文章首发于微信公众号《与有三学AI》
说我们今天走到了科学与艺术的交叉口，是完全没问题的。
在深度学习还没有遍地开发，在神经网络还处于低谷时期，有没有人在玩计算机摄影？当然有。
他们是怎么玩的？传统方法必然要手动设计大量特征来研究计算机美学这个问题。
都主要有什么特征，这就是本篇文章的目的，单刀直入也不废话了。
这里，我们有必要将其分为两类特征：
1 底层的图像特征
l Subject-Background Contrast
摄影里面有一个很重要的原则，那就是简单。我们希望一张照片主体突出，背景不要有各种各样的干扰，这一点，其实可以从图像的高频特征中看出。
下面是两幅图的边缘特征【1】，
我们可以去猜想，图2原图其实是一朵花，图1是一个办公室或者家里的一角。图2的边缘更好完整，简洁，而图1显得很杂乱。对应的，原图像2的质量想必是高于图1的。
这个边缘，就可以反映出图像的简单性。
当然还有对前背景的更多属性，如曝光，饱和度，色调等计算对比度的方法【3】，他们的目标都是一致的，即反映出前背景的对比度信息。
l Color Distribution Feature
颜色分布特征，这是一个很古老，也是在传统的图像检索中使用非常多的特征，最直观
的就是颜色直方图。直方图现在每个摄影机上都有，好一点的后期软件也都有。
好的照片，一般会有一个统一的风格。或偏暖色，或偏冷色，这些都可以通过彩色直方
图表征出来。同时，局部直方图的复杂程度，也可以反映出图像风格的一致性。
由于直方图是很常用的图像特征，这里就不举具体的例子说明了。
l Hue harmanic
这是从色调的特性上来分享一张好图。
一张好的静物摄影，色调一般会比较单一，不会五颜六色的各种颜色都杂糅在一起,如下面的图【1】，单调干净的色调。
好的色调和配色，才会有好的视觉感受，也会呈现出和谐。
文【2】是文【1】的后续研究，补充了摄影中的另2个原理，即90 color scheme和complementary color scheme。
这个是设计学里的经典配色方案，从下面的色调轮中看，具有视觉美感的主色调搭配方案，常常是区间相隔180度，或者90度左右。
【2】其中提供了具体的计算这个色调特征的方法，下面是一个好图的示例。
具体计算这个hue的复杂度，就是要把图像转换到HSV空间，得到H通道。然后将其等分成多个bins，设定阈值，来计算色调的种类。
l Blur
如果不是刻意表达某些，一张模糊的照片肯定是不如一张清晰的照片的。传统的图像
质量评估里面，PSNR和SSIM是图像噪声和模糊的定量评估指标，这也被用过。
l Contrast 和 brightness
对比度和亮度，似乎一直形影不离。
说起亮度，摄影中常常有一句话，叫做50度灰，说的就是照相机会自动将一张
图调整到50度灰，这也是自动曝光。但是，对于一张美图来说，我们常常喜欢主体曝光，背景越简单越好。
这是对图像亮度的期望，也是对对比度的期望。
有方法是基于saliency detectiing的原理，把显著目标当作前景，其他当作背景，从而计算出一些前景和背景的指标。
关于对比度和亮度的计算方法，【1-5】中都有具体的原理，感兴趣的可以自己阅读。
l clearness and the colorfulness【3】
用dark channel feature【2】 来measure the clearness and the colorfulness of the subject areas，也亏他们想得出，这是对暗通道的强加使用，不过效果还不错。
不过，更多的还是参考【3】。
l 通用图像特征与专用图像特征
说起这个，那就是人尽皆知的那些东西了。SIFT，Bag- of-Visual-Words (BOV) ，Fisher Vector (FV) 全部搬出来，计算一遍，上SVM分类，极其自然。只是效果嘛，听天由命。对于某些风景照，LBP, HOG 会比较有效。而对于某些特定类型的照片，比如商业人脸照片，人脸表情，姿态特征会比较有用。
2 与摄影有关的特征[3]
l the rule of thirds.
三分构图法则，是非常普遍的。
早期，文【3】通过将图像分为9宫格，然后计算每一个宫格的色调的方法，来评判一张图的三分特性。
l the Low Depth of Field Indicators
当主体是单个的目标是，利用大光圈制造的浅景深，是提升美学质量的重要方法。
有人利用小波特征来计算每一个grid的景深。
当然还有曝光等特征，就不一一提了。
更多请移步
1，我的gitchat达人课
2，AI技术公众号,《与有三学AI》
3，以及摄影号，《有三工作室》
[1] Y. Ke, X. Tang, and F. Jing, “The design of high-level features for photo quality assessment,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), vol. 1, 2006, pp. 419–426
[2] Luo W, Wang X, Tang X. Content-based photo quality assessment[C]// International Conference on Computer Vision. IEEE, 2011:2206-2213.
[3] Wong L K, Low K L. Saliency-enhanced image aesthetics class prediction[C]// IEEE International Conference on Image Processing. IEEE Press, 2009:993-996.
[4] Aydin T O, Smolic A, Gross M. Automated Aesthetic Analysis of Photographic Images[J]. IEEE Transactions on Visualization & Computer Graphics, 2015, 21(1):31..
[5] Spathis D. Photo-Quality Evaluation based on Computational Aesthetics: Review of Feature Extraction Techniques[J]. 2016.
[6] Deng Y, Chen C L, Tang X. Image Aesthetic Assessment: An experimental survey[J]. IEEE Signal Processing Magazine, 2017, 34(4):80-106.
网友评论