第2期 陈小娥，等：多类SM在图像艺术属性分类中的应用研究 ·159· 构造SM二叉树可以有多种不同的方案，典型的有 训练样本和测试集进行试验 以下2种特殊结构（图1）：一种是“偏态树”结构 图像 图1(a)),即每个结点分类器每次只把某一类从 SVM1 类集合中划分出来，直到所有节点都只包含一个单 独的类别：另一种是“正态树结构（图1(b),即每 索描 摄影、油画、国画、水彩 个结点分类器把类集合均划分成2个子集合，直到 SVM2 所有的类都划分开来.显然，正态树情况下的训练时 摄彩、油画 国画、水彩 间比偏态树情况下要短，而其他情况下的训练时间 SVM31 SVM32 则介于两者之间 摄影 油画 国 水彩 SVMO 类1 SVMI 图2不同艺术风格图像分类的SM多类二叉树分类 Fig 2 Binary tree based SVM multi-class classification for 类2 SVM2 different artistic style mages 类3类4 (a)偏态树结构 2分类特征选择 SVMO 对图像进行分类，分类的准确率很大程度上取 决于从图像中提取的特征，于是从不同方面、不同角 SVMI SVM2 度分析并提取了不同艺术风格图像的特征」 21颜色数目 类1 类2 类3类4 图像的颜色是图像的重要视觉特征，图像的颜 (b)正态树结构 色数反映了图像色彩的复杂程度.素描是美术中最 图12种典型的SM二叉树分类结构 单纯的造型形式.广义上的素描，涵指一切单色的绘 Fig 1 Two typical binary tree based SVM classification 画.素描的颜色数相对于其他绘画作品来说比较少」 structure 于是可以采用这个特征将素描与其他风格的图片区 1.4艺术风格图像分类器设计 分出来 由于二叉树本身具有层次结构，上层节点的分 由于RGB颜色空间不直接与色调、饱和度和亮 类错误将影响整个SM分类器的性能，且在越靠近 度等人的主观感觉相对应，于是先将图像由RGB空 根节点的地方发生分类错误，对分类器整体性能的 间转换到HSV空间： 影响就越大.为了使错误累积效应”尽量降低，应 T:RGB·HSV (1) 该使出现错分率越大的尽量远离根节点 接着对HSV颜色空间进行量化，综合考虑分类 于是，遵循易划分的类先划分，不易划分的类晚 的准确度与算法的运行时间等因素，把HSV颜色空 划分的原则，提出了一种特定的针对不同艺术风格 间量化成256个颜色，即H分量量化成16个值，S和 属性图像分类的SM多类二叉树分类算法.分类器 V分量量化成4个值，具体表示为 的设计思路：先设计一些图像的分类特征，计算不同 Q:HSV→C (2) 艺术风格图像的特征值，根据不同特征值对几种风 式中：C={c1i=0.1,2.…255.G表示第种量 格图像的区分程度，进行分级分类：将能把这几类图 化颜色，由此统计每种艺术风格图像的颜色数目.实 像区分成两大类且区分程度最好的特征，作为第1验证明，该特征可以很好地区分出素描 级的分类特征，可以区分的类别作为第1级进行区 22高低灰度对比度 分的类别；依次类推，经过实验得到算法的二叉树结 通过实验观察，得到不同风格的图像具有的高 构（图2）.各层的分类器及其区分出的类别如图2 低灰度对比度不一样.高低灰度对比度，是指一幅图 所示，且每一层均采用特定的分类特征以及相应的 片在一定范围内的低灰度值的像素个数与高灰度值 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 构造 SVM二叉树可以有多种不同的方案 ,典型的有 以下 2种特殊结构 (图 1) :一种是“偏态树 ”结构 (图 1 ( a) ) ,即每个结点分类器每次只把某一类从 类集合中划分出来 ,直到所有节点都只包含一个单 独的类别 ;另一种是“正态树 ”结构 (图 1 ( b) ) ,即每 个结点分类器把类集合均划分成 2个子集合 ,直到 所有的类都划分开来. 显然 ,正态树情况下的训练时 间比偏态树情况下要短 ,而其他情况下的训练时间 则介于两者之间. 图 1 2种典型的 SVM二叉树分类结构 Fig. 1 Two typ ical binary tree based SVM classification structure 1. 4 艺术风格图像分类器设计 由于二叉树本身具有层次结构 ,上层节点的分 类错误将影响整个 SVM分类器的性能 ,且在越靠近 根节点的地方发生分类错误 ,对分类器整体性能的 影响就越大. 为了使“错误累积效应 ”尽量降低 ,应 该使出现错分率越大的尽量远离根节点. 于是 ,遵循易划分的类先划分 ,不易划分的类晚 划分的原则 ,提出了一种特定的针对不同艺术风格 属性图像分类的 SVM多类二叉树分类算法. 分类器 的设计思路 :先设计一些图像的分类特征 ,计算不同 艺术风格图像的特征值 ,根据不同特征值对几种风 格图像的区分程度 ,进行分级分类 ;将能把这几类图 像区分成两大类且区分程度最好的特征 ,作为第 1 级的分类特征 ,可以区分的类别作为第 1级进行区 分的类别 ;依次类推 ,经过实验得到算法的二叉树结 构 (图 2). 各层的分类器及其区分出的类别如图 2 所示 ,且每一层均采用特定的分类特征以及相应的 训练样本和测试集进行试验. 图 2 不同艺术风格图像分类的 SVM多类二叉树分类 Fig. 2 Binary tree based SVM multi2class classification for different artistic style images 2 分类特征选择 对图像进行分类 ,分类的准确率很大程度上取 决于从图像中提取的特征 ,于是从不同方面、不同角 度分析并提取了不同艺术风格图像的特征. 2. 1 颜色数目 图像的颜色是图像的重要视觉特征 ,图像的颜 色数反映了图像色彩的复杂程度. 素描是美术中最 单纯的造型形式. 广义上的素描 ,涵指一切单色的绘 画. 素描的颜色数相对于其他绘画作品来说比较少. 于是可以采用这个特征将素描与其他风格的图片区 分出来. 由于 RGB颜色空间不直接与色调、饱和度和亮 度等人的主观感觉相对应 ,于是先将图像由 RGB空 间转换到 HSV空间 : T: RGB → HSV. (1) 接着对 HSV颜色空间进行量化 ,综合考虑分类 的准确度与算法的运行时间等因素 ,把 HSV颜色空 间量化成 256个颜色 ,即 H分量量化成 16个值 , S和 V分量量化成 4个值 ,具体表示为 Q: HSV → C. (2) 式中 : C = { ci | i = 0, 1, 2, …, 255}. ci表示第 i种量 化颜色 ,由此统计每种艺术风格图像的颜色数目. 实 验证明 ,该特征可以很好地区分出素描. 2. 2 高低灰度对比度 通过实验观察 ,得到不同风格的图像具有的高 低灰度对比度不一样. 高低灰度对比度 ,是指一幅图 片在一定范围内的低灰度值的像素个数与高灰度值 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 ·159·