基于信息熵的風格繪畫分類研究

錢文華 ，徐 丹 ，徐 瑾 ，何 磊 ，韓鎮陽

(1.云南大學信息學院，云南 昆明 650504；2.云南大學研究生院，云南 昆明 650504)

不同藝術繪畫風格具有不同的藝術表現力，尤其是名家藝術作品往往具有較高的藝術價值和傳承價值。受到自然災害、人為等因素的影響，藝術繪畫作品也在加速破壞與消失。文化遺產數字化有利于不同種文化遺產的保護和傳承，有利于藝術繪畫作品的數字化保護，其中，藝術繪畫作品的數字化分類和管理是文化遺產數字化保護的重要環節，將為文化遺產、文化作品的數字化存儲、修復、推廣和傳播奠定基礎，可應用于繪畫作品的藝術風格識別、檢測、情感識別等不同領域。因此，如何更加有效地組織并管理藝術風格作品，使用戶更加簡便快捷訪問藝術作品成為當前文化遺產數字化領域急需解決的問題[1]。

近年來，國內外圖形工作者采用卷積神經網絡(convolutional neural networks，CNN)、尺度不變特征變換(scale-invariant feature transform，SIFT)等方法對不同藝術風格繪畫作品進行分類研究，成為計算機圖形學領域的熱點問題[2]。楊冰[3]利用風格繪畫的藝術風格特性進行分類處理，對藝術風格描述符和顯著性特征進行檢測，提出了一種不同藝術風格繪畫的分類方法；祝娟[1]結合稀疏編碼算法，比較高低分辨率繪畫作品提取的特征，選取其中更具有繪畫風格的代表性特征，同時利用信息論理論提取圖像的特征，最后采用Weka軟件中的分類器成功地對繪畫作品的風格進行分類；萬翠蘭[4]基于稀疏編碼算法，分析了圖像的特征基函數和稀疏系數，采用四階統計量對圖像數據進行高階統計，實現了圖像風格的識別和分類；肖志鵬等[5]提出基于卷積神經網絡的繪畫圖像和分類方法，獲得分類結果，并分析了卷積核大小、網絡結構寬度、訓練樣本數量等對分類結果的影響；趙永威等[6]針對矢量量化編碼的誤差嚴重問題，提出了一種基于深度學習特征編碼模型的圖像分類算法，減小了編碼誤差；陳小娥和陳昭炯[7]針對攝影作品、國畫、水彩畫、素描、油畫等5種藝術風格圖像進行分類，采用多類SVM分類器以及逐層分類的思想實現了對5類藝術風格繪畫的分類；BARAT和DUCOTTET[8]結合圖像的藝術特征，提出采用CNN的方法，并利用歐氏距離度量作品之間的相似性，實現了不同圖像風格的分類；CHU和 WU[9]選取漫畫人臉圖像作為研究對象，基于大規模基準測試數據，采用深度神經網絡提取深層關聯特征并檢測人臉，對不同具有漫畫風格的人臉圖像進行分類和評估，獲得較好分類結果；WILLIAMS和LI[10]提出了一種基于小波的CNN圖像分類算法，將數據轉換成小波域，在小波域空間進行分類以獲得更高的精度；WANG等[11]針對高光譜圖像進行分類，通過迭代濾波改變樣本有限情況下的數據統計分布，并通過正交匹配追蹤和支持向量機(support vector machine，SVM)對目標圖像進行分類，提高了分類精度和效率。

基于CNN，SIFT等風格繪畫分類方法存在模型復雜、耗時較多等問題，分類精度和分類效率有待提高。此外，藝術繪畫風格種類眾多，當繪畫風格不同時，已有的分類方法可能失效。因此，對不同藝術風格繪畫作品的分類研究還存在著精度不高、提高分類算法通用性等問題，仍然是圖形學研究的難點。本文選取西方漫畫、素描、油畫、水彩畫，以及國內烙畫、水墨畫、壁畫具有代表性的繪畫風格作為研究對象，針對7種不同繪畫作品進行分類，獲得最終的分類識別結果，圖1顯示了不同繪畫風格的圖像。

圖像的信息熵表示圖像中灰度、色彩分布的聚集特征所包含的信息量，反映了圖像局部結構、色彩特征等信息量，可以用來作為圖像質量的重要判斷依據[12]。針對藝術風格作品的分類存在的精度不高等問題，本文提出一種基于信息熵的藝術風格繪畫分類算法，在灰度信息熵的基礎上，提出顏色熵、分塊熵、輪廓熵3種不同的信息熵計算方法，并采用SVM對圖像信息熵特征進行訓練和分類。

圖1 風格繪畫實例

本文的主要工作為：①選取西方具有代表性的漫畫、素描、油畫、水彩畫繪畫作品，以及東方具有代表性的烙畫、水墨畫、壁畫繪畫作品作為研究對象，豐富不同藝術繪畫風格的分類研究成果；②提出圖像的顏色熵、分塊熵、輪廓熵3種不同的信息熵計算方法，作為圖像信息熵的計算依據。其中，顏色熵能反映圖像的顏色特征，分塊熵反映了圖像的空間局部分布特征，輪廓熵反映了圖像的邊緣和結構特征；③針對訓練樣本集進行分類測試，通過采用不同核函數得出的分類效果進行驗證，提高了查全率和查準率。

本文對藝術繪畫風格分類研究，有利于用戶鑒別不同藝術繪畫作品的風格種類，分析不同繪畫作品的風格特征；有利于藝術作品的保護和傳承，在影視作品、廣告宣傳、數字娛樂、遺產保護等領域具有廣泛應用。

1 系統實現框圖

圖2顯示了本文的系統實現框圖，首先搜集了漫畫、素描、油畫、水彩畫、烙畫、水墨畫、壁畫7種繪畫藝術作品，每種藝術風格260幅圖像，共1 820幅藝術風格圖像構建數據集，作為訓練和測試數據集；其次，對數據集進行去噪、裁剪等預處理：①設置3×3掩模算子，采用高斯濾波方法對圖像進行去噪處理，消除噪聲；②當目標圖像的背景區域較多時，對圖像進行裁剪，保留主體區域；③對圖像進行規范化處理，通常將訓練和測試數據集圖像處理為512×512大??；接著，從繪畫藝術作品中選取部分圖像作為訓練集，對不同風格作品進行特征提取，計算圖像的顏色熵、分塊熵和輪廓熵特征，合并后形成信息熵矩陣，并進行特征訓練；再次，利用開源的SVM的軟件包LIBSVM對訓練集進行學習訓練，得到藝術風格繪畫分類模型；最后，對測試集中數據進行特征提取，計算圖像的顏色熵、分塊熵和輪廓熵特征，合并熵矩陣，并通過訓練好的分類模型進行測試，得到最終的藝術風格繪畫分類結果。

圖2 系統實現框圖

2 圖像信息熵

圖像的信息熵通常指圖像灰度值的信息熵，即圖像灰度的概率分布情況[12]。色彩是不同藝術風格圖像的重要特征，僅僅通過圖像灰度值進行信息熵計算不能滿足分類要求，此外，圖像的局部結構特征以及圖像的輪廓特征對圖像藝術風格分類也具有重要作用。因此，本文在獲得灰度圖像信息熵的基礎上，分別通過圖像的顏色值、局部灰度值、Contourlet變換系數值求取信息熵，即計算圖像的顏色熵、分塊熵和輪廓熵，用于本文信息熵的計算和藝術繪畫風格分類。

2.1 顏色熵

不同藝術風格作品具有不同的色調，如素描畫、水墨畫以黑白色調為主，烙畫以褐色色調為主，油畫、壁畫色彩豐富較為鮮艷，因此，在藝術風格圖像分類識別時，顏色特征對不同繪畫風格的鑒別起到了非常重要的作用。在圖像的不同色彩模式中，LAB色彩模型是由亮度L和A，B色彩通道組成，是一種與設備無關的顏色模型，且色彩與亮度之間的關聯性較小[13]，與HSV，RGB等色彩空間相比，在圖像的色彩熵分析中具有色彩描述特征準確的優勢，因此，本文基于 LAB顏色空間，計算圖像的顏色熵。

顏色信息的分布具有一定的概率統計，與圖像內容分布有關，同時與圖像的色彩域有關，不同顏色的圖像具有不同的色彩域。LAB顏色空間中，L通道表示亮度信息，A通道和B通道反映了圖像的顏色信息，基于LAB顏色空間的顏色熵計算方式如下：

首先，將圖像從RGB色彩空間轉到LAB色彩空間[13]，分別對A，B通道求信息熵，表示圖像的顏色域分布特征[14]，即

其中，P為圖像A通道顏色值，式(1)可計算A通道的顏色信息熵Ha，通道B采用同樣的方法計算?？紤]到在不同的藝術圖像中，2個顏色完全不同的圖像，可能具有相同的信息熵，因此引入一個加權函數，設H為某幅圖像的顏色直方圖，采用冒泡排序方法將直方圖H由小到大進行排序，完成排序后直方圖灰度級的移動次數記為m。由于信息熵具有對稱性，因此排序前后信息熵不會改變。加權函數f(x)定義為[15]

其中，m為直方圖灰度級所移動的次數；z為直方圖灰度級的總數。采用加權函數后，圖像的顏色熵表示為

其中，Ha(x)為最終的A通道顏色熵，可以用同樣的方法求取B通道顏色熵Hb(x)。

圖3顯示了不同藝術風格繪畫的信息熵值，在實驗中發現，色彩的豐富程度、色彩的明暗會影響最終的顏色熵，如水墨畫以黑白色調為主，計算出的顏色熵就比較低；而顏色豐富多彩的油畫、水彩畫、壁畫等，計算出的信息熵較大。因此，僅依靠圖像的顏色熵還不能較好判斷出藝術風格的分類結果。

2.2 分塊熵

圖像的空間分布是圖像的一個重要特征，能表現出一幅圖像的色彩分布和整體特性。不同的藝術風格繪畫具有不同的空間分布，如一幅油畫和一幅漫畫相比較，其色彩、結構等空間分布有所不同。油畫的立體感強，細節紋理豐富，圖像中的局部區域有較豐富的紋理特征，富有立體和層次感?？梢钥闯觯毠澕y理豐富的地方，像素值變化繁復，信息熵較高。此外，由于油畫藝術效果色彩整體分布均勻，因此整體信息熵分布較均勻。漫畫的構圖中往往表現出著重點和非重點，如人物、中心物體等為畫家著重表現的區域，在繪畫時用較小筆刷注重細節的描述，而漫畫中的背景等大面積著色相同的區域為非重點區域，畫家在創作時采用較大筆刷，忽略細節信息，因此，漫畫的整體信息熵分布不均勻，在細節較多的區域信息熵較高，在細節較少的地方信息熵較低。

圖3 圖像顏色熵用例

本文基于單元熵的思想[16]，在圖像信息熵的計算過程中，提出采用分塊信息熵方差來描述圖像的整體空間分布特征。首先將圖像分成n×n個方形小塊，分別求取每一個小方塊的信息熵，再求取一幅圖像的所有小塊信息熵的方差，方差越大則說明藝術風格圖像的信息熵分布越不均勻，方差越小說明信息熵分布越均勻，信息熵方差計算為

其中，V為信息熵方差；Hi為小塊信息熵；Hm為分塊信息熵的均值；n為塊數。

圖像劃分為小塊后，相鄰塊之間存在著一定的關聯，這種關聯也體現了圖像空間分布特征(圖4)。因此，在信息熵計算過程中，為了表示小塊之間的關聯，提出分塊聯合熵的計算，對每一分塊求其灰度值均值。同時，為了排除微小差異對結果造成的影響，對灰度均值以8為一個步長進行量化處理，并將相鄰塊灰度均值轉化成離散的獨立信源，其聯合空間計算為[17]

其中，X1X2為2個離散的獨立信源，即2個分塊；ai為分塊的灰度均值；aij為與ai相鄰塊的灰度均值；P(x1x2)為分塊之間的聯合空間；f(aij)為塊灰度均值為ai時，與ai相鄰的塊灰度均值為aij出現的頻數；q(ai)為與ai相鄰的塊總數。分塊聯合熵計算為

其中，HL(X1X2)為分塊聯合熵；n為分塊數。

圖4 相鄰塊編號示意圖

當一幅圖像各塊灰度均值分布越均勻、統一時，分塊之間的聯系越緊密，式(6)中相應的條件概率就越大，越大，隨之分塊聯合熵H(X1X2)就越小。

為了驗證圖像的分塊熵能夠體現圖像的空間分布特征，選取油畫、漫畫目標圖像進行實驗。在圖像預處理過程中，通常將輸入圖像縮放為512×512 大小，采用 2n×2n(2≤n≤6)大小對圖像進行分塊，計算分塊信息熵。當n=5時，圖5中顯示了當目標圖像為油畫和漫畫時的信息熵結果。圖5(a)顯示目標圖像為油畫時，獲得結果信息熵方差V=0.3，分塊聯合熵HL=0.6；圖(b)顯示目標圖像為漫畫時，獲得結果V=7.1，HL=5.4。取不同n值進行實驗，發現油畫每個小塊的信息熵都較大，分布比較均勻，并且分塊信息熵方差較小，分塊聯合熵較??；而漫畫的塊信息熵大小不等，分布不均勻，且分塊信息熵方差較大，分塊聯合熵也較大。從實驗結果看出，藝術圖像的分塊熵可以表示一幅圖像的整體和局部的信息分布情況，實驗中考慮速度等經驗值，n取值為5。

圖5 圖像分塊熵計算

2.3 圖像輪廓熵

藝術家在創作藝術風格繪畫作品時，對圖像輪廓的繪畫并不相同，如漫畫和烙畫藝術作品，背景較為單一，然而注重勾勒對象的輪廓，因此，主體對象和背景之間對比度強烈，導致主體對象的輪廓細節比較明顯；在油畫藝術作品創作時，整體和局部往往呈現相同的色彩分布，不注重線條細節，忽略對主體細節邊緣的勾勒；在水彩畫藝術作品創作時，由于顏料的滲透性，導致邊緣輪廓不明顯；壁畫創作時通常具有清晰明確的邊緣特征，受到侵蝕、墻體脫落等原因可能造成圖像輪廓的模糊；水墨畫雖然不刻意的勾勒對象的輪廓，但是對象之間鮮明的墨色對比也讓水墨畫呈現出一定的輪廓特征；素描創作時往往通過背景以及明暗變化的陰影表現藝術特質，受到筆刷和鉛筆線型的影響，其邊緣輪廓較為粗糙。因此，輪廓熵對不同的藝術繪畫風格具有重要作用，本文將輪廓熵作為圖像信息熵的重要組成部分。

基于Contourlet變化思想[18]，本文提出圖像輪廓信息熵的計算方法，描述圖像的輪廓信息。Contourlet變化是Do和Vetterli等在繼承小波多尺度分析思想的基礎上，提出的一種非自適應方向多尺度圖像輪廓捕捉方法。與二維Gabor變換、Cortex變換、二維小波變換、復數小波等其他多尺度多方向的幾何圖像表示方法相比，Contourlet變換能提供任意方向上的信息，具有多分辨率、局部定位、多方向性和各向異性等性質，更加靈活，有利于捕捉圖像中的不同線條輪廓信息[19]。

圖6顯示了離散Contourlet變換的濾波器組結構圖，輸入的粗糙圖像經過塔型方向濾波器組進行多層分解，可得到多尺度、多方向的子帶圖像。對于輪廓特征清晰的藝術風格圖像，Contourlet系數變化大，信息分布復雜，因此獲得的信息熵較高；對于輪廓特征不清晰的藝術風格圖像，Contourlet系數變化平緩，信息分布較為均勻，因此信息熵較小?；贒o和Vetterli等實驗結果表明，采用 3層拉普拉斯塔形分解(Laplacian pyramid，LP)、3級方向濾波器組(dirctional filter bank，DFB)的 Contourlet變換能取得較好的實驗結果。本文計算圖像的輪廓熵Hc時，對每一層LP的各方向系數求取信息熵均值，用3層輪廓熵來描述圖像的輪廓特征[19]，即

其中，Hi2j為對圖像進行i層 LP分解后，DFB的Contourlet變換在第i層、第2j方向系數的信息熵。

圖6 Contourlet變換示意圖[19]

為了驗證藝術風格圖像輪廓熵能描述圖像的輪廓特征，選擇輪廓特征不明顯的油畫和輪廓特征較明顯的烙畫進行實驗分析。

圖7顯示了輪廓信息熵實驗的用例圖，將圖7中的油畫和烙畫進行3級LP分解，每層8個方向的DFB濾波分解后，其輪廓熵結果見表1。

圖7 圖像輪廓熵計算用例

表1 圖像輪廓熵

從表1實驗數據可以看出，在不同層級熵值計算過程中，輪廓特征較不明顯的油畫輪廓熵值較小，而具有明顯輪廓特征的烙畫計算出的輪廓熵值較大。因此，輪廓熵能較好地描述出藝術圖像的輪廓特征。基于顏色熵、分塊熵、輪廓熵求取，對三者進行合并，獲得最終的藝術風格圖像信息熵，為最終的藝術風格圖像分類奠定基礎。

3 支持向量機

求取出藝術風格圖像的信息熵后，需要對這些圖像進行訓練和分類。由于本文的不同種類風格畫數據均是不超過300的小樣本數據，因此本文采用在小規模數據的分類識別中有較好效果的SVM進行分類[20]。通過采用 SVM，對圖像熵特征進行學習，并訓練出風格畫識別模型，進而對不同的藝術繪畫風格進行分類。

3.1 核函數的選擇

SVM 訓練和測試過程中，核函數是關鍵組成部分，其通過把特征向量從低維空間映射到高維空間，使線性不可分問題轉化成了線性可分，從而解決了多維特征空間的線性不可分問題，有效支持了數據集的分類和識別計算[20]。

在核函數的選擇上，本文采用交叉驗證(cross-validation)方法[21]，針對訓練樣本集，選取不同核函數，并對輸入藝術風格圖像進行分類效果驗證，表2顯示了核函數驗證的準確率。

表2數據表明，采用Sigmoid核函數獲得的準確率較低，使用RBF核函數獲得的準確率較高，達到85%以上，可以取得較好的分類結果。由于RBF核函數更適用于特征維數少，非線性的情況，與本文數據量少、非線性分類一致，因此本文選取RBF核函數進行實驗。

表2 Cross-Validation驗證核函數準確率

3.2 參數設置

SVM模型有2個非常重要的參數c與Gamma，其中c表示對誤差的寬容度，c越大表示誤差概率越小，但容易出現過擬合的情況；c越小，容易出現欠擬合；c過大或過小，都會降低模型的泛化能力[22]。此外，RBF核函數中的Gamma參數決定了數據映射到新的特征空間后的分布，Gamma值越大，支持向量越少，分類速度越快，但精度可能會降低；反之，支持向量越多，分類速度較慢，精度將提高。

本文對藝術風格圖像分類時，采用基于網格搜索(grid search)的SVM參數尋優方法對c和Gamma參數進行最優化選擇。網格搜索是一種常用的尋找最優參數的算法，選擇c和Gamma參數時，首先為參數設定一組候選值，然后從候選值中窮舉所有參數組合，最后選擇效果最優的那組參數作為最終參數設置值。

尋找最優參數實驗對風格畫樣本集采用十折交叉驗證的方法[22]。寬容度參數c取值cmin=–8，cmax=8，即在[2–8，28]范圍進行窮舉并找尋最優c值。RBF核參數Gamma用g表示，取值gmin=–8，gmax=8，即在[2–8，28]范圍內進行窮舉并尋找最優的g。SVM參數尋優方法參數選擇結果如圖8所示[23]。

圖8 SVM參數選擇結果圖[23]

圖8顯示了采用不同參數實驗樣本分類準確率高低的情況，當取值為c=4，g=0.125時，準確率達到 82.8%，即達到最高值。因此，本文實驗時，參數設置選取該組c和g值對藝術風格圖像進行分類。

4 實驗流程

本文實驗基于LIBSVM開源數據包，通過SVM實現對不同藝術風格圖像的訓練和分類。實驗流程如圖9所示，實驗步驟如下：

步驟1.從油畫、素描等 7類風格畫數據集中各隨機選取100幅作為模型訓練樣本，分別求取其顏色熵、分塊熵和輪廓熵特征。

步驟2.將提取的熵特征整合成一個[m×n](m表示訓練樣本；n表示樣本特征)的數據集，并設置對應的標簽集。

步驟3.將上述特征矩陣作為訓練集，選擇RBF核函數，利用 LIBSVM 對訓練集進行學習訓練，得到藝術風格圖像的分類模型。

步驟4.選取油畫、素描等7類風格畫訓練之后的圖像作為測試樣本，按照步驟1 和步驟2的過程提取待識別圖像的特征向量，將其分別輸入步驟3訓練好的分類器中進行識別，得出識別結果以及識別正確率。

步驟5.對待識別的圖像設置任意標簽，投入風格畫分類器，得出分類結果標簽。

圖9 實驗流程圖

5 實驗結果及分析

5.1 查準率和查全率

本文所有實驗在Windows 7，32位操作系統中進行，基于2.3 GHz AMD Turion II CPU，4 G內存，采用Matlab2016編程實現。本文針對漫畫、素描、油畫、水彩畫、烙畫、水墨畫、壁畫7種不同的藝術風格繪畫進行實驗，主要采用準確率和查全率對所提方法進行驗證。實驗訓練集從數據集中選取每類風格畫100幅，測試集從剩余數據集中隨機選取每類藝術風格畫進行測試。

表3顯示了本文實驗的分類準確率，從實驗結果可以看出，油畫、壁畫和水彩畫的分類準確率相對較高，漫畫和水墨畫的分類準確率相對較低，選取的350幅測試圖像中，分類正確的一共有309幅，平均分類準確率為88.28%。烙畫和油畫風格特色明顯且較其他風格畫容易區別，因此識別正確率較高；而漫畫的繪畫風格較多，不同作者、不同內容，會使漫畫作品的風格變化多樣，有的漫畫顏色豐富、內容多變，有的漫畫顏色又比較單一、內容簡單，因此漫畫識別正確率較低，漫畫風格也是風格繪畫分類和識別的一個難點。

表3 分類查準率

表4顯示了實驗中不同風格繪畫的查全率，烙畫和油畫的查全率相對較高，達到90%以上，這是因為烙畫和油畫識別準確率較高，不容易被錯誤識別為其他畫種，因此查全率較高。漫畫的查全率相對較低，只有80%，這是由于漫畫識別準確率較低，容易被錯誤分類為其他畫種，因此查全率偏低。查全率受分類準確率影響，準確率的提高有利于提升查全率。

表4 分類查全率

5.2 對比分析

文獻[7]設計出一種針對攝影作品、國畫、水彩畫、素描、油畫等5種藝術風格圖像進行分類的系統。該系統通過設置多類SVM分類器，逐層分類，最終實現對 5類不同藝術風格畫的分類，每一類SVM 分類器分別采用指定的圖像特征實現各自的分類功能。

圖0顯示了文獻[7]中多類二叉樹分類系統，該分類系統采用3層4類SVM分類器，逐步實現對5類藝術風格畫的分類，每種分類器利用不同的特征對指定的風格畫從上至下逐層實現分類，其整體分類準確率為85.56%。本文算法對藝術繪畫風格的分類準確率為88.28%，準確率有所提高。此外，文獻[7]與本文都采用SVM分類器進行分類，包括訓練和分類 2個過程，在最壞情況下，SVM 的算法時間復雜度為O(n3)[24]，其中n為樣本數量，時間復雜度隨著樣本數量的擴大而增加。文獻[7]通過分層方法對樣本進行至少3次SVM計算，耗時較多；本文求取信息聯合熵時，時間復雜度為O(n2)，并采用SVM對數據集進行1次訓練和分類，減少了運算時間，當樣本數量較大時，加速計算過程，提高了分類計算效率。

圖10 不同藝術風格分類的SVM多類二叉樹分類[7]

5.3 尺度不變性

圖像熵是具有統計特性的圖像特征，描述的是像素的空間分布特性，無論圖像縮小還是放大，都不會影響圖像像素點的分布特性。

本文對不同尺度的同一幅藝術風格圖像進行測試，選取了烙畫、油畫、素描等藝術風格圖像進行測試，圖1顯示了圖像尺度分別為 512×512，256×256，128×128的圖像實例，算法通過計算顏色熵、分塊熵、輪廓熵對圖像進行訓練和測試。選取RBF核函數，實驗參數選取c=4，g=0.125，經過對輸入3幅不同尺度的圖像進行實驗，獲得的實驗結果為Ha=4.1，Hb=5.3，V=6.8，HL=5.9，三層輪廓熵分別為2.4，1.7，2.1，可以看出，圖像尺度大小不會對信息熵造成影響，因此，測試結果顯示不同尺度的圖像具有相同分類，說明本文算法具有尺度不變性，為不同尺度藝術圖像的分類識別提供了一種通用的計算方法，擴展了應用領域。

圖11 不同尺度的圖像

6 結束語

本文針對藝術風格圖像分類算法進行研究，提出了一種基于信息熵的藝術風格繪畫分類算法，算法將漫畫、素描、油畫、水彩畫、烙畫、水墨畫、壁畫7種具有代表性的藝術風格圖像作為對象，求取顏色熵、分塊熵、輪廓熵，合并為藝術風格圖像的信息熵，采用SVM對不同藝術風格圖像進行訓練、測試和分類。在實驗過程中，本文采用準確率和查全率對實驗結果進行驗證，實驗結果表明本文算法能有效對藝術風格圖像進行分類，與已有的方法相比，算法具有運算速度快、尺度不變性等優點，算法實驗結果可應用于藝術作品分類識別、虛擬現實以及文化遺產保護等方面。在今后的工作中，將擴大數據集和藝術風格種類，同時加入對比度、飽和度、紋理等不同特征提高算法分類的準確性。