李炳彤 張華熊 康鋒 林翔宇

摘要：針對分形服飾圖案的特點，提出了一種多特征融合的美學(xué)評價方法。首先對設(shè)計圖像進行主觀美感評分，建立樣本圖像庫；然后提取圖像的美學(xué)復(fù)雜度、色彩分布、構(gòu)圖和紋理等19維美學(xué)特征以及7維通用圖像特征，建立特征庫；通過支持向量機建立圖像美感分類器，最終實現(xiàn)高、低美感圖案的自動分類。實驗結(jié)果顯示：該方法的高、低美感評價準(zhǔn)確率為87.14%，AUC值為0.923 7，符合人類對圖案的審美思維；與典型的美學(xué)分類算法對比，該方法對分形圖案美感等級分類的性能有所提高。

關(guān)鍵詞：服飾圖案；美學(xué)評價；分形圖案；美學(xué)特征；支持向量機

中圖分類號：TN919；TS145.4文獻標(biāo)志碼：A文章編號：1009-265X（2018）03-0047-06Aesthetic Assessment of Fractal Dress Pattern Based on MultiFeature Fusion

LI Bingtong， ZHANG Huaxiong， KANG Feng， LIN Xiangyu

（School of Information and Technology， Zhejiang SciTech University， Hangzhou 310018， China）Abstract：For features of fractal dress pattern， this paper proposes an aesthetic evaluation method based on multifeature fusion. Firstly， each image was graded according to the subjective aesthetic perception and an image database was established. Then， 19 dimensional aesthetic features and 7 common image features were extracted to establish feature database， including aesthetic complexity， color distribution， composition and texture， etc. and combine wit. An image aesthetic classifier was created through SVM to achieve automatic classification of high and low aesthetic patterns. The experiment results demonstrate that the accuracy of high and low aesthetic evaluation is 87.14%， and the AUC value is 0.923 7. The results show that the method proposed in this paper is according with human aesthetic thinking. Compared with typical algorithms of aesthetic classification， this method improves the performance of aesthetic grade classification for fractal patterns.

Key words：dress pattern； aesthetic evaluation； fractal pattern； aesthetic feature； SVM

通信作者：張華熊，Email：zhxhz@zstu.edu.cn計算機可以通過一定的數(shù)值計算方法生成變化無窮、玄妙美麗的分形圖案，這些圖案具有局部和整體的自相似性、動態(tài)平衡性、對稱性以及精細(xì)的結(jié)構(gòu)，內(nèi)涵豐富，風(fēng)格獨特，具有科學(xué)和藝術(shù)的雙重價值。分形圖案在中國服裝紡織業(yè)已被廣泛應(yīng)用于服飾圖案設(shè)計，并得到了很多業(yè)內(nèi)外人士的肯定[15]。然而，這些分形圖案是數(shù)學(xué)的產(chǎn)物，由純粹的公式生成，在一定程度上存在著機械性和隨機性。設(shè)計師能夠在計算機生成的分形圖像中挑選出可以表達設(shè)計思想和創(chuàng)作靈魂的圖案，但是大部分分形圖像不能自動地符合設(shè)計師的主觀思想和用戶的感受。因此，采用數(shù)字圖像處理技術(shù)，用計算機對分形服飾設(shè)計圖案進行客觀的美學(xué)評價，不僅可以方便設(shè)計師挑選合適的服飾圖案，而且對服飾圖案的設(shè)計起到指導(dǎo)作用，激發(fā)設(shè)計師的創(chuàng)作靈感。

目前，以模式識別和數(shù)字圖像處理技術(shù)為基礎(chǔ)的圖像美學(xué)評價已經(jīng)逐漸成為計算機視覺領(lǐng)域的研究熱點[68]。Datta等[6]的研究是圖像美學(xué)分類的里程碑，其綜合考慮圖像的顏色、紋理、形狀、大小等低層特征以及景深、三分法則、區(qū)域?qū)Ρ榷鹊雀邔犹卣鳎⒘藞D像視覺特征和美學(xué)評價之間的聯(lián)系。Marchesotti等[7]利用SIFT特征和局部顏色描述進行美學(xué)圖像分類，取得了很好的分類效果。Bhattacharya等[8]利用顯著度檢測和地平線檢測法，并運用三分法則和視覺平衡原則判斷圖像美學(xué)質(zhì)量，可以根據(jù)這些規(guī)則修復(fù)和增強圖像的美感。然而，目前大部分研究僅針對自然圖像進行美感分類，選擇的特征缺乏針對性，對人類感知的相應(yīng)的高層美學(xué)特征不夠重視。

本文以應(yīng)用于服飾設(shè)計的分形圖像為研究對象，根據(jù)服飾圖案的特點和普通美感圖像的特征，提出了一種符合人類視覺體系和審美思維的分形圖像美學(xué)評價方法。該方法從圖像的高層審美特征以及色彩分布和空間結(jié)構(gòu)的低層美學(xué)特征，分別提取分形服飾圖案的復(fù)雜度特征、色彩分布特征、構(gòu)圖特征、紋理特征等，并結(jié)合通用圖像特征，建立特征數(shù)據(jù)庫；采用SVM算法融合這些特征建立分類器，以實現(xiàn)分形服飾圖案的美學(xué)評價。

1算法設(shè)計

1.1算法流程

本文提出的算法可以分為圖像庫建立、特征庫構(gòu)建、SVM分類評價3個過程，算法流程如圖1所示。a）對每一幅計算機生成的分形服飾圖像，由浙江理工大學(xué)服裝學(xué)院的學(xué)生進行評分，分為高美感類和低美感類，由此建立樣本圖像庫；b）對每一幅樣本圖像庫中的圖像，分別提取其美學(xué)復(fù)雜度特征、色彩分布特征、構(gòu)圖特征、紋理特征，并結(jié)合通用圖像特征，建立特征數(shù)據(jù)庫；c）將特征庫中數(shù)據(jù)分為訓(xùn)練樣本和測試樣本，首先通過SVM分類器對訓(xùn)練樣本進行訓(xùn)練，建立分類器，然后對測試樣本進行評價，輸出評價結(jié)果。

1.2特征提取

服飾圖案是專門用于服裝設(shè)計，對服裝的裝飾和造型有著雕飾陪襯的作用[9]。服飾圖案主要包括紋理結(jié)構(gòu)與畫面構(gòu)圖，給人美感的服飾圖案一般具有對稱的結(jié)構(gòu)、合理的空間分布、簡潔明快的紋理、和諧的色彩分布以及較為豐富的顏色層次[10]。

本文結(jié)合服飾圖案的特點和分形圖像本身的特點[11]，提取樣本圖像庫中圖像的美學(xué)特征和通用特征進行處理。采用圖像處理復(fù)雜度和內(nèi)容復(fù)雜度作為分形圖案的高層美學(xué)特征（2維特征）；從美學(xué)的角度考慮圖像的色彩、構(gòu)圖和紋理等低層特征，提取圖像的色彩分布特征（1維特征）、構(gòu)圖特征（8維特征）以及全局紋理特征（8維特征），共19維特征。選取模糊特征（1維特征）、暗通道特征（1維特征）、計數(shù)特征（3維特征）和對比、亮度特征（2維特征）等通用圖像特征來表征圖案的統(tǒng)計屬性，共7維特征。

1.2.1圖像復(fù)雜度

圖像復(fù)雜度是指圖像的色彩分布、形狀分布、紋理分布以及結(jié)構(gòu)分布等復(fù)雜程度，被認(rèn)為是與審美高度相關(guān)的測度之一。Machado等[12]把圖像復(fù)雜度分為處理復(fù)雜度（processing complexity，PC）和內(nèi)容復(fù)雜度（image complexity，IC），認(rèn)為圖像的“美”與PC成反比，與IC成正比。PC值低，那么人們在識別圖像和理解圖像時感覺有規(guī)律性，大腦處理起來簡單，會產(chǎn)生愉悅的感覺；IC值高，那么人們感覺圖像內(nèi)容豐富精細(xì)，人們會覺得圖像很美。

本文借鑒Rigau等[13]的研究，采用秩序復(fù)雜度來近似圖像處理復(fù)雜度。秩序復(fù)雜度是從空間信息規(guī)律呈現(xiàn)角度來計算圖像的構(gòu)圖復(fù)雜性。當(dāng)圖像越有秩序時，對其進行JPEG壓縮的程度就會越大，壓縮后圖像文件就會更小，用式（1）可以描述為：

PC=N×Hmax-KN×Hmax（1）

式中：N為圖像像素總數(shù)，Hmax為圖像的最大信息熵，K為圖像編碼后的大小。

分形圖案具有精細(xì)結(jié)構(gòu)的特點，在設(shè)計圖案時會產(chǎn)生細(xì)節(jié)，在進行圖像壓縮時可以去掉不相關(guān)的細(xì)節(jié)信息，因此可以通過壓縮的性能來表征人們對內(nèi)容的感知。本文采用圖像JPEG壓縮誤差與壓縮率的比值來度量圖像內(nèi)容復(fù)雜度[12]。如果壓縮比率越低，壓縮圖像的誤差越高，那么圖像復(fù)雜性度量值越大，可以用式（2）來表示這種度量關(guān)系：

IC=RMSError/CompressionRatio（2）

式中：RMSError表示圖像壓縮的均方根誤差，用來測量精度損失；CompressionRatio表示壓縮率，是壓縮前后圖像文件大小的比值。

對式（2）進行推廣可得式（3）：

IC=E[（I-J）2]‖I‖‖JpegStream（J）‖（3）

式中：I為原圖像，J為壓縮后圖像，E表示求解數(shù)據(jù)均方，JpegStream表示圖像壓縮流信息。

對于JPEG的壓縮方法，本文參考文獻[14]的方法設(shè)定壓縮品質(zhì)系數(shù)。因為人類視覺感知對亮度比色度更加敏感，因此本文僅使用圖像的亮度通道，丟棄色彩信息。

1.2.2色彩分布特征

圖像的色彩及顏色分布對人們的心理有較大的影響。本文在HSV顏色空間計算色彩分布特征，通過一幅圖像中高頻出現(xiàn)明顯與周圍不同的色彩確定圖像的主要色彩[15]。

把圖像的每個HSV顏色空間劃分為16個區(qū)域，構(gòu)建163=4 096個區(qū)域，每個區(qū)域中心設(shè)為備選色彩，共有4 096個備選色彩。設(shè)Ci為第i個備選色彩，h（i）是圖像中第i個顏色區(qū)域的像素數(shù)，那么可以建立一個加權(quán)樣本的數(shù)據(jù)集D：

D={（Ci，h（i））|h（i）≥0，i=1，2，…，4 096}（4）

對D通過加權(quán)k均值算法，可獲得N個聚類中心。這N個聚類中心的色彩僅考慮圖像像素點的顏色分布，沒有考慮像素點的空間分布，因此采用式（5）綜合考慮顏色和空間因素，以更好地選擇主要色彩：

Dom（j）=argmaxCi αh（i）+（1-α）‖Ci-Vj‖-1（5）

式中：Dom（j）為第j個主色彩；Vj是第j個聚類中心；α∈[0，1]為用來平衡色彩所占權(quán)重和與聚類中心距離的參數(shù)。

本文中主要色彩數(shù)N=5，那么聚類后圖像就減少為5×3（通道）=15維向量。為了獲得基于色彩信息的美學(xué)評價特征，本文采用基于實例的方法[16]，對訓(xùn)練樣本集中的圖像在15維空間中采用k最近鄰法計算高美感顏色數(shù)nH和低美感顏色數(shù)nL，即k=nH+nL，并通過它們的差異來構(gòu)建特征：f=nH-nL。

1.2.3構(gòu)圖特征

構(gòu)圖特征是圖像元素和線條的分布以及相互結(jié)合，線條是圖像形成中的基本元素[1718]。在設(shè)計分形圖案時，對稱構(gòu)圖表現(xiàn)了秩序與不平衡程度，往往表達不同尋常的感情。本文通過簡單、直觀、對感情有更直接影響的特征來表征構(gòu)圖特征。在圖像的H、S、V和H+S+V通道中，計算每個值與整體的比值作為布局關(guān)系矩陣。首先對整個測試樣本庫的圖像的4個通道取平均，建立高、低美感模板，然后計算輸入圖像與高、低美感模板的距離dH、dL，將差值dLdH作為該通道的布局構(gòu)圖特征，由此獲得4個通道的4維特征。

圖像邊緣可以反映目標(biāo)邊界，邊緣的空間分布對評估分形圖案的美感有益。與計算構(gòu)圖特征類似，在HSV通道中通過拉普拉斯算子提取輸入圖像4個通道的邊緣，并計算輸入圖像與高、低美感模板的距離，以距離差值作為圖案的邊緣構(gòu)圖特征，共得到4維特征。

1.2.4紋理特征

紋理是服飾設(shè)計圖案中非常重要的內(nèi)容。分形圖案具有局部和整體的自相似性以及結(jié)構(gòu)精細(xì)的特點，擁有鮮明的紋理結(jié)構(gòu)。從全局紋理的角度，本文分別提取圖像的布局關(guān)系和邊緣強度，把整體圖像在垂直和水平方向分別分割成6個子區(qū)間，然后分別計算H、S、V和H+S+V通道相鄰區(qū)間差異的總和來描述圖像在不同顏色空間的紋理特征，用這種方法共得到8維特征。

1.2.5通用特征

本文采用模糊特征、暗通道特征、計數(shù)特征和對比、亮度特征等通用特征來表征圖像某些方面的統(tǒng)計屬性，這些特征與圖像美感沒有直接聯(lián)系。

a）模糊特征。將圖像進行傅里葉變換，篩選出閾值大于設(shè)定值的值像素點并計算其所占比例，用來估計灰度圖像的銳度，作為圖像的模糊特征。

b）暗通道特征。計算圖像中各像素的RGB通道的最小值之和的平均值，構(gòu)造暗通道特征[19]。

c）計數(shù)特征。圖像轉(zhuǎn)化為HSV顏色模型每個分量都劃分為16個區(qū)域，分別統(tǒng)計每個分量非零區(qū)域的數(shù)量，共得到3維計數(shù)特征。質(zhì)量高的圖像計數(shù)值越高。

d）對比和亮度特征。首先分別計算R、G、B通道的灰度直方圖HR、HG、HB，然后計算綜合直方圖H，H（i）=HR（i）+HG（i）+HB（i），用綜合直方圖H中間98%區(qū)間寬度的面積來計算對比特征。在YCbCr顏色空間中提取圖像的亮度直方圖，同樣用直方圖中間98%區(qū)間寬度的面積來計算亮度特征。這樣可以得到2維特征。

1.3SVM分類器構(gòu)建

將圖像自動分類為高、低美感類別是一個分類問題。本文采用支持向量機（support vector machine， SVM）對樣本圖像進行分類。SVM算法由Cortes等[20]提出，其基本思路是構(gòu)造最優(yōu)分類超平面，這些分類面由支撐平面的向量確定。Burges[21]在圖案識別領(lǐng)域分析了SVM算法的基本性能，并提出了在該領(lǐng)域的應(yīng)用方法。該算法解決了在高維空間中計算的“維數(shù)災(zāi)難”問題，具有良好的泛化性能，在解決小樣本、非線性、高維模式識別問題中有明顯優(yōu)勢。

訓(xùn)練樣本集D={（xi，yj）|i=1，…，N}，yj=-1表示訓(xùn)練樣本為負(fù)樣本，yj=+1表示訓(xùn)練樣本為正樣本。樣本在N維空間的線性判別函數(shù)為：g（x）=wx+b，其中w為N維法向量，b為偏移量。則分類面的方程為：wx+b=0。樣本中離分類面最近的點且平行于最優(yōu)分類面的超平面上的樣本，稱之為支持向量。

為了求最優(yōu)分類面，用核函數(shù)k（xi，x）代替點積（xi·x），SVM分類決策函數(shù)為：

f（x）=sgn{w*·x+b*}=

sgn∑Ni=1a*i·yi·k（xi，x）+b*（6）

式中：sgn為符號函數(shù)，w*為最優(yōu)分類面的權(quán)系數(shù)向量，ai>0為分類面的Lagrange系數(shù)，a*i和b*都為確定最優(yōu)超平面的參數(shù)。對于非支持向量對應(yīng)的ai都為0，所以實際上只對支持向量進行計算。b*為分類的值域，可以通過對兩個類別中任意一對支持向量取中值得到。本文的核函數(shù)選用線性核函數(shù)為k（xi，x）=xtix。

2結(jié)果與分析

2.1實驗結(jié)果

本文采用Draves等[22]提出的Fractal Flame算法生成分形圖案，并對這些圖案進行主觀評價。Fractal Flame算法相對于一般IFS系統(tǒng)，在非線性方程、log密度顯示和結(jié)構(gòu)化色彩方面有顯著特點，并且有多種變量函數(shù)，生成的分形圖像較適合用于設(shè)計服飾圖案。使用該算法的編輯器包括調(diào)節(jié)器和渲染器兩個部分，其中調(diào)節(jié)器用來選擇變量函數(shù)類型，并調(diào)節(jié)點集映射的形狀、大小、顏色等參數(shù)，渲染器包括設(shè)定γ值、亮度、質(zhì)量、密度、濾波半徑等參數(shù)。

圖像美學(xué)是研究圖像美感相關(guān)特征和人的主觀感受之間的關(guān)系。本文參考文獻[6]提出的方法，由多位測試者對圖像進行主觀評分（1～7分）。對每一幅計算機生成的分形圖案由5位浙江理工大學(xué)服裝學(xué)院的學(xué)生來進行評分，將平均分?jǐn)?shù)高于5.8分的分形圖案設(shè)為高美感類，低于4.2分的分形圖案設(shè)為低美感類，建立了520幅分形圖案的樣本圖像庫，其它分?jǐn)?shù)區(qū)間不入選圖像庫。隨機選取每類樣本的一半作為訓(xùn)練樣本，另一半作為測試樣本。首先對訓(xùn)練樣本提取美學(xué)特征和通用特征，建立特征庫，并對SVM分類器進行訓(xùn)練，建立分類器；然后提取測試樣本的美學(xué)特征和通用特征，通過已訓(xùn)練的分類器對這些樣本進行評價，輸出評價結(jié)果，重復(fù)10次后取平均值作為最終結(jié)果。在提取訓(xùn)練樣本和測試樣本的特征時，計算美學(xué)復(fù)雜度特征值時JPEG壓縮的壓縮品質(zhì)系數(shù)設(shè)為50，計算模糊特征設(shè)定選定閾值為500。實驗結(jié)果的示例圖案如圖2所示。

2.2特征類別對比

本文對美學(xué)特征（19維特征）、通用特征（7維特征）以及美學(xué)特征和通用特征融合（26維特征）進行對比實驗，以驗證特征選擇的有效性。首先對每一幅樣本圖像庫中的圖像，分別提取圖像的美學(xué)特征、通用圖像特征以及美學(xué)特征和通用特征，建立對應(yīng)的特征數(shù)據(jù)庫；將特征庫中數(shù)據(jù)分為訓(xùn)練樣本和測試樣本，通過SVM分類器對訓(xùn)練樣本進行訓(xùn)練，建立對應(yīng)的分類器，最后對測試樣本進行評價，輸出評價結(jié)果。在實驗過程中，三類算法所設(shè)定的參數(shù)均相同。為了評估分類器的性能，本文采用評價準(zhǔn)確率、ROC（receiver operating characteristic）曲線和AUC（area under the ROC curve）作為指標(biāo)，對實驗結(jié)果進行分析。評價準(zhǔn)確率是指分類器對測試樣本正確分類數(shù)占測試樣本總數(shù)的比例。ROC曲線可以用來判斷模型的好壞，通過構(gòu)圖法反映移動點的敏感性和特異性，其度量分別表示曲線的縱坐標(biāo)和橫坐標(biāo)，連接各點繪制ROC曲線。曲線下面積（AUC值）越大，準(zhǔn)確性越高。因此ROC曲線和AUC值常用來評價分類器的性能。ROC性能曲線下的面積越大，說明自變量對因變量的判斷價值越好，即分類的性能就越好。

基于不同特征分類器的圖案美學(xué)評價結(jié)果見表1。從表1中可以看出，采用通用圖像特征分類器的評價準(zhǔn)確率為75.71%，采用美學(xué)特征分類器的評價準(zhǔn)確率為82.86%，而融合兩種特征后的評價準(zhǔn)確率提升為87.14%。

不同特征組合的ROC性能曲線如圖3所示，縱坐標(biāo)和橫坐標(biāo)分別表示正樣本分類正確率和錯誤率。正確率指的是分類器所識別出的正樣本占所有正樣本的比例，錯誤率指的是分類器錯認(rèn)為正樣本的負(fù)樣本占所有負(fù)樣本的比例。表1給出了各曲線的AUC值，從表1中可以看出本文提出方法的AUC值達到0.923 7，高于其他兩類特征的值0.865 1和0.911 4，由此可知本文采用的特征融合方法比只采用通用特征的模型性能好，比采用美學(xué)特征模型性能要略好。

圖3不同特征模型的ROC曲線

以上數(shù)據(jù)表明，本文提出的評價算法通過SVM分類器融合了兩大類型特征，提高了分形圖案評價準(zhǔn)確率。由于通用圖像特征并不是從美感的角度來考慮分形圖案的特點，而本文選取美學(xué)特征考慮了在針對服飾分形圖案設(shè)計時的人類情感和美學(xué)認(rèn)知因素，所以選取的美學(xué)特征可以較好地反映在設(shè)計分形圖案時人類的審美思維，取得了更好的分類結(jié)果。

2.3與現(xiàn)有方法比較

針對圖像美學(xué)分類與識別的研究有很多，比較有影響力的是賓夕法尼亞大學(xué)的Datta等[6]提出的方法，該方法采用底層的像顏色、紋理、形狀、圖片大小特征，以及高層的圖像景深、三分法則、區(qū)域?qū)Ρ榷鹊忍卣鳌４送?，Lo等[16]從圖像美學(xué)的角度對圖像分類進行了深入研究。本文將文獻[6，16]的方法與本文方法進行了對比，采用本文的圖像庫進行驗證，對比結(jié)果見表2和圖4。

從實驗結(jié)果可以看出，與文獻[6，16]的方法相比，針對高、低美感分形圖案分類結(jié)果，本文的評價準(zhǔn)確率達到87.14%，AUC值達到0.9237，綜合性能高于文獻[6，16]的方法，更加符合人類對分形圖案的視覺及審美。

3結(jié)語

本文提出了一種分形服飾圖案的美學(xué)評價方法，將美學(xué)特征和通用圖像特征進行融合，通過SVM算法建立了分類器，實現(xiàn)了高、低美感圖案的評價。結(jié)果表明，該方法的圖案評價準(zhǔn)確率高于基于其它特征的組合，在針對分形服飾圖案的美感等級分類性能比其他典型算法有所提高。

藝術(shù)圖案設(shè)計的表達是多樣化的，本文考慮的特征僅部分地描述了設(shè)計者和觀察者的審美思維。在后續(xù)的工作中，將建立更有效的符合人類視覺和思維的高層特征，并且對不同風(fēng)格的設(shè)計圖案進行針對性的美學(xué)分析，從更專業(yè)化的方向?qū)υO(shè)計圖案進行美學(xué)評價。

參考文獻：

[1] 蔡燕燕，宋曉霞.基于Mandlebrot集的分形圖形用于絲綢圖案設(shè)計[J].絲綢，2011，48（8）：35-37.

[2] 周瑞健，叢文新.分形及其在紡織品領(lǐng)域中的應(yīng)用[J].染整技術(shù)，2014，36（10）：33-38.

[3] 王淑穎.基于分形理論的服飾圖案設(shè)計的研究與應(yīng)用[D].無錫：江南大學(xué)，2010：9-13.

[4] 葉家鳴，蔣永花.基于牛頓迭代算法的分形藝術(shù)圖形設(shè)計[J].計算機技術(shù)與發(fā)展，2008，18（4）：88-91.

[5] 代沛涵，楊旭紅.分形圖案在紡織紋樣設(shè)計上的應(yīng)用[J].現(xiàn)代絲綢科學(xué)與技術(shù)，2015，30（1）：6-8.

[6] DATTA R， JOSHI D， LI J， et al. Studying aesthetics in photographic images using a computational approach[C] // Computer Vision-ECCV 2006. Springer Berlin Heidelberg， 2006：288-301.

[7] MARCHESOTTI L， PERRONNIN F， LARLUS D， et al. Assessing the aesthetic quality of photographs using generic image descriptors[C]// International Conference on Computer Vision. IEEE Computer Society， 2011：1784-1791.

[8] BHATTACHARYA S， SUKTHANKAR R， SHAH M. A framework for photoquality assessment and enhancement based on visual aesthetics[C]// International Conference on Multimedea 2010.ACM，2010：271-280.

[9] 王新平，徐淑波.論裝飾圖案在服裝設(shè)計中的美感表達[J].包裝世界，2015（6）：102-103.

[10] 賈京生.論服飾圖案設(shè)計的藝術(shù)特性與審美價值[J].服飾導(dǎo)刊，2014，3（2）：9-13.

[11] 李丹婷.分形的美學(xué)思維[D].重慶：西南大學(xué)，2008：1-10.

[12] MACHADO P， CARDOSO A. Computing aesthetics[M]//Lecture Notes in Computer Science. Springer Berlin Heidelberg， 2000： 219-229.

[13] RIGAU J， FEIXAS M， SBERT M. Informational aesthetics measures[J]. IEEE Computer Graphics & Applications， 2008， 28（2）：24-34.

[14] HOENIG F. Computational Aesthetics and Visual Preference An Experimental Approach[D]. linz， Austria：Johannes Kepler University， 2006：57-62.

[15] KE Y， TANG X， JING F. The design of high-level features for photo quality assessment[C]// Computer Vision and Pattern Recognition， 2006 IEEE Computer Society Conference on. IEEE， 2006：419-426.

[16] LO K Y， LIU K H， CHEN C S. Assessment of photo aesthetics with efficiency[C]// Pattern Recognition （ICPR）， 2012 21st International Conference on. IEEE， 2012：2186-2189.

[17] ARNHEIM R. Art and visual perception： a psychology of the creative eye[J]. Philosophy & Phenomenological Research， 1956， 16（3）：145-146.

[18] LIU L， CHEN R， WOLF L， et al. Optimizing photo composition[J]. Computer Graphics Forum， 2010， 29（2）：469-478.

[19] LUO W，WANG X，TANG X. Contentbased photo quality assessment[J]. IEEE Transactions on Multimedia， 2013， 15（8）：2206-2213.

[20] CORTES C，VAPNIK V. SupportVector Networks[J]. Machine Learning， 1995， 20（3）：273-297.

[21] BURGES C J C. A tutorial on support vector machines for pattern recognition[J]. Data Mining & Knowledge Discovery， 1998， 2（2）：121-167.

[22] DRAVES S，DRAVES IW. The flame algorithm and its open source culture[J]. Acm Siggraph Computer Graphics， 2010， 44（3）：1-9.