專利名稱：計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)多媒體技術(shù)領(lǐng)域，尤其涉及一種計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法。

背景技術(shù)：
中國(guó)的悠久歷史和燦爛文化留下了很多優(yōu)美的書法作品，如王羲之的《蘭亭序》、米芾的《苕溪詩(shī)卷》等。如果能利用這些古人的書法字，組成用戶需要的具有特定藝術(shù)風(fēng)格的牌匾，將是一項(xiàng)非常有意義的工作。
書法字的風(fēng)格特征提取以及書法字風(fēng)格相似性度量是計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)的關(guān)鍵問(wèn)題?，F(xiàn)已有一些書法字風(fēng)格特征提取的方法被提出如《計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)》第11期(2005 17(11)2565-2569)公布的方法將書法作品切成單個(gè)書法字，再提取書法字輪廓特征計(jì)算形狀相似度，顯示形狀相似的書法字。IEEE智能系統(tǒng)2005年會(huì)議論文集(IEEE Intelligent Systems.200520(3)32-39)中公布的方法層次參數(shù)化表示書法字，通過(guò)綜合推理機(jī)制產(chǎn)生新風(fēng)格書法字。AAAI2007年會(huì)議論文集(Proceedings of the 22nd AAAI Conference onArtificial Intelligence，Vancouver，20071578-1583.)公布的方法通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)單一筆劃和書法字結(jié)體的優(yōu)美度，給出了書法字優(yōu)美度的評(píng)判機(jī)制，使計(jì)算機(jī)自動(dòng)產(chǎn)生的書法字更符合人的審美觀。IEEE多媒體博覽國(guó)際會(huì)議2006年會(huì)議論文集(Proceedings of the 2006 IEEE International Conference on Multimedia andExpo，Toronto，20062073-2076)中公布的方法通過(guò)對(duì)書法字進(jìn)行筆劃分析和結(jié)構(gòu)分析，自動(dòng)提取書法字的筆順和筆寬信息，可視化重現(xiàn)書法創(chuàng)作過(guò)程。國(guó)際多媒體建模會(huì)議2007年會(huì)議論文集(Proceedings of 13th International MultimediaModeling Conference，Singapore，2007354-363)中公布的方法提出了計(jì)算機(jī)輔助書法作品真?zhèn)舞b別的方法，能夠通過(guò)風(fēng)格學(xué)習(xí)得到書法家真跡模型，然后再利用真?zhèn)闻袆e規(guī)則對(duì)作品進(jìn)行判定。此外，在漢字OCR識(shí)別方面也有些字體分類的工作，如機(jī)器學(xué)習(xí)和控制國(guó)際會(huì)議2002年會(huì)議論文集(Proceedings of the 2002International Conference on Machine Learning and Cybernetics，Beijing，20021726-1729.)中公布的方法通過(guò)提取文檔圖像的紋理特征，然后比較該特征與字體模板特征，選擇距離最近的字體判為文檔的字體，從而達(dá)到對(duì)黑體、宋體、楷書等字體分類的目的。模式識(shí)別國(guó)際會(huì)議2006年會(huì)議論文集(Proceedings ofthe 18th International Conference on Pattern Recognition，Hong Kong，2006884-887.)中公布的方法將OCR識(shí)別中的字體分類技術(shù)引入到書法字字體分類的工作中，通過(guò)提取紋理特征和覆蓋橢圓長(zhǎng)軸方差進(jìn)行書法字字體分類。
上面這些方法均對(duì)特定應(yīng)用提取了書法字的一些特征，這對(duì)計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)中書法字風(fēng)格特征定義和書法字風(fēng)格相似度的度量給了很好的啟示。但這些方法都只提取了書法字的單一底層特征，僅采用這些特征并不能很好地描述書法字風(fēng)格。


發(fā)明內(nèi)容
本發(fā)明的目的是提供一種計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法，為解決以往單一書法字特征的局限性，該方法不僅融合了書法字內(nèi)容特征，也引入了書法字上下文特征，并利用反饋使產(chǎn)生的書法牌匾更具有藝術(shù)性。
計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法包括以下步驟 (1)結(jié)合書法字內(nèi)容風(fēng)格特征和上下文風(fēng)格特征作為書法字風(fēng)格特征的表達(dá)方式； (2)基于書法字風(fēng)格特征表達(dá)方式，提取并融合書法字的內(nèi)容風(fēng)格特征和上下文風(fēng)格特征，并計(jì)算書法字之間的風(fēng)格相似度； (3)利用風(fēng)格一致性計(jì)算模型獲取書法牌匾候選集； (4)利用對(duì)等反饋傳遞算法改善書法風(fēng)格度量。
所述結(jié)合書法字內(nèi)容風(fēng)格特征和上下文風(fēng)格特征作為書法字風(fēng)格特征的表達(dá)方式指的是給定書法字Vi，將其風(fēng)格特征表示為<fi1，fi2>，其中fi1表示書法字的內(nèi)容風(fēng)格特征，fi2表示書法字的上下文風(fēng)格特征。
書法字內(nèi)容風(fēng)格特征指的是基于單個(gè)書法字視覺(jué)底層特征的風(fēng)格特征。對(duì)于書法字Vi，fi1＝<Ci，Gi，Si>，其中Ci，Gi和Si分別表示書法字的形狀特征、方向特征和結(jié)體特征。
書法字上下文風(fēng)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。
所述基于書法字風(fēng)格特征表達(dá)方式，提取并融合書法字的內(nèi)容風(fēng)格特征和上下文風(fēng)格特征，并計(jì)算書法字之間的風(fēng)格相似度包含如下步驟 (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(jié)體特征。
形狀特征提取方法如下給定書法字Vi＝{pi1，pi2，...pim}，pij表示第j個(gè)采樣點(diǎn)，表示書法字有m個(gè)輪廓采樣點(diǎn)，每個(gè)采樣點(diǎn)pij由二元組坐標(biāo)<x，y>組成，采用極坐標(biāo)系表示方式，將整個(gè)空間從方向上劃分為8個(gè)方向，然后在弦上按log2r平分為4份，r為覆蓋極坐標(biāo)系的圓的半徑，這樣，整個(gè)空間就被分為32份。對(duì)輪廓上一給定點(diǎn)pi，其屬性用以pi點(diǎn)為中心的坐標(biāo)系的32bin中落入每個(gè)bin的象素點(diǎn)個(gè)數(shù)wi(k)來(lái)描述，wi(k)＝#{qj≠piqj∈bin(k)}，k＝0，1，2，...31，這樣書法字的每一個(gè)采樣點(diǎn)都有一個(gè)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(gòu)成，由Ci＝<pi1，1，pi1，2，...pi1，32，pi2，1，...pim，32>表示。
方向特征提取方法如下采用二維Gabor函數(shù)，提取書法字紋理特征 其中z＝(x，y)，‖·‖表示為范式，σ為常量表示濾波器帶寬寬度，


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(gòu)成32個(gè)Gabor濾波器，每一個(gè)書法字都經(jīng)過(guò)32個(gè)濾波器變換，對(duì)每一個(gè)濾波器的變換結(jié)果求均值和方差，則32個(gè)濾波器得到64維的方向特征向量Gi＝<μi1，σi1，μi2，σi2，...μi32，σi32>。
結(jié)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(jié)體特征。用表示形狀特征，height和width分別表示書法字的高和寬，

表示書法字的重心位置，定義如下的二階中心矩upq 其中M和N表示書法字寬度方向和高度方向的像素點(diǎn)個(gè)數(shù)，則和反映了書法字在左右側(cè)和上下側(cè)的筆壓輕重比，和反映了書法字在左右側(cè)和上下側(cè)的墨跡主軸傾斜度。最后，綜合所有的書法字結(jié)體特征，構(gòu)成結(jié)體特征向量 (b)計(jì)算單一特征的風(fēng)格相似度，融合提取的書法字形狀特征、方向特征和結(jié)體特征，作為書法字的內(nèi)容風(fēng)格特征，并計(jì)算書法字內(nèi)容風(fēng)格相似度。
首先定義風(fēng)格隸屬向量其中aij反映了書法字Vi屬于第j類風(fēng)格的概率，K表示風(fēng)格類別數(shù)。
對(duì)單一特征Gi和Si分別訓(xùn)練多類概率SVM分類器進(jìn)行風(fēng)格區(qū)分，得到書法字Vi在方向特征和結(jié)體特征上的風(fēng)格隸屬向量和其中g(shù)ij，Sij為分類器得到的概率結(jié)果。形狀特征不同于方向特征和結(jié)體特征，其維數(shù)與輪廓點(diǎn)個(gè)數(shù)相關(guān)，不易訓(xùn)練SVM分類器。因此，提出基于K參照點(diǎn)書法風(fēng)格相似度計(jì)算方法。針對(duì)每個(gè)漢字，取標(biāo)準(zhǔn)字作為形狀參照集M＝{M1，M2，M3，...MK}，計(jì)算書法字Vi與參照字Mj的形狀相似度，dij＝TMC(Vi，Mj)，得到形狀風(fēng)格隸屬向量其中得到風(fēng)格隸屬向量后，書法字Vi和Vj的風(fēng)格相似度用余弦公式計(jì)算，其中基于形狀的風(fēng)格相似度為
書法字Vi與參照字Mj的形狀相似度計(jì)算如下先計(jì)算書法字輪廓中任意兩點(diǎn)的近似匹配程度，用Cij＝C(mi，nj)表示，值越小則越近似 則輪廓點(diǎn)mi的匹配值用公式PMCi＝min{C(pi，qj)j＝0，1，2...m}進(jìn)行計(jì)算，最終兩個(gè)書法字Vi與Vj的形狀匹配值大小是它們的所有輪廓點(diǎn)的近似匹配值的總和，用TMC(Vi，Vj)表示。
對(duì)方向特征和結(jié)體特征進(jìn)行前期融合和后期融合，前期融合是指在分類器訓(xùn)練之間就將各特征進(jìn)行融合，最簡(jiǎn)單的方式是將各特征向量串連起來(lái)形成一個(gè)長(zhǎng)特征向量，然后再對(duì)該特征向量進(jìn)行分類器學(xué)習(xí)；后期融合是指對(duì)各個(gè)特征向量分別訓(xùn)練分類器，對(duì)分類器結(jié)果再次訓(xùn)練分類器。兩種融合方法均能得到融合后的風(fēng)格隸屬向量

則書法字Vi和Vj的風(fēng)格相似度為
對(duì)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(Vi，Vj)＝max(cSIM(Vi，Vj)，fSIM(Vi，Vj)) 基于方差的融合方式為利用公式

選擇具有較好風(fēng)格表達(dá)能力的特征

然后計(jì)算書法字Vi和Vj內(nèi)容風(fēng)格相似度為
(c)提取書法字的上下文風(fēng)格特征，并計(jì)算書法字上下文風(fēng)格相似度。
首先通過(guò)以下3種書法字上下文來(lái)定義書法字之間的上下文風(fēng)格相似度，設(shè)Vi，Vj為兩個(gè)書法字。
i.書法字是否屬于同一作品 若Vi，Vj屬于同一作品，則f1(Vi，Vj)＝τ，否則為0。
ii.書法字是否屬于同一書體 若Vi，Vj屬于同一書體，則f2(Vi，Vj)＝ζ，否則為0。
iii.書法字所屬書法家之間的流派關(guān)系 流派指的是后人學(xué)習(xí)前人風(fēng)格，形成風(fēng)格相似的書法家派系，如顏派書法等。
令f3(Vi，Vj)＝g(ai，aj)，其中ai，aj表示Vi，Vj的書法家。若ai，aj為同一書法家，則g(ai，aj)＝υ；若ai，aj屬于同一流派，則g(ai，aj)＝δ；否則為0。
可設(shè)τ＝1.5，ζ＝1，υ＝1，δ＝0.8，綜合所有上下文特征，得到書法字Vi和Vj的上下文風(fēng)格相似度為 (d)整合書法字內(nèi)容風(fēng)格和上下文風(fēng)格計(jì)算書法字風(fēng)格相似度。
利用公式SIM(Vi，Vj)＝λ*contentSIM(Vi，Vj)+(1-λ)*contextSIM(Vi，Vj)計(jì)算書法字Vi和Vj的風(fēng)格相似度，其中0≤λ≤1。
所述利用風(fēng)格一致性計(jì)算模型獲取書法牌匾候選集指的是給定書法牌匾查詢字串，在書法字庫(kù)中查得符合查詢字串要求的書法字串V1，V2，...，Vn，通過(guò)公式計(jì)算該書法字串的風(fēng)格一致性值，最后按F(V1，V2，.....Vn)排序可得到書法牌匾候選集。
獲取書法牌匾候選集具體算法(GenerateTabletCandidate)步驟如下 輸入用戶查詢請(qǐng)求query＝(q1，q2...qn)，qi為組成查詢?cè)~query的字； 輸出書法牌匾候選集C； 步驟a1為每個(gè)字qi查詢書法數(shù)據(jù)庫(kù)得到標(biāo)注為qi的書法字集Ωi； 步驟a2對(duì)任意的組合ci＝Vi1，Vi2，.....Vin，(Vij∈Ωj)，計(jì)算s(ci)＝F(Vi1，Vi2，.....Vin)，將<ci，s(ci)>放入C； 步驟a3按s(ci)對(duì)C中的元素排序，返回C。
所述利用對(duì)等反饋傳遞算法改善書法風(fēng)格度量指的是利用用戶在書法牌匾候選集中的反饋信息，改善書法字風(fēng)格的相似性度量。對(duì)等反饋傳遞算法步驟如下 輸入用戶查詢請(qǐng)求query＝(q1，q2...qn)，qi為組成查詢?cè)~query的字； 輸出書法牌匾ci； 步驟b1根據(jù)用戶查詢請(qǐng)求獲取書法牌匾候選集，C＝GenerateTabletCandidate(query)； 步驟b2判斷書法牌匾候選集中的元素ci∈C，如果ci滿足用戶需求，則構(gòu)造潛在正例集VLR＝<Vi1，Vi2，...Vin>(這里Vij∈ci)，然后再調(diào)用對(duì)等反饋算法PeerFeedback(VLR)和反饋傳遞算法FeedbackTransfer(VLR)，最后返回書法牌匾ci；如果ci不滿足用戶需求，則跳到步驟b3； 步驟b3根據(jù)用戶相關(guān)反饋信息得到反饋集<VR，VN，VLN>＝UserFeedBack(C)，然后再調(diào)用對(duì)等反饋算法PeerFeedback(<VR，VN，VLN>)和反饋傳遞算法FeedbackTransfer(<VR，VN，VLN>)，跳到步驟b1。
其中對(duì)等反饋算法PeerFeedback依據(jù)的想法為專家鑒定評(píng)價(jià)書法風(fēng)格時(shí)常采用作品對(duì)比方法，因而書法字風(fēng)格隱含在書法字之間，風(fēng)格可由其他書法字來(lái)解釋。PeerFeedback算法采用對(duì)等索引表示書法字風(fēng)格，即用其它風(fēng)格相似的書法字來(lái)表示當(dāng)前書法字的風(fēng)格。用表示書法字Vi的對(duì)等索引，其中，skik是風(fēng)格關(guān)鍵字，對(duì)應(yīng)書法字Vk，權(quán)重wiK表示它們之間的風(fēng)格相似度。將P(Vi)看作文檔向量

則兩書法字的對(duì)等索引相似度為
結(jié)合內(nèi)容、上下文和對(duì)等索引的風(fēng)格相似度，書法字Vi和Vj的風(fēng)格相似度為 SIM(Vi，Vj)＝(1+R(Vi，Vj))*(λ*contentSIM(Vi，Vj)+(1-λ)*contextSIM(Vi，Vj)) 對(duì)等索引可通過(guò)用戶相關(guān)反饋信息學(xué)習(xí)得到，由于組成書法牌匾的書法字要求風(fēng)格一致，于是當(dāng)候選集中牌匾ci＝<Vi1，Vi2，...Vin>滿足用戶需求，則書法字Vi1，Vi2，...Vin構(gòu)成潛在正例集VLR；若牌匾ci中一半以上的書法字被選為正例，則剩下的書法字構(gòu)成潛在負(fù)例集VLN。如果候選集不能滿足用戶需求，用戶選擇風(fēng)格相似的字組成所需牌匾(選擇過(guò)程被稱為UserFeedBack)，這些字作為正例，形成集合VR；用戶還可以明確選擇其它與正例中風(fēng)格不同的字作為反例，形成集合VN。
學(xué)習(xí)算法為 步驟c1收集反饋集VLR，VR，VN和VLN。
步驟c2對(duì)VLR或VR中任意兩個(gè)書法字Vi和Vj，若Vj不在P(Vi)中，則將Vj加到P(Vi)，并初始化權(quán)重為1。否則，將P(Vi)中Vj對(duì)應(yīng)的權(quán)重加1。同樣，Vi也被加到P(Vj)中去。
步驟c3對(duì)VR中的書法字Vi和VN中的書法字Vj，若Vj在P(Vi)中，則將Vj對(duì)應(yīng)的權(quán)重減5，若減后結(jié)果小于1，則將Vj從P(Vi)中去除。同樣，將Vi從P(Vj)中去除或?qū)⑵湎鄳?yīng)的權(quán)重減5。
步驟c4對(duì)VLN中的書法字作與VN類似的處理，調(diào)整的權(quán)重值為2。
反饋傳遞算法FeedbackTransfer利用反饋信息更新書法作品之間和書法家之間的風(fēng)格相似度，從而更新書法字的上下文風(fēng)格特征。設(shè)庫(kù)中共有M幅書法作品和N個(gè)書法字，用N維向量W＝[w1，w2，...，wN]表示書法作品，若wi＝1，則表示作品含有第i個(gè)書法字，否則wi＝0。設(shè)N×N矩陣R為書法字風(fēng)格相似度矩陣，其中rij表示書法字Vi與Vj被用戶指為風(fēng)格相似的程度，可由反饋得到。
于是兩書法作品Wi與Wj的相似度為 在反饋之前，rii＝1，rij|j≠i＝0，由于同一個(gè)書法字屬于不同的書法作品，則wik*wjk＝0，于是SIM(Wi，Wj)＝0。
設(shè)N×N矩陣G為書法作品風(fēng)格相似度矩陣，其中g(shù)ij＝SIM(Wi，Wj)，用M維向量A＝[a1，a2，...aM]表示書法家，若ai＝1，表示該書法家寫了第i幅書法作品，則兩書法家風(fēng)格相似度為 反饋可得到更新矩陣ΔR，若書法字Vi與Vj同屬VR或VLR，則ΔRij＝1，若Vi與Vj分屬VR和VN，則ΔRij＝-5，若Vi與Vj分屬VR和VLN，則ΔRij＝-2，Ri+1＝Ri+ΔR，則書法作品和書法家的風(fēng)格相似度更新公式為 這里反映了書法作品風(fēng)格相似度的變化，最后通過(guò)SIM(Wi，Wj)i+1和SIM(Ai，Aj)i+1更新書法字上下文風(fēng)格特征。
本發(fā)明所述的計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法有如下的有益效果 1.本方法能克服單一特征作為風(fēng)格特征的局限，通過(guò)融合書法字底層特征和上下文特征來(lái)定義書法字風(fēng)格并計(jì)算風(fēng)格相似度。
2.本方法中的內(nèi)容風(fēng)格特征和上下文風(fēng)格特征均能通過(guò)計(jì)算機(jī)自動(dòng)提取，使得書法牌匾的生成具有實(shí)用性。
3.本方法通過(guò)反饋提高了系統(tǒng)性能，使產(chǎn)生的書法牌匾更符合人們的審美標(biāo)準(zhǔn)，更具有藝術(shù)性。



圖1是計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法框架圖； 圖2是本發(fā)明計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)流程圖； 圖3是本發(fā)明產(chǎn)生的書法牌匾候選集示意圖； 圖4是本發(fā)明用戶對(duì)書法牌匾候選集進(jìn)行相關(guān)反饋示意圖； 圖5是本發(fā)明在書法牌匾候選集中進(jìn)行相關(guān)反饋后的結(jié)果圖； 圖6是本發(fā)明中用戶滿意的書法牌匾； 圖7是本發(fā)明設(shè)計(jì)的由蘇軾的書法字組成的“中國(guó)工程院”書法牌匾。

具體實(shí)施例方式 為了更好的理解本發(fā)明的技術(shù)方案，以下結(jié)合附圖1和附圖2對(duì)本發(fā)明作進(jìn)一步的描述。附圖1描述了本發(fā)明計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法的框架圖和書法字庫(kù)建立的流程圖，附圖2描述了本發(fā)明中書法牌匾的產(chǎn)生過(guò)程。
書法字庫(kù)建立的具體步驟如下 1.掃描書法作品得到數(shù)字化后的書法作品頁(yè)面；(步驟101) 2.切分書法作品頁(yè)面獲取單個(gè)書法字圖像；(步驟102) 3.對(duì)單個(gè)書法字圖像進(jìn)行標(biāo)注，以便用戶提交查詢字串時(shí)可得到相關(guān)的書法字圖像；(步驟103)； 4.結(jié)合書法字內(nèi)容風(fēng)格特征和上下文風(fēng)格特征作為書法字風(fēng)格特征的表達(dá)方式，即給定書法字Vi，將其風(fēng)格特征表示為<fi1，fi2>，其中fi1表示書法字的內(nèi)容風(fēng)格特征，fi2表示書法字的上下文風(fēng)格特征。
書法字內(nèi)容風(fēng)格特征指的是基于單個(gè)書法字視覺(jué)底層特征的風(fēng)格特征。對(duì)于書法字Vi，fi1＝<Ci，Gi，Si>，其中Ci，Gi和Si分別表示書法字的形狀特征、方向特征和結(jié)體特征。
書法字上下文風(fēng)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。
5.提取每一個(gè)書法字圖像的內(nèi)容風(fēng)格特征，包括形狀特征、方向特征和結(jié)體特征(步驟104)。具體過(guò)程如下 形狀特征提取方法如下給定書法字Vi＝{pi1，pi2，...pim}，pij表示第j個(gè)采樣點(diǎn)，表示書法字有m個(gè)輪廓采樣點(diǎn)，每個(gè)采樣點(diǎn)pij由二元組坐標(biāo)<x，y>組成，采用極坐標(biāo)系表示方式，將整個(gè)空間從方向上劃分為8個(gè)方向，然后在弦上按log2r平分為4份，r為覆蓋極坐標(biāo)系的圓的半徑，這樣，整個(gè)空間就被分為32份。對(duì)輪廓上一給定點(diǎn)pi，其屬性用以pi點(diǎn)為中心的坐標(biāo)系的32bin中落入每個(gè)bin的象素點(diǎn)個(gè)數(shù)wi(k)來(lái)描述，wi(k)＝#{qj≠piqj∈bin(k)}，k＝0，1，2，...31，這樣書法字的每一個(gè)采樣點(diǎn)都有一個(gè)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(gòu)成，由Ci＝<pi1，1，pi1，2，...pi1，32，pi2，1，...pim，32>表示。
方向特征提取方法如下采用二維Gabor函數(shù)，提取書法字紋理特征 其中z＝(x，y)，‖·‖表示為范式，σ為常量表示濾波器帶寬寬度，


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(gòu)成32個(gè)Gabor濾波器，每一個(gè)書法字都經(jīng)過(guò)32個(gè)濾波器變換，對(duì)每一個(gè)濾波器的變換結(jié)果求均值和方差，則32個(gè)濾波器得到64維的方向特征向量Gi＝<μi1，σi1，μi2，σi2，...μi32，σi32>。
結(jié)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(jié)體特征。用表示形狀特征，height和width分別表示書法字的高和寬，

表示書法字的重心位置，定義如下的二階中心矩upq 其中M和N表示書法字寬度方向和高度方向的像素點(diǎn)個(gè)數(shù)，則和反映了書法字在左右側(cè)和上下側(cè)的筆壓輕重比，和反映了書法字在左右側(cè)和上下側(cè)的墨跡主軸傾斜度。最后，綜合所有的書法字結(jié)體特征，構(gòu)成結(jié)體特征向量 6.根據(jù)書法字所在的書法作品信息提取書法字的上下文風(fēng)格特征(步驟105)。
首先通過(guò)以下3種書法字上下文來(lái)定義書法字之間的上下文風(fēng)格相似度，設(shè)Vi，Vj為兩個(gè)書法字。
i.書法字是否屬于同一作品 若Vi，Vj屬于同一作品，則f1(Vi，Vj)＝τ，否則為0。
ii.書法字是否屬于同一書體 若Vi，Vj屬于同一書體，則f2(Vi，Vj)＝ζ，否則為0。
iii.書法字所屬書法家之間的流派關(guān)系 流派指的是后人學(xué)習(xí)前人風(fēng)格，形成風(fēng)格相似的書法家派系，如顏派書法等。
令f3(Vi，Vj)＝g(ai，aj)，其中ai，aj表示Vi，Vj的書法家。若ai，aj為同一書法家，則g(ai，aj)＝υ；若ai，aj屬于同一流派，則g(ai，aj)＝δ；否則為0。
可設(shè)τ＝1.5，ζ＝1，υ＝1，δ＝0.8，綜合所有上下文特征，得到書法字Vi和Vj的上下文風(fēng)格相似度為 7.基于書法字風(fēng)格特征表達(dá)方式，融合書法字的內(nèi)容風(fēng)格特征和上下文風(fēng)格特征，并計(jì)算書法字之間的風(fēng)格相似度。
首先定義風(fēng)格隸屬向量其中aij反映了書法字Vi屬于第j類風(fēng)格的概率，K表示風(fēng)格類別數(shù)。
對(duì)單一特征Gi和Si分別訓(xùn)練多類概率SVM分類器進(jìn)行風(fēng)格區(qū)分，得到書法字Vi在方向特征和結(jié)體特征上的風(fēng)格隸屬向量和其中g(shù)ij，sij為分類器得到的概率結(jié)果。形狀特征不同于方向特征和結(jié)體特征，其維數(shù)與輪廓點(diǎn)個(gè)數(shù)相關(guān)，不易訓(xùn)練SVM分類器。因此，提出基于K參照點(diǎn)書法風(fēng)格相似度計(jì)算方法。針對(duì)每個(gè)漢字，取標(biāo)準(zhǔn)字作為形狀參照集M＝{M1，M2，M3，...MK}，計(jì)算書法字Vi與參照字Mj的形狀相似度，dij＝TMC(Vi，Mj)，得到形狀風(fēng)格隸屬向量其中得到風(fēng)格隸屬向量后，書法字Vi和Vj的風(fēng)格相似度用余弦公式計(jì)算，其中基于形狀的風(fēng)格相似度為
書法字Vi與參照字Mj的形狀相似度計(jì)算如下先計(jì)算書法字輪廓中任意兩點(diǎn)的近似匹配程度，用Cij＝C(mi，nj)表示，mi和ni表示書法字輪廓點(diǎn)，值越小則越近似 則輪廓點(diǎn)mi的匹配值用公式PMCi＝min{C(pi，qj)j＝0，1，2...m}進(jìn)行計(jì)算，最終兩個(gè)書法字Vi與Vj的形狀匹配值大小是它們的所有輪廓點(diǎn)的近似匹配值的總和，用TMC(Vi，Vj)表示。
對(duì)方向特征和結(jié)體特征進(jìn)行前期融合和后期融合，前期融合是指在分類器訓(xùn)練之間就將各特征進(jìn)行融合，最簡(jiǎn)單的方式是將各特征向量串連起來(lái)形成一個(gè)長(zhǎng)特征向量，然后再對(duì)該特征向量進(jìn)行分類器學(xué)習(xí)；后期融合是指對(duì)各個(gè)特征向量分別訓(xùn)練分類器，對(duì)分類器結(jié)果再次訓(xùn)練分類器。兩種融合方法均能得到融合后的風(fēng)格隸屬向量

則書法字Vi和Vj的風(fēng)格相似度為
對(duì)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(Vi，Vj)＝max(cSIM(Vi，Vj)，fSIM(Vi，Vj)) 基于方差的融合方式為利用公式

選擇具有較好風(fēng)格表達(dá)能力的特征

然后計(jì)算書法字Vi和Vj內(nèi)容風(fēng)格相似度為
最終利用公式SIM(Vi，Vj)＝λ*contentSIM(Vi，Vj)+(1-λ)*contextSIM(Vi，Vj)計(jì)算書法字Vi和Vj的風(fēng)格相似度，其中0≤λ≤1。
書法牌匾的產(chǎn)生過(guò)程的具體步驟如下所示 1.用戶提交書法牌匾查詢字串，系統(tǒng)根據(jù)建庫(kù)時(shí)書法字的標(biāo)注信息得到相匹配的書法字串；(步驟201) 2.系統(tǒng)通過(guò)風(fēng)格一致性模型得到書法牌匾候選集(步驟202) 在書法字庫(kù)中查得符合查詢字串要求的書法字串V1，V2，...，Vn，通過(guò)公式計(jì)算該書法字串的風(fēng)格一致性值，最后按F(V1，V2，.....Vn)排序可得到書法牌匾候選集。
獲取書法牌匾候選集具體算法(GenerateTabletCandidate)步驟如下 輸入用戶查詢請(qǐng)求query＝(q1，q2...qn)，qi為組成查詢?cè)~query的字； 輸出書法牌匾候選集C； 步驟1為每個(gè)字qi查詢書法數(shù)據(jù)庫(kù)得到標(biāo)注為qi的書法字集Ωi； 步驟2對(duì)任意的組合ci＝Vi1，Vi2，.....Vin，(Vij∈Ωj)，計(jì)算s(ci)＝F(Vi1，Vi2，.....Vin)， 將<ci，s(ci)>放入C； 步驟3按s(ci)對(duì)C中的元素排序，返回C。
3.用戶判斷系統(tǒng)返回的書法牌匾候選集中是否有滿意的書法牌匾(步驟203)，并根據(jù)用戶判斷結(jié)果進(jìn)行如下的操作 a)如果書法牌匾候選集C中的元素ci∈C滿足用戶需求，則構(gòu)造潛在正例集VLR＝<Vi1，Vi2，...Vin>(這里Vij∈ci)(步驟204)，然后再調(diào)用對(duì)等反饋算法PeerFeedback(VLR)和反饋傳遞算法FeedbackTransfer(VLR)(步驟205)，最后返回書法牌匾ci(步驟206)。
b)如果書法牌匾候選集中的元素均不能滿足用戶需求，則用戶進(jìn)行相關(guān)反饋，選擇風(fēng)格相似的字組成所需牌匾(選擇過(guò)程被稱為UserFeedBack)，這些字作為正例，形成集合VR；用戶還可以明確選擇其它與正例中風(fēng)格不同的字作為反例，形成集合VN。同時(shí)，若牌匾中一半以上的書法字被選為正例，則剩下的書法字構(gòu)成潛在負(fù)例集VLN。然后再調(diào)用對(duì)等反饋算法PeerFeedback(VLR)和反饋傳遞算法FeedbackTransfer(VLR)(步驟205)，并返回到步驟202。
其中對(duì)等反饋算法PeerFeedback依據(jù)的想法為專家鑒定評(píng)價(jià)書法風(fēng)格時(shí)常采用作品對(duì)比方法，因而書法字風(fēng)格隱含在書法字之間，風(fēng)格可由其他書法字來(lái)解釋。PeerFeedback算法采用對(duì)等索引表示書法字風(fēng)格，即用其它風(fēng)格相似的書法字來(lái)表示當(dāng)前書法字的風(fēng)格。用表示書法字Vi的對(duì)等索引，其中，skik是風(fēng)格關(guān)鍵字，對(duì)應(yīng)書法字Vk，權(quán)重wiK表示它們之間的風(fēng)格相似度。將P(Vi)看作文檔向量

則兩書法字的對(duì)等索引相似度為
結(jié)合內(nèi)容、上下文和對(duì)等索引的風(fēng)格相似度，書法字Vi和Vj的風(fēng)格相似度為 SIM(Vi，Vj)＝(1+R(Vi，Vj))*(λ*contentSIM(Vi，Vj)+(1-λ)*contextSIM(Vi，Vj)) 對(duì)等索引可通過(guò)用戶相關(guān)反饋信息學(xué)習(xí)得到，由于組成書法牌匾的書法字要求風(fēng)格一致，于是當(dāng)候選集中牌匾ci＝<Vi1，Vi2，...Vin>滿足用戶需求，則書法字Vi1，Vi2，...Vin構(gòu)成潛在正例集VLR；若牌匾ci中一半以上的書法字被選為正例，則剩下的書法字構(gòu)成潛在負(fù)例集VLN。如果候選集不能滿足用戶需求，用戶選擇風(fēng)格相似的字組成所需牌匾(選擇過(guò)程被稱為UserFeedBack)，這些字作為正例，形成集合VR；用戶還可以明確選擇其它與正例中風(fēng)格不同的字作為反例，形成集合VN。
學(xué)習(xí)算法為(1)收集反饋集VLR，VR，VN和VLN。(2)對(duì)VLR或VR中任意兩個(gè)書法字Vi和Vj，若Vj不在P(Vi)中，則將Vj加到P(Vi)，并初始化權(quán)重為1。否則，將P(Vi)中Vj對(duì)應(yīng)的權(quán)重加1。同樣，Vi也被加到P(Vj)中去。(3)對(duì)VR中的書法字Vi和VN中的書法字Vj，若Vj在P(Vi)中，則將Vj對(duì)應(yīng)的權(quán)重減5，若減后結(jié)果小于1，則將Vj從P(Vi)中去除。同樣，將Vi從P(Vj)中去除或?qū)⑵湎鄳?yīng)的權(quán)重減5。(4)對(duì)VLN中的書法字作與VN類似的處理，調(diào)整的權(quán)重值為2。
反饋傳遞算法FeedbackTransfer利用反饋信息更新書法作品之間和書法家之間的風(fēng)格相似度，從而更新書法字的上下文風(fēng)格特征。設(shè)庫(kù)中共有M幅書法作品和N個(gè)書法字，用N維向量W＝[w1，w2，...，wN]表示書法作品，若wi＝1，則表示作品含有第i個(gè)書法字，否則wi＝0。設(shè)N×N矩陣R為書法字風(fēng)格相似度矩陣，其中rij表示書法字Vi與Vj被用戶指為風(fēng)格相似的程度，可由反饋得到。
于是兩書法作品Wi與Wj的相似度為 在反饋之前，rii＝1，rij|j≠i＝0，由于同一個(gè)書法字屬于不同的書法作品，則wik*wjk＝0，于是SIM(Wi，Wj)＝0。
設(shè)N×N矩陣G為書法作品風(fēng)格相似度矩陣，其中g(shù)ij＝SIM(Wi，Wj)，用M維向量A＝[a1，a2，...aM]表示書法家，若ai＝1，表示該書法家寫了第i幅書法作品，則兩書法家風(fēng)格相似度為 反饋可得到更新矩陣ΔR，若書法字Vi與Vj同屬VR或VLR，則ΔRij＝1，若Vi與Vj分屬VR和VN，則ΔRij＝-5，若Vi與Vj分屬VR和VLN，則ΔRij＝-2，Ri+1＝Ri+ΔR，則書法作品和書法家的風(fēng)格相似度更新公式為 這里反映了書法作品風(fēng)格相似度的變化，最后通過(guò)SIM(Wi，Wj)i+1和SIM(Ai，Aj)i+1更新書法字上下文風(fēng)格特征。
實(shí)施例1 首先掃描書法作品并切割構(gòu)建含10000多幅書法字圖像的書法字庫(kù)，并對(duì)每一個(gè)書法字圖像進(jìn)行了標(biāo)注，提取并融合了書法字圖像的內(nèi)容風(fēng)格特征(包括形狀特征、方向特征和結(jié)體特征)和上下文風(fēng)格特征，最終計(jì)算兩個(gè)書法字的風(fēng)格特征。
下面詳細(xì)說(shuō)明“浙江大學(xué)”書法牌匾的設(shè)計(jì)過(guò)程 (1)用戶向系統(tǒng)提交“浙江大學(xué)”查詢?cè)~； (2)系統(tǒng)根據(jù)風(fēng)格一致性計(jì)算模型計(jì)算得到書法牌匾候選集，如附圖3所示； (3)得到的書法牌匾候選集中沒(méi)有令用戶滿意的書法牌匾，用戶進(jìn)行相關(guān)反饋，對(duì)風(fēng)格相似的書法字圖像選左邊的選擇框，對(duì)風(fēng)格不相似的書法字圖像選右邊的選擇框，結(jié)果如附圖4所示； (4)在相關(guān)反饋時(shí)，系統(tǒng)構(gòu)造反饋集，并依據(jù)該反饋集更新相關(guān)書法字圖像的對(duì)等索引和上下文風(fēng)格特征； (5)重新利用風(fēng)格一致性模型計(jì)算書法牌匾候選集，得到結(jié)果如附圖5所示，用戶再次判斷候選集中是否有滿意的書法牌匾，若有則返回，在該實(shí)施例中用戶選擇附圖5中的第一條書法牌匾作為滿意的書法牌匾如附圖6所示。
實(shí)施例2 附圖7給出了由本方法設(shè)計(jì)的由蘇軾的書法字組成的“中國(guó)工程院”書法牌匾。下面結(jié)合本發(fā)明的方法詳細(xì)說(shuō)明本實(shí)例實(shí)施的具體步驟，如下 (1)用戶向系統(tǒng)提交“中國(guó)工程院”查詢?cè)~，并指明書法字的作者“蘇軾”； (2)系統(tǒng)在書法字庫(kù)中查找作者為“蘇軾”，并且標(biāo)注為“中”、“國(guó)”、“工”、“程”或“院”的書法字； (3)系統(tǒng)根據(jù)風(fēng)格一致性計(jì)算模型計(jì)算得到書法牌匾候選集； (4)用戶查看書法牌匾候選集，如有滿意的書法牌匾，則直接選中返回，若無(wú)滿意的書法牌匾，則進(jìn)行相關(guān)反饋，對(duì)風(fēng)格相似的書法字圖像選左邊的選擇框，對(duì)風(fēng)格不相似的書法字圖像選右邊的選擇框； (5)系統(tǒng)根據(jù)反饋信息構(gòu)建反饋集，并依據(jù)該反饋集更新相關(guān)書法字圖像的對(duì)等索引和上下文風(fēng)格特征； (6)重新調(diào)用風(fēng)格一致性計(jì)算模型獲取書法牌匾候選集。
通過(guò)這些步驟的循環(huán)操作，最終得到如附圖7所示的“中國(guó)工程院”的書法牌匾。
權(quán)利要求
1.一種計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法，其特征在于包括以下步驟
(1)結(jié)合書法字內(nèi)容風(fēng)格特征和上下文風(fēng)格特征作為書法字風(fēng)格特征的表達(dá)方式；
(2)基于書法字風(fēng)格特征表達(dá)方式，提取并融合書法字的內(nèi)容風(fēng)格特征和上下文風(fēng)格特征，并計(jì)算書法字之間的風(fēng)格相似度；
(3)利用風(fēng)格一致性計(jì)算模型獲取書法牌匾候選集；
(4)利用對(duì)等反饋傳遞算法改善書法風(fēng)格度量。
2.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法，其特征是，所述的結(jié)合書法字內(nèi)容風(fēng)格特征和上下文風(fēng)格特征作為書法字風(fēng)格特征的表達(dá)方式是指給定書法字Vi，將其風(fēng)格特征表示為<fi1，fi2>，其中fi1表示書法字的內(nèi)容風(fēng)格特征，fi2表示書法字的上下文風(fēng)格特征；
書法字內(nèi)容風(fēng)格特征指的是基于單個(gè)書法字視覺(jué)底層特征的風(fēng)格特征，對(duì)于書法字Vi，fi1＝<Ci，Gi，Si>，其中Ci，Gi和Si分別表示書法字的形狀特征、方向特征和結(jié)體特征；
書法字上下文風(fēng)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(jù)權(quán)利要求1所述的計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法，其特征是，所述的基于書法字風(fēng)格特征表達(dá)方式，提取并融合書法字的內(nèi)容風(fēng)格特征和上下文風(fēng)格特征，并計(jì)算書法字之間的風(fēng)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(jié)體特征；
形狀特征提取方法如下給定書法字Vi＝{pi1，pi2，...pim}，pij表示第j個(gè)采樣點(diǎn)，書法字有m個(gè)輪廓采樣點(diǎn)，每個(gè)采樣點(diǎn)pij由二元組坐標(biāo)<x，y>組成，采用極坐標(biāo)系表示方式，將整個(gè)空間從方向上劃分為8個(gè)方向，然后在弦上按log2r平分為4份，r為覆蓋極坐標(biāo)系的圓的半徑，這樣，整個(gè)空間就被分為32份，對(duì)輪廓上一給定點(diǎn)pi，其屬性用以pi點(diǎn)為中心的坐標(biāo)系的32bin中落入每個(gè)bin的象素點(diǎn)個(gè)數(shù)wi(k)來(lái)描述，wi(k)＝#{qj≠piqj∈bin(k)}，k＝0，1，2，...31，這樣書法字的每一個(gè)采樣點(diǎn)都有一個(gè)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(gòu)成，由Ci＝<pi1，1，pi1，2，...pi1，32，pi2，1，...pim，32>表示；
方向特征提取方法如下采用二維Gabor函數(shù)，提取書法字紋理特征
其中z＝(x，y)，‖·‖表示為范式，σ為常量表示濾波器帶寬寬度，
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(gòu)成32個(gè)Gabor濾波器，每一個(gè)書法字都經(jīng)過(guò)32個(gè)濾波器變換，對(duì)每一個(gè)濾波器的變換結(jié)果求均值和方差，則32個(gè)濾波器得到64維的方向特征向量Gi＝<μi1，σi1，μi2，σi2，...μi32，σi32>；
結(jié)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(jié)體特征，用表示形狀特征，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upq
其中M和N表示書法字寬度方向和高度方向的像素點(diǎn)個(gè)數(shù)，則和反映了書法字在左右側(cè)和上下側(cè)的筆壓輕重比，和反映了書法字在左右側(cè)和上下側(cè)的墨跡主軸傾斜度，最后，綜合所有的書法字結(jié)體特征，構(gòu)成結(jié)體特征向量
(b)計(jì)算單一特征的風(fēng)格相似度，融合書法字形狀特征、方向特征和結(jié)體特征，作為書法字的內(nèi)容風(fēng)格特征，并計(jì)算書法字內(nèi)容風(fēng)格相似度；
首先定義風(fēng)格隸屬向量其中aij反映了書法字Vi屬于第j類風(fēng)格的概率，K表示風(fēng)格類別數(shù)，對(duì)單一特征Gi和Si分別訓(xùn)練多類概率SVM分類器進(jìn)行風(fēng)格區(qū)分，得到書法字Vi在方向特征和結(jié)體特征上的風(fēng)格隸屬向量和其中g(shù)ij，sij為分類器得到的概率結(jié)果；形狀特征不同于方向特征和結(jié)體特征，其維數(shù)與輪廓點(diǎn)個(gè)數(shù)相關(guān)，不易訓(xùn)練SVM分類器，因此，提出基于K參照點(diǎn)書法風(fēng)格相似度計(jì)算方法，針對(duì)每個(gè)漢字，取標(biāo)準(zhǔn)字作為形狀參照集M＝{M1，M2，M3，...MK}，計(jì)算書法字Vi與參照字Mj的形狀相似度，dij＝TMC(Vi，Mj)，得到形狀風(fēng)格隸屬向量其中得到風(fēng)格隸屬向量后，書法字Vi和Vj的風(fēng)格相似度用余弦公式計(jì)算，其中基于形狀的風(fēng)格相似度為
書法字Vi與參照字Mj的形狀相似度計(jì)算如下
先計(jì)算書法字輪廓中任意兩點(diǎn)的近似匹配程度，用Cij＝C(mi，nj)表示，mi和ni表示書法字輪廓點(diǎn)，值越小則越近似
則輪廓點(diǎn)mi的匹配值用公式PMCi＝min{C(pi，qj)j＝0，1，2…m}進(jìn)行計(jì)算，最終兩個(gè)書法字Vi與Vj的形狀匹配值大小是它們的所有輪廓點(diǎn)的匹配值的總和，用TMC(Vi，Vj)表示；
對(duì)方向特征和結(jié)體特征進(jìn)行前期融合和后期融合，前期融合是指在分類器訓(xùn)練之間就將各特征進(jìn)行融合，最簡(jiǎn)單的方式是將各特征向量串連起來(lái)形成一個(gè)長(zhǎng)特征向量，然后再對(duì)該特征向量進(jìn)行分類器學(xué)習(xí)，后期融合是指對(duì)各個(gè)特征向量分別訓(xùn)練分類器，對(duì)分類器結(jié)果再次訓(xùn)練分類器，兩種融合方法均能得到融合后的風(fēng)格隸屬向量
則書法字Vi和Vj的風(fēng)格相似度為
對(duì)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(Vi，Vj)＝max(cSIM(Vi，Vj)，fSIM(Vi，Vj)) 5
基于方差的融合方式為利用公式
選擇具有較好風(fēng)格表達(dá)能力的特征
然后計(jì)算書法字Vi和Vj內(nèi)容風(fēng)格相似度為
(c)提取書法字的上下文風(fēng)格特征，并計(jì)算書法字上下文風(fēng)格相似度；
首先通過(guò)以下3種書法字上下文來(lái)定義書法字之間的上下文風(fēng)格相似度，設(shè)Vi，Vj為兩個(gè)書法字，
i.書法字是否屬于同一作品
若Vi，Vj屬于同一作品，則f1(Vi，Vj)＝τ，否則為0；
ii.書法字是否屬于同一書體
若Vi，Vj屬于同一書體，則f2(Vi，Vj)＝ζ，否則為0；
iii.書法字所屬書法家之間的流派關(guān)系
流派指的是后人學(xué)習(xí)前人風(fēng)格，形成風(fēng)格相似的書法家派系，如顏派書法等，令f3(Vi，Vj)＝g(ai，aj)，其中ai，aj表示Vi，Vj的書法家，若ai，aj為同一書法家，則g(ai，aj)＝υ，若ai，aj屬于同一流派，則g(ai，aj)＝δ，否則為0；
可設(shè)τ＝1.5，ζ＝1，υ＝1，δ＝0.8，綜合所有上下文特征，得到書法字Vi和Vj的上下文風(fēng)格相似度為
(d)整合書法字內(nèi)容風(fēng)格和上下文風(fēng)格計(jì)算書法字風(fēng)格相似度，利用公式
SIM(Vi，Vj)＝λ*contentSIM(Vi，Vj)+(1-λ)*contextSIM(Vi，Vj) 8
計(jì)算書法字Vi和Vj的風(fēng)格相似度，其中0≤λ≤1。
4.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法，其特征是，所述的利用風(fēng)格一致性計(jì)算模型獲取書法牌匾候選集是指給定書法牌匾查詢字串，在書法字庫(kù)中查得符合查詢字串要求的書法字串V1，V2，...，Vn，通過(guò)公式
計(jì)算該書法字串的風(fēng)格一致性值，最后按F(V1，V2，.....Vn)排序可得到書法牌匾候選集；
獲取書法牌匾候選集具體算法(GenerateTabletCandidate)步驟如下
輸入用戶查詢請(qǐng)求query＝(q1，q2...qn)，qi為組成查詢?cè)~query的字；
輸出書法牌匾候選集C；
步驟a1為每個(gè)字qi查詢書法數(shù)據(jù)庫(kù)得到標(biāo)注為qi的書法字集Ωi；
步驟a2對(duì)任意的組合ci＝Vi1，Vi2，.....Vin，(Vij∈Ωj)，按公式8，9計(jì)算s(ci)＝F(Vi1，Vi2，.....Vin)，將<ci，s(ci)>放入C；
步驟a3按s(ci)對(duì)C中的元素排序，返回C。
5.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)方法，其特征是，所述的利用對(duì)等反饋傳遞算法改善書法風(fēng)格度量指的是利用用戶在書法牌匾候選集中的反饋信息，改善書法字風(fēng)格的相似性度量；
對(duì)等反饋傳遞算法步驟如下
輸入用戶查詢請(qǐng)求query＝(q1，q2...qn)，qi為組成查詢?cè)~query的字；
輸出書法牌匾ci；
步驟b1根據(jù)用戶查詢請(qǐng)求獲取書法牌匾候選集，C＝GenerateTabletCandidate(query)；
步驟b2判斷書法牌匾候選集中的元素ci∈C，如果ci滿足用戶需求，則構(gòu)造潛在正例集VLR＝<Vi1，Vi2，...Vin>(這里Vij∈ci)，然后再調(diào)用對(duì)等反饋算法PeerFeedback(VLR)和反饋傳遞算法FeedbackTransfer(VLR)，最后返回書法牌匾ci；如果ci不滿足用戶需求，則跳到步驟b3；
步驟b3根據(jù)用戶相關(guān)反饋信息得到反饋集<VR，VN，VLN>＝UserFeedBack(C)，然后再調(diào)用對(duì)等反饋算法PeerFeedback(<VR，VN，VLN>)和反饋傳遞算法FeedbackTransfer(<VR，VN，VLN>)，跳到步驟b1；
其中對(duì)等反饋算法PeerFeedback依據(jù)的想法為專家鑒定評(píng)價(jià)書法風(fēng)格時(shí)常采用作品對(duì)比方法，因而書法字風(fēng)格隱含在書法字之間，風(fēng)格可由其他書法字來(lái)解釋，PeerFeedback算法采用對(duì)等索引表示書法字風(fēng)格，即用其它風(fēng)格相似的書法字來(lái)表示當(dāng)前書法字的風(fēng)格，用表示書法字Vi的對(duì)等索引，其中，skik是風(fēng)格關(guān)鍵字，對(duì)應(yīng)書法字Vk，權(quán)重wiK表示它們之間的風(fēng)格相似度，將P(Vi)看作文檔向量
則兩書法字的對(duì)等索引相似度為
結(jié)合內(nèi)容、上下文和對(duì)等索引的風(fēng)格相似度，書法字Vi和Vj的風(fēng)格相似度為
SIM(Vi，Vj)＝(1+R(Vi，Vj))*(λ*contentSIM(Vi，Vj)+(1-λ)*contextSIM(Vi，Vj)) 11
對(duì)等索引可通過(guò)用戶相關(guān)反饋信息學(xué)習(xí)得到，由于組成書法牌匾的書法字要求風(fēng)格一致，于是當(dāng)候選集中牌匾ci＝<Vi1，Vi2，...Vin>滿足用戶需求，則書法字Vi1，Vi2，...Vin構(gòu)成潛在正例集VLR，若牌匾ci中一半以上的書法字被選為正例，則剩下的書法字構(gòu)成潛在負(fù)例集VLN，如果候選集不能滿足用戶需求，用戶選擇風(fēng)格相似的字組成所需牌匾(選擇過(guò)程被稱為UserFeedBack)，這些字作為正例，形成集合VR；用戶還可以明確選擇其它與正例中風(fēng)格不同的字作為反例，形成集合VN；
學(xué)習(xí)算法為
步驟c1收集反饋集VLR，VR，VN和VLN；
步驟c2對(duì)VLR或VR中任意兩個(gè)書法字Vi和Vj，若Vj不在P(Vi)中，則將Vj加到P(Vi)，并初始化權(quán)重為1，否則，將P(Vi)中Vj對(duì)應(yīng)的權(quán)重加1，同樣，Vi也被加到P(Vj)中去；
步驟c3對(duì)VR中的書法字Vi和VN中的書法字Vj，若Vj在P(Vi)中，則將Vj對(duì)應(yīng)的權(quán)重減5，若減后結(jié)果小于1，則將Vj從P(Vi)中去除，同樣，將Vi從P(Vj)中去除或?qū)⑵湎鄳?yīng)的權(quán)重減5；
步驟c4對(duì)VLN中的書法字作與VN類似的處理，調(diào)整的權(quán)重值為2；
反饋傳遞算法FeedbackTransfer利用反饋信息更新書法作品之間和書法家之間的風(fēng)格相似度，從而更新書法字的上下文風(fēng)格特征，設(shè)庫(kù)中共有M幅書法作品和N個(gè)書法字，用N維向量W＝[w1，w2，...，wN]表示書法作品，若wi＝1，則表示作品含有第i個(gè)書法字，否則wi＝0，設(shè)N×N矩陣R為書法字風(fēng)格相似度矩陣，其中rij表示書法字Vi與Vj被用戶指為風(fēng)格相似的程度，可由反饋得到，于是兩書法作品Wi與Wj的相似度為
在反饋之前，rii＝1，rij|j≠i＝0，由于同一個(gè)書法字屬于不同的書法作品，則wik*wjk＝0，于是SIM(Wi，Wj)＝0，設(shè)N×N矩陣G為書法作品風(fēng)格相似度矩陣，其中g(shù)ij＝SIM(Wi，Wj)，用M維向量A＝[a1，a2，...aM]表示書法家，若ai＝1，表示該書法家寫了第i幅書法作品，則兩書法家風(fēng)格相似度為
反饋可得到更新矩陣ΔR，若書法字Vi與Vj同屬VR或VLR，則ΔRij＝1，若Vi與Vj分屬VR和VN，則ΔRij＝-5，若Vi與Vj分屬VR和VLN，則ΔRij＝-2，Ri+1＝Ri+ΔR，則書法作品和書法家的風(fēng)格相似度更新公式為
這里反映了書法作品風(fēng)格相似度的變化，最后通過(guò)SIM(Wi，Wj)i+1和SIM(Ai，Aj)i+1更新書法字上下文風(fēng)格特征。
全文摘要
本發(fā)明公開了一種計(jì)算機(jī)輔助書法牌匾設(shè)計(jì)的方法，其特征是首先結(jié)合書法字內(nèi)容風(fēng)格特征和上下文風(fēng)格特征作為書法字風(fēng)格特征的表達(dá)方式，然后基于該書法字風(fēng)格特征表達(dá)方式，提取并融合書法字的內(nèi)容風(fēng)格特征和上下文風(fēng)格特征，計(jì)算書法字之間的風(fēng)格相似度，接著利用風(fēng)格一致性計(jì)算模型獲取書法牌匾候選集，最后利用對(duì)等反饋傳遞算法改善書法風(fēng)格度量。該方法能克服單一特征作為書法字風(fēng)格特征的局限，通過(guò)融合書法字底層特征和上下文特征來(lái)定義書法字風(fēng)格并計(jì)算風(fēng)格相似度，而且內(nèi)容風(fēng)格特征和上下文風(fēng)格特征均能通過(guò)計(jì)算機(jī)自動(dòng)提取，使得書法牌匾的生成具有實(shí)用性，最后方法能通過(guò)反饋提高系統(tǒng)性能，使產(chǎn)生的書法牌匾更符合人們的審美標(biāo)準(zhǔn)。
文檔編號(hào)G06F17/50GK101236577SQ20081005979
公開日2008年8月6日 申請(qǐng)日期2008年2月29日 優(yōu)先權(quán)日2008年2月29日
發(fā)明者莊越挺, 魯偉明, 吳江琴 申請(qǐng)人:浙江大學(xué)