基于卷积神经网络的人脸图像美感分类

针对复杂环境下人脸图像美感分类准确率低的问题,给出一种适用于人脸图像美感分类的网络模型F-Net。该模型以LeNet-5为基础网络,使用卷积层提取复杂背景下的人脸图像特征,优化网络模型中的参数,改变模型中卷积层和全连接层特征元的数量。结果表明,本文给出的F-Net网络模型在复杂环境背景下的人脸图像分类准确率达到73%,较其他经典的卷积神经网络分类模型相比性能更佳。

中国国画艺术美感特征分析与分类

图像艺术美感自动分类是近年的热门研究领域,国画作为中国传统艺术文化的重要体现,其美感也极具研究价值。在5类美感标注的国画数据库基础上,进行了国画艺术美感自动分类研究和相关特征分析。经过特征提取和筛选,得到适用于美感分类的33个图像特征,并基于特征重要性建立了物理特征与艺术美感、美术技法之间的映射关系。同时使用该特征集在多种分类器上进行艺术美感自动识别,验证了国画艺术美感自动分类的可行性。结果表明,国画艺术美感分类的主要相关美术元素按重要性排序为:颜色、笔触、亮度和线条。

基于深层卷积神经网络的图像美感度分类

针对图像美感度分类中出现的准确率低、美感特征描述差等问题,提出了一种基于深层卷积神经网络的图像美感度分类算法.首先将图片输入55层卷积神经网络自动学习并获得更加细致和深层次的美感特征,然后通过softmax分类器进行图像美感度分类,从而得到最优的分类结果.将该算法与多种传统算法和浅层深度卷积神经网络的算法进行对比实验,结果表明该算法在A1和A0数据库的准确率分别达到80.13%和87.32%,且在CUHKPQ数据库的6种场景下,获得了更好的分类准确率.

可计算的图像美学分类与评估

可计算图像美学的研究目的是希望计算机能够模拟人类的视觉系统与审美思维,对图像进行美学价值的判断.以摄影图像为研究对象,首先通过显著区域检测将图像划分为整体区域和关键区域,提取有效的低层视觉特征、高层美学特征和区域特征;然后以人对图像的主观美感评分为基础,采用机器学习的方法建立图像美感等级分类器和美学分数评估模型,实现了高、低美感图像的自动分类,并能对图像的美学分数进行自动评估.在美学图像数据库上的实验测试结果显示,高、低美感分类模型的平均分类准确率为75.37%;美学分数自动评估模型的结果与人的主观审美评分之间的相关性为0.790,均方根误差为0.244;该结果符合人类对图像的审美感知.同时,通过与其他算法进行对比实验,结果表明文中算法更为有效.