主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2021年第1期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
王朝晖,普园媛,徐丹,祝娟,陶则恩.人像照片的美感质量评价.软件学报,2015,26(S2):20-28
人像照片的美感质量评价
Evaluating Aesthetics Quality in Portrait Photos
投稿时间:2014-01-03  修订日期:2014-04-18
DOI:
中文关键词:  人像照片  美感质量评价系统  机器学习  特征分析
英文关键词:portrait photo  aesthetic quality assessment system  machine learning  feature analysis
基金项目:国家自然科学基金(61271361, 61163019, 61263048);云南省科技厅应用基础研究计划重点项目(2014FA021);云南大学中青年骨干教师培养计划(2004XT)
作者单位E-mail
王朝晖 云南大学信息学院, 云南昆明 650091  
普园媛 云南大学信息学院, 云南昆明 650091 km_pyy@126.com 
徐丹 云南大学信息学院, 云南昆明 650091  
祝娟 云南大学信息学院, 云南昆明 650091  
陶则恩 云南大学信息学院, 云南昆明 650091  
摘要点击次数: 1444
全文下载次数: 1763
中文摘要:
      随着机器学习理论和图形图像处理技术的不断发展,在计算机视觉和计算美学领域中人们越来越关注如何建立自动评价和判断图片美感质量的系统.该系统将可用来补充和完善原有对照片只有主观美感质量评价的这一问题.对人像照片美感质量的客观评价进行研究,提出了25种能够较好反映人像类照片美感质量的特征,并使用支持向量机、Adaboost、随机森林等多种分类器来进行机器学习和评价,对提出的特征值集合进行十交叉检验并探讨了哪些特征对美感评价有较强影响等问题.最后,通过与现有研究结果进行对比分析后得出,当采用所提出的25种特征进行人像照片美感质量评价和分类时有更高的准确率,即使用于机器学习的训练数据集数目较少时仍能保持较高的准确率.
英文摘要:
      With the development of machine learning theory and image processing technology, peoples are more and more interested in how to build a system to automatically evaluate and assess aesthetics quality of photos in the field of computer vision and computational aesthetics. This type of system can be a supplement for the subjective assessment of photo aesthetic quality. In this paper, 25 visual features extracted from each image are used to objectively evaluate photo aesthetic quality, which can better reflect the aesthetic quality of portrait photo. Four aesthetics classifiers are built based on support vector machine, AdaBoost, random forest and linear regression. 10-Fold cross validation experiment is performed to reveal which features have a salient impact on the aesthetic assessment. Compared to the current research results, classifiers using 25 features proposed by this study have higher classification accuracy rate for portrait photo aesthetic evaluation, even using the smaller training sets.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利