第2期 陈小娥，等：多类M在图像艺术属性分类中的应用研究 161 练集分别进行训练，形成4个子分类器，并分析各个 摄影图片，(d)组为正确划分的油画，(e)组为正确 子分类器独立测试集上的准确率：再由各个子分类 划分的水彩画 器组成特定的基于不同艺术风格属性图像的基于二 叉树的SM多类分类器，从而得到一个总的分类模 型.最后，通过对总测试集的测试，分析整个分类模 型的性能及推广能力 3.1各级图像分类 第1级分类，构造分类器SM1,利用颜色数目 先将素描从5种风格的图像中区分出来.对于训练 集，在图像数据库中任取素描300幅，类标号为1； 同时，为了尽量平衡两类样本数目，其余4种风格图 (a)素描(b)国画(c)摄影 (d)油画(e)水彩画 片每种只任取其中100幅，类标号均为2，进行训 图3分类器正确划分的部分图像 练.而剩下的素描图片和其余4种风格的部分图片 Fig 3 Some correctly classified pictures 作为该级的测试集，同样素描类标号为1，其余为2 根据提取的特征，可以推断出哪些图片比较容 同理，第2级分类，构造分类器SM2,利用高 易被错分.如颜色比较单一的国画、黑白摄影图片、 低灰度对比度和傅立叶频谱把除素描外的图像分为 简单色彩的水彩画都可能被错分为素描，而油画通 摄影、油画一类和国画、水彩画一类.第3级分类，分 常情况下颜色都比较丰富，因此错分为素描的几率 类器SM31利用饱和度比值对摄影图片和油画进 就几乎为零.一些颜色比较鲜艳的摄影图片错分为 行分类，分类器SVM32利用平滑性对国画和水彩进 油画的几率会比较高一些.图4列出了一些试验中 行分类.各级具体的训练集和测试集图片数量及其 被错分的图片，其中，(a)、(b)是被错分为素描的图 分类结果等见表1 片，(c)、(d)是被错分为国画的图片，(e)、()是被 表1各级分类实验结果 错分为摄影的图片，(g)、()是被错分为油画的图 Table 1 Experin ental results of each level clssifica tion 片，()、()是被错分为水彩画的图片，而每幅图片 分类器区分类别 特征 训练集测试集查准率% 下面的小标题代表它们实际的风格 素描、其余 SVMI 颜色数目 700 51097.53 4种风格 摄影和油灰度对比度1000 5508330 (a)摄影 (c)摄影(e)素描(g)摄影(i)国画 SM2画、国画和傅里叶频谱1000 55089.00 水彩画 两特征结合1000 55091.67 SM31摄影、油画饱和度比值500 35091.46 SM32国画水彩平滑性 450 2507222 (b)水彩(d)水彩（「）油画(h)摄影(i)摄影 3.2整个分类器性能分析 图4部分被错分的图像 把图像库中除了作为训练样本外的其他图像全 Fig 4 Some wrongly classified pictures 部作为测试样本，来测试整个分类器的性能，得到分 4 结束语 类器的整体分类准确率为8556%.由于第3级分 类中水彩画和国画的分类的准确率相对比较低，因 本文提出了一个特定的针对不同艺术风格图像 而多少影响了整个分类器的性能，但又由于其处于 的分类算法并实现了相应的分类系统，在相对独立 整个分类器的最底层，所以对分类器的性能影响不 测试集上的实验以及整个分类系统的测试实验都得 是特别大.图3是得到正确划分的部分图像，包含了 到了较好的分类结果.当然，系统还存在着一些可以 各种风格的图片.其中，(a)组为正确划分的素描图 改进的地方，如进行训练试验的图像数量稍微偏少 片，(b)组为正确划分的国画，(c)组为正确划分的 了一点，以后可以多增加一些；在实验的基础上，为 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved http://www.cnki.net© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net 练集分别进行训练 ,形成 4个子分类器 ,并分析各个 子分类器独立测试集上的准确率 ;再由各个子分类 器组成特定的基于不同艺术风格属性图像的基于二 叉树的 SVM多类分类器 ,从而得到一个总的分类模 型. 最后 ,通过对总测试集的测试 ,分析整个分类模 型的性能及推广能力. 3. 1 各级图像分类 第 1级分类 ,构造分类器 SVM1,利用颜色数目 先将素描从 5种风格的图像中区分出来. 对于训练 集 ,在图像数据库中任取素描 300幅 ,类标号为 1; 同时 ,为了尽量平衡两类样本数目 ,其余 4种风格图 片每种只任取其中 100幅 ,类标号均为 2,进行训 练. 而剩下的素描图片和其余 4种风格的部分图片 作为该级的测试集 ,同样素描类标号为 1,其余为 2. 同理 ,第 2级分类 ,构造分类器 SVM2,利用高 低灰度对比度和傅立叶频谱把除素描外的图像分为 摄影、油画一类和国画、水彩画一类. 第 3级分类 ,分 类器 SVM31利用饱和度比值对摄影图片和油画进 行分类 ,分类器 SVM32利用平滑性对国画和水彩进 行分类. 各级具体的训练集和测试集图片数量及其 分类结果等见表 1. 表 1 各级分类实验结果 Table 1 Exper im en ta l results of each level cla ssifica tion 分类器 区分类别 特征 训练集 测试集 查准率 /% SVM1 素描、其余 4种风格 颜色数目 700 510 97. 53 SVM2 摄 影 和 油 画、国画和 水彩画 灰度对比度 傅里叶频谱 两特征结合 1 000 1 000 1 000 550 550 550 83. 30 89. 00 91. 67 SVM31 摄影、油画 饱和度比值 500 350 91. 46 SVM32 国画、水彩 平滑性 450 250 72. 22 3. 2 整个分类器性能分析 把图像库中除了作为训练样本外的其他图像全 部作为测试样本 ,来测试整个分类器的性能 ,得到分 类器的整体分类准确率为 85. 56%. 由于第 3级分 类中水彩画和国画的分类的准确率相对比较低 ,因 而多少影响了整个分类器的性能 ,但又由于其处于 整个分类器的最底层 ,所以对分类器的性能影响不 是特别大. 图 3是得到正确划分的部分图像 ,包含了 各种风格的图片. 其中 , ( a)组为正确划分的素描图 片 , ( b)组为正确划分的国画 , ( c)组为正确划分的 摄影图片 , ( d)组为正确划分的油画 , ( e)组为正确 划分的水彩画. 图 3 分类器正确划分的部分图像 Fig. 3 Some correctly classified p ictures 根据提取的特征 ,可以推断出哪些图片比较容 易被错分. 如颜色比较单一的国画、黑白摄影图片、 简单色彩的水彩画都可能被错分为素描 ;而油画通 常情况下颜色都比较丰富 ,因此错分为素描的几率 就几乎为零. 一些颜色比较鲜艳的摄影图片 ,错分为 油画的几率会比较高一些. 图 4列出了一些试验中 被错分的图片 ,其中 , ( a)、( b)是被错分为素描的图 片 , ( c)、( d)是被错分为国画的图片 , ( e)、( f)是被 错分为摄影的图片 , ( g)、( h)是被错分为油画的图 片 , ( i)、( j)是被错分为水彩画的图片 ,而每幅图片 下面的小标题代表它们实际的风格. 图 4 部分被错分的图像 Fig. 4 Some wrongly classified p ictures 4 结束语 本文提出了一个特定的针对不同艺术风格图像 的分类算法并实现了相应的分类系统 ,在相对独立 测试集上的实验以及整个分类系统的测试实验都得 到了较好的分类结果. 当然 ,系统还存在着一些可以 改进的地方 ,如进行训练试验的图像数量稍微偏少 了一点 ,以后可以多增加一些 ;在实验的基础上 ,为 第 2期 陈小娥 ,等 :多类 SVM在图像艺术属性分类中的应用研究 ·161·