·158· 智能系统学报 第4卷 导颜色数目、图片大小等特征)，并采用多决策树分类 方法进行分类；Sammer等人通过计算图像Oha空 1基于艺术风格属性的分类器设计 间的颜色直方图和多分辨率自回归纹理模型等特征 1.1支特向量机 将图像分为室内画和室外画，分类过程主要采用K近 支持向量机(SM)是Vpnk于1995年首先提 邻方法形成子分类器，再运用stacking.思想对各分类 出来的，是近年来机器学习研究的一项重大成果.其 器的输出进行处理，Vailaya1等人将图像分为城市画 基本思想是，寻找一个最优超平面使它的分类间隙 和风景画，提出了颜色聚合向量和边缘方向直方图等 最大 区分度较好的分类特征，采用KNN分类器进行分 支持向量机方法建立在统计学习理论的VC维 类：还有一些学者提出了其他的分类属性，诸如按图 理论和结构风险最小原理基础上，根据有限的样本 像主题进行分类6]、对自然图像的场景属性进行分 信息在模型的复杂性（即对特定训练样本的学习精 类1，分成落日海洋和原野等」 度)和学习能力（即无错误地识别任意样本的能力） 而当前基于不同艺术风格属性的图像自动分类 之间寻求最佳折衷，以期获得最好的推广能力.与传 算法的研究相对比较少.这里图像的艺术风格指的 统的模式识别方法相比，支持向量机方法在小样本、 是图像的不同创作手法.2005年，Cutu等81提出 高维和非线性数据空间下，在学习过程中可以充分 了将图片分为摄影作品和绘画作品的分类方法，由 利用多种特征提供的信息，具有较好的推广能力.正 不同特征形成多个分类器，再将这些分类器进行简 由于SM具有以上优点，并且在许多实际问题中 单组合得到最终分类结果.此种分法相比上文提到 SM相对于其他分类方法在某些方面也获得了较 的图像分类算法难度更大，因为该问题具有相对的 好的结果，因此，本文的分类器主要采用SM 普遍性，即不对图像的内容做任何限制.比如不像之 1.2多类SM 前的分类那样根据图像内容将图片具体分为城市画 传统的SM是基于两类问题的，而本文所研究 和风景画、室内画和室外画，而本文提出了一个将摄 的基于艺术风格属性的图像分类是多类分类问题」 影作品、国画、水彩画、素描和油画等不同艺术风格 虽然多类SM的算法己经提出并得到应用，但是不 图片自动分类的算法，由于新增了多种艺术风格的 同的多类SM算法具有不同的复杂度和分类性能， 图片，因此具有更大的挑战性.本文算法中，分析了 当前多类SM算法大致可分为两大类：一是先 不同风格属性图像的特点并提取了相应的特征.通 以某种方式构造一系列的两类分类器，然后再把这 过实验为每一级提取了有代表性的、区分度好的图 些分类器以某种特定的方式组合在一起来实现多类 像特征，其中选择了一些常用的、分类效果比较好的 分类，目前该分类方法比较典型的算法有one-a 图像特征，如颜色数目和傅里叶频谱等.同时借鉴文 gainstrest、one-againstone、基于二叉树的多类 献[8并提出了一些适合不同艺术风格属性图像分 SM法1，二是将多个分类面的参数求解合并到一 类的特征，如高低灰度对比度、饱和度比值和平滑性 个最优化问题中，通过求解该最优化问题“一次性” 等.对于分类器的设计，选择了支持向量机作为学习 实现多类分类.该方法在分类时表面上看起来比 机器.并运用当前比较新的基于二叉树的SM分类 较方便，但在最优化问题求解过程中的变量远多于 算法进行分类.该算法所需的分类器少，分类速度 前一类方法，训练速度也相对比较慢，同时分类精 快、推广性能好」 度上也不占优势) 图像的低级特征和高级概念之间存在着语义间 1.3基于二叉树的多类SM 隔.不少图像检索系统，由于对图像的领域没有限 于是本文采用上文介绍的第一类方法中的基于 制，检索效果常常不尽人意.本文提出的基于艺术风 二叉树的多类SVM算法.SM二叉树分类法是把 格属性的图像分类方法，在某种意义下缩小了低级 SM和二叉决策树结合起来的一种相对比较新的 特征和高级概念之间存在的语义间隔.即通过在宽 多类别分类方法，其本质是将原有的多类问题分解 图像领域（各种不同风格属性）中先进行了粗分类， 成一系列的两类分类问题 之后如果再在窄图像领域（同种风格属性）中进行 基于二叉树的多类SM,对于K类分类问题只 细分类，这可以降低分类的难度，提高分类精度 需构造K·1个分类器，分类时只需少量的分类器 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved hutp://www.cnki.net© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net 导颜色数目、图片大小等特征 ) ,并采用多决策树分类 方法进行分类 ; Szummer [ 4 ]等人通过计算图像 Ohta空 间的颜色直方图和多分辨率自回归纹理模型等特征 将图像分为室内画和室外画 ,分类过程主要采用 K近 邻方法形成子分类器 ,再运用 stacking思想对各分类 器的输出进行处理 ;Vailaya [ 5 ]等人将图像分为城市画 和风景画 ,提出了颜色聚合向量和边缘方向直方图等 区分度较好的分类特征 ,采用 K2NN 分类器进行分 类;还有一些学者提出了其他的分类属性 ,诸如按图 像主题进行分类 [ 6 ]、对自然图像的场景属性进行分 类 [ 7 ] ,分成落日、海洋和原野等. 而当前基于不同艺术风格属性的图像自动分类 算法的研究相对比较少. 这里图像的艺术风格指的 是图像的不同创作手法. 2005年 , Cutzu等 [ 8 ]提出 了将图片分为摄影作品和绘画作品的分类方法 ,由 不同特征形成多个分类器 ,再将这些分类器进行简 单组合得到最终分类结果. 此种分法相比上文提到 的图像分类算法难度更大 , 因为该问题具有相对的 普遍性 ,即不对图像的内容做任何限制. 比如不像之 前的分类那样根据图像内容将图片具体分为城市画 和风景画、室内画和室外画. 而本文提出了一个将摄 影作品、国画、水彩画、素描和油画等不同艺术风格 图片自动分类的算法 ,由于新增了多种艺术风格的 图片 ,因此具有更大的挑战性. 本文算法中 ,分析了 不同风格属性图像的特点并提取了相应的特征. 通 过实验为每一级提取了有代表性的、区分度好的图 像特征 ,其中选择了一些常用的、分类效果比较好的 图像特征 ,如颜色数目和傅里叶频谱等. 同时借鉴文 献 [ 8 ]并提出了一些适合不同艺术风格属性图像分 类的特征 ,如高低灰度对比度、饱和度比值和平滑性 等. 对于分类器的设计 ,选择了支持向量机作为学习 机器 ,并运用当前比较新的基于二叉树的 SVM分类 算法进行分类. 该算法所需的分类器少 ,分类速度 快、推广性能好. 图像的低级特征和高级概念之间存在着语义间 隔. 不少图像检索系统 ,由于对图像的领域没有限 制 ,检索效果常常不尽人意. 本文提出的基于艺术风 格属性的图像分类方法 ,在某种意义下缩小了低级 特征和高级概念之间存在的语义间隔. 即通过在宽 图像领域 (各种不同风格属性 )中先进行了粗分类 , 之后如果再在窄图像领域 (同种风格属性 )中进行 细分类 ,这可以降低分类的难度 ,提高分类精度. 1 基于艺术风格属性的分类器设计 1. 1 支持向量机 支持向量机 (SVM)是 Vapnik于 1995年首先提 出来的 ,是近年来机器学习研究的一项重大成果. 其 基本思想是 ,寻找一个最优超平面使它的分类间隙 最大. 支持向量机方法建立在统计学习理论的 VC维 理论和结构风险最小原理基础上 ,根据有限的样本 信息在模型的复杂性 (即对特定训练样本的学习精 度 )和学习能力 (即无错误地识别任意样本的能力 ) 之间寻求最佳折衷 ,以期获得最好的推广能力. 与传 统的模式识别方法相比 ,支持向量机方法在小样本、 高维和非线性数据空间下 ,在学习过程中可以充分 利用多种特征提供的信息 ,具有较好的推广能力. 正 由于 SVM具有以上优点 ,并且在许多实际问题中 SVM相对于其他分类方法在某些方面也获得了较 好的结果 ,因此 ,本文的分类器主要采用 SVM. 1. 2 多类 SVM 传统的 SVM是基于两类问题的 ,而本文所研究 的基于艺术风格属性的图像分类是多类分类问题. 虽然多类 SVM的算法已经提出并得到应用 ,但是不 同的多类 SVM算法具有不同的复杂度和分类性能. 当前多类 SVM算法大致可分为两大类 :一是先 以某种方式构造一系列的两类分类器 ,然后再把这 些分类器以某种特定的方式组合在一起来实现多类 分类 ,目前该分类方法比较典型的算法有 one2a2 gainst2rest [ 9 ]、one2against2one [ 9 ]、基于二叉树的多类 SVM法 [ 10 ] ;二是将多个分类面的参数求解合并到一 个最优化问题中 , 通过求解该最优化问题“一次性 ” 实现多类分类 [ 11 ] . 该方法在分类时表面上看起来比 较方便 ,但在最优化问题求解过程中的变量远多于 前一类方法 ,训练速度也相对比较慢 , 同时分类精 度上也不占优势 [ 12 ] . 1. 3 基于二叉树的多类 SVM 于是本文采用上文介绍的第一类方法中的基于 二叉树的多类 SVM 算法. SVM 二叉树分类法是把 SVM和二叉决策树结合起来的一种相对比较新的 多类别分类方法 ,其本质是将原有的多类问题分解 成一系列的两类分类问题. 基于二叉树的多类 SVM,对于 K类分类问题只 需构造 K - 1个分类器 ,分类时只需少量的分类器. ·158· 智 能 系 统 学 报 第 4卷