【技术实现步骤摘要】
本专利技术涉及图像视觉美学，特别是涉及一种基于图像模板学习与解析的可解释美学评价方法及系统。
技术介绍
1、图像是传递信息，表达情感的重要载体，不同图像之间的美学吸引力差异很大，它的质量影响着观众的感受。
2、在图像美学领域存在三分法、黄金分割、互补配色等美学规则，然而这些规则均是人类艺术家总结归纳出的静态知识，研究如何从海量互联网图像中自动解析出使用的美学规则，并总结生成相应的美学模板，是计算美学十分重要的一个新任务。对解释发现图像深层次语义，推进图像解析技术的进一步发展具有重要的学术价值，并对于指导生成高质量美学图像具有重要意义。
3、人工智能技术在目标检测、语义分割、场景解析等图像解析领域发展迅速，使得计算机能够发掘解释图像深层次语义，在识别解析图像美感方面仍然具有很大的进步空间。
4、因此，如何区别于人工评价或简单的分数评价，能够对图像高效的进行深层次可解释的美学评价，便于根据输出的可解释美学评价对摄影、海报设计等任务提供指导，是本领域技术人员亟需解决的技术问题。
技术实现思路
1、有鉴于此，本专利技术提供了至少可以解决上述部分技术问题的一种基于图像模板学习与解析的可解释美学评价方法及系统，区别于人工评价或简单的分数评价，能够对图像高效的进行深层次可解释的美学评价，便于根据输出的可解释美学评价对摄影、海报设计等任务提供指导。
2、为实现上述目的，本专利技术采取的技术方案为：
3、第一方面，本专利技术实施例提供一种基
4、s1、利用最大似然估计概率模型，以与或图的树型结构形式构建图像模板的表达方式；
5、s2、对不同主题图像的美学模板进行学习；
6、s3、根据图像美学模板，对与模板主题相同的图像进行可解释美学评价。
7、优选的，所述步骤s1中，构建图像模板的表达方式，包括：
8、s11：采用与或图的树型结构，设计与节点、或节点和终端节点三种数据结构；其中，与节点用于表示图像的组成部分，或节点用于表示图像不同部分的衔接和结构变化，终端节点处于与或树的最底层，表示模板的最小构成元素；
9、s12：采用列表作为终端节点的表达方式；或节点包括结构或节点和语义或结点，结构或结点表示图像的组成，语义或节点表示图像各部分的位置、大小和颜色；
10、s13：设计图像可变性变量，包括结构可变性向量和几何可变性向量，用于表示图像各组成部分的配置关系；
11、s14：采用最大似然估计概率模型表示不同节点与图像可变性向量之间的关系，将每个独立的节点与向量构建成与或树；每棵子树通过构建概率模型获得相应的概率，每棵子树的概率反映图像与该子树的匹配程度；
12、s15：利用步骤s14中构建的概率模型，将图像模板分为组成物体模板和整体场景模板两层结构进行构建，所述整体场景模板由不同所述组成物体模板组合而成。
13、优选的，所述步骤s2中，对不同主题图像的美学模板进行学习，具体包括：
14、s21：以计算美学领域具有代表性的图像美学数据集为基础，根据图像的拍摄主题进行分类，构建出用于美学模板学习的图像美学数据集；
15、s22：从数据集中选择相同拍摄主题的一组图像作为训练数据，对这组图像使用yolov8模型进行预处理，检测并分割出构成这组图像的所有可能组成物体；
16、s23：使用em型块追踪算法学习出训练图像所有可能组成物体的与或树，得到训练图像的组成物体模板；
17、s24：将步骤s23中得到的组成物体模板作为与或树的终端节点，使用em型块追踪算法学习出训练图像的整体与或树，得到训练图像的整体场景模板；
18、s25：将步骤s24中得到的整体场景模板的激活节点和可变性向量特征归一化取均值，依据平均后的特征输出模板的可视化语义图。
19、优选的，所述步骤s3中，根据图像美学模板，对与模板主题相同的图像进行可解释美学评价，具体包括：
20、s31：对于待评价的图片，利用步骤s2中的模板学习方法，学习出该图片的模板与或树；
21、s32：将该图片的模板与或树与该主题的美学模板与或树进行比对，遍历待评价图片的模板与或树，若与或树节点在该主题的美学模板与或树中出现，则在美学模板与或树中激活该节点；
22、s33：根据美学模板与或树中激活节点构成的子树，依据概率模型计算匹配分数，匹配分数即为该图片与同主题美学范式的近似程度，用于对于该图像的美学质量评价；
23、s34：构建指导性语言语料库，依据美学模板与或树的激活情况输出相应的指导语言，并在原图上进行标识指导，作为对美学质量评价的深层次解释。
24、优选的，所述步骤s12中，采用列表作为终端节点的表达方式，其中包括节点所代表图像的框架图，纹理、平滑度和颜色直方图，位置大小和在整体图像中的朝向。
25、优选的，所述步骤s14中，采用最大似然估计概率模型表示不同节点与图像可变性向量之间的关系，将每个独立的节点与向量构建成与或树；每棵子树通过概率模型获得相应的概率，具体的概率模型描述为：
26、令为正样本图像集合，对于集合中每一个元素i，都存在一个概率分布f(i)，令为根据与或树进行对照的输入图像集合，对于集合的每一个元素i，一样存在一个概率分布q(i)；最大似然估计概率模型p使概率分布q(i)近似于f(i)，即：
27、
28、其中，从到是与或树不断搜索迭代计算的过程，每一次迭代模型p都会激活相应的节点和图像可变性变量，设经过t次迭代后模型p激活了个节点和可变性向量，依据最大熵原理，概率模型p(i)可以表示为：
29、
30、其中，是第t个被激活的节点和图像可变性向量的参数，是由确定的个体归一化常数；
31、基于概率模型p(i)，与或树中的每一子树都有对应的概率，概率模型p(i)和概率分布q(i)的对数比作为匹配分数，描述用该子树描述输入图像的信息增益，即
32、
33、其中，s为结构可变性向量，g为几何可变性向量，为被激活节点和图像可变性向量的参数。
34、优选的，所述步骤s21中，所述计算美学领域具有代表性的图像美学数据集包括ava和aadb，并辅助收集高分摄影图像作品和影集套图进行扩充。
35、优选的，所述步骤s23中，m型块追踪算法的具体算法流程包括：
36、（1）初始化参数：根据输入图像初始化追踪矩阵，追踪矩阵的行表示训练图片，列表示可能存在的节点与图像可变性向量，矩阵中的元素取值在0-1之间，表示该节点或可变性向量在图像中出现的可能性；
37、（2）e步：在追踪矩阵中找到所有含矩阵元素1最多的块；
38、（3）m步：根据e步的计算结果，更新追踪矩阵；将e步中所找到的块中本文档来自技高网...
【技术保护点】
1.一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤S1中，构建图像模板的表达方式，包括：
3.根据权利要求2所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤S2中，对不同主题图像的美学模板进行学习，具体包括：
4.根据权利要求3所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤S3中，根据图像美学模板，对与模板主题相同的图像进行可解释美学评价，具体包括：
5.根据权利要求2所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤S12中，采用列表作为终端节点的表达方式，其中包括节点所代表图像的框架图，纹理、平滑度和颜色直方图，位置大小和在整体图像中的朝向。
6.根据权利要求2所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤S14中，采用最大似然估计概率模型表示不同节点与图像可变性向量之间的关系，将每个独
7.根据权利要求3所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤S21中，所述计算美学领域具有代表性的图像美学数据集包括AVA和AADB，并辅助收集高分摄影图像作品和影集套图进行扩充。
8.根据权利要求3所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤S23中，M型块追踪算法的具体算法流程包括：
9.一种基于图像模板学习与解析的可解释美学评价系统，其特征在于，应用如权利要求1-8任一项所述的一种基于图像模板学习与解析的可解释美学评价方法，实现对图像进行深层次可解释的美学质量评价，该系统包括：
...【技术特征摘要】
1.一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤s1中，构建图像模板的表达方式，包括：
3.根据权利要求2所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤s2中，对不同主题图像的美学模板进行学习，具体包括：
4.根据权利要求3所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤s3中，根据图像美学模板，对与模板主题相同的图像进行可解释美学评价，具体包括：
5.根据权利要求2所述的一种基于图像模板学习与解析的可解释美学评价方法，其特征在于，所述步骤s12中，采用列表作为终端节点的表达方式，其中包括节点所代表图像的框架图，纹理、平滑度和颜色直方图，位置大小和在整体图像中的朝向。
6.根据权利要...
【专利技术属性】
技术研发人员：金鑫，范辰宇，袁文博，王瑾瑜，
申请(专利权)人：北京电子科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。