摘 要

数字图像的美学度量的目的在于借助计算机对人类视觉进行模拟，通过建立一种分类器来对图像美学度量分类，进而实现对图像美学价值的判断。

本文首先总结了几种具有代表性的图像审美特征，分别为局部特征以及全局特征，对于这两类特征所包含的纹理、颜色、景深等等进行了详细的叙述。并且了解到了图像内容及图像类别在图像美学度量中的重要性。随后采用以卷积神经网络为代表的机器学习方法来对数字图像美学进行度量。

本文以数字图像，特别是摄影图像为研究对象，基于卷积神经网络来对图像的美学度量进行研究。在研究的过程中建立了人类美学信息的评价图库，通过评分将其分为高美感与低美感两类，并将其分为训练集与测试集两类，其中训练集包括80张图片，测试集包括20张图片。采用深度学习的方法，即卷积神经网络对图库中的训练集图像进行训练，并且使用测试集的图像进行验证。试验表明卷积神经网络是一种有效地验证数字图像美学度量的方法，试验结果中分类错误率为：0.5，从试验结果看，卷积神经网络在数字图像的美学度量方面有着较好的效果，可以更进一步地借此结果来对数字图像的美学评价等方面进行应用，以达到更为广泛的使用和发挥更大的作用。

关键字：美学特征 数字图像 卷积神经网络 图像处理

Abstract

Aesthetic measure aimed at digital images by means of computer simulation of human vision, through the establishment of a classifier to classify images to measure aesthetics, so as to realize the image aesthetic value judgments.

This paper summarizes the aesthetic features of some representative image, namely local features and global features for these two types of features included in texture, color, depth, and so a detailed description. And understand the importance of image content and image in the image category of aesthetic measure. Followed by machine learning methods to convolution neural network on behalf of a digital image to measure aesthetics.

In this paper, digital images, especially photographic images for the study, to study aesthetic measure image-based convolution neural network. In the course of the study to establish a library of human aesthetic evaluation of information by high scores will be divided into two types of aesthetic beauty and low, and divided into two types of training set and test set, wherein the training set comprises 80 pictures, test set includes 20 pictures. Depth-learning methods, namely convolution neural network training set image gallery for training, testing and use of the image collection to verify. Tests show convolutional neural network is an effective measure to verify the digital image aesthetic approach results in misclassification rate is 0.5, from the test results, the convolutional neural network has good results in terms of aesthetics metric digital images We can further take the results to the application of aesthetic evaluation of digital images, etc., in order to achieve wider use and play a greater role.

Key Words：Aesthetic Features；Digital Image； CNN；Image Processing；

目录

摘要 I

Abstract II

第一章：绪论 1

1.1课题的研究背景 1

1.1.1课题的来源 1

1.1.2研究的背景和意义 2

1.2国内外研究近况 2

1.2.1国外研究状况及文献分析 3

1.2.2国内研究近况及文献分析 5

1.3课题的研究内容与目标 6

第二章：图像美学的分类以及度量方法的选择 7

第三章：图像美学的特征 11

3.1美学特征的分类 11

3.2美学特征的综述 12

3.2.1图像的颜色特征 13

3.2.2图像的纹理特征 14

3.2.3图像的形状特征 15

3.2.4图像色彩均衡性特征 15

3.2.5图像能量特征 15

3.2.6图像景深特征 16

第四章：基于卷积神经网络的图像美学度量 19

4.1卷积神经网络（CNN） 19

4.1.1卷积神经网络的定义以及结构 19

4.1.2 CNN的Feedforward Pass与Backpropagation Pass 21

4.2基于卷积神经网络的数字图像美学分类 22

4.2.1 PicDatabase 22

4.2.2特征提取层构建 23

4.2.3特征映射层构建 23

4.2.4卷积神经网络的实验设计 24

4.3结果分析 25

第五章：总结与展望 29

参考文献 31

致谢 35

第一章：绪论

1.1课题的研究背景

1.1.1课题的来源

大数据时代的到来，图像与视频等数字媒体已经成为现代社会的主要信息传播方式。图像等媒体在日常生活中起着十分重要的作用并且占有着重要的地位。它们在教育，通信，医学，金融等重要领域起着举足轻重的作用。同时充斥着大量图像的网络不断冲击着人类的审美以及对美学的认识。从美学角度来评价图像（包括视频等媒体），是将图像从文化层面上升到精神层面的重要突破，这使得越来越多的学者将注意力集中到了数字图像的美学意义上的研究，这样数字图像的美学度量方法的研究就有着特别的意义。

众所周知的是，人类对于美学的认知更多的是在心理层面上的。人类对于美学概念的认知来自于人类视觉以及内心对于能令自身愉悦的事物的认同。当今社会压力巨大，美学作为能够帮助人类认识和改变现状有着重大意义。

信息技术的快速进步为我们带来了越来越多的数字图像，我们的情绪和心理会受到这些媒体的影响。在这个大数据时代，人们每天会面对数以亿计的海量数据，仅仅靠人类本身对于数字图像美学的认知已经远远不够，人类希望借助计算机的力量，通过智能化的计算机进行一种对于数字图像美学度量的研究，借此产生了一系列如图像识别，图像美学处理等智能计算的新思路。

但是计算机本身仅仅是一个机器，并没有人类所拥有的意识和观念，并不能直接地对于数字图像进行直接的审美判断，那么通过一些智能化的方法，到底可以使得计算机对于“美”的认识达到一种什么样的地步是非常值得探讨的。如果可以通过计算机对于数字图像美学进行精确的度量，在智能计算领域也是一种具有重大意义的突破。倘若计算机可以对美学进行主观而精确的评价，这样将会为智能计算以及图像处理方面开辟一个新的方向。

1.1.2研究的背景和意义

在传统观念中，美学一直是一种在哲学和艺术领域内的内容，用计算机来对图像的美下定义看似是一个十分荒唐的设定。在描述一张图片的美与丑时，人们往往会使用“比较”，“特别”，“很”等等词语对这个形容具体化，但是对其度量是一件难以置信的事情。因此很难对“美学”在计算机上进行准确的定义。