(jī)(SVM)、決策樹、序列分析、k近鄰等方法重新構(gòu)建模型。在本實(shí)
施例中，通過(guò)比選，訓(xùn)練函數(shù)選用Levenberg—Marquardt的BP算法訓(xùn)練函數(shù)trainlm， 隱層傳遞函數(shù)選用正切S型傳遞函數(shù)tansig，輸出層傳遞函數(shù)采用線性傳遞函數(shù) purelin，學(xué)習(xí)函數(shù)采用梯度下降動(dòng)量學(xué)習(xí)規(guī)則learngdm，性能分析函數(shù)采用均方差 性能分析函數(shù)MSE:
織=——Z加1》2
W卯W 7=1
其中，"。 ,為輸出層神經(jīng)元的個(gè)數(shù)，戶為訓(xùn)練樣本數(shù)目，A為網(wǎng)絡(luò)期望輸出值，& 為網(wǎng)絡(luò)實(shí)際輸出值。MS￡函數(shù)描述網(wǎng)絡(luò)輸出和目標(biāo)輸出之間的均方誤差。
如圖2所示，根據(jù)三層BP神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元個(gè)數(shù)n的經(jīng)驗(yàn)公式、輸出 層神經(jīng)元個(gè)數(shù)^,公式以及實(shí)驗(yàn)數(shù)據(jù)綜合優(yōu)化結(jié)果得到，當(dāng)神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng) 元個(gè)數(shù)", =3、隱層神經(jīng)元個(gè)數(shù)《=11、輸出層神經(jīng)元個(gè)數(shù)《。 ,=3時(shí)，神經(jīng)網(wǎng)絡(luò)的訓(xùn) 練過(guò)程收斂且較穩(wěn)定。輸入樣本的C正Lab空間的分量表示(丄,C,^W;輸出輸 入樣本所屬的顏色層標(biāo)號(hào)，用三位二進(jìn)制數(shù)表示，例如顏色層1的三位二進(jìn)制為 001。
隱層神經(jīng)元個(gè)數(shù)經(jīng)驗(yàn)公式
+〖
其中，"為隱層神經(jīng)元數(shù)；M,"為輸入層神經(jīng)元數(shù)；"。w為輸出層神經(jīng)元數(shù)；f為 l-10之間的常數(shù)。
輸出層神經(jīng)元個(gè)數(shù)經(jīng)驗(yàn)公式 "他，=「log2 wl
則網(wǎng)絡(luò)的輸出是m的二進(jìn)制編碼，其中，m為輸出的類別模式數(shù)，即色層數(shù)目， 本實(shí)施例中附=6。
c)訓(xùn)練顏色分層的原始顏色描述模型
根據(jù)步驟a)中選取的訓(xùn)練樣本集，通過(guò)步驟b) BP神經(jīng)網(wǎng)絡(luò)的首次學(xué)習(xí)，記 錄學(xué)習(xí)到的權(quán)值系數(shù)，得到用于描述顏色集的原始顏色描述模型。即將樣本數(shù)據(jù) 的L分量和a、 b分量極坐標(biāo)(C^,輸入BP神經(jīng)網(wǎng)絡(luò)，逐樣本進(jìn)行網(wǎng)絡(luò)計(jì)算，采用
最速下降法學(xué)習(xí)規(guī)則通過(guò)反向傳播不斷修正調(diào)整權(quán)值和閾值進(jìn)行學(xué)習(xí)訓(xùn)練，當(dāng)輸 出層誤差平方和小于指定誤差E或?qū)W習(xí)次數(shù)大于設(shè)定的最大學(xué)習(xí)次數(shù)M時(shí)，訓(xùn)練過(guò) 程結(jié)束，輸出原始顏色描述模型。本發(fā)明的實(shí)施例中，指定誤差E為0.001，最大 學(xué)習(xí)次數(shù)M為IOO。下面通過(guò)實(shí)施例，對(duì)原始顏色描述模型的訓(xùn)練過(guò)程進(jìn)行進(jìn)一步說(shuō)明，其步驟如
下
①網(wǎng)絡(luò)初始化
輸入步驟a)中所述的訓(xùn)練樣本集，為各連接權(quán)值分別賦值，設(shè)定誤差函數(shù)為
均方差性能分析函數(shù)MSE，指定誤差E:0.001和最大學(xué)習(xí)次數(shù)M400。根據(jù)
1 p ",
雄五=——EZ(A-a)2
/=1戶l
其中，p為訓(xùn)練樣本數(shù)目，A—H…,5^,)為網(wǎng)絡(luò)期望輸出值，
a=(A，，…,乂 )為網(wǎng)絡(luò)實(shí)際輸出值，為輸出層神經(jīng)元個(gè)數(shù)。
② 選取第/個(gè)輸入樣本數(shù)據(jù);c,"(/)及其對(duì)應(yīng)的期望輸出A， hl,2，…，p， ^1,2,…,"。w。本實(shí)施例中，"。 ,=3，貝U有
x,"(0 = (z(/),c*(o,/^(0)
其中，見(jiàn)2、義3分別為&(0所屬的顏色層標(biāo)號(hào)的二進(jìn)制數(shù)。如輸出i^為0， f。為 l，見(jiàn)3為1，則x,力)的顏色標(biāo)號(hào)為3，屬于第3顏色層。
③ 計(jì)算隱層各神經(jīng)元的輸入//, ，A和輸出//。U,，A
=1 /|=|
其中，l為輸入層神經(jīng)元數(shù)，M為隱層神經(jīng)元數(shù)，"。 ,為輸出層神經(jīng)元數(shù)；w,—為 輸入層與隱層的權(quán)值，w。^為隱層與輸出層的權(quán)值，/^1,2,…，w ^為隱層各神 經(jīng)元的閾值，^為輸出層各神經(jīng)元的閾值，7 = 1，2，...^。 ,， 、(/)為輸入層各神經(jīng)元 的輸入，g-l,2,…，"w， >^.(/)是輸出層神經(jīng)元的輸入。
④ 利用步驟b)中的網(wǎng)絡(luò)期望輸出值A(chǔ)和網(wǎng)絡(luò)實(shí)際輸出值3V計(jì)算誤差函數(shù) MSE對(duì)輸出層各神經(jīng)元的偏導(dǎo)數(shù)KO
/> UO />
=U05纖-"o』M W-= 一(J)..—,
A)/'0^(0)-《』)
⑤利用隱層到輸出層的連接權(quán)值w。一(/)、 w, ，A(/)，輸出層各神經(jīng)元的偏導(dǎo)數(shù) U0和隱層的輸出A—(0 ，計(jì)算誤差函數(shù)MSE和隱層各神經(jīng)元的偏導(dǎo)敷&(0
露五 孺五D) x 廣、
附m,"0 (0
3# (7) 5(1>,","0 (0-6,)
薦￡ =\^§§"1)2)眠一(0 uo附。w力W 附,","0
=-(2 (一 (0) f諷 力(0) - & (0
產(chǎn)l
⑥ 利用輸出層各神經(jīng)元的輸出層偏導(dǎo)數(shù)^,(/)和隱層各神經(jīng)元的輸出//。—(0
來(lái)修正連接權(quán)值w?！?/)。
A ,.、 3MS￡ ff 廣、〃 ,.、
o)=-//^—^=義(uo
"0
w。 ,/+1 (0 = w。u,/ (0+W。w (0 其中，N為學(xué)習(xí)次數(shù)，最大學(xué)習(xí)次數(shù)為M， //、 7/各為學(xué)習(xí)率參數(shù)。
⑦ 利用隱層各神經(jīng)元的偏導(dǎo)數(shù)&(/)和輸入層各神經(jīng)元的輸入x^)來(lái)修正連
接權(quán)值氣力(/)。
A 廠、禱￡ SM&E
0) 附,"力(')O)
⑧ 計(jì)算全局誤差《
⑨ 判斷全局誤差《是否滿足要求。若全局誤差《達(dá)到預(yù)設(shè)精度￡=0.001，或訓(xùn) 練次數(shù)大于設(shè)定的最大次數(shù)M400，則結(jié)束訓(xùn)練過(guò)程。否則，選取下一個(gè)訓(xùn)練樣
本及對(duì)應(yīng)的期望輸出JV，返回到第③步，進(jìn)入下一輪訓(xùn)練。以此不斷修正參數(shù)，降低原始顏色描述模型的全局誤差《。
3、對(duì)顏色分層的原始顏色描述模型進(jìn)行反饋學(xué)習(xí) i)對(duì)書畫數(shù)字圖像進(jìn)行基于先驗(yàn)知識(shí)的聚類分析
首先應(yīng)將提交的書畫數(shù)字圖像樣本，進(jìn)行顏色空間的轉(zhuǎn)換，根據(jù)先驗(yàn)知識(shí)進(jìn) 行圖像分層。根據(jù)步驟l)和2)中各顏色集的范圍，將樣本圖像從RGB顏色空間
分別轉(zhuǎn)化至IJHSV顏色空間和CIELab顏色空間，根據(jù)像素點(diǎn)的顏色取值建立各顏色 層對(duì)應(yīng)的掩碼矩陣ma^，具體方法如下
根據(jù)先驗(yàn)知識(shí)建立顏色集^ = ，本實(shí)施例中/ = 1，2,...,6。建立與
AJ2,...J6 —一對(duì)應(yīng)的掩碼矩陣(w"A,:^D，其中C為書畫數(shù)字圖像的垂直方向 的最大像素?cái)?shù)，Z)為書畫數(shù)字圖像的水平方向的最大像素?cái)?shù)。先將各掩碼矩陣 中的元素均初始化為0。
設(shè)0 = {^,"2,...，^}，對(duì)一幅書畫數(shù)字圖像進(jìn)行逐像素點(diǎn)判斷，若像素點(diǎn)^ 屬于-，則進(jìn)一步判斷，其中ce[l,C]， rfe[l,D]。若判斷得知像素點(diǎn)L屬于某一
顏色集A，則將與之對(duì)應(yīng)的掩碼矩陣附"A,中的第c行，第d列個(gè)元素置為l;若像
素點(diǎn)L不屬于- ，則將其作為暫時(shí)不能識(shí)別的顏色歸入第7個(gè)色層，即雜色層的掩
碼矩陣。
對(duì)如圖3所示的書畫數(shù)字圖像，按上述方法建立相應(yīng)的掩碼矩陣。圖4 圖10 所示，根據(jù)各顏色層的掩碼矩陣/^砵可得各顏色層的二值圖像。如圖11 圖17所 示，在RGB顏色空間上利用上述的各層二值圖像與原圖像按像素點(diǎn)做與運(yùn)算，可 以得到圖像的各顏色集圖層。從各顏色集圖層中可以看出，單純利用先驗(yàn)知識(shí)進(jìn) 行分層的效果并不理想。因此本實(shí)施例采用聚類分析的方法進(jìn)行修正，考慮到非 彩色圖層(黑色和白色圖層)的特殊性，使非彩色圖層不參與聚類計(jì)算。若一些 彩色圖層(如紅、黃、藍(lán)、綠，4個(gè)顏色的彩色圖層)中不包含像素點(diǎn)，則認(rèn)為該 圖層不存在。
設(shè)上述處理后所得的顏色圖層數(shù)為m，將m作為聚類中心數(shù)，對(duì)去除了黑、 白兩類顏色的樣本圖像進(jìn)行聚類分割。本實(shí)施例對(duì)于CIELab顏色空間的L、 a和 b三個(gè)分量采用Kmeans聚類分割方法，除此之外也可采用其他聚類分析方法，如 模糊聚類(FCM)，基于蟻群的聚類方法、k-medoids、 DBSCAN、 ROCK方法等。 Kmeans聚類分割方法步驟如下
I)將圖像轉(zhuǎn)換到CIELab空間，針對(duì)各個(gè)像素點(diǎn)的L、 a、 b分量給出/7個(gè)混 合樣本A， "1,2,…,p， 一二(M丄(c,力，M。(c，力，M6(c，力)。其中，p = Cx￡ ，
為去除非彩色圖層的樣本圖像在CIE Lab顏色空間的L分量矩陣，M。(c，力為去除非彩色圖層的樣本圖像在CIELab顏色空間的a分量矩陣；MJc^)為去除 非彩色圖層的樣本圖像在C正Lab顏色空間的b分量矩陣。
II) 令1=1，初始化m個(gè)初始聚類中心Zg(/)， g = 1,2,3,…，m
其中，Z;， ^， 5分別為第g層圖像中像素點(diǎn)在CIELab空間下三分量的均值。
III) 計(jì)算每個(gè)樣本J^與聚類中心Zg(/)的距離3(J^，Zg(/))， ^^,Zg(/))為歐氏 空間的距離，即"A,Zg(/))—lx「Zg(/)||，即為像素點(diǎn)之間的色度差。如果 W, Zg (/))滿足, Zg (/)) = min諷^, Zg (/))," 1,2,…，，則& e / ,,々,為第/個(gè)顏 色聚類集，其中"l,2,…,m， m為顏色圖層數(shù)目。
IV) 計(jì)算m個(gè)新的聚類中心Zg(7 + l)與新的類間離散度之和為聚類判別準(zhǔn)則 函數(shù)J(7 + 1):(其中， 是為第g個(gè)顏色聚類集中的樣本數(shù))
Zg(/ + l) = i￡xA(g)，g = l,2"..,m
'=i
g=
V) 若|</(/ + 1)-/(/)|</，則算法結(jié)束，否則/ = / + 1，返回步驟III)。 如圖18 圖21所示，利用上述聚類分析結(jié)果，對(duì)去除非彩色圖層的樣本圖像
進(jìn)行分割。
ii)利用聚類分析的數(shù)據(jù)結(jié)果，進(jìn)行反饋學(xué)習(xí)，不斷改進(jìn)原始顏色描述模型 本實(shí)施例根據(jù)基于先驗(yàn)知識(shí)分割的非彩色(黑色、白色)圖層對(duì)應(yīng)的色層標(biāo) 號(hào)以及聚類分割得到的彩色圖層對(duì)應(yīng)的色層標(biāo)號(hào)作為神經(jīng)網(wǎng)絡(luò)的期望輸出。將樣 本圖像各像素點(diǎn)的L分量和a、 b分量極坐標(biāo)(C、to6)輸入BP神經(jīng)網(wǎng)絡(luò)，逐個(gè)像素進(jìn)
行網(wǎng)絡(luò)計(jì)算。最后采用最速下降法學(xué)習(xí)規(guī)則通過(guò)反向傳播不斷修正調(diào)整權(quán)值和閾 值進(jìn)行學(xué)習(xí)訓(xùn)練，當(dāng)輸出層誤差平方和小于指定誤差E:0.001或?qū)W習(xí)次數(shù)大于設(shè)定 的最大次數(shù)M400時(shí)，訓(xùn)練過(guò)程結(jié)束。進(jìn)而得到基于BP網(wǎng)絡(luò)改進(jìn)后的顏色描述模型。
4、利用顏色描述模型，對(duì)輸入的書畫數(shù)字圖像進(jìn)行顏色分層 綜上所述，經(jīng)過(guò)多次樣本的反饋學(xué)習(xí)后，該顏色描述模型可以精確的對(duì)圖像 進(jìn)行顏色分層。顏色描述模型對(duì)書畫數(shù)字圖像進(jìn)行顏色分層的步驟如下
首先將輸入的書畫數(shù)字圖像轉(zhuǎn)換到CIELab空間，并將L分量和a、 b分量的
極坐標(biāo)(丄,o^作為神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行逐像素點(diǎn)的網(wǎng)絡(luò)計(jì)算，輸出各像素點(diǎn)
所屬的色層標(biāo)號(hào)。根據(jù)各像素點(diǎn)的色層標(biāo)號(hào)實(shí)現(xiàn)圖像分層A) 在顏色分層顏色描述模型輸入測(cè)試樣本圖像各像素點(diǎn)的CIELab空間的分
B) 輸出用三位二進(jìn)制表示的所屬顏色層標(biāo)號(hào)。
C) 根據(jù)輸出的色層標(biāo)號(hào)構(gòu)造各顏色層對(duì)應(yīng)的掩碼矩陣mwh設(shè)像素點(diǎn)L的 輸出為做^， o"^的十進(jìn)制為取值為p，則^為該像素點(diǎn)所對(duì)應(yīng)的顏色層標(biāo)號(hào)。根 據(jù)步驟i)，若^ = 1,2,...,6，則建立相應(yīng)色層的掩碼矩陣m"^;若^^1,2,...,6，則將 其作為暫時(shí)不能識(shí)別的顏色歸入雜色層掩碼矩陣。
如圖22所示書畫數(shù)字圖像，按上述方法建立相應(yīng)的掩碼矩陣。如圖23 圖 29所示，掩碼矩陣在RGB空間中可以利用二值圖直觀表示。如圖30 圖36所示， 在RGB顏色空間上利用上述的各層二值圖像與原圖像按像素點(diǎn)做與運(yùn)算，可以實(shí) 現(xiàn)對(duì)圖像的分層。
如圖37所示，本實(shí)施例利用中國(guó)書畫顏色分層模型對(duì)一幅花鳥畫進(jìn)行分層分 割。如圖38 圖44所示，為基于先驗(yàn)知識(shí)的分層效果。如圖45 圖50所示，為通 過(guò)10次反饋學(xué)習(xí)后的模型的分層效果。
本發(fā)明期望建立一種針對(duì)中國(guó)書畫作品的顏色分層分析方法，利用中國(guó)書畫 作品顏色表征結(jié)構(gòu)的特點(diǎn)對(duì)其進(jìn)行分層，將圖像中包含的色彩、結(jié)構(gòu)，甚至繪畫 技法等語(yǔ)義信息層析到各顏色層上，使得包含同質(zhì)語(yǔ)義信息的圖像區(qū)域更加集中， 為運(yùn)用傳統(tǒng)的圖像處理和分析方法實(shí)現(xiàn)中國(guó)書畫作品的技法、分類、構(gòu)圖，以及 意境等中高層語(yǔ)義標(biāo)注奠定了基礎(chǔ)。從而在一定程度上解決了書畫數(shù)字圖像處理 領(lǐng)域低層特征和高層語(yǔ)義之間"語(yǔ)義鴻溝"的問(wèn)題，有助于提高書畫作品的檢索率 和鑒定的準(zhǔn)確率,并且為辨別書畫作品的真?zhèn)翁峁┹o助依據(jù)。
權(quán)利要求
1、一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法，其特征在于對(duì)同類圖像樣本進(jìn)行像素級(jí)別的顏色分類，建立一組關(guān)于顏色集的先驗(yàn)知識(shí)；利用所述先驗(yàn)知識(shí)對(duì)圖像進(jìn)行基于所述顏色集的分層；將圖像中包含的語(yǔ)義信息，以各圖像區(qū)域?yàn)檩d體，層析到各所述顏色層上；實(shí)現(xiàn)所述圖像的各要素的分割提取；其步驟包括1)獲取數(shù)字圖像的顏色先驗(yàn)知識(shí)；2)用機(jī)器學(xué)習(xí)方法建立顏色分層的原始顏色描述模型；3)對(duì)所述原始顏色描述模型進(jìn)行反饋學(xué)習(xí)，得到顏色描述模型；4)利用所述顏色描述模型，對(duì)輸入的書畫數(shù)字圖像進(jìn)行顏色分層。
2、 如權(quán)利要求l所述的一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法，其 特征在于所述步驟1)分為a)利用HSV顏色空間的飽和度描述非彩色顏色集；b)利用CIELab顏色空間描述彩色顏色集。
3、 如權(quán)利要求l所述的一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法，其 特征在于所述步驟2)分為C)利用所述先驗(yàn)知識(shí)建立訓(xùn)練樣本集；d)基于機(jī) 器學(xué)習(xí)方法設(shè)計(jì)原始顏色描述模型；e)訓(xùn)練所述原始顏色描述模型。
4、 如權(quán)利要求2所述的一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法，其特征在于所述步驟2)分為C)利用所述先驗(yàn)知識(shí)建立訓(xùn)練樣本集；d)基于機(jī) 器學(xué)習(xí)方法設(shè)計(jì)原始顏色描述模型；e)訓(xùn)練所述原始顏色描述模型。
5、 如權(quán)利要求1或2或3或4所述的一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法，其特征在于所述步驟3)分為f)對(duì)數(shù)字圖像進(jìn)行基于先驗(yàn)知識(shí)的 聚類分析；g)利用所述聚類分析的數(shù)據(jù)結(jié)果，對(duì)所述原始顏色描述模型進(jìn)行反饋學(xué)習(xí)。
6、 如權(quán)利要求1或2或3或4所述的一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析 方法，其特征在于所述步驟c)中，對(duì)于所述非彩色顏色集，先從HSV顏色空間 中選取樣本數(shù)據(jù)，再借助RGB顏色空間轉(zhuǎn)換到CIE Lab顏色空間，之后用極坐標(biāo) (OW)表示a、 b分量；對(duì)于所述彩色顏色集，在CIE Lab顏色空間直接用極坐標(biāo) (C、/w6)表示a、 b分量。
7、 如權(quán)利要求5所述的一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法，其 特征在于所述步驟c)中，對(duì)于所述非彩色顏色集，先從HSV顏色空間中選取樣 本數(shù)據(jù)，再借助RGB顏色空間轉(zhuǎn)換到CIE Lab顏色空間，之后用極坐標(biāo)(C、fe^)表 示a、 b分量；對(duì)于所述彩色顏色集，在CIE Lab顏色空間直接用極坐標(biāo)(C,/zW)表 示a、 b分量。
全文摘要
本發(fā)明涉及一種基于機(jī)器學(xué)習(xí)的中國(guó)書畫顏色分層分析方法，其特征在于對(duì)同類圖像樣本進(jìn)行像素級(jí)別的顏色分類，建立一組關(guān)于顏色集的先驗(yàn)知識(shí)；利用所述先驗(yàn)知識(shí)對(duì)圖像進(jìn)行基于所述顏色集的分層；將圖像中包含的語(yǔ)義信息，以各圖像區(qū)域?yàn)檩d體，層析到各所述顏色層上；實(shí)現(xiàn)所述圖像的各要素的分割提?。黄洳襟E包括1)獲取數(shù)字圖像的顏色先驗(yàn)知識(shí)；2)用機(jī)器學(xué)習(xí)方法建立顏色分層的原始顏色描述模型；3)對(duì)所述原始顏色描述模型進(jìn)行反饋學(xué)習(xí)，得到顏色描述模型；4)利用所述顏色描述模型，對(duì)輸入的書畫數(shù)字圖像進(jìn)行顏色分層。本發(fā)明的方法為實(shí)現(xiàn)中國(guó)書畫作品的各要素的分割提取，如技法、分類、構(gòu)圖、主題，甚至意境等中、高層語(yǔ)義的研究奠定了基礎(chǔ)。
文檔編號(hào)G06N99/00GK101556652SQ20091008237
公開日2009年10月14日 申請(qǐng)日期2009年4月15日 優(yōu)先權(quán)日2009年4月15日
發(fā)明者婁海濤, 南 張, 王真真, 王迪菲, 胡正坤, 泓 鮑 申請(qǐng)人:北京聯(lián)合大學(xué)