[發明專利]計算機輔助書法牌匾設計方法

無效

• 申請號: 200810059797.7
• 申請日: 2008-02-29
• 公開（公告）號: CN101236577A
• 公開（公告）日: 2008-08-06
• 發明（設計）人: 莊越挺;魯偉明;吳江琴
• 申請（專利權）人: 浙江大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 杭州求是專利事務所有限公司
• 代理人: 張法高

1.一種計算機輔助書法牌匾設計方法，其特征在于包括以下步驟：

(1)結合書法字內容風格特征和上下文風格特征作為書法字風格特征的表達方式；

(2)基于書法字風格特征表達方式，提取并融合書法字的內容風格特征和上下文風格特征，并計算書法字之間的風格相似度；

(3)利用風格一致性計算模型獲取書法牌匾候選集；

(4)利用對等反饋傳遞算法改善書法風格度量。

2.根據權利要求1所述的計算機輔助書法牌匾設計方法，其特征是，所述的結合書法字內容風格特征和上下文風格特征作為書法字風格特征的表達方式是指：給定書法字V_i，將其風格特征表示為<f_i1，f_i2>，其中f_i1表示書法字的內容風格特征，f_i2表示書法字的上下文風格特征；

書法字內容風格特征指的是基于單個書法字視覺底層特征的風格特征，對于書法字V_i，f_i1＝<C_i，G_i，S_i>，其中C_i，G_i和S_i分別表示書法字的形狀特征、方向特征和結體特征；

書法字上下文風格特征反映了書法字在書法作品、書法家以及書體等上下文信息中的特征。

3.根據權利要求1所述的計算機輔助書法牌匾設計方法，其特征是，所述的基于書法字風格特征表達方式，提取并融合書法字的內容風格特征和上下文風格特征，并計算書法字之間的風格相似度步驟為：

(a)首先提取書法字的底層特征，包括書法字形狀特征、方向特征和結體特征；

形狀特征提取方法如下：給定書法字V_i＝{p_i1，p_i2，...p_im}，p_ij表示第j個采樣點，書法字有m個輪廓采樣點，每個采樣點p_ij由二元組坐標<x，y>組成，采用極坐標系表示方式，將整個空間從方向上劃分為8個方向，然后在弦上按log₂r平分為4份，r為覆蓋極坐標系的圓的半徑，這樣，整個空間就被分為32份，對輪廓上一給定點p_i，其屬性用以p_i點為中心的坐標系的32bin中落入每個bin的象素點個數w_i(k)來描述，w_i(k)＝#{q_j≠p_i：q_j∈bin(k)}，k＝0，1，2，...31，這樣書法字的每一個采樣點都有一個32維的特征向量用，書法字的形狀特征就由m*32維的向量構成，由C_i＝<p_i1，1，p_i1，2，...p_i1，32，p_i2，1，...p_im，32>表示；

方向特征提取方法如下：采用二維Gabor函數，提取書法字紋理特征：

ψu,v(z)=||ku,v||2σ2e(-||ku,v||2||z||2/2σ2)[eiku,vz-e-σ2/2]---1]]>

其中z＝(x，y)，‖·‖表示為范式，σ為常量表示濾波器帶寬寬度，kv=2-v+22π,]]>u和v分別表示Gabor濾波器的方向和尺度，取u＝0，1，2，....7和v＝0，1，2，3構成32個Gabor濾波器，每一個書法字都經過32個濾波器變換，對每一個濾波器的變換結果求均值和方差，則32個濾波器得到64維的方向特征向量G_i＝<μ_i1，σ_i1，μ_i2，σ_i2，...μ_i32，σ_i32>；

結體特征提取方法如下：提取書法字的形狀、重心位置以及幾何矩分布等特征作為書法字結體特征，用r=heightwidth]]>表示形狀特征，height和width分別表示書法字的高和寬，表示書法字的重心位置，定義如下的p+q階中心矩u_pq：

upq=Σx=0x=M-1Σy=0y=N-1(x-x‾)p(y-y‾)qf(x,y)---2]]>

其中M和N表示書法字寬度方向和高度方向的像素點個數，則sh=u30+u30++u30-]]>和sv=u03+u03++u03-]]>反映了書法字在左右側和上下側的筆壓輕重比，bh=u21+u21++u21-]]>和bv=u12+u12++u12-]]>反映了書法字在左右側和上下側的墨跡主軸傾斜度，最后，綜合所有的書法字結體特征，構成結體特征向量Si=<ri,x‾i,y‾i,sih,siv,bih,biv>;]]>

(b)計算單一特征的風格相似度，融合書法字形狀特征、方向特征和結體特征，作為書法字的內容風格特征，并計算書法字內容風格相似度；

首先定義風格隸屬向量A→i=<ai1,ai2,···aiK>,]]>其中a_ij反映了書法字V_i屬于第j類風格的概率，K表示風格類別數，對單一特征G_i和S_i分別訓練多類概率SVM分類器進行風格區分，得到書法字V_i在方向特征和結體特征上的風格隸屬向量：G→i=<gi1,gi2,···giK>]]>和S→i=<si1,si2,···siK>,]]>其中g_ij，s_ij為分類器得到的概率結果；形狀特征不同于方向特征和結體特征，其維數與輪廓點個數相關，不易訓練SVM分類器，因此，提出基于K參照點書法風格相似度計算方法，針對每個漢字，取標準字作為形狀參照集M＝{M₁，M₂，M₃，...M_K}，計算書法字V_i與參照字M_j的形狀相似度，d_ij＝TMC(V_i，M_j)，得到形狀風格隸屬向量：V→i=<ci1,ci2,···ciK>,]]>其中cij=1/dijD,]]>D=Σj=1K1/dij,]]>得到風格隸屬向量后，書法字V_i和V_j的風格相似度用余弦公式計算，其中基于形狀的風格相似度為書法字V_i與參照字M_j的形狀相似度計算如下：

先計算書法字輪廓中任意兩點的近似匹配程度，用C_ij＝C(m_i，n_j)表示，m_i和n_i表示書法字輪廓點，值越小則越近似：

Cij=C(mi,nj)=12Σk=132[wi(k)-wj(k)]2wi(k)+wj(k)---3]]>

則輪廓點m_i的匹配值用公式PMC_i＝min{C(p_i，q_j)：j＝0，1，2…m}進行計算，最終兩個書法字V_i與V_j的形狀匹配值大小是它們的所有輪廓點的匹配值的總和，用TMC(V_i，V_j)表示；

對方向特征和結體特征進行前期融合和后期融合，前期融合是指在分類器訓練之間就將各特征進行融合，最簡單的方式是將各特征向量串連起來形成一個長特征向量，然后再對該特征向量進行分類器學習，后期融合是指對各個特征向量分別訓練分類器，對分類器結果再次訓練分類器，兩種融合方法均能得到融合后的風格隸屬向量則書法字V_i和V_j的風格相似度為：

對于形狀特征采用Max融合方式或基于方差的融合方式，Max融合方式為：

????contentSIM(V_i，V_j)＝max(cSIM(V_i，V_j)，fSIM(V_i，V_j))???????5

基于方差的融合方式為：利用公式L→i=Δ(V→i)>Δ(F→i)?]]>選擇具有較好風格表達能力的特征然后計算書法字V_i和V_j內容風格相似度為：

(c)提取書法字的上下文風格特征，并計算書法字上下文風格相似度；

首先通過以下3種書法字上下文來定義書法字之間的上下文風格相似度，設V_i，V_j為兩個書法字，

i.書法字是否屬于同一作品

若V_i，V_j屬于同一作品，則f₁(V_i，V_j)＝τ，否則為0；

ii.書法字是否屬于同一書體

若V_i，V_j屬于同一書體，則f₂(V_i，V_j)＝ζ，否則為0；

iii.書法字所屬書法家之間的流派關系

流派指的是后人學習前人風格，形成風格相似的書法家派系，如顏派書法等，令f₃(V_i，V_j)＝g(a_i，a_j)，其中a_i，a_j表示V_i，V_j的書法家，若a_i，a_j為同一書法家，則g(a_i，a_j)＝υ，若a_i，a_j屬于同一流派，則g(a_i，a_j)＝δ，否則為0；

可設τ＝1.5，ζ＝1，υ＝1，δ＝0.8，綜合所有上下文特征，得到書法字V_i和V_j的上下文風格相似度為：

contextSIM(Vi,Vj)=Σk=13fk(Vi,Vj)---7]]>

(d)整合書法字內容風格和上下文風格計算書法字風格相似度，利用公式：

SIM(V_i，V_j)＝λ*contentSIM(V_i，V_j)+(1-λ)*contextSIM(V_i，V_j)??????8

計算書法字V_i和V_j的風格相似度，其中0≤λ≤1。