طبقه‌بندي سبك نقاشي هنرمندان با استفاده از هيستوگرام گراديان جهت‌دار و الگوي باينري محلي

Stylometry of Painting Using Histogram of Oriented Gradients (HOG) and Local Binary Patterns (LBP)

شناسايي سبك هر نقاش يكي از مسائل مهم در سبك‌شناسي است ولي اكثر هنرمندان سبك و روش خود را توضيح نمي‌دهند و افراد اغلب با دنبال كردن نقاشي‌هاي يك هنرمند و با توجه به جزييات نقاشي‌ها به‌صورت تجربي سبك يك هنرمند را تشخيص مي‌دهند. در اين مقاله، با استفاده از تكنيك‌هاي پردازش تصوير براي اولين بار رويكردي بر طبقه‌بندي سبك نقاشان ايراني پيشنهاد شده است. در اين رويكرد جهت استخراج بردارهاي ويژگي از هيستوگرام گراديان جهت‌دار، الگوي باينري محلي و همچنين تركيب اين دو ويژگي استفاده شده است، با به‌كار بردن دسته‌بند ماشين بردار پشتيبان بردارهاي ويژگي طبقه‌بندي‌شده‌اند. به‌منظور ارزيابي روش ارائه‌شده از پايگاه‌داده‌اي شامل نقاشي‌هاي پنج نقاش معروف ايراني با نام‌هاي حسين بهزاد، كمال‌الملك، مرتضي كاتوزيان، سهراب سپهري و محمود فرشچيان استفاده شده است. نتايج آزمايش‌ها نشان مي‌دهد كه روش پيشنهادي ما به‌خوبي مي‌تواند سبك‌هاي نقاشي را طبقه‌بندي كند. سبك‌هاي متفاوت با استفاده از طبقه‌بند ماشين بردار پشتيبان با درصد صحت متوسط 95.48% از يكديگر تفكيك شدند.

Stylometry is one of the key issues in art work recognation, however most artists do not identify their styles. Generally, people often empirically recognize an artist's style through following the artist's paintings and paying attention to the paintings' details. This paper, for the first time, proposes an approach to classify Iranian painters' style utilising image processing techniques. For feature extraction, histogram of gradient (HOG) and local binary patterns (LBP) are exploited applying support vector machine (SVM) for classification. To assess the proposed method, one dataset of paintings that contains five famous Iranian painters, namely Hossein Behzad, Kamal-ol-Molk, Morteza Katouzian, Sohrab Sepehri and Mahmoud Farshchian, including 326 paintings, is collected. The experimental results indicate that our proposed method can well classify the painting styles, where, different styles are classified with average accuracy rate of 95.48%.