基于特征融合和朴素贝叶斯的抽象画图像方向识别方法技术

本发明专利技术属于图像处理和计算机视觉技术领域，具体为一种基于特征融合和朴素贝叶斯的抽象画图像方向识别方法，包括以下步骤：S1、将抽象画图像旋转后得到四幅方向不同的抽象画图像；同时将抽象画图像进行分割得到四个子块；S2、提取抽象画图像的低层特征；S3、采用卷积神经网络CNN提取抽象画图像的高层特征；S4、将图像低层特征值和图像高层特征值进行线性组合，得到抽象画图像的最终特征值；S5、将抽象图像的最终特征值输入朴素贝叶斯分类器进行训练和预测。本发明专利技术利用低层与高层特征相融合的方式获取图像的特征值，然后将图像的特征值放入朴素贝叶斯分类器（NB）进行训练和预测，实现了抽象画图像方向的自动预测，并提高了预测精度。

【技术实现步骤摘要】
基于特征融合和朴素贝叶斯的抽象画图像方向识别方法
本专利技术属于图像处理和计算机视觉
，具体为一种基于特征融合和朴素贝叶斯的抽象画图像方向识别方法。
技术介绍
抽象艺术是一种采用形、色和线进行构图，在一定程度上独立于世界的视觉语言。其中，为情感表达而创作的绘画被称为“热抽象”，而用抽象的方式描述世界的绘画被称为“冷抽象”。通常在创作抽象画时，艺术家根据自己的审美观念，决定作品的正确悬挂方向。尽管正确的方向通常是在画布的背面指定的，但这对其他非专业观众来说并不明显。而且，近些年心理学中的一些研究已经解决了抽象绘画的方向问题，大多数研究都认为正确定位的绘画会获得更高的审美评价。参与者的实验表明，大约一半的偏好取向决定与艺术家的预期取向一致，这远高于偶然性，但低于完美表现。这些都为绘画方向与审美品质的关系提供了证据。方位识别的研究可以揭示视觉审美评价的客观规律。随着信息数字化的趋势，在互联网上可以很容易地找到绘画的数字图像。这使得计算机辅助绘画分析成为可能。人们通过直接探索人的审美感知与计算视觉特征之间的关系，研究了各种审美评价方法，但本文档来自技高网...

【技术保护点】
1.一种基于特征融合和朴素贝叶斯的抽象画图像方向识别方法，其特征在于，包括以下步骤：/nS1、将抽象画图像旋转0°、90°、180°、270°，得到四幅方向不同的抽象画图像，将抽象画图像进行上下平均分割，以及左右平均分割；由此，每幅抽象画图像被分为上、下、左、右四个子块；/nS2、提取抽象画图像的低层特征，分别计算每个子块的低层特征描述，将各个字块的低层特征描述的比较结果作为图像低层特征值，如果比较结果为真则，表示为1，否则为0；/nS3、采用卷积神经网络CNN提取抽象画图像的高层特征，具体步骤如下：/nS301、将抽象画的四个子块调整为128×128的RGB彩色图像；/nS302、将四个子块...

【技术特征摘要】
1.一种基于特征融合和朴素贝叶斯的抽象画图像方向识别方法，其特征在于，包括以下步骤：
S1、将抽象画图像旋转0°、90°、180°、270°，得到四幅方向不同的抽象画图像，将抽象画图像进行上下平均分割，以及左右平均分割；由此，每幅抽象画图像被分为上、下、左、右四个子块；
S2、提取抽象画图像的低层特征，分别计算每个子块的低层特征描述，将各个字块的低层特征描述的比较结果作为图像低层特征值，如果比较结果为真则，表示为1，否则为0；
S3、采用卷积神经网络CNN提取抽象画图像的高层特征，具体步骤如下：
S301、将抽象画的四个子块调整为128×128的RGB彩色图像；
S302、将四个子块分别输入卷积神经网络CNN，所述卷积神经网络CNN包含3个步长为1的卷积层，3个2×2的最大池化层和2个全连接层，卷积层中激活函数采用ReLU，两个全连接层的维度分别为1024和521，最后分别得到512维向量作为神经网络特征向量；
S303、判断其中上下两个子块和左右两个子块的特征向量的比较结果，作为图像高层特征值f14和f15，计算公式如下：
f14＝f_cnnA≥f_cnnB；f15＝f_cnnL≥f_cnnR；
其中f_cnnA、f_cnnB、f_cnnL、f_cnnR分别表示上、下、左和右子块的神经网络特征值；
S4、将步骤S2得到的图像低层特征值和步骤S3得到的图像高层特征值进行线性组合，得到抽象画图像的最终特征值；
S5、对图像库中所有抽象画进行上述S1～S4的操作，得到抽象画图像的最终特征值，输入朴素贝叶斯分类器进行训练和预测，最终将抽象画分为“向上”、“向下”、“向左”或“向右”，从而实现抽象画图像方向的自动预测。


2.根据权利要求1所述的一种基于特征融合和朴素贝叶斯的抽象画图像方向识别方法，其特征在于，所述步骤S2具体包括如下步骤：
S201、将步骤S1中的四个子块由RGB颜色空间转换成HSV模型，将H-S空间分为16个色调和8个饱和度，统计128种颜色的像素个数作为抽象画的颜色直方图向量；判断其中上下两个子块和左右两个子块直方图向量的比较结果，作为图像特征值f1和f2，具体公式如下：
f1＝HistA≥HistB；f2＝HistL≥HistR；
其中，HistA，HistB，HistL，HistR分别为上、下、左、右四个子块的直方图向量；
S202、将图像的最大梯度表示为该图像的复杂度，计算四个子块的复杂度；判断其中上下两个子块和左右两个子块的复杂度的比较结果，作为图像特征值f3和f4，公式如下：
f3＝CompA≥CompB；f4＝CompL≥CompR；
其中，CompA、CompB、CompL、CompR分别表示上、下、左、右四个子块的复杂度；
S203、计算四个子块中每两个子块之间的相似度；并将子块之间相似性的比较结果作为图像特征值f5、和f6和f7；公式如下：
f5＝Sim(A,L)≥Sim(A,R)；f6＝Sim(B,L)≥Sim(B,R)；f7＝Sim(A,B)≥Sim(L,R)；
S204、利用Hough变换检测四个子块的显著直线，根据直线的倾角α判断其为静态线还是动态线，计算静态线、动态线的个数和所有线的平均长度作为图像特征，将其中两个子块之间直线属性值的比较结果分别作为图像特征值f8、f9、f10、f11、f12和f13，公式如下：
f8＝Len_SA≥Le...

【专利技术属性】
技术研发人员：白茹意，
申请(专利权)人：山西大学，
类型：发明
国别省市：山西;14