英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
基于神经网络的中国水墨画艺术风格学习
天津大学
计算机软件学院
计算机科学与技术学院
中国天津
为了进行智能艺术创作和对已有绘画风格的再利用，我们提出了一种基于神经网络的中国水墨艺术风格的学习方法，不同于传统的“象素对比”或“样本对比”风格的机械工作。我们首先对中国水墨画的风格特征进行了广义的定义，进而建立起结合后向传播算法风格的神经网络和图像分析技术学习机制。通过训练有素的风格学习系统的分析得出输入绘画的的整体风格特征，然后后从中国画风格信息库中提取学习输出。实验结果表明，该方法是有效的，同时这显然是对绘画风格学习的一种新探索。
关键词-中国水墨画艺术风格学习神经网络、纹理分析、图像分割
Ⅰ. 导言
中国水墨画风格在世界艺术传统中具有独特的价值。作品的构图，特殊的颜料颜色，具有迷人扩散效果的水墨笔触，每一寸的纹理，甚至是背景，都有助于造就其独特的艺术风格。艺术风格是艺术家在创作过程中表现出来的性格和个性。艺术风格学习是一种非真实感的图像绘制算法，将源于作品的风格转移到目标人物之上，从而解决了知名古典艺术风格的再利用问题。
本文描述了中国水墨的各种艺术风格同时演示如何去分析、区分、提取和重新使用其艺术特征。我们的目标是学习源作品的风格，以便类似的风格可以智能地转换到其他图片之中。由于艺术风格特征的复杂性和多样性，所以实现这一目标是具有挑战性的。我们也希望这项工作能进一步应用于古代绘画遗产的数字化保护。
贡献：我们开发了一种中国绘画风格学习方法，可以在全球范围内更广泛地，直接的，智能的转换图片之间的风格。我们的风格学习是基于后向传播算法神经网络和图像分析的方法，比较成熟，易于实现。我们初步解决了世面上中国水墨画的风格界定和艺术特征的区分问题。这为艺术风格的学习提供了一些新的思路。
Ⅱ. 相关工作
NPR的研究大多集中在对艺术效果的计算机生成上，不能应用于图像风格的再利用。于是我们开始了风格学习的研究，对于传统的文体转换或文体学习，有许多文献可以参考。根据不同的神学体系，主要分为两类学习方法：基于图像类比的方法和基于实例的方法。
Hertzmann2001[l]提出了一种在源图像和目标图像之间传输图像风格的图像模拟算法。在此基础上，近年来提出了一系列基于图像纹理合成的或类比的方法[2][3][4][5]，同时对艺术风格的研究和学习，主要侧重在不同的纹理合成算法和提升其合成速度。基于实例的艺术风格学习方法[6][7]提供了一个与这种图像类比法非常不同的想法。然而所有的方法都不太适合中国画的风格学习。图像类比算法通常是将源图像的颜色关系逐像素映射到目标图像上，以实现非常局部的风格学习。在基于样本的方法中，风格特征仅在样本之间传输。以往的作品对笔画信息、墨色分布和特殊的艺术效果不太关心，也不太关心作者思想感情中所隐含的绘画的整体构成和整体基调，这是中国绘画艺术表现的关键和必要因素。尽管以前的研究方法并不能直接应用于本课题的研究，但它确实对我们有一定的启发作用。
本文采用经典的机械学习理论，通过大量的训练数据，构建了一个自动的非用户交互参数化墨水艺术风格识别系统。结合风格素材库，实现智能化风格学习。
Ⅲ. 水墨画艺术风格学习
本文提出的方法如下：首先，利用图像分割技术和骨架提取技术对水墨画进行预处理，以获得一组对象，每个对象都包含一组原语。原语是指一小块像素及其相关参数。其次，本文利用特征提取算法，通过直方图和灰度共生矩阵提取出每个基元的特征。最后，将这些特征参数输入到一个艺术风格识别器中，采用BP神经网络对每个原语的相关类型的局部水墨风格特征进行识别。整个过程显示在图1中。
图1.整个学习系统
该模型的功能是识别局部水墨风格特征的类型，因此需要对传统水墨绘画技巧进行分类和分析，建立一个通用的水墨绘画艺术风格库。我们将在下面介绍此模型的每个部分：
- 艺术风格库
对于外侧应用，应将水墨画艺术风格库视为所有水墨画技巧纠结的有序集合：外边用户输入一些足以识别绘画技巧特征的参数，然后艺术风格库可以使用这些参数为外边用户生成相应的渲染数据集。
在本文中，表示技能唯一实例的数据集被称为笔原语。此数据集可能包含一些标准纹理和与笔基元类型相关的其他功能参数。通过对水墨绘画技巧的分析，可以定义钢笔原语的数据结构如下：
bull; 空间类型：代表笔原语的空间类型，选项参数为笔原语的轮廓、内部和背景笔原语。
bull;技法类型：代表笔本原的水墨绘画技法，笔本原的剪影类型应为“中峰”、“偏峰”和“侧锋”，对于内部类型原语，它应该是“皴法”，“莫谷”和“泼墨”。
bull;子类型：剪影笔原语和背景笔原语没有意义，只有内笔原语才应该是“雨点”和“披麻皴”。
bull;油墨颜色浓度：是指平均灰度。
bull;大小：表示原语的长度、宽度和面积。剪影笔原语的意思是平均宽度和长度，对于内笔原语，它的意思是区域，而对于背景笔原语则没有意义。
bull;颜色：表示钢笔原语的RGB通道。
bull;纹理：表示钢笔原语的像素区域。
根据笔原语的定义，可以得出轮廓笔原语、内笔原语和背景笔原语的数据结构。显示在图2中。
图2.笔原语的数据结构
B.图像原始定义
bull;图像原始纹理：表示图像的矩形区域，使用p（x，y）表示图像中位置（x，y）的颜色值。
bull;图像原语区：指图像原语的大小和位置。我们把它表示为四重矩形（x，y，宽度，高度）。x，y代表图像原语的位置，宽度和高度代表图像原语的几何参数。
bull;水墨颜色的图像原语浓度：是指图像原语的平均灰度。标准化为[0，1]。
bull;原色：因为在图像处理过程中，原色很容易丢失。因此，我们根据图像原始纹理中每个像素的颜色相似这一事实来估计每个图像原始纹理的原色。利用这种原色，我们可以检索图像原始纹理的细节。
bull;平均宽度：是指单独使用图像原语的骨架，对于骨架的每个点计算其垂直线的长度，所有垂直线的平均长度是该图像原语的平均宽度。
bull;宽窄比：骨架长度与平均宽度之比。该值越高，图像原语越窄。我们可以使用这个值来识别轮廓。
bull;面积比：图像原语的面积与图像面积的比值。区域表示像素数。
bull;周长比：属于图像原始轮廓和图像轮廓的像素数与图像轮廓总像素数的比值。
利用图像分割和骨架提取算法可以提取上述图像原始数据。
- 纹理特征分析
本文采用全局灰度直方图统计算法和灰度共生矩阵统计算法分析了图像原语的纹理特征。根据柱状图的定义灰度在范围内的数字图像的直方图其中[o，L-1]是离散函数 h (rk) = nk . The rk 表示灰度值为k，nk表示灰度为rk的像素数。标准化柱状图，然后标准化柱状图为P（rk）=nk/n， k=0,1,2，·..，L - 1。表示灰度rk的发生概率为P（rk）。
L-I
mu;2（r）= Sigma; (ri-m)2 P(ri) (1)
i=O
如（1）所示，我们估计了二阶矩，表示为0-2（r）。M表示平均灰度。然后我们得到了全局平滑描述器，如（2）。
1
R = 1- ————————（2）
1 sigma;2（r）
我们认为全局平滑描述器代表图像的全局粗糙度，不能反映纹理的细节变化。因此，采用灰度共生矩阵来显示纹理的细节变化。可以提取二阶矩f1和相关系数f2，如（3）、（4）所示
有关mu;1mu;2的详细说明，请参阅[8]。按照以上步骤，我们可以得到8个灰度共生特征矩阵，1个全局平滑描述器。
- BP神经网络的设计
本文采用经典的两层BP神经网络模型[9]。第一层是传输函数，如（5）所示：
第二层是输出函数，如（6）所示：
然后我们需要确定每个层的节点数。神经网络的详细结构如图3所示。
图3.BP神经网络的详细结构
对于输出层，如图3所示，我们的风格学习系统的输出是5元素集，因此我们的输出层的节点数也是5，因为输入和输出的数量应该相等。隐层节点数对神经网络的设计具有重要意义。本文利用（7）中的函数确定隐藏层的节点数。
在（7）中，nh表示隐藏层的节点数，ni表示输入数，no表示输出数，a表示1到10范围内的常数。根据图3，我们可以确定ni=12，no=5。对于（7），nh=5-14。因此，本文给出的BP神经网络结构如图4所示。
图4.BP神经网络
Ⅳ. 实验及结果
训练神经网络的处理包括训练样本的采集和训练神经网络。我们收集了大量样本进行培训。整个训练过程是：图像分割、骨架提取、图像原始提取、纹理分析，然后将这些信息保存到数据库中。
在构造神经网络的过程中，为了选择隐层的节点数，我们创建了20个隐层的节点数在3~22之间的神经网络。我们收集了大约500幅图像原稿，这些原稿来自35种不同艺术风格的墨水。然后我们交互地生成这500个图像原语的艺术风格输出。500个图像原语和输出是我们的训练数据集。这20个神经网络的训练结果如表1所示。
表1.隐藏节点数与训练结果的关系
表1表明，通过增加隐藏层的节点数，可以减小训练误差。当隐藏层的节点数大于14时，其效果变小。所以在我们的系统中，隐藏层的节点数是14。
在此基础上，实现了一个智能化的学习系统。该系统可以直接使用数据库中的样式笔原语来渲染数据，如图5所示。系统还可以完成整个学习和再现处理。如图6所示，系统从（a）学习艺术风格，然后在数据库中查找相应的标准笔原语，然后使用这些笔原语生成风格化图像（b），最后输出（d）。（c）是不考虑检索的中间输出。
图5.直接使用数据库的笔原语进行渲染
图6.学习和渲染处理的效果
Ⅴ. 结论
本文提出了一种基于BP神经网络的中国水墨画艺术风格识别与重用方法。实验结果表明，这种艺术风格学习方法在艺术风格学习领域中非常有用。
确认
本项目得到国家自然科学基金61003201号资助。
参考文献
[I] Aaron Hertzmann, Charles E Jacobs, Nuria Oliver, et ai, Image
analogies[C], Proceedings of SIGGRAPH 2001 , August 2001,
327-339
[2] M Ashikhmin. Synthesizing natural textures[A]. In : Proceedings
of ACM Sym posium on Interactive 3D Graphics, North Carolina, 2001. 217~226
[3] Heeger D.J. analysis/synthesis, 229-238 Bergen J.R., Pyramid-based texture In: Proceedings of SIGGRAPH 1995, 1995,
[4] Wei L.Y., Levoy M., Fast texture synthesis using tree-structured
vector quantization, In: Proceedings of ACM SIGGRAPH #39;00, 2000, 479-488
[5] Xiujin Wang, Jizhou Sun, Simulating for Chinese paintings based on
image analogies, In: Proceedings ofVRAI2003, 2003,157-161
[6] Freeman W.T., Tenenbaum J.B., Pasztor E. C. , An examplebased approach to style translation for line drawings, Technical Report TR99-1l, MERL. Cambridge, 1999
[7] Tu ChangHe, Sun Yuhong, Meng Xiangxu, Example-Based Style Translation and Customization for Line Drawings, Chinese Journal of Computers, 2005,
全文共5306字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[3011]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
