基于顯著性信息的數字繪畫圖像自主分類系統

趙媛媛

摘? 要： 數字繪畫圖像中存在大量內容增加了自主分類的難度，因此文中研究一種基于顯著性信息的數字繪畫圖像自主分類系統。該系統由圖像預處理模塊、顯著性信息特征提取模塊以及卷積神經網絡自主分類模塊三部分組成。圖像預處理模塊將輸入數字繪畫圖像通過中值濾波方法過濾，然后發送至顯著性信息特征提取模塊，顯著性信息特征提取模塊接收過濾后的圖像，利用流形排序算法計算圖像顯著性信息獲取得到顯著性信息圖，將顯著性信息圖輸入卷積神經網絡中，利用卷積神經網絡分析輸入樣本建立分類模型，將待分類圖像輸入卷積神經網絡中，利用已訓練分類模型實現數字繪畫圖像自主分類，并將分類結果發送至用戶界面。實驗結果表明，該系統數字繪畫圖像分類精度高達99%以上。

關鍵詞： 數字繪畫圖像; 自主分類; 系統設計; 顯著性信息; 圖像預處理; 卷積神經網絡

中圖分類號： TN911.73?34; TP301? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）22?0132?04

Abstract： There are a large number of content in digital painting images， which increase the difficulty of autonomous classification. A digital painting image autonomous classification system based on saliency information is researched. The system is imposed of the image preprocessing module， saliency information feature extraction module， and convolutional neural network autonomous classification module. The image preprocessing module is used to filter the inputted digital painting image by means of the median filtering method and send it to the saliency information feature extraction module. The saliency information feature extraction module is used to receive the filtered image and calculate the saliency information by means of the manifold ranking algorithm to obtain the saliency information map. The saliency information map is inputted into the convolutional neural network， and the sample is analyzed by means of the convolutional neural network to establish the classification model. The image to be classified is inputted into the convolutional neural network to realize the autonomous classification of the digital painting image through the trained classification model， and the classification result is sent to the user interface. The experimental results show that the classification accuracy of this system for digital painting images is more than 99%.

Keywords： digital painting image; autonomous classification; system design; saliency information; image preprocess; convolutional neural network

0? 引? 言

隨著科技高速發展，圖像已經發展至數字化，數字繪畫已逐漸代替了傳統繪畫藝術的角色，因其具有傳播速度快、存儲便利且節省材料成本等眾多優勢，已成為現代繪畫的主要方式[1]。數字繪畫圖像作為電子信息化發展的必然產物，為人們查閱、檢索以及管理圖像提供了便利的條件。我國繪畫歷史源遠流長，具有眾多藝術風格以及繪畫流派，因此數字繪畫圖像的特征提取成為了圖像分類中的難題。數字繪畫圖像包括內容眾多，采用傳統圖像分類方法僅限于淺層結構學習，較難準確提取圖像特征[2]，且分類過程中容易造成特征提取不精準導致部分特征丟失，對于復雜分類問題無法有效泛化且計算較為繁瑣。數字繪畫圖像在自主分類中存在眾多難題，因此圖像分類是圖像處理領域重要的研究方向[3]。

本文研究基于利用數字繪畫神經網絡的自主分類系統，學習不同風格、不同題材繪畫作品的基本原理，通過卷積神經網絡（CNN）將圖像分解成若干部分，將顯著性信息與深度學習方法中卷積神經網絡相結合，并進行有效的自主結合和分類，從而更快速地找到一張新圖片的目標圖形結果。

1? 數字繪畫圖像自主分類系統

1.1? 系統總體結構

基于顯著性信息的數字繪畫圖像自主分類系統主要包括圖像預處理模塊、顯著性信息特征提取模塊以及卷積神經網絡自主分類模塊三部分。系統整體結構如圖1所示。

由德國的Bethge實驗室（Bethge Lab）研發的深度卷積神經網絡，可以學習和模仿任何一種繪畫流派的風格，然后將這種風格應用到新的數字繪畫自主分類程序中，這是當今最先進的人工智能數字繪畫。在2018年佳士得的全球拍賣會上，一幅由人工智能完成的數字繪畫，以1萬歐元拍賣成功。數字繪畫自主分類系統是設計師利用用戶接口隨機選取待分類數字繪畫圖像資源庫中的圖像參與訓練，并將訓練后圖像依據不同類別進行標注，通過圖像預處理模塊將訓練圖像信息載入，并將載入圖像通過數字處理方法對與顯著性特征無關的信息進行過濾[5]。將過濾后的圖像發送至顯著性信息特征提取模塊，提取其顯著性特征得到數字繪畫圖像特征向量，將訓練完成圖像的特征向量輸入數字繪畫網絡訓練樣本中。

例如：要完成一幅人物繪畫作品，數字繪畫設計師會給計算機輸入一些同類風格的繪畫作品，再由神經網絡對這些作品在視覺風格上進行自主分類的計算和分析，按照之前學習到的視覺風格，將之轉變為數字圖像。假如讓它學習一組印象派大師克勞德·莫奈的繪畫作品，它能夠將任何一張照片轉變成莫奈繪畫風格的數字繪畫。如圖2所示，就是出自數字繪畫時代下的人工智能之手。

卷積神經網絡會將分類模型保存至數據庫中，神經網絡數據利用已訓練完成的分類模型實現數字繪畫圖像自主分類[6]，并將分類結果發送至用戶界面，再根據這些規則創建新圖像。系統的圖像庫以及數據庫內包含大量紋理貼圖、環境貼圖、海量圖片等信息，為系統的自主分類提供數據支持。

1.2? 顯著性信息

數字繪畫圖像中圖像邊緣通常作為圖像背景區域，遠離目標的圖像中心，周圍是圖像顯著目標存在的位置[7]，將圖像背景區域作為圖像邊緣的超像素塊，從顏色空間角度將背景區域與剩余區域進行對比獲取不同區域的顯著性信息。

數字繪畫圖像背景先驗顯著性信息獲取過程如下：

1） 獲取圖像流形排序

設數字繪畫圖像背景區域為圖像邊緣處超像素塊，將全部超像素塊與背景超像素塊的顏色空間對比獲取圖像中全部部位的顯著性信息。利用流形排序算法計算圖像顯著性信息。該算法依據設置固定節點與其他節點的相關性排序獲取排序函數[8]，依據所獲取排序函數度量設定節點與其他節點間的相關性。

利用數據內在流形結構的排序方法獲取各點相關性。設存在數據向量[M=m1，m2，…，mnT]，將排序值分配至數據向量內各點[mi]，獲取函數最終輸出[g=g1，g2，…，gnT]。設[p=p1，p2，…，pnT]為標記向量，當[pi=1]以及[pi=0]時分別表示[mi]為設定查詢節點以及非設定查詢節點。設存在圖[Q=U，R]于數據集內，其中[U]與[R]分別表示數據節點集合以及圖像邊集合，利用加權相似性矩陣[K=kijn×n]可獲取以上參數。

3? 結? 論

數字繪畫圖像的自主分類系統是數字繪畫領域中及深度學習方法中運算較為高效的一種，可有效提升圖像分類及模仿性能。數字繪畫圖像中包含的顯著性信息可有效體現圖像顯著性特征，提升自主分類精準度，將顯著性信息與卷積神經網絡方法相結合，并依據數字繪畫圖像特點提取不同風格繪畫圖像中包含的顯著性特征，將所提取特征傳送至數字繪畫圖像自主分類系統，建立分類模型，利用分類模型提升計算機對圖像分類識別、學習的精準性，從而創作出更加絢麗多樣的數字圖像作品。

參考文獻

[1] 唐紅梅，王碧瑩，韓力英，等.基于目標緊密性與區域同質性策略的圖像顯著性檢測[J].電子與信息學報，2019，41（10）：2532?2540.

[2] 李東民，李靜，梁大川，等.基于多尺度先驗深度特征的多目標顯著性檢測方法[J].自動化學報，2019，45（11）：2058?2070.

[3] 岳星宇，趙應丁，楊文姬，等.多特性融合的多尺度顯著性檢測[J].小型微型計算機系統，2019，40（8）：1734?1739.

[4] 鄧志華，李華鋒.低秩稀疏分解與顯著性度量的醫學圖像融合[J].光學技術，2018，44（4）：461?468.

[5] 趙嬋娟，周紹光，劉麗麗，等.基于同質區和遷移成分分析的高光譜圖像分類[J].計算機工程與應用，2019，55（19）：198?206.

[6] 金志剛，李靜昆.基于對象性和多層線性模型的協同顯著性檢測[J].光學精密工程，2019，27（8）：1845?1853.

[7] 宮劍，呂俊偉，劉亮.基于顏色空間融合與上下文顯著性的紅外偏振圖像目標增強[J].光學學報，2019，39（10）：23?32.

[8] 于劍楠，李輝勇，李青鋒，等.DM+：一種融合數字編碼的可掃描圖像生成技術[J].計算機學報，2019，42（9）：2035?2048.

[9] 顧廣華，劉小青.融合前景和背景種子點擴散的顯著性目標檢測[J].小型微型計算機系統，2019，40（3）：635?640.

[10] 原立格，徐音，郝洋洲.基于深度層次模型的圖像分類算法[J].控制工程，2018，25（10）：1882?1886.

[11] 林相澤，張俊媛，朱賽華，等.基于K?SVD和正交匹配追蹤稀疏表示的稻飛虱圖像分類方法[J].農業工程學報，2019，35（19）：216?222.

[12] 張鵬飛，董敏周，端軍紅.基于集成GMM聚類的少標記樣本圖像分類[J].西北工業大學學報，2019，37（3）：465?470.

[13] 王學濱，侯文騰，董偉，等.基于局部位移場最小二乘擬合數字圖像相關方法的剪切帶應變測量[J].計量學報，2019，40（4）：655?661.

[14] 李仲德，盧向日，崔桂梅.數字圖像識別的代價函數選擇和性能評價[J].電光與控制，2019，26（12）：44?48.

[15] 李翌昕，鄒亞君，馬盡文.基于特征提取和機器學習的文檔區塊圖像分類算法[J].信號處理，2019，35（5）：747?757.