基于颜色特征和纹理特征的RELM油画识别研究

王刚

(宝鸡文理学院 美术学院, 宝鸡 721013)

0 引言

油画是西方一种传统的绘画艺术，与其它画种相比较，其有着自己独特的魅力。随着经济的发展，油画与世界接轨，油画的发展趋于国际化和多样化，油画种类繁多，为了提高油画识别准确度具有重要的意义。目前油画识别的文献较为少见，大部分是用于国画识别研究。

对于国画分别识别研究，很多学者进行了广泛而深入的研究。Sheng等人[1]将像素亮度作为局部特征，提出一种基于神经网络的国画作者识别方法。Li等人[2]提出一种基于小波变换和混合2D多分辨率隐式Markov模型的国画分类算法。Jiang等人[3]提出一种基于颜色特征和纹理特征的SVM国画识别算法，对写意画和工笔画进行了高精度识别。

结合国画识别研究和特征提取方法，本文提出一种基于颜色特征和纹理特征的正则化极限学习机(Regularized Extreme Learning Machine，RELM)的油画识别方法。研究结果表明，本文算法RELM具有更高的识别准确率，提高了油画识别的精度，为油画识别研究和应用提供了新的方法和途径。

1 颜色特征和纹理特征

1.1 颜色特征

与其它颜色空间相比，HSV颜色空间与人眼对颜色的主观认识比较符合，能够更好地反映人们对颜色的认识，同时可以减小运算量，因此将HSV颜色空间下的颜色矩作为油画识别的颜色特征。

由于颜色信息分布在图像颜色的低阶矩中，因此选择每种颜色分量的一阶矩(均值)、二阶矩(方差)和三阶矩(斜度)作为油画图像的颜色特征，数学表达式分别为[4]式(1)、式(2)、式(3)。

(1)

(2)

(3)

式中，N为像素点的总数，fij表示像素j的颜色值为i的概率。

1.2 纹理特征

为实现油画识别，本文运用灰度共生矩阵法提取油画的纹理特征[5-7]：假若Q为目标区域R中具有某种空间联系的像素对的集合，则共生矩阵P的数学表达式为式(4)

(4)

式中，分子和分母分别为灰度值为l1,l2的像素对的个数和像素对总和为式(5)～式(8)。

1) 能量

(5)

2)熵

(6)

3) 对比度

(7)

4) 局部均匀性

(8)

2 正则化极限学习机

极限学习机(Extreme Learning Machine，ELM)的数学模型为[8]式(9)。

(9)

式中，L为隐含层节点数；βi为第i个隐含层节点对于输出节点的权重系数，其中βi∈R；G(ai,bi,x)为第i个隐含层节点的输出函数；ai,bi分别为第i个隐含层节点的输入权重和节点偏置，其中ai∈Rn,bi∈R；G(ai,bi,x)输出函数可表示为式(10)。

G(ai,bi,x)=g(ai·x+bi)

(10)

式中，g(·)为激活函数。

(11)

公式(11)的矩阵形式为式(12)。

Hβ=Y

(12)

式中如式(13)。

(13)

s.t.:h(xl)β=yl-εl,l=1,2,…,N

(14)

式中，εl为训练偏差，主要作用是避免过拟合问题。根据Karush-Kuhn-Tucker条件，公式(14)的优化求解问题可转换为如下双重优化问题[9]如式(15)。

(15)

由公式(15)计算出β的最优解为式(16)。

(16)

由公式(16)可知，RELM中的β主要由公式(13)中的矩阵H、矩阵Y和正则化因子λ决定，其中H的维数与隐含层节点数L和训练样本数N有关，Y为训练样本的输出，由于N和Y已经确定，因此RELM的性能受隐含层节点数L和正则化因子λ的参数选择影响。

若为二分类问题，RELM的决策模型为[10]式(17)。

(17)

若为多分类问题，RELM的决策模型为[11]式(18)。

(18)

式中，fi(x)为第个输出节点的值，并且f(x)=[f1(x),f2(x),…,fm(x)]T。

3 基于颜色特征和纹理特征的RELM油画识别

针对油画图像样本，提取油画颜色特征和纹理特征，油画图像的特征向量feature(i,j)为式(19)。

feature(i,j)={Lr,Le,Ld,Lj,μ,σ,ξ}

(19)

基于颜色特征和纹理特征的KELM的油画识别流程具体可描述为：

(1) 读取油画图像样本数据；

(2) 提取油画图像纹理特征和颜色特征feature(i,j)；

(3) 油画的类别编码；

(4) 将油画图像的特征向量feature(i,j)分为训练样本和测试样本，将训练样本的油画图像的特征向量feature(i,j)作为RELM的输入，训练样本的油画类别作为RELM的输出，建立RELM模型；

(5) 针对油画图像的测试样本，运用RELM油画识别模型进行油画识别。

本文算法流程图如图1所示和表1所示。

表1 不同类型油画特征数据样例

4 实证分析

4.1 数据来源

为了验证本文算法的有效性，选择人物画、风景画和静物画等3种油画为研究对象[12-13]，不同油画类型如图2所示。提取不同油画类型的颜色特征和纹理特征，不同油画类型样本数据分布如表2所示。

(a) 人物画

(b) 风景画

(c) 静物画

表2 不同类型油画样本

4.2 评价指标

为了评价油画识别的效果，选择准确率T和误判率F作为评价指标。

(1) 准确率T：假设油画类型被正确识别的数量为A，而油画类型的实际数量为B，则油画类型识别的准确率为式(20)。

(20)

(2) 误判率F：假设油画类型是第i类的实际数量为H，而将第i类油画类型误判为第j类油画类型的数量为W，则油画类型判断的误判率为式(21)。

(21)

4.3 实验结果

为了验证油画识别算法的效果，将本文算法RELM和极限学习机(extreme learning machine，ELM)[14]、支持向量机(support vector machine，SVM)[15]和BP神经网络(back propagation neural network, BPNN)[16]进行对比，对比结果如表3和图6-图9所示。

表3 识别效果

图6- 9中，“*”表示油画的预测类别，“○”表示油画的实际类别，通过对比展示可以直观地显示油画识别结果和实际缺陷类别，其中1、2、3分别表示油画为人物画、风景画和静物画。当“*”和“○”重合时，油画的预测类别和实际类别一致，说明识别正确；当“*”和“○”不重合时，油画的预测类别和实际类别不一致，此时油画识别错误。由表2和图3-图6可知，RELM的识别准确率和误判率分别为96.41%和3.59%，优于ELM的92.28%和7.72%，SVM的90.46%和9.54%和BPNN的86.35%和13.65%。与ELM、SVM和BPNN对比发现，本文算法RELM具有更高的识别准确率，提高了油画识别的精度，为油画识别研究和应用提供了新的方法和途径。

图6 RELM识别结果

图7 ELM识别结果

图8 SVM识别结果

图9 BPNN识别结果

5 总结

为提高油画的识别精度，提出一种基于颜色特征和纹理特征的RELM油画识别方法。将油画图像的纹理特征和颜色矩组成的复合特征作为RELM的输入，油画类别作为RELM的输出。选择人物画、风景画和静物画等3种油画为研究对象，研究结果表明，与ELM、SVM和BPNN对比发现，本文算法RELM具有更高的识别准确率，提高了油画识别的精度，为油画识别研究和应用提供了新的方法和途径。