中國國畫藝術(shù)美感特征分析與分類

湛穎，高妍，謝凌云

（中國傳媒大學(xué) 媒介音視頻教育部重點(diǎn)實(shí)驗(yàn)室，北京100024）

圖像美感自動分析與識別是近年興起的研究熱點(diǎn)之一。較早的圖像模式識別研究集中在目標(biāo)識別任務(wù)（如人臉識別）等層面，這些研究關(guān)注物體的底層視覺特征，通過邊界、形狀等美術(shù)元素的統(tǒng)計關(guān)系構(gòu)建客觀世界與機(jī)器學(xué)習(xí)的橋梁。隨著目標(biāo)識別應(yīng)用的普及，業(yè)界對圖像分類的需求不再滿足于基本的目標(biāo)識別，而是轉(zhuǎn)向情感、審美等方面。尤其隨著人工智能研究的發(fā)展，如何利用計算機(jī)分析和學(xué)習(xí)人類主觀審美感知，以之作為人工智能的重要輔助功能，也吸引了眾多研究人員的關(guān)注。

本文的主要貢獻(xiàn)如下：①以中國國畫的美感評價與分類為研究對象，建立了一個用于國畫視覺美感分析的數(shù)據(jù)庫，包含超過500張各種風(fēng)格的國畫圖片，所有畫作包含5種美感風(fēng)格和總體美感強(qiáng)度的量化標(biāo)注；②基于該數(shù)據(jù)庫，篩選了適合國畫美感評價的若干特征，經(jīng)過對多種主流分類算法的綜合評析，初步搭建了國畫美感評價與分類框架；③分析了客觀特征與美感相關(guān)的美術(shù)元素之間的映射關(guān)系，嘗試給出影響國畫美感自動分類效果的美學(xué)因素解釋。

1 相關(guān)工作

西方實(shí)驗(yàn)美學(xué)領(lǐng)域率先對美感展開了一系列定量研究。Joshi和Datta建立了一個美感-情感圖像數(shù)據(jù)庫，對圖像進(jìn)行了10個因子8個強(qiáng)度等級的美感標(biāo)注［1］；Murray等建立了一個大型美感數(shù)據(jù)庫，對255000張圖片進(jìn)行了美感的語義和強(qiáng)度標(biāo)注，它的特點(diǎn)是每張圖所標(biāo)注的因子都不同［2］；Luo等對上萬張圖片做了二元美感標(biāo)注（binary aesthetic labels），并按場景將它們分為7類［3］；Li和Chen設(shè)計了一系列全局、局部特征，進(jìn)行美術(shù)作品圖像美感的二元分類［4］。近兩年也有更多基于藝術(shù)內(nèi)容（如油畫）的數(shù)據(jù)庫出現(xiàn)，如WikiArt Emotions［5］和The Rijksmuseum Challenge［6］等。

基于以上美感數(shù)據(jù)庫，也出現(xiàn)了許多對于圖像質(zhì)量和美感的分類研究。Ke等基于邊界空間分布、顏色分布、色調(diào)計算和模糊度等高層特征，并加上底層視覺特征，提出了采用樸素貝葉斯分類器（naive Bayes classifier）的攝影美感評價方法［7］；Luo和Tang提出了基于視覺主要區(qū)域（subject region）評價攝影和視頻美感的方法［8］；Wu等采用概率后處理（probabilistic post processing）方法，進(jìn)行了基于支持向量機(jī)（SVM）的審美多元標(biāo)簽評價［9］。

以上相關(guān)研究均在西方美感研究體系下進(jìn)行，而在不同文化背景的影響下，審美傾向會出現(xiàn)差異，因此，針對不同文化背景和藝術(shù)內(nèi)容的審美研究有其必要性。為探討中國傳統(tǒng)文化背景下的審美特點(diǎn)，近年，國內(nèi)學(xué)者就中國國畫的特點(diǎn)展開了國畫圖像分類研究。陳俊杰等提取顏色空間和形狀特征，對國畫的山水、花鳥內(nèi)容進(jìn)行了基于支持向量機(jī)的二分類研究［10］；劉曉巍等采用調(diào)色板冗余、Kolmogorov有序度、香農(nóng)熵有序度和作品復(fù)雜度4個參數(shù)，對中國國畫與西方油畫的藝術(shù)特點(diǎn)做了量化統(tǒng)計和比較分析［11］；王征等基于HSV（Hue-飽和 度、Saturation-飽 和 度、Value-明 度）顏色直方圖、紋理特征、邊緣尺寸直方圖和Gabor小波特征，用稀疏分組套索方法對6位畫家國畫作品進(jìn)行模式分類［12］；盛家川和李玉芝提取小波紋理特征，對5位畫家的國畫作品進(jìn)行了分類［13］；高峰等構(gòu)建了包含1 718幅古代、現(xiàn)代、當(dāng)代國畫大家作品的數(shù)據(jù)集，采用級聯(lián)分類策略，融合國畫的點(diǎn)、線特征，實(shí)現(xiàn)對國畫藝術(shù)家標(biāo)簽的模式分類［14］；李玉芝等使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取國畫視覺特征，采用改進(jìn)嵌入式學(xué)習(xí)算法對10位國畫藝術(shù)家作品進(jìn)行分類［15］；張佳婧等采用人工評估與回歸分析，對60幅齊白石的繪畫建立審美模型［16］。

已有的國畫分類研究分類標(biāo)簽多為繪畫的具體內(nèi)容（如山水和花鳥）、繪畫技法（如工筆和水墨）或作者，欠缺對于國畫美感直接評價和分類。本文建立了國畫數(shù)據(jù)庫與其美感特征分析方法，并基于特征重要性系數(shù)進(jìn)行了美感自動分類與美術(shù)元素對應(yīng)關(guān)聯(lián)的分析，總體分析框架如圖1所示。先對圖像進(jìn)行了一定的預(yù)處理來均衡國畫因保存介質(zhì)、攝影方式等原因造成的信號失真；然后提取諸多圖像特征，采用遞歸式特征消除來篩選，以獲得最有效特征集，并對它們進(jìn)行相關(guān)美術(shù)元素的映射標(biāo)注；用篩選特征進(jìn)行模式分類，對不同分類模型結(jié)果進(jìn)行比較分析，同時對美感分類與美術(shù)元素間關(guān)聯(lián)性進(jìn)行分析。該方法有望對美感的數(shù)量建模提供參考，對計算機(jī)視覺美感計算方面有所幫助。

圖1 美感特征分析總體框架Fig.1 Framework of aesthetic feature analysis

2 國畫美感數(shù)據(jù)庫

數(shù)據(jù)庫的國畫數(shù)據(jù)是通過各種渠道收集的共511幅國畫圖像。其美感類別的定義是從文獻(xiàn)［17-27］中收集美感形容詞匯后，經(jīng)過篩選、系列范疇法評價［28］和因子分析［29］，獲得適合描述國畫美感的5個類別：氣勢美、清幽美、生機(jī)美、雅致美和蕭瑟美，該數(shù)據(jù)庫已經(jīng)在Github上公開，鏈接地址為 https：//github.com/leiyu943/Chinese-painting-aesthetic-database-from-CUC-2019-1，實(shí)驗(yàn)過程詳見文獻(xiàn)［30］。

美感標(biāo)注實(shí)驗(yàn)共有20名被試，11名為女性，9名為男性。數(shù)據(jù)庫中的每張圖畫，將先由被試標(biāo)注美感類別（在上述5個美感類別中選擇），然后再對該類別下的美感強(qiáng)度進(jìn)行評分，按1～9的整數(shù)等級評定打分。

依照20名被試所選人數(shù)最多的一類美感作為一幅畫作的主要美感。美感分類結(jié)果如表1所示，5類美感的實(shí)例見圖2。

表1 圖畫美感分類數(shù)量Table 1 Number of paintings in each aesthetic classification

圖2 不同美感的繪畫內(nèi)容案例Fig.2 Painting content examples of different aesthetics

3 特征提取和篩選

畫家的個性化表達(dá)和繪畫的藝術(shù)風(fēng)格是2個影響繪畫審美的重要因素。參考以往西方圖像分類，與國畫研究中畫家標(biāo)簽、風(fēng)格標(biāo)簽的相關(guān)分類研究，底層視覺特征（如色彩）、高級視覺特征（如視覺注意）都影響到繪畫的美感感知，因此在特征選取上采取底層特征和高層特征相結(jié)合的方式。

對于已有特征，出于運(yùn)算量和便于分析考慮，需要對特征進(jìn)行篩選，從而用較少維度的特征有效表征圖像美感，故對所提圖像特征進(jìn)行了篩選和降維。在特征篩選基礎(chǔ)上，進(jìn)一步進(jìn)行美術(shù)元素和跨文化藝術(shù)特征分析。最后進(jìn)行了中西方美術(shù)元素對比分析。

3.1 數(shù)據(jù)預(yù)處理

國畫圖像的收集渠道不一，在顏色、亮度和尺寸參數(shù)上有較大差異性，通過觀察和統(tǒng)計庫中圖像，對這些圖像進(jìn)行以下調(diào)整：

1）黃色校正。顏色偏黃由紙張老化和攝影、掃描時打光不同導(dǎo)致，具體表現(xiàn)為黃色或紅色飽和度過高。如圖像色相均值落于0.06～0.16之間，則對黃色進(jìn)行校正，將H通道的所有像素點(diǎn)值加0.02。

2）亮度調(diào)整。亮度偏亮由攝影或掃描的光條件和紙張本身光吸收不同導(dǎo)致。數(shù)據(jù)庫中所有圖像亮度均值為0.705，以此為基準(zhǔn)，將過亮、過暗圖像向此靠攏。亮度均值大于0.85的圖片V通道所有像素點(diǎn)值減0.02，小于0.5的圖片V通道所有像素點(diǎn)值加0.02。

3）尺寸縮放。將所有圖像縮放成227×227×3的尺寸。許多圖像尺寸過大，影響特征提取效率，因此做縮小處理；本文所提特征多為統(tǒng)計量，因此不太受尺寸影響，故縮放可行。

預(yù)處理算法流程如圖3所示。

3.2 適用于國畫美感的圖像特征

從諸多已有研究中，匯合及篩選有效特征，獲得對國畫美感分類可能有效的初步特征集。

1）暗通道直方圖

暗通道（dark channel）是一種經(jīng)典圖像去霧算法提到的概念［31］。統(tǒng)計發(fā)現(xiàn)，圖像中云霧較多部分暗通道呈灰色，并可以此為基準(zhǔn)進(jìn)行圖像去霧。暗通道是亮度特征的另一種表達(dá)，與傳統(tǒng)亮度特征綜合使用可以有效提高分類精度。

提取每幅畫的暗通道圖樣，求10 bin（柄）的直方圖，得到10維的特征D1～D10。

2）邊界復(fù)雜度及空間分布

邊緣是圖像不同屬性區(qū)域的交接處，是區(qū)域?qū)傩园l(fā)生突變的地方，包含著豐富的信息。邊緣圖像是對原始圖像的邊緣像素進(jìn)行判定后，得到的二值圖像，是一個二維布爾矩陣。定義邊緣像素點(diǎn)占所有像素點(diǎn)的比例為邊界復(fù)雜度E。

將RGB原圖畫轉(zhuǎn)化為灰度圖像，使用Canny算子［32］檢測圖像邊緣。按圖4區(qū)域劃分提取邊界復(fù)雜度E1～E5（分區(qū)方案出自文獻(xiàn)［33］）。同時按區(qū)域求比值，計算邊界的空間分布為

如此構(gòu)造邊界復(fù)雜度的對稱性特征。加上圖像全部區(qū)域的邊界復(fù)雜度E10，構(gòu)成10維邊界特征向量。

圖4 邊界區(qū)域劃分Fig.4 Partition of edges

3）HSV顏色直方圖

顏色直方圖是廣泛使用的顏色特征［8］。該方法將RGB圖像轉(zhuǎn)換到HSV空間，將H通道和V通道的值分別均勻量化成16個和8個，進(jìn)行相應(yīng)的直方圖統(tǒng)計，獲得色相和亮度的直方圖統(tǒng)計特征H1～H16與V1～V8，共24維。

4）顏色簡明度

顏色簡明度特征由文獻(xiàn)［7］提出。將H通道16維直方圖最大值的0.01倍作為閾值，大于此閾值的bin的個數(shù)作為顏色簡明度特征Hs。

5）RGB顏色直方圖與亮度直方圖

將圖像RGB 3個通道的值分別均勻量化成10個，計算直方圖R1～R10、G1～G10和B1～B10，共30維；將灰度圖像的值均勻量化成16個，計算直方圖Gr1～Gr16，共16維。

6）直線段個數(shù)

對邊緣圖像使用霍夫變換（Houph transform）進(jìn)行直線段檢測［10］，計算直線段的個數(shù)作為特征量L。

7）鄰域差異描述子

鄰域差異描述子（neighborhood difference descriptor）計算邊界點(diǎn)周邊的像素與邊界點(diǎn)本身的相似性，以此來描述國畫筆法的鋒利程度和邊界點(diǎn)周圍的漸變，類似于圖像處理中的銳度。文獻(xiàn)［14］用它描述工筆畫和寫意畫在繪畫技法上的差別，共25維，記為N1～N25。

8）顯著性圖樣

顯著性圖樣（saliency map）是由Koch和Ullman提出的視覺注意力模型［34］。顯著性圖樣表示圖像的視覺注意情況。求一幅畫的顯著性圖樣，然后求均值，記為S。該特征表征圖中的顯著性分布與強(qiáng)度，S的大小反應(yīng)顯著性強(qiáng)弱。

9）模糊度

圖像模糊度（blur）是Ke等提出的度量圖像模糊程度的方法［7］，它基于高斯模糊假設(shè)對圖像的模糊程度進(jìn)行建模，從而計算出圖像模糊的程度。圖像模糊度值記為B。

10）對比度

圖像對比度特征的計算方法見文獻(xiàn)［7］。分別計算RGB 3個通道的256 bin直方圖Hr、Hg和Hb，將它們相加得到

計算Ha包含中間98%能量的橫軸寬度，如圖5所示［6］。圖中橫軸為對比度的分布區(qū)間，縱軸為其概率分布p（x）。此寬度值記為對比度C。

圖5 對比度區(qū)間［6］Fig.5 Interval of contrast［6］

3.3 特征篩選與分析

3.2節(jié)中提到特征共120維，對于美感分類，其中或有冗余。為提高算法運(yùn)行效率，及更進(jìn)一步抽象出國畫藝術(shù)美感所依賴的高級物理特征，需要進(jìn)行特征篩選。

3.3.1 特征篩選

遞歸式特征消除（recursive feature elimination）是一種代表性的特征選擇方法，它對分類器進(jìn)行初始特征集的訓(xùn)練［35］，并通過相關(guān)性等屬性來計算特征的重要性。它將依次從每次循環(huán)中剔除最不重要的一個或幾個特征，然后將這個過程在特征集上遞歸重復(fù)，直到獲得能保證較高識別率的最佳特征數(shù)。

采用該方法，使用SVM 作為基礎(chǔ)分類器，從3.2節(jié)提取的120個特征中篩選得到33個適用于國畫美感評價的特征。篩選過程見圖6，其橫軸為選用的特征數(shù)，縱軸為分類準(zhǔn)確率，可見特征數(shù)為33時是分類準(zhǔn)確率的峰值位置。將篩選出的33個特征與美術(shù)元素對應(yīng)，列于表2中。

圖6 特征篩選過程Fig.6 Process of feature filtering

表2 有效特征及原理Table 2 Effective features and theories

3.3.2 特征與美感關(guān)聯(lián)分析

根據(jù)表2，所篩選出的特征相關(guān)的美術(shù)元素主要為線條、筆觸、顏色、亮度和視覺注意等。以下對表2中的特征要素與美感的關(guān)系進(jìn)行簡要的定性分析：

1）顏色方面，RGB直方圖有效特征集中在值較高的位置，對應(yīng)較鮮艷的顏色（R7、R10、G6、B10）；色相 直 方 圖 顯 示，橙 色（H4）、黃-綠 之 間（H9）、藍(lán)-紫之間（H14）顏色的分類效果顯著；顏色簡明度（Hs）和對比度（C）表明顏色豐富的程度影響國畫美感感知。

2）亮度是重要的美術(shù)元素。盡管亮度特征可以直接提取，但特征篩選的結(jié)果表明間接特征（灰度、暗通道）與亮度結(jié)合可以有效提高分類精度。

3）線條（L）與筆觸（N）的相關(guān)特征對視覺感知有直接影響。直線條使得繪畫棱角鋒利，工筆勾勒與水墨氤氳也導(dǎo)致國畫觀感有巨大不同。

4）空間分布（E9）與視覺注意（S）與構(gòu)圖直接相關(guān)，因此構(gòu)圖也會影響國畫的美感感知。

表2中的分析基于5類特征篩選進(jìn)行。所得結(jié)果較為綜合、簡略，如能對每類美感有關(guān)特征進(jìn)行逐一分析，則能獲得更精確詳細(xì)的結(jié)果。為了獲得每類美感各自的分類重要特征，采取遞歸式特征消除方法，對每個美感完成“是否屬于該美感”的二分類任務(wù)，從而篩選出對每類美感適用的特征，見表3。

此處的篩選結(jié)果與表2有較大差異。對比各美感剩余特征發(fā)現(xiàn)：①對于區(qū)分是否為生機(jī)、雅致二類美感，所需的特征相對多且復(fù)雜，涉及顏色、亮度、筆觸和線條等多個圖像原理；②對于區(qū)分畫作是否處于清幽美，紅色直方圖特征影響很大；③對于區(qū)分蕭瑟美，畫作的筆觸因素微乎其微；④對于區(qū)分氣勢美，線條、筆觸因素相對更重要。

表3 各美感有效特征及原理Table 3 Effective features and theor ies for each item of aesthetics

4 國畫藝術(shù)美感分類

4.1 分類器選擇與模型檢驗(yàn)方法

基于第2節(jié)國畫美感數(shù)據(jù)庫，使用Extra-Trees、SVM、線性判別分析、隨機(jī)森林、KNN、樸素貝葉斯、邏輯回歸和多元感知機(jī)（MLP）8種具有代表性的分類模型，就本文提出的國畫美感特征集進(jìn)行分類和評析。

采用 k折交叉檢驗(yàn)（k-fold cross validation）［36］作為分類器性能的評價方式。交叉檢驗(yàn)將數(shù)據(jù)平分為k等份，依次將每等份作為測試集，剩余部分作為訓(xùn)練集進(jìn)行參數(shù)訓(xùn)練，最后對每一等份評測結(jié)果求平均來評估分類模型的效果。

將查全率（recall）和查準(zhǔn)率（precision）［36］作為分類的正確率指標(biāo)。假設(shè)一次分類任務(wù)中的真正例數(shù)為TP，假正例數(shù)為FP，真反例數(shù)為TN，對查全率R和查準(zhǔn)率P有

4.2 分類結(jié)果

使用不同分類器就本文提出的國畫美感特征進(jìn)行分類，采用10折交叉驗(yàn)證，各算法對于5類美感的查全率和查準(zhǔn)率結(jié)果見表4。

表4分類結(jié)果中，各類主流分類器在美感分類任務(wù)中的表現(xiàn)相近，其中Extra-Trees、SVM、線性判別分析、邏輯回歸和多元感知機(jī)相對來說效果較好。

平均來看，大多數(shù)算法的查準(zhǔn)率都略高于查全率。樣本數(shù)量較多的氣勢、雅致和生機(jī)3類美感總能保持相對較高的預(yù)測精度；一旦出現(xiàn)在數(shù)量較少的蕭瑟和清幽2類美感，查準(zhǔn)率幾乎都顯著高于查全率，且這2類美感的預(yù)測精度都大幅降低。其中，隨機(jī)森林、KNN、樸素貝葉斯和多元感知機(jī)在數(shù)量最少的蕭瑟美的識別上，出現(xiàn)了極低的準(zhǔn)確率，可見類別數(shù)量不均對于分類效果有較大影響。

表4 不同分類器下的美感自動分類結(jié)果Table 4 Automatic classification results of aesthetics in different classifiers

4.3 分類偏誤

以下以SVM分類器為例，對各類美感的分類偏誤分別進(jìn)行分析。各美感的誤識案例見表5，表中每個橫欄為誤識畫作原本所屬美感，縱欄為畫作被誤識的美感。觀察發(fā)現(xiàn)：①在主觀評價中結(jié)果中，被試間判斷較分散的畫作更容易被誤識；②被誤識為氣勢的畫作，藝術(shù)更有張力；③被誤識為清幽美的畫作，畫面稍顯空曠；④被誤識為蕭瑟美的畫作傾向于呈現(xiàn)更有顆粒感的紋理；⑤被誤識為雅致美的畫作水墨技法占多數(shù)。

表5 美感分類偏誤分析Table 5 Error analysis of aesthetics classification

依照Extra-Trees分類器［37］給出特征重要系數(shù)（feature importance）。將它們由高至低排列，見表6。結(jié)果顯示，顏色簡明度、邊界復(fù)雜度和直線段個數(shù)是對美感分類影響最顯著的3個因素。相對來說，顏色、線條和亮度的有關(guān)特征排名更靠前。

按表2有效特征分類，將表6中同類美術(shù)元素特征的重要性系數(shù)相加，可得到各類美術(shù)元素對美感分類的影響，見圖7。結(jié)果顯示，對國畫美感分類影響最大的美術(shù)元素是顏色；其次，筆觸、亮度和線條的影響幾乎相同；構(gòu)圖對國畫美感分類幾乎沒有影響。

表6 國畫美感特征重要性系數(shù)Table 6 Importance coefficient of aesthetic features in Chinese traditional painting

圖7 國畫美感分類的美術(shù)元素重要性Fig.7 Importance of artistic element in aesthetic classification of Chinese traditional painting

5 結(jié) 論

為對傳統(tǒng)國畫的審美進(jìn)行量化分析和自動分類，本文進(jìn)行如下工作：

1）建立了一個對國畫的藝術(shù)美感進(jìn)行類別與強(qiáng)度標(biāo)注的圖像數(shù)據(jù)庫。

2）基于該數(shù)據(jù)庫，進(jìn)一步提出一系列適用于國畫美感自動分類的圖像特征，對特征集與美感之間關(guān)聯(lián)做了定性分析。

3）進(jìn)行特征篩選后的國畫美感自動分類，結(jié)果顯示，對國畫美感進(jìn)行量化分析與自動分類具有一定可行性。

4）進(jìn)行了國畫的分類誤識分析與重要特征分析，通過對特征進(jìn)行美學(xué)標(biāo)注來建立客觀特征與主觀美感之間的量化聯(lián)系。

當(dāng)然對于國畫美感的發(fā)掘遠(yuǎn)不止于此，由于美感本身的模糊性和多義性，基于國畫圖像的多標(biāo)簽分類也有較高的實(shí)用價值，這也是下一步的研究方向。此外，美感數(shù)據(jù)庫還需要進(jìn)一步地擴(kuò)充，以解決類別不均衡問題。