基于机器学习技术的美术绘画图像特征分析研究
Research on the analysis of image characteristics in fine art painting under the application of machine learning technology
Hui Song, Lei Wang, Cheng Song
Ain Shams Engineering Journal · 2025-05-09
开放获取美术与书法被引 4被引前 10%影响因子 ≈5.9
摘要
美术绘画在历史上对文明发展起到了重要的塑造作用，能够最充分地表达人类经验。智能手机的普及推动了美术网络画廊的快速发展，因此众多互联网服务机构和平台提供了海量的数字藏品。面对数量庞大的数字艺术品，实现美术作品的自动化处理与分析显得尤为重要。其中，美术绘画的自动分类是开展此类作品分析的关键环节。本文提出了一种名为随机群智能逻辑回归（SSI-LR）的新型美术绘画图像机器学习分类器。该分类器借助随机粒子群优化（SPSO）算法生成最优图像特征，从而提升逻辑回归方法的分类性能。研究选取了美术绘画原始数据样本，先通过中值滤波去除其中的噪声干扰，再采用对比度增强方法改善图像的对比度。随后利用线性判别分析从增强后的图像中提取绘画图像的核心特征。最后，借助所提出的SSI-LR方法生成增强型特征表征，实现对美术绘画图像的有效描述。实验结果表明，相较于现有其他方法，该方法在美术绘画图像分类任务中表现优异。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 随着数字美术藏品的激增，美术绘画的自动化分析与分类成为亟待解决的关键问题。本文提出一种名为随机群体智能逻辑回归（SSI-LR）的新型机器学习分类器，旨在通过优化图像特征生成来提升美术绘画的自动分类性能。实验证明该分类器在美术绘画图像分类任务上表现优异。
- 研究方法
- 研究首先利用中值滤波器对美术绘画源数据进行去噪处理，并通过对比度改善方法增强图像对比度。随后，采用线性判别分析（LDA）从增强后的图像中提取核心特征。最后，运用随机粒子群优化（SPSO）算法优化逻辑回归（LR）的分类性能，构建SSI-LR模型完成图像特征表征与分类。
- 学术贡献
- 本文构建了一种将随机粒子群优化算法与逻辑回归相结合的新型分类模型，为美术绘画的自动化分类提供了创新的算法路径。该研究有效提升了海量数字艺术藏品的自动处理与分析效率，且其分类性能超越了现有方法。
- 存在局限
- 材料中未明确提及
- 进一步研究方向
- 材料中未明确提及
本综述由 AI（GLM-5-Turbo）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Digital Media and Visual Art