美术的最基本特征范例(3篇)

美术的最基本特征范文篇1

【关键词】人脸识别人脸检测

近年，生物特征识别这一技术发展今非昔比。其中，人脸识别是一种非接触性技术，具有可视化、符合人的思维习惯的特点，得以在商业、安全等领域广泛应用。目前，人脸识别逐渐成为一个热门的研究领域。

1人脸识别的方法

随着技术的发展，人脸识别方法也呈现出“百花齐放”的趋势。从整体上把握，人脸识别技术可以分为以下三种：

1.1基于几何特征的正面人脸识别方法

该方法是最早的人脸检测方法，是对人脸的等先验知识导出规则的利用。人脸面部器官可以近似的看作是常见的几何单元，肤色也人脸的是重要特征之一。该方法就是采集人脸的重要的面部特征及其之间的相对距离、特征分布等参数从而形成一个可以表示人脸特征向量，例如角度、曲率等。该方法抗干扰能力极强，对于光照变化的敏感度很低，并且直接利用人脸信息，便于理解。同时，由于该方法算法只关心器官的基本形状和位置结构，并没有侧重细节特征，所以对于从图像中提取稳定的特征就比较困难。这就意味着当人的面部表情的变化较大时，或者是出现了存在遮挡物等影响鲁棒性差的情况，对于人脸特征的提取就会变得困难甚至错误。

1.2基于模板匹配的人脸识别方法

模板匹配主要包括静态匹配和弹性匹配，可以细分为：动态连接匹配法、特征脸方法、线性判别方法、神经网络法等。静态匹配方法在使用时也需要对图像进行适当的标准化，随后利用整幅图像的灰度级、生理特征区的灰度图像和变换后的人脸图像模板。由于是静态的匹配，模板的灵活性差，当出现面部表情过大时，就无法使用模板。所以产生了动态的模板匹配，也称为动态连接匹配法。该方法是建立反映人脸特征形状可变部分的特征参数模型。该方法的有点就在于其灵活性大大的提高，适用于更多情况下的人脸检测，同时鲁棒性较于静态更好。但是该方法容易因为计算时间太长而陷入局部最小。

1.3基于模型的人脸识别方法

该方法是利用数学模型的参数进行人脸识别，合并人脸尺度和人脸方向的人脸。该方法着重了人脸各器官的不同特征和相互联系，又不敏感于面部表情变化，鲁棒性好，计算量也并不巨大。基于隐马尔科夫模型法就是其中最经典的方法。

2人脸识别的现状

人脸识别技术正式起步于美国，我国接触该技术较晚，但是经过科研人员和学者们多年的研究和实验，目前我国的人脸识别技术已经达到国际先进的水平。

2.1国内

在我国，最早从人工向计算机智能识别发展的生物识别技术是指纹识别，但是在实际应用中逐渐产生了对人脸识别技术的需求。从2001年开始，公安部门就开始使用这一技术来防范打击重大刑事犯罪并取得国家的支持。随后，我国在2008年北京奥运会举行时应用了人脸识别技术，这标志着我国的人脸识别进入大规模的使用阶段。在前几年举办的世博会上，该技术得到更加广泛的应用，同时各大公司也逐渐加入，实现了人脸识别技术在中国的大规模应用。随着我国技术的不断进步，“三化两合”将是人脸识别发展的必然趋势。“三化”指：主流化、芯片化、标准化；“两合”指：与其他生物特征的多生物特征融合与REID的联合。

2.2国外

国内外对于人脸识别的研究都非常的活跃。美国、德国、日本等经济发达国家和部分发展中国家都有研究机构和研究人员对此进行专门的研究。以下只取其中筛龉家作为例子。

2.2.1美国

美国是人脸识别技术最先起步的国家，也是最先应用该技术的国家，其人脸识别技术的水平一直走在国际前列。早在1993年，美国国防部就启动了FERET项目，为其之后的生物智能识别技术奠定了基础，推动人脸识别技术从初始阶段提升到原型系统阶段。目前，美国电影中没有钥匙孔只有一个摄像头的大门，刷一下人脸就可以进入；机要部门的核心设备通过指纹进行设备的解锁；追踪情节中利用街边摄像头进行识别等等，这些场景在实际生活中已经得到实际的应用。例如，FBI在2014年就推出了他们的新一代的电子识别系统，总投入超过10亿美金。用于利用监控锁定犯罪嫌疑人，从而进行全网追捕。不仅如此，美国国防部和国土安全部门加大了对人工智能识别技术的投资，用来防止对公共安全造成的威胁。

2.2.2日本

日本虽然也是略晚接触人脸识别技术的国家，但是其发展却日新月异。在2014年日本的一家研究中心就在日本大阪试验一项基于视频的人脸识别技术，目的在于当灾难来临是，通过实时监控中人脸的表情以及人流的动态来判断各个紧急安全出口是否可用。日本近年来一直在加快对只能视频分析技术的研究。据中关在线报道，2015年日本日立公司推出的视频监控人脸识别技术能够技术能够以3600万张图像/秒的速度进行扫描，以高精度识别出路人，并且即时存储路人脸部图像，将长相相似的人脸进行分类。随后，据中新网2015年7月3日报道，日本在国内的骨干机场引进了通过计算机智能识别人脸来确认身份的系统，有望在举办东京奥运会和残奥会的之前，推进日本人出入境审查的无人化，大大缩短外国游客入境审查的时间。

3人脸识别的展望

虽然人脸识别技术目前还存在一些缺陷，但是这一技术目前已经得到了非常迅速的发展，还出现了专门的国际会议，越来越多的研究人员和研究机构投入其中，同时各国也开始逐渐试验这一技术，那些亟待解决的问题不过也是时间的问题。相信不久的将来，这一人工智能技术会在不断的应用中逐渐完善，并且造福全人类。

参考文献

[1]吴巾一.人脸识别方法综述[A].计算机应用研究，2009（09）：3205-3209

[2]姜贺.基于几何特征的人脸识别算法[D].大连：大连理工大学，2008（12）.

[3]生物特征识别技术需从应用中逐步完善[J].智能建筑与城市信息，2014（09）：15-19

[4]余龙华.基于隐马尔科夫模型的人脸识别[A].计算机技术与发展，2012（02）：25-28

美术的最基本特征范文

近年来，随着计算机视觉和模式识别等技术的快速发展，在计算机科学范畴提出了计算美学的概念，希望研究“美”的可计算方法，使计算机能模拟人类自主地理解、推导和计算“美”，并在相关应用中做出可行的美学决策.

图像美学可以定义为人们在观察图像时引发的美学兴趣.可计算的图像美学是计算美学在图像理解方面的重要探索，其研究目的是希望计算机能够模拟人类视觉及审美思维，进而对图像进行美学决策、建立计算机与视觉艺术作品之间的桥梁;使计算机能够自主地对图像的“美”进行定量的分析、计算和评价，比如评价美学指数、判断绘画的美学风格等；通过对图像的美学分析、计算和评估，理解用户的美学感受，帮助寻找到最适合用户心理需求、具有积极情感影响的目标和方案，这对于实现和谐的人机交互具有重要的意义.其研究结果可应用到融合主观感知的基于语义的图像检索、图像美学质量评估、摄影的美学预测与修正、艺术作品风格分析、人机交互，以及设计、摄影、广告等领域.相关研究涉及到艺术、认知科学、心理学、计算机科学等多个学科，属于多学科交叉的创新性前沿研究课题，具有重要的理论价值和应用前景.

由于审美的主观性和复杂性，可计算美学的研究存在一定的难度.1988年，李介谷撰写的《图像处理技术》一书中，曾提及Sasaki提出的关于美函数的概念，他认为图像之所以给人以美的印象与图像的总体布局有关，总体布局包括图像中各对象的布局和总体色调等.2005年，Hoening在计算机科学领域提出了可计算美学的研究，阐释了可计算美学的概念，推动了结合人类感知的可计算美学决策应用的发展.

针对图像美学分类与评价，宾夕法尼亚大学的Wang领导的研究小组，率先实现了图像视觉特征到图像美学判定的关联.他们基于摄影美学相关的一些简单规则，提取了包括图像的亮度、色彩分布、小波变换、景深等35个图像特征，并结合特征选择提取了最有效的15个特征，使用支持向量机方法(supportvectormachine,SVM)对高美感和低美感的图像进行分类；而后采用多元线性回归、利用图像特征评估图像美感分数值.虽然评估结果正确率不高，但显示出可计算图像美学分析是可行的.

不少专家学者在其成果上进一步开展与图像美学评价相关的研究，如Wong等[7]将视觉注意机制引人美学分类，提取出区域特征，获得了更好的分类效果；Wu等实现了图像美感标签(如beautifulvs.ugly)的自动标记，这实际上还是属于图像的美学分类问题;卡内基梅隆大学的Li等™从艺术美学的角度出发，设计了相应的艺术美学特征，实现了绘画作品的美学视觉质量高低两类别分类；Marchesotti等设计了一种图像低层局部特征描述子来评估图像美学质量，给出了一种自底向上的特征提取思路.

图像美学研究的另一个方向是基于美学规则的图像美化.Liu等利用三分法、对角占优等美学构图规则，通过调整原始图像的布局实现图像美化；Bhattacharya等将图像美学应用到图像修改和重建中，利用美学中的三分之一法则改变图像中的主体目标的位置或对图像进行空间重构，以提升照片的视觉美感.

总的来说，图像美学的相关研究在国内外刚刚兴起.在美学分类与评估方面，目前大部分研究只是简单地对图像的美感等级进行分类，其采用的图像特征相对简单，对包含重要信息的区域特征以及结合人类视觉感知的高层美学特征缺乏重视.

1.图像美感分类与评估方案设计

本文提出一种根据人类视觉及审美习惯来评价图像美学价值的可行方案，通过提取符合人类视觉审美的高层美学特征以及包含图像重要信息的区域特征，采用机器学习方法建立模型来实现模拟人类审美感知的图像美学自动评价.图1所示为本文图像美学自动评价系统的框架.

图像的关键区域包含了重要的、主导图像内容的有用信息，在很大程度影响了人们的审美决策.因此，本文不仅对图像整体区域进行分析，还提取了图像关键区域的特征.

此外，为了克服低层视觉特征难以表述人类对图像美感感知的缺陷，在计算低层视觉特征的基础上，引人图像的复杂度特征、色彩均衡性特征、图像能量和景深特征等图像高层美学特征，使之能有效地描述图像，更符合人类对图像美感的感知.

本文的可计算图像美学分析研究主要包括2部分：图像美感等级分类和美学分数评估.图像美感等级分类模型可自动将图像分为高美感和低美感2类，对应机器学习中的分类问题；图像美感分数评估模型可以自动给出图像美感的具体分值，对应于机器学习中的回归问题.本文分别采用SVM分类算法和支持向量回归（supportvectorregression,SVR)算法对图像特征数据进行训练学习，建立了图像美感等级分类模型和图像美感分数评估模型，实现了机器自动对图像的高、低美感进行分类，并给出与人的审美思维相近的美学分数.

2.图像关键区域提取

SteP2.图像分割.显著性计算是基于像素的计算，要提取出关键区域，还需要与图像分割方法相结合.

图像分割指的是将图像细分为多个图像子区域的过程.在图像分割问题中，MeanShift分割算法是一种比较成熟的算法，它基于区域进行分割，综合考虑图像的空间信息和色彩信息，依靠特征空间中的样本点进行分析，与人眼对图像的分析特性相近，无需任何先验知识，且具有收敛速度快的特点，分割效果好，且鲁棒性强.因此，本文采用MeanShift算法对显著图进行图像分割，得到分割块.

Step3.关键区域提取.根据分割块的平均显著性选择分割块，具体步骤如下：

计算每个分割块k的平均显著性St其中，为分割块々中像素总数，^为点j的像素值，/„是分割块6中所有像素的平均值.如果S*>2XS„，即分割块是的平均显著性大于整幅图像的平均显著性的2倍，标记出这个分割块；最后将所有被标记的分割块组合，得到显著区域提取图，将其作为图像的关键区域提取图.经过上述步骤所提取的图像关键区域，基本能代表图像的关键信息，具体示例如图3所示.为提取图像关键区域，主要包括显著性计算、图像分割和关键区域提取3个部分.图2所示为本文提取关键区域的框图.

Stepl.显著性计算.本文参考八(^1«3等的显著区域检测方法提取显著区域，并将其作为图像关键区域.该方法基于Lab颜色空间计算图像的显著性，对于一幅图像令h为图像7所有像素的平均值，乙为图像J高斯模糊后的图像，和L都用Lab颜色空间表示，通过计算L和込的欧氏距离来计算显著性，显著图得到图像显著图后，计算图像平均显著性

3.图像特征提取

目前从图像中提取低层客观特征（如颜色、纹理、形状等）的算法已经日趋成熟，但是以美学评估为目的的图像特征提取需要结合艺术、心理学和摄影的相关基础理论，寻找出与人的感知和美学密切联系的相关特征，并运用适当的方式进行描述.基于美学的图像特征提取是图像美学研究的核心部分.

本文所计算的图像特征包括低层视觉特征、高层美学特征和区域特征.

3.1低层视觉特征

低层特征具有直观的视觉表达意义，可以独立地、客观地描述图像内容.本文提取的常用低层视觉特征包括颜色特征、纹理特征和形状特征;其中颜色特征包括基于非均匀量化的HSV颜色空间的128维的颜色直方图/!〜/128，以及H，S，V3个分量的一、二、三阶矩（9维）/129〜/137.

本文采用Gabor特征、Tamura特征和灰度共生矩阵来表征图像的纹理特征.对每幅图像计算了6个方向、4个尺度的滤波后平均值和方差，形成48维的Gabor特征向量/us〜/iss.而Tamura特征中，提取了粗糙度、对比度、方向性、线性度、规则度和起伏度，共6维特征/186〜/191.对于灰度共生矩阵特征，提取了4个方向的5个纹理特征属性/192〜/2„，包括角二阶矩、熵、对比度、均匀度和相关度，共20维.对于形状特征，则是基于Sobel算法的图像边缘梯度幅值和方向，得到16维的边缘方向直方图212'.fin最终，从每幅图像提取了一个227维的低层视觉特征向量.

3.2高层美学特征

由于低层视觉特征与人对图像的理解判断之间存在着较大的差异，基于美学的图像特征提取是图像美学研究的核心部分.本文总结了已有的研究成果,结合审美心理学、美学度量和摄影规则等与人类美学感知相关的各个方面，计算了图像复杂度特征、图像色彩均衡性特征、图像能量和景深特征作为图像高层美学特征.通过实验验证，本文所计算的高层美学特征能更好地表述图像信息和美感信息.

3.2.1图像复杂度特征

图像复杂度指的是图像本身所具有的色彩分布、形状分布、纹理分布以及结构分布等的复杂性程度，被认为是高度相关的审美测度之一.

1933年，美国数学家Birkhoff[14]就提出了著名的美学度量（aestheticmeasure,AM)公式

其中，O。表示事物内在的秩序，0。表示事物内在的复杂性.式（1)显示美学度量与事物内在的秩序与复杂性相关，它被认为是计算美学的雏形.虽然其缺少具体的计算方法，但这些理论对相关工作具有十分重要的指导意义.

Machado等[15]在式（1)的基础上针对图像的美学度量提出了美学公式，并将其中变量的计算具体化.他们认为图像的“美”的度量与图像复杂性（imagecomplexity,1C)成正比，与人脑对图像的处理复杂性（processingcomplexity,PC)成反比，内在重复性高的图像（如分形图像)虽然1C高，但是人在识别和理解时的处理却相对简单，即PC低，所以会感觉美.因此，他们给出美学公式M=IC/PC;其中1C用JPEG压缩图的误差与压缩率的比值表示，PC用分形图像压缩率来表示，并通过心理学绘画欣赏测试实验验证了其方法的有效性.

本文结合目前关于复杂度的研究成果，以信息理论、Kolmogorov复杂度、物理摘，以及图像处理等的基本知识为背景，归类并计算了PC复杂度（包括秩序复杂度和熵复杂度），以及1C复杂度(包括色彩复杂度和纹理复杂度）作为图像复杂度特征.

1)PC复杂度

复杂度的概念最早是由Kolmogorov提出的，其描述的是一维信号或序列的不规则程度，其最大的缺点是不可计算.Rigau等利用心理学理论的观点和思路拓展了Birkhoff的美学信息度量，给出了结合信息论和Kolmogorov复杂度的美学量化方法，包括利用色彩分布信息计算图像的Shanno摘来定义的测度iWB，利用Kolmogorov复杂度结合JPEG压缩比率定义的测度MK，以及从2肛吐的物理熵观点得到的测度Mz.通过在3种不同风格油画作品上的美学数字化分析，验证了这些量化测度的有效性.

借鉴Rigau等[17]的研究，本文采用JPEG编码后的文件大小K来近似Kolmogorov复杂度，并结合Zurek物理熵的观点定义图像的计算复杂度，包括秩序复杂度、熵复杂度，具体如下：

秩序复杂度.是从空间信息规律呈现角度来计算图像的构图复杂性.当图像越有秩序、越有规律时,进行】PEG压缩的压缩程度会越大秩序复杂度Mk的计算式为

其中，为图像的最大信息熵，所得到的（JVXHmax)为图像JPEG编码前的大小，K为编码后的大小.这样，我们得到了秩序复杂度特征/228.Mk值越大，图像压缩量越大，说明图像具有秩序，越具有审美性.

熵复杂度.是基于Zurek的观点计算的，即采用物理熵来衡量图像的复杂度，是Sharmo熵和Kolmogorov复杂度的结合即Mz=K;其中，为颜色分量的平均熵，K为编码后大小.Mz越小，图像越具有美感.这样，我们得到了熵复杂度特征.

2)1C复杂度

本文计算的1C复杂度包括色彩复杂度和纹理复杂度.

色彩复杂度.基于HSV颜色空间的图像信息量和信息熵理论，定义图像的色彩复杂度.3个颜色通道的信息量分别为Hh，Hs，Hv;WH通道为例，色彩复杂度为

其中，iV为图像的像素总数，PH(；r)为图像H通道上第工维像素的概率.色彩复杂度越大，表明图像所含色彩信息越丰富，图像越具有美感.这样，我们提取了3个颜色通道H，S，V的色彩复杂度/23。〜/232.

纹理复杂度.图像纹理的有序性、规律性反映了图像本身的复杂情况.灰度共生矩阵能较好地描述图像灰度的空间分布情况和图像的整体纹理复杂信息，本文借鉴了高振宇等方法计算灰度共生矩阵的各个特征值并加权，用以衡量图像的纹理上的复杂度.

通过计算灰度共生矩阵的能量特征£：、对比度S、信息熵H、相关度C,以及图像边缘比率尺后，赋予各个特征不同的权重，对它们加权后构成纹理复杂度，其计算公式为MT=H+i?+S—C_E.这样，我们提取了纹理复杂度特征.

3.2.2图像色彩均衡性

色彩均衡是形式美的另一种构成形式，其表现为色彩强弱、轻重的均衡性，能够给人相对稳定的视觉生理和心理感受.色彩均衡是色彩给人重量感的对称性，是重色与轻色相互均衡.一般来说，色彩的重量感取决于色彩的明度，例如深色、浓色会给人重的感觉；而浅色、淡色会给人轻的感觉.人们在观察一幅图像时，均衡的色彩分布、稳定的视觉以及好的心理感受能增强图像的美感.

本文使用了2种衡量图像色彩均衡性的度量，包括色彩熵分布和色彩视觉平衡性.

色彩熵分布.本文从信息熵的角度考虑，通过色彩分布信息计算图像的Sharnio熵来定义色彩分WMB=(Hmax—其中，H咖x为图像的最大信息熵，为HSV各个颜色分量的平均信息熵，得到的为绝对冗余.MB越小，图像中各种色彩使用越均衡.这样，我们提取了色彩熵分布特征.

色彩视觉平衡性.推土机距离（earthmover’sdistance,EMD)是Rubner等提出的一种相似性度量，其采用求解最小运输成本的基本思路来求2个待匹配对象间相似性，这实质是一个双向网络最优路径的选择问题.EMD是一种反映计算机视觉感知相似性的距离度量，通过计算原图像与色彩均匀分布的理想图像之间的颜色EMD，可以衡量图像的色彩视觉平衡性.

对LUV色彩空间进行64等分均匀量化，对于色彩分布均匀的理想图像，其64个色彩分量值是相等的.一幅图像与理想图像之间的色彩分布相似性用EMD距离[4]表示，具体为EMDLuvsemcKD,，D2，{d(a,6)|0<a，6<63})，d(a，6)=||C„-CJ其中，emd()表示EMD的计算函数，D,和D2分别表示理想图像和待求图像的色彩分布和6分别对应于和认分布中的某个直方图区间；和(^6分别是a和6的直方图区间高度，即相应色彩值出现的频数；rfU，6)是Ca与（：6间的欧氏距离，其为64X64的矩阵.这样，我们得到了图像的色彩视觉平衡性特征EMDh.

同时，参考在LUV空间的做法，在RGB空间中，我们也采用同样的方法计算得到图像的色彩视觉平衡性特征EMD^b.这样,我们提取了二维EMD距离特征.

3.2.3图像能量

图像能量是从统计特性上描述图像的一种基本属性，是图像信息丰富与否的体现，它与图像美感密切相关.

由于图像的小波系数代表了图像的主要能量，本文对单通道图像进行3层Daubechies小波变换，并计算每一层变换的HH，HL，LH频带能量和，以此作为图像的小波能量值.

对于3个单通道图像JH，JS，IV分别进行3层小波变换得到每一层的小波变换系数为0^，|_={1，2，3};当i=l时，表示第一层小波变换.因此，每个单通道的每一层的图像能量可以表示为

其中，S,=|丨+|W1|+|丨M.每个通道的3层平均小波系数之和表示该通道的小波能量，对应求得3个通道的小波能量分别为£gH,我们提取3个通道每一层的能量及其小波能量，共12维特征，即/Z37〜/248.

3.2.4图像景深

在摄影中，景深是当镜头对准某一点聚焦时其前后都仍可清晰的范围，它能决定是把背景模糊化来突出拍摄对象，还是拍出清晰的背景.专业摄影师往往通过设置小景深得到主体清晰、背景模糊的照片，从而达到中心明确、突出主题的目的，这样的图像往往更具美感.

参考文献[4]的做法，我们利用HSV图像的Daubechies小波变换来定义景深.首先对图像进行4X4的网格分割，得到16个矩形图像分块，按照从左到右、从上到下的顺序标明图像分块序号，依次是{M,,M2,-,M16}，中心区域位置为{Ms，M7，M10，M„}.接着对图像3个单通道图像（JH,JS，JV)进行3层Daubechies小波变换，然后计算小波系数能量值用以衡量景深.景深（lowdepth,LD)定义[4]为

其中，W3(x，y)为单通道图像经过3层小波变换后像素p(x，y)的小波系数能量值；而M,G'=1，2…16)表示各个用于景深计算的图像分块.

为此，对HSV图像3个单通道图像JH，IS，JV计算的景深值分别为LDH,LDS，LDV，即特征f24s〜/251。

3.3区域特征

图像的关键区域包含了图像最主要的信息内容.视觉心理学研究表明，在观察图像时，关键区域会吸引人们大部分的兴趣和注意力.因此，在美学分析中，关键区域相比其他区域更有价值.Wong等[7]利用视觉显著模型提取显著区域，并提取显著区域的区域特征，将其应用到图像美学分类中，提高了分类正确率.

对于图像的关键区域，人们往往更多地关注该区域的颜色分布、纹理情况、形状大小和形状比例等.因此，本文计算了关键区域的颜色矩和形状比特征，颜色矩包括H，S，V3个颜色通道的一、二、三阶矩（/252〜/26。），形状比（/m)为关键区域像素总数与原图像的像素总数的比率，得到10维的区域特征.

最终，对每一幅图像提取了包括低层特征、高层特征和区域特征共261维的特征向量.

4.学分类与评估模型建立

自动将图像分为高美感和低美感类别是一个分类问题.SVM算法是一种监督学习模型，由Cortes等[22]首次提出，它的基本思路是构造最优分类超平面，使类间间隔最大.它解决了神经网络中过学习与欠学习的问题，在高维空间的运算避免了“维数灾难”,泛化性能好，在解决小样本、非线性、高维模式识别问题中优势较为明显.在图像美学分类学习中有较多采用SVM算法，已有相关研究验证了其在该领域的有效性.所以，本文采用SVM算法对图像进行高、低美感分类，并使用基于混渚矩阵的分类准确度来衡量分类性能.在分类模型测试中，通过网格搜索技术寻找到SVM中RBF核函数的最优参数C=256,y=0.5.

图像美学分数评估是模拟人的感知自动给出图像的美学分数，属于回归问题.本文采用SVR算法，并选用RBF核函数对其进行训练学习，获得美感分数评估模型.通过将模型自动评分的结果与人类主观美感评分进行对比，计算相关系数、均方根误差(RMSE)、平均绝对误差、平均相对误差和剩余标准差等指标来衡量系统的性能.其中相关系数越高、各类误差越小时，说明回归性能越好.在评估模型测试中，通过网格搜索技术寻找到SVR中RBF核函数的最优参数C=l.0,7=0.0625,e=0.5类，共得到高美感图像750幅，低美感图像644幅，用于美学分类实验.

本文采用第3节方法提取了261维的图像特征，分别采用SVM算法实现美感等级（高美感与低美感）的图像分类，同时采用SVR算法实现图像美学分数的评估.

为了验证本文提取的各类特征的有效性，我们对比了不同类别特征（低层特征227维、高层特征24维、区域特征10维）的分类效果和回归性能，如表1〜2所示

从表1我们可以看到，只采用低层特征的平均分类准确率为72.21%;加人高层特征和区域特征后的平均分类准确率提升为75.37%.表2所示为美学分数评估的回归模型结果对比，其反映了模型自动评估结果与人类主观美学评分之间的相符合的程度.从表2中可以看到，当只采用低层特征时，美学分数自动评估结果与人的主观美学评价分数的相关性为0.753;加人高层特征和区域特征后，相关系数提高到0.79，同时各类误差都更低.

表1和表2的数据说明，本文提取的与人类的视觉系统、审美思维相关的高层特征和区域特征是有效的.通过本文模型能自动分析出图像的美感等级和美学分数评估值，结果符合人对图像的美学感知.图5所示为本文方法的评价示例.

美术的最基本特征范文

书法艺术

书法艺术是以线条组合变化来表现文字之美的艺术形式，它主要通过用笔用墨、结构章法、线条组合等方式进行造型和表现主体的审美情操。

中国书法主要包括篆书、隶书、草书、楷书、行书等书体。

书法艺术昀基本特征

(1)线条与组合。(2)具象与抽象。(3)情感与象征。

实用艺术

实用艺术最基本的特征就是实用性与审美性相结合，它是建筑艺术、园林艺术、工艺与设计艺术等表现性空间艺术的总称。实用艺术是所有艺术种类中最普及、最常见的一大类别，它与人们的衣、食、住、用等日常生活关系最为密切。

建筑艺术

建筑艺术是一种实用与审美相结合，.以形体、线条、色彩、质感、装饰、空间组合等为艺术语言，建构成实体形象的造型与空间艺术。

建筑可分为民用建筑、公共建筑、园林建筑、宗教建筑、纪念性建筑等。

建筑艺术的基本特征

(1)造型的形式美追求。(2)环境的人格化体现。(3)多重的象征性意味。

园林艺术

园林艺术是指利用多种技术手段和艺术手法，将山水、花木、建筑等要素组合成为统一的景观。园林艺术体现了自然因素和人文因素的有机融合。园林艺术在广义上是建筑艺术的一种类型。

园林艺术的类型，从世界范围看主要有三种，即欧洲园林、阿拉伯园林和东方园林。东方园林以中国园林为代表。

园林艺术的基本特征

(1)浓缩的自然。(2)综合的形式。(3)意境的追求。

工艺与设计艺术

工艺是一种历史悠久的艺术样式，它既有一定的审美价值，同时又具备一定的实用价值，与制作或生产密切相关。

设计艺术是工业革命后在国际上兴起韵一门交叉性应用学科，是围绕着某种制作或生产目的进行的富有审美情趣的创作，，主要包括产品设计、环境设计、视觉设计等。

工艺与设计艺术的基本特征

(1)实用与审美的结合。(2)物质与精神的结合。(3)技能与创造。

表情艺术

表情艺术是通过一定的物质媒介(音响、人体)来直接表现人的情感，间接反映社会生活的这一类艺术的总称。表情艺术主要是指音乐、舞蹈这两门表现性和表演性艺术。表情艺术是人类历最古老的艺术门类。

音乐艺术

音乐艺术是以人声或乐器声音为材料，通过有组织的乐音在一定时间长度内营造审美情境的表现性艺术。音乐艺术以旋律、节奏、和声、配器、复调等为基本手段，以抒发人的审美情感为目标，具有较强盼情感表现力和情绪感染力。

音乐艺术的分类

音乐可分为声乐和器乐。声乐按演唱者可分为男声、女声和童声，按音域可分为高音、中音和低音，还可根据演唱的方式分为独唱、齐唱、重唱、合唱、对唱、伴唱等多种形式。

根据器乐的不同种类和演奏方法，可以分为弦乐、管乐、弹拨乐、打击乐四大类。

音乐艺术的基本特征

(1)情感的涌流。(2)想象的自由。(3)象征的意味。

艺术发展的继承与倒新

(1)继承和创新是促进艺术发展的重要因素。艺术的发展是有其内在继承性的，这种继承性，反映着社会意识形态和人们审美观念的连续性。每一时代的艺术对于后一时代的艺术都是一种既定的存在和条件，后一时代的艺术必然要在前一时代艺术的基础上得以发展。(2)艺术的历史继承性，首先表现为对本民族艺术传统的吸收和接受，以及对其他民族和国家优秀文化和艺术成果的吸纳，尤其表现在对艺术的形式与技巧、内容、审美观念和创作方法等方面的继承上。

(3)艺术发展的过程就是一个不断除旧布新、推陈出新的过程。为了创新，就要坚持批判的原则，对过去的文化遗产去其糟粕，取其精华。同时，又要坚持在艺术内容、艺术形式、艺术语言、艺术表现手法等方面的创造，不断适应新时代人们对于审美文化和艺术的需求。

艺术是一种审美的意识形态

作为一种特殊的精神文化现象，艺术既具有一般意识形态的特性，又具有自身的审美特性，因而它是一种审美的意识形态。作为审美的意识形态，艺术与意识形态各部门以及政治、科学等均有着密切的联系。

(1)艺术与哲学。哲学主要研究自然界、人类社会和人的思维等领域中带有普遍性的根本规律，哲学主要通过美学这一中介对艺术产生影响。艺术也可以通过审美创造对哲学家的思维及其思想产生启迪，从而在一定程度上影响哲学。

(2)艺术与宗教。艺术与宗教早期曾融合在一起，在其后的发展过程中也有着极其密切的关系。二者在认识与掌握世界的方式上有着相似之处。宗教长期利用艺术来宣传宗教，客观上促进了艺术的发展·同时艺术也在不断影响着宗教。但由于宗教和艺术在思维方式和终极目的上的根本差异，决定了二者的本质区别。(3)艺术与道德。道德是指人们在社会生活中形成的伦理观念和行为规范的总和。道德与艺术的联系相当紧密。一方面，一定社会的伦理道德总要通过艺术的内容和精神得以体现;另一方面，艺术以审美的方式对道德观念进行思考并加以表现，从而影响人们的道德观念。

(4)艺术与政治。政治是经济的集中反映，政治对于包括艺术在内的上层建筑和意识形态领域各部门的影响是最为直接和广泛的。艺术活动会受到政治的制约和影响，同时也可以对政治产生影响，二者是相互联系和统一的关系。政治在一定程度上可以影响和引导艺术的方向，良好的政治环境可以保障艺术得到更快、更健康的发展。艺术也可以通过自身显现的审美情感和精神倾向对人们的政治思想产生一定的作用，从而影响政治的方向和发展。

(5)艺术与科学。科学是人类社会的一种重要文化现象，它与艺术有不少相似之处，同时在其发展过程中也有本质的区别。现代科学技术为艺术提供了新的物质技术手段、传播手段，并促使新的艺术形式的产生和美学观念的变化。在思维方式、价值追求等方面，艺术也一直对科学的发展具有重要的影响。

艺术活动的基本性质

艺术活动是以特有的艺术语言体系为媒介、以创造形象或意境满足人类审美需求的精神文化活动。

(1)任何艺术活动都必须借助一定的艺术语言体系进行。

(2)创造艺术形象或意境是一切艺术活动的出发点，也是一切艺术活动的宗旨、目的、落脚点和最终结果与归宿。

(3)艺术活动作为人类的精神文化活动，它的根本

艺术括动的基本特征

(1)艺术活动韵形象性。形象即审美形象，在广义上包括审美的情境和意境。形象把握是艺术活动特有的方式，是主体对于客体领悟式的审美创造.它是感性的而不是推理的，是体验的而不是分析的。形象是构成艺术作品的基本要素，因此，每个艺术形象都必须以个别具体的感性形式出现，把生活中人、事、景物的外部形态和内在特征真实地表现出来，有血有肉、有声有色，使人产生一种活灵活现的感觉。

(2)艺术活动的情感性。艺术中的情感即审美情感，是一种无功利的具有人类普遍性的情感。情感在艺术活动动机的生成、创造与接受过程中均是重要的心理因素之一，同时情感又是艺术创作的基本元素。情感主宰着艺术活动的整个过程，贯穿在艺术创作的整个心理过程中。

(3)艺术活动的审美性。艺术的审美特性是区别于其他社会实践活动以及意识形态活动的根本标志。艺术的审美特性是形象的、情感的和多义的，艺术的意识形态特性是隐含在审美特性之中的，它使艺术的审美世界具有了更为广阔和深邃的内涵。

艺术活动的功能

(1)审美认知功能。艺术的审美认知功能，是指人通过艺术活动能够获得关于自然和社会的知识和信息。艺术对社会、历史、人生具有审美认知功能。对于大至天体，小至原子的自然现象，艺术也同样具有审美认知作用。

(2)审美教育功能。艺术的审美教育功能，是指人通过艺术活动受到真、善、美的熏陶和感染，思想上受到启迪。艺术具有强大的情绪感染力和影响力，欣赏者往往会沉浸在优秀的艺术作品中，不知不觉地改变自己原有的态度，而接受作品的思想观念。艺术审美教育功能具有“以情感人”、“潜移默化”、“寓教于乐”三个特点。(3)审美娱乐功能。艺术的审美娱乐功能，是指人

在艺术活动中能够使身心得到调节，精神获得愉悦。这是艺术最基本的功能。

艺术教育

艺术教育是美育的核心，也是实施美育的主要途径。