基于人工智能的國畫特征提取技術研究

權海波 顧迎燕 朱鵬強

摘要：傳統的圖像信息采集方式大多存在著對人工過度依賴的問題，人主觀上的操作失誤與物理環境方面的客觀因素，在一定程度上影響著圖像信息采集的完整性與有效性。針對該問題，本文汲取、融合了先前的國畫特征提取技術，基于人工智能，探究新型提取的方法，既關注形狀特征的提取，又重視顏色氛圍的表達，挖掘更多細節，以達到提取效果與人眼主觀視覺的高度匹配。

關鍵詞：人工智能;國畫特征;特征提取;顏色

引言

在綿延幾千年的歷史長河中，中國畫是我國寶貴的歷史財富和人民智慧的結晶，承載著中華民族燦爛悠久的歷史文化。近年來，隨著人工智能技術的不斷發展，其應用范圍越來越大，本文將基于人工智能，深入探究中國畫特征提取的系列方法，以促進中國畫的數據化分析、理解與識別，為中國畫的傳承鑒賞提供有效的數字工具。

1國內外研究現狀

人工智能自1956年提出，到今天初步具備產品化的可能性經歷了58年的演進。主要發達國家積極布局人工智能技術，搶占戰略制高點，近幾十年來，我國亦高度重視人工智能領域的研究與發展。

對于國畫特征提取方面，很多學者進行了廣泛而深入的研究。Sheng等人將像素亮度作為局部特征，提出一種基于神經網絡的國畫作者識別方法。Li等人提出一種基于小波變換和混合2D多分辨率隱式 Markov模型的國畫分類算法。Jiang等人提出一種基于顏色特征和紋理特征的SVM國畫識別算法，王剛等人提出基于顏色特征和紋理特征的正則化極限學習機的油畫識別研究，對寫意畫和工筆畫進行了高精度識別。

2提取技術

2.1模式識別法

模式識別法是當前圖像識別領域用的最多的方法，在提取國畫顯著特征方面也具有同樣應用原理，它的工作原理如同大數據搜索，是在多國學者專家多年圖像分類、識別、匯總的經驗下，運用計算機快速計算的優點，在海量數據中找到與國畫特征的線條、墨色、點簇等相似匹配的圖像信息，并且運用計算機的邏輯推理，進一步分析所提取國畫的曲線，形狀，邊緣，紋理等的特征，且計算機自動完成對這些特征的融合，擬構，組織并作出評價。

2.2神經網絡法

原理是利用計算機模擬人類神經元結構，與傳統圖像識別結合，從而完成各種非線性智能任務，常見的有BP神經網絡、小波神經網絡、RBF神經網絡完成對圖像的分類和識別。同時在當今計算機發展領域，基于神經網絡發展而來的深度學習也是國畫特征提取的廣泛認可的方法。

2.3非線性降維方法

通過單幅國畫數據的高維化，來獲得單幅國畫數據在高維空間中的數據描述，然后可以使用Laplacian Eigenmap方法對其進行降維，獲得國畫本征結構的一維特征表達 向量，最后基于向量進行國畫特征的識別。我們可以看出，這里與通常的基于特征空間的方法（如CPA，LAD等）區別在于是對每幅畫像都進行獨立的降維，而在降維過程 中沒有考慮與其他畫像之間的關聯，從而使得得到特征表達向量可以較好的反映國畫數據的本征結構形態。

3技術的優缺點

然而，在實際應用中，上述的基于內容的圖像分類技術的效果卻不盡人意。其主要原因在于，在基于內容的圖像特征識別技術中，畫像之間的相似性主要體現在人類的視覺的相似性上，但是人類對畫像之間相似性的辨別則主要建立在畫像語義的相似性上，即僅是通過計算機所提取的畫像的低層次特征并不能很好地表達畫像內容所體現的畫像的高層次語義。同時，由于畫像的內容是豐富并且多樣的，這種利用簡單的視覺特征來解決圖像的相似性匹配問題，是無法滿足更高要求的畫像特征提取的。而色彩的提取影響著圖像的情感表達，要想優化圖像提取的完整性、有效性，首先要從色彩提取方面進行展開。

4圖像優化

顏色失真是圖畫特征提取過程中最常見的問題。其常在R、G、B三個顏色分量中出現，解決顏色失真問題應從三個顏色分量中入手。經過研讀文獻以及探索實踐，我們領會了一種新的處理方法。由于三個顏色分量的優化方法類似，所以本節優化方法僅從R顏色分量中展開。

首先，對R顏色分量進行對數變換，以使其符合人眼非線性感知特性。其數學表達式為

（1）

其中：（i，j）表示圖像在該點的像素。

然后，按照d*d大小，重疊兩個尺度的方式進行分塊。分塊后的圖像塊用一個集合來表示，并計算該圖像塊集合X的像素平均值，用M來表示。兩者相減可以求得圖像塊的結構信息：

（2）

其中：o是一個維度與X相同的全1矩陣。這主要是因為噪聲常出現在圖像的高頻部分，所以式（2）可以有效地得到包含圖像噪聲的高頻信息。該高頻信息中除了噪聲外還有圖像自身的結構信息，故如何在保留結構信息的基礎上去除噪聲，亦是至關重要的問題。

5結語

為了更好更穩定地對國畫特征進行提取，本文歸納總結了幾種常見的提取思想方法，著眼于顏色失真這一方面進行考究，嘗試了一種新型的圖像優化方式，通過實驗驗證該方式提取效果與人眼主觀視覺具有較好的一致性，但是為獲得更佳的提取效果，還需進一步探究。

參考文獻

[1] Sheng J，Jiang J.Recognition of Chinese artists via windowed and entropy balanced fusion in classification of their authored ink and wash paintings（IWPs）[J].Pattern Recognition，2014，47（2）：612-622

[2]王剛.基于顏色特征和紋理特征的RELM油畫識別研究[J].微型電腦應用，2019，35（10）：57-60.

[3]萬兵.基于人工智能的圖像識別技術的研究[J].信息與電腦（理論版），2019（02）：141-142.

[4] 吳明明，陳勇，房昊.基于K-均值聚類的彩色圖像質量評價及優化[J].計算機應用研究，2019，（10） ： 3148-3151.

作者簡介：

權海波，生于1997年11月，男，漢族，安徽合肥人，江蘇大學京江學院本科在讀，計算機科學與技術方向

顧迎燕，生于1997年02月，女，漢族，江蘇鹽城人，江蘇大學京江學院本科在讀，計算機科學與技術方向

朱鵬強，生于1996年12月，男，漢族，四川樂山人，江蘇大學京江學院本科在讀，計算機科學與技術方向

基金項目：本文系江蘇大學2019年度第十八批大學生科研立項項目，18A264