[发明专利]一种基于构图特征辅助的绘画作品风格分类方法

说明书

本发明涉及数字图像处理、计算机视觉领域，具体涉及一种基于构图特征辅助的绘画作品风格分类方法。所述绘画作品风格分类方法对样本图像数据进行分类和标注，划分风格类别；构建构图特征辅助的多层级特征融合双网络结构体系；建立风格特征分类器，从而实现对于绘画作品的风格分类预测。本发明无需实时人工对绘画作品进行风格判断和标记就能够获得符合艺术风格分类的预测。并且，本发明所使用的分类方法具有预测速度快、执行可行性强等优点。

技术领域

本发明涉及数字图像处理、计算机视觉领域，具体涉及一种基于构图特征辅助的绘画作品风格分类方法。

背景技术

数字化技术的发展与广泛应用，使得更多的绘画作品实现数字化。面对庞大的数字化图像资源，仅依靠艺术家对其进行分类是远远不够的，如何对于绘画作品有效分类以便于研究者或大众群体更好的了解画作，成为了亟待解决的问题。而传统的图像分类方法并没有将绘画艺术风格的相关特性纳入到考虑范围之内。深度网络结构在各种视觉识别领域中展现了巨大的潜力，将深度学习与绘画作品分类联系在一起，通过针对于不同风格作者的笔触特征，画作颜色信息，图像构图等多方面特征，设计卷积神经网络模型对其分类。

绘画作品风格分类属于属性分类，同种属性分类还包括题材，年代等信息。绘画作品的属性分类作为研究绘画作品的基本研究内容，为后续的绘画作品理解以及审美评价奠定了一定的基础。目前，计算机辅助绘画作品分类领域已取得了一些阶段性的成果，较显著的成果为图像风格迁移方向，在人类审美的基础之上，归纳总结绘画作品的风格评价标准，对于数据进行训练学习，以提高风格识别的准确性。作为机器学习，艺术学和心理学的多交叉学科，充满了巨大的挑战。

当前的绘画作品分类模型多数依赖于最终高度语义化的图像信息特征，而浅层图像特征存在特征丢失现象。融合多层特征的特征金字塔结构是一种较为典型的特征融合模型，在目标检测，显著性检测领域都取得了较好的成效。但是针对于绘画作品分类问题，无法兼顾全局特征以及局部细节问题，尤其是针对于图像风格的特殊纹理，色彩，构图等多方面特征。多数深度学习训练网络采取单一网络架构提取特征，或主要针对某一特征，如笔触特征进行特征提取以及训练。而针对于构图风格特征分析的方式较少，且经过深度学习提取的特征中，构图以及位置信息被丢失；就特征的融合方式而言，简单的融合方式会导致特征冗余，无法突出主要特征等缺点。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于构图特征辅助的绘画作品风格分类方法，具体的，步骤包括：

对样本图像数据进行分类和标注，划分风格类别；

构建构图特征辅助的多层级特征融合双网络结构体系；

建立风格特征分类器；

将绘画作品图像上传到风格特征分类器中，按照已有风格分类标签进行图像分类。

进一步的，构建构图特征辅助的多层级特征融合双网络结构体系，步骤包括：

对样本图像进行预处理；

将处理后的样本图像输入双网络结构体系中进行学习训练；

通过自适应调整权重的方式进行特征融合。

进一步的，对样本图像进行预处理，步骤包括：

对样本图像进行显著性特征检测处理，得到具有显著性特征的样本图像特征图；

将样本图像以及显著性特征图像进行同比例缩放裁切。

进一步的，双网络结构体系包括非结构性特征提取网络结构和构图特征提取网络结构。

进一步的，非结构性特征提取网络结构，具体用于提取样本图像浅层细节特征以及深层语义性特征，步骤包括：

通过深度神经网络获取样本图像语义性特征信息；