基于人工智能的国画特征提取技术研究

权海波 顾迎燕 朱鹏强

摘要：传统的图像信息采集方式大多存在着对人工过度依赖的问题，人主观上的操作失误与物理环境方面的客观因素，在一定程度上影响着图像信息采集的完整性与有效性。针对该问题，本文汲取、融合了先前的国画特征提取技术，基于人工智能，探究新型提取的方法，既关注形状特征的提取，又重视颜色氛围的表达，挖掘更多细节，以达到提取效果与人眼主观视觉的高度匹配。

关键词：人工智能;国画特征;特征提取;颜色

引言

在绵延几千年的历史长河中，中国画是我国宝贵的历史财富和人民智慧的结晶，承载着中华民族灿烂悠久的历史文化。近年来，随着人工智能技术的不断发展，其应用范围越来越大，本文将基于人工智能，深入探究中国画特征提取的系列方法，以促进中国画的数据化分析、理解与识别，为中国画的传承鉴赏提供有效的数字工具。

1国内外研究现状

人工智能自1956年提出，到今天初步具备产品化的可能性经历了58年的演进。主要发达国家积极布局人工智能技术，抢占战略制高点，近几十年来，我国亦高度重视人工智能领域的研究与发展。

对于国画特征提取方面，很多学者进行了广泛而深入的研究。Sheng等人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等人提出一种基于颜色特征和纹理特征的SVM国画识别算法，王刚等人提出基于颜色特征和纹理特征的正则化极限学习机的油画识别研究，对写意画和工笔画进行了高精度识别。

2提取技术

2.1模式识别法

模式识别法是当前图像识别领域用的最多的方法，在提取国画显著特征方面也具有同样应用原理，它的工作原理如同大数据搜索，是在多国学者专家多年图像分类、识别、汇总的经验下，运用计算机快速计算的优点，在海量数据中找到与国画特征的线条、墨色、点簇等相似匹配的图像信息，并且运用计算机的逻辑推理，进一步分析所提取国画的曲线，形状，边缘，纹理等的特征，且计算机自动完成对这些特征的融合，拟构，组织并作出评价。

2.2神经网络法

原理是利用计算机模拟人类神经元结构，与传统图像识别结合，从而完成各种非线性智能任务，常见的有BP神经网络、小波神经网络、RBF神经网络完成对图像的分类和识别。同时在当今计算机发展领域，基于神经网络发展而来的深度学习也是国画特征提取的广泛认可的方法。

2.3非线性降维方法

通过单幅国画数据的高维化，来获得单幅国画数据在高维空间中的数据描述，然后可以使用Laplacian Eigenmap方法对其进行降维，获得国画本征结构的一维特征表达 向量，最后基于向量进行国画特征的识别。我们可以看出，这里与通常的基于特征空间的方法（如CPA，LAD等）区别在于是对每幅画像都进行独立的降维，而在降维过程 中没有考虑与其他画像之间的关联，从而使得得到特征表达向量可以较好的反映国画数据的本征结构形态。

3技术的优缺点

然而，在实际应用中，上述的基于内容的图像分类技术的效果却不尽人意。其主要原因在于，在基于内容的图像特征识别技术中，画像之间的相似性主要体现在人类的视觉的相似性上，但是人类对画像之间相似性的辨别则主要建立在画像语义的相似性上，即仅是通过计算机所提取的画像的低层次特征并不能很好地表达画像内容所体现的画像的高层次语义。同时，由于画像的内容是丰富并且多样的，这种利用简单的视觉特征来解决图像的相似性匹配问题，是无法满足更高要求的画像特征提取的。而色彩的提取影响着图像的情感表达，要想优化图像提取的完整性、有效性，首先要从色彩提取方面进行展开。

4图像优化

颜色失真是图画特征提取过程中最常见的问题。其常在R、G、B三个颜色分量中出现，解决颜色失真问题应从三个颜色分量中入手。经过研读文献以及探索实践，我们领会了一种新的处理方法。由于三个颜色分量的优化方法类似，所以本节优化方法仅从R颜色分量中展开。

首先，对R颜色分量进行对数变换，以使其符合人眼非线性感知特性。其数学表达式为

（1）

其中：（i，j）表示图像在该点的像素。

然后，按照d*d大小，重叠两个尺度的方式进行分块。分块后的圖像块用一个集合来表示，并计算该图像块集合X的像素平均值，用M来表示。两者相减可以求得图像块的结构信息：

（2）

其中：o是一个维度与X相同的全1矩阵。这主要是因为噪声常出现在图像的高频部分，所以式（2）可以有效地得到包含图像噪声的高频信息。该高频信息中除了噪声外还有图像自身的结构信息，故如何在保留结构信息的基础上去除噪声，亦是至关重要的问题。

5结语

为了更好更稳定地对国画特征进行提取，本文归纳总结了几种常见的提取思想方法，着眼于颜色失真这一方面进行考究，尝试了一种新型的图像优化方式，通过实验验证该方式提取效果与人眼主观视觉具有较好的一致性，但是为获得更佳的提取效果，还需进一步探究。

参考文献

[1] Sheng J，Jiang J.Recognition of Chinese artists via windowed and entropy balanced fusion in classification of their authored ink and wash paintings（IWPs）[J].Pattern Recognition，2014，47（2）：612-622

[2]王刚.基于颜色特征和纹理特征的RELM油画识别研究[J].微型电脑应用，2019，35（10）：57-60.

[3]万兵.基于人工智能的图像识别技术的研究[J].信息与电脑（理论版），2019（02）：141-142.

[4] 吴明明，陈勇，房昊.基于K-均值聚类的彩色图像质量评价及优化[J].计算机应用研究，2019，（10） ： 3148-3151.

作者简介：

权海波，生于1997年11月，男，汉族，安徽合肥人，江苏大学京江学院本科在读，计算机科学与技术方向

顾迎燕，生于1997年02月，女，汉族，江苏盐城人，江苏大学京江学院本科在读，计算机科学与技术方向

朱鹏强，生于1996年12月，男，汉族，四川乐山人，江苏大学京江学院本科在读，计算机科学与技术方向

基金项目：本文系江苏大学2019年度第十八批大学生科研立项项目，18A264