基于多维视觉特征的中国画画面繁密度量化评估方法研究（繁密视觉量化研究工具开发说明）
作者：赵雨泊
2026年2月
摘要
中国画作为中华民族传统艺术的瑰宝，其画面繁密度是衡量艺术价值与创作技法的重要维度。传统上，画面繁密度的评判主要依赖专家主观经验，缺乏客观量化的评价标准。本文针对中国画画面繁密度的量化评估问题，系统介绍了一种基于计算机视觉的多维特征融合评估工具，该工具整合了边缘密度、香农熵、纹理分数、颜色多样性、对比度及方差六个核心视觉指标，构建了综合评分模型。本文详细阐述了各模型的数学公式、理论来源及在视觉繁密度研究中的应用意义，深入分析了各指标权重设定的理论依据与视觉感知机制，探讨了综合得分的计算方法及其背后的认知心理学与信息论基础。研究表明，该多维特征融合方法能够较为全面地反映中国画作品的视觉复杂度特征，为艺术量化研究提供了新的方法论参考。本文最后还讨论了该量化工具的优势与局限性，并对未来研究方向进行了展望，旨在为相关领域的研究者提供理论借鉴与实践指导。
关键词：视觉繁密度；中国画；量化分析；多维特征融合；边缘检测；香农熵；Tamura纹理特征
Abstract
As a treasure of Chinese traditional art, visual complexity in painting composition is a crucial dimension for evaluating artistic value and creative techniques. Traditionally, the assessment of visual complexity has mainly relied on subjective expert experience, lacking objective quantitative evaluation standards. This paper systematically introduces a multi-feature fusion evaluation tool based on computer vision for the quantitative assessment of visual complexity in Chinese paintings. This tool integrates six core visual indicators: edge density, Shannon entropy, texture score, color diversity, contrast, and variance, constructing a comprehensive scoring model. This paper elaborates on the mathematical formulas of each model, their theoretical sources, and their application significance in visual complexity research. It deeply analyzes the theoretical basis for setting weights of each indicator and the visual perception mechanism, and discusses the calculation method of the comprehensive score and its theoretical foundation in cognitive psychology and information theory. Research shows that this multi-feature fusion method can comprehensively reflect the visual complexity characteristics of Chinese paintings, providing a new methodological reference for quantitative art research. This paper also discusses the advantages and limitations of this quantitative tool and prospects future research directions, aiming to provide theoretical reference and practical guidance for researchers in related fields.
Keywords: Visual Complexity; Chinese Painting; Quantitative Analysis; Multi-Feature Fusion; Edge Detection; Shannon Entropy; Tamura Texture Features
1 引言
1.1 研究背景与意义
中国画承载着数千年的中华文化精髓，以其独特的笔墨技法、构图理念和审美意境著称于世。在中国画艺术评论与研究领域，“繁密”与“疏朗”是一对核心的美学范畴，反映了画家对画面空间布局、元素分布与信息密度的不同处理方式。“繁密”通常指画面中视觉元素丰富、层次叠加、细节充盈的艺术效果，而“疏朗”则强调留白与简洁的空间运用。准确评估中国画作品的画面繁密度，对于理解艺术家的创作风格、追溯艺术流派的演变规律、鉴定作品真伪以及推动艺术教育发展具有重要的理论价值与实践意义。
长期以来，中国画画面繁密度的评判主要依赖于鉴赏家、评论家基于个人经验的主观判断。这种定性分析方法虽然能够捕捉艺术作品的微妙意境与精神气质，但存在明显的主观性与不可重复性问题。不同鉴赏者由于专业背景、审美偏好及视觉感知能力的差异，往往会对同一作品给出相差甚远的评价结论。此外，主观评价难以进行大规模的样本分析与跨时代、跨地域的比较研究，制约了中国画量化研究的深入发展。
随着计算机视觉技术与数字图像处理方法的快速发展，为艺术作品的客观量化分析提供了新的技术路径。研究者可以通过提取图像的底层视觉特征，如边缘、纹理、颜色、对比度等，构建数学模型来描述画面的复杂程度。这种数据驱动的研究方法具有客观性强、可重复性高、便于大规模处理等优势，能够弥补传统主观评价方法的不足。近年来，深度学习技术在图像分类、目标检测、风格迁移等任务中取得了突破性进展，为艺术图像的智能分析与理解提供了强有力的技术手段。
在此背景下，开发一套适用于中国画画面繁密度的量化评估工具具有重要的学术意义与应用价值。本研究聚焦于中国画视觉繁密度的客观量化问题，系统介绍了一种基于多维视觉特征融合的评估方法，该方法整合了边缘检测理论、信息熵、纹理分析、色彩学等多个领域的理论与技术，构建了综合性的评分模型。
1.2 研究目的与创新点
本研究的主要目的是构建一套科学、系统、可操作的中国画画面繁密度量化评估方法。具体而言，本研究旨在：第一，系统梳理视觉复杂度研究的理论基础，明确边缘密度、纹理、熵、对比度、方差、颜色多样性等核心指标的理论来源与计算方法；第二，基于视觉感知理论与图像复杂度研究成果，设计合理的指标权重分配方案；第三，构建综合评分模型，实现对中国画画面繁密度的量化评估；第四，开发实用的分析工具，验证方法的有效性与可操作性。
本研究的创新点主要体现在以下几个方面：第一，跨学科理论整合，将计算机视觉、认知心理学、信息论等多个学科的理论与方法引入艺术量化研究，形成多维度的评估框架；第二，指标权重优化，基于视觉感知优先级理论，为不同指标分配差异化权重，突出边缘密度与纹理分数的主导地位；第三，针对性预处理，针对中国画的特点（如留白、淡墨、浅色背景等），提供选框分析与图像预处理的建议，提高评估准确性；第四，工具开发与验证，将理论研究成果转化为可操作的Web工具，实现浏览器端本地分析，保护用户隐私的同时提供便捷的服务。
2 文献综述
2.1 视觉复杂度研究的历史演进
视觉复杂度是一个跨学科的研究概念，涉及到心理学、认知科学、计算机视觉、艺术理论等多个领域。早期对视觉复杂度的研究主要集中在心理学与感知领域。1950年代，Berlyne从实验心理学的角度系统研究了视觉复杂度问题，提出了复杂度的多维理论框架，认为视觉复杂度与刺激的物理特征（如密度、对比度、对称性等）以及观察者的主观经验密切相关。后续研究者进一步发展了这一理论，提出了多种复杂度的计算模型与测量方法。
在计算机视觉领域，视觉复杂度的量化研究始于1980年代初期。随着数字图像处理技术的发展，研究者开始尝试用数学方法来描述图像的复杂程度。Sklansky提出了基于边缘密度的复杂度度量方法，认为图像中边缘的丰富程度是衡量视觉复杂度的重要指标。Marr与Hildreth的边缘检测理论为这一研究方向奠定了重要的理论基础。此后，纹理分析、形状描述、区域分割等技术被广泛应用于图像复杂度评估，形成了多元化的研究方法体系。
在艺术与设计领域，视觉复杂度的研究具有悠久的历史传统。艺术理论家早就认识到复杂度是影响审美体验的重要因素。秩序与复杂之间的平衡被认为是美的核心特征之一。Gestalt心理学派对视觉感知规律的系统研究为理解艺术作品的复杂度提供了重要的理论框架。
2.2 图像复杂度量化方法研究进展
在图像复杂度量化研究方面，国内外学者提出了多种评估方法与指标体系。Raghavan等系统比较了基于熵、边缘、纹理、分形维数等不同指标的复杂度度量方法，发现不同指标之间存在显著差异，单一指标难以全面反映图像的复杂度特征。这一发现支持了多维度综合评估的方法论选择。
在纹理分析领域，Tamura等人在1978年提出的Tamura纹理特征是一个重要的里程碑式成果。该研究从视觉感知的角度出发，定义了六个纹理特征维度：粗糙度（coarseness）、对比度（contrast）、方向性（directionality）、线像性（linelikeness）、规则性（regularity）和粗略度（roughness）。其中，粗糙度与对比度被后续研究者广泛应用于图像复杂度评估。
在信息论方法方面，香农熵自1948年提出以来，已成为衡量信息量的核心指标。在图像处理领域，香农熵被广泛应用于图像压缩、分割、增强等任务中，也被用作图像复杂度的度量标准。研究表明，高熵值图像通常包含更多的细节信息与视觉变化，被认为是更加复杂的图像。然而，熵值作为一个全局统计量，难以反映图像的空间分布特征，因此需要与其他指标配合使用。
在边缘检测研究方面，Marr与Hildreth在1980年发表的经典论文《Theory of Edge Detection》系统阐述了边缘检测的理论基础与计算方法。该研究提出了著名的Laplacian-of-Gaussian（LOG）算子，将高斯平滑与拉普拉斯边缘检测相结合，实现了噪声抑制与边缘定位的平衡。Itti等人进一步将边缘检测理论应用于视觉注意力建模，提出了基于特征的显著图（Saliency Map）计算方法，证明了边缘是吸引视觉注意力的主要元素。
2.3 中国画量化研究现状
中国画的量化研究是数字人文与艺术科技交叉领域的重要研究方向。近年来，随着深度学习技术的发展与计算机视觉技术的进步，越来越多的研究者开始尝试对中国画进行客观量化的分析研究。在中国画元素识别方面，研究者利用卷积神经网络实现了对画面中山石、水流、树木、人物、建筑等元素的自动检测与分割，为理解画面构图提供了数据支持。
在中国画风格分析方面，研究者从笔触、墨色、构图、色彩等维度提取特征，利用机器学习方法实现了对不同画家、不同流派、不同年代作品的风格分类与鉴别。这些研究表明，中国画的视觉特征可以被有效地量化为数学描述，为繁密度评估研究奠定了方法论基础。
然而，专门针对中国画画面繁密度的量化研究相对较少。传统上，中国画繁密度评价主要依赖于“计白当黑”“疏密有致”等主观描述性概念，缺乏可操作的客观测量方法。本研究针对这一研究空白，系统引入计算机视觉领域的成熟技术与理论，构建适用于中国画特点的繁密度量化评估模型，具有重要的学术创新价值与实践应用前景。
2.4 文献评述与本研究定位
综合以上文献综述可以看出，视觉复杂度研究已经形成了较为完善的理论体系与方法框架。在理论层面，Gestalt心理学、信息论、视觉感知理论为复杂度研究提供了多元的视角；在方法层面，边缘检测、纹理分析、熵值计算、颜色统计等技术为复杂度量化提供了可行的技术路径。然而，现有研究仍存在一些不足：第一，多数研究聚焦于通用图像，缺乏针对特定艺术门类（如中国画）的专门方法设计；第二，单一指标难以全面反映复杂度的多维特征，综合评估方法有待优化；第三，指标权重的设定缺乏充分的理论依据与实证验证。
本研究针对上述问题，选取六个核心视觉指标构建综合评分模型，并基于视觉感知理论合理分配各指标权重，形成一套适用于中国画画面繁密度的量化评估方案。
3 理论基础与核心指标
本章详细介绍综合评分模型中六个核心视觉指标的理论来源、数学定义与计算方法，阐述各指标在视觉繁密度评估中的意义与功能。
3.1 边缘密度
3.1.1 理论来源
边缘密度是本研究综合评分模型中权重最高的指标之一，其权重达到25%，体现了边缘信息在视觉感知中的核心地位。边缘密度的理论基础主要来源于Marr-Hildreth边缘检测理论。
Marr与Hildreth于1980年在《Proceedings of the Royal Society B》发表了经典论文《Theory of Edge Detection》，系统阐述了边缘检测的理论基础与计算方法。该理论的核心观点是：边缘是图像中灰度发生剧烈变化的位置，代表了物体的轮廓、形状边界与纹理边界，是视觉信息的重要组成部分。Marr-Hildreth理论提出了著名的Laplacian-of-Gaussian（LOG）算子，该算子首先使用高斯函数对图像进行平滑滤波以抑制噪声，然后应用拉普拉斯算子检测边缘，实现了噪声抑制与边缘定位的平衡。
从视觉感知的角度来看，边缘是人类视觉系统最先感知的基本元素。Itti等人在1998年发表于《IEEE Transactions on Pattern Analysis and Machine Intelligence》的研究中证明，边缘信息是视觉注意力捕捉的主要特征。这一发现具有重要的理论与应用价值：边缘密度越高的图像，通常包含更多的轮廓信息与形状边界，视觉上会更加丰富和复杂。
在中国画艺术语境中，边缘同样具有重要的审美意义。中国画强调“骨法用笔”，线条是表现物象形态的关键要素。画家通过勾勒、皴擦、点染等技法，在画面中创造出丰富的边缘变化，形成独特的视觉节奏与韵律。因此，边缘密度能够有效反映中国画作品在线条运用与细节刻画方面的丰富程度。
3.1.2 数学定义与计算方法
边缘密度的计算涉及边缘检测算法的设计与密度统计方法的选择。在本工具中，边缘检测采用经典的Sobel算子或Canny算子实现。以下详细介绍边缘密度的计算流程：
第一步是图像灰度化。对于彩色输入图像，首先将其转换为灰度图像，转换公式为：
$$Gray = 0.299R + 0.587G + 0.114B$$
其中，$R$、$G$、$B$分别表示图像的红、绿、蓝通道值，$Gray$为转换后的灰度值。
第二步是边缘检测。以Sobel算子为例，其通过两个3×3卷积核分别计算图像在水平方向和垂直方向的梯度：
$$G_x = \begin{bmatrix} -1 & 0 & 1 \ -2 & 0 & 2 \ -1 & 0 & 1 \end{bmatrix} * I$$
$$G_y = \begin{bmatrix} -1 & -2 & -1 \ 0 & 0 & 0 \ 1 & 2 & 1 \end{bmatrix} * I$$
其中，$I$为输入图像，$G_x$和$G_y$分别为水平方向和垂直方向的梯度，$*$表示卷积运算。边缘强度由梯度幅度决定：
$$G = \sqrt{G_x^2 + G_y^2}$$
第三步是边缘二值化与密度计算。设定阈值$T$对梯度图像进行二值化处理，得到边缘图像$E$：
$$E(x,y) = \begin{cases} 1 & \text{若 } G(x,y) \geq T \ 0 & \text{否则} \end{cases}$$
边缘密度定义为边缘像素占总像素的比例：
$$\text{Edge Density} = \frac{\sum_{x=1}^{M}\sum_{y=1}^{N} E(x,y)}{M \times N} \times 100\%$$
其中，$M$和$N$分别为图像的高度和宽度。边缘密度的取值范围为0到100%，数值越高表示画面中边缘信息越丰富，视觉复杂度越高。
3.1.3 在本研究中的意义与功能
边缘密度在本研究的综合评分模型中占据核心地位，其权重设定为25%，与纹理分数并列最高。这一权重分配基于以下理论依据与实践考量：
首先，从视觉感知的优先级来看，边缘是人类视觉系统最先识别的信息元素。Gestalt心理学研究表明，人类在观察图像时，首先感知到的是整体轮廓与边界，然后才会注意到内部细节。这一感知规律意味着，边缘信息对于判断画面繁简程度具有最高权重，能够最直接地反映观众的视觉感受。
其次，从中国画的艺术特性来看，线条是中国画的核心表现元素。中国画以线造型，画家通过不同粗细、浓淡、虚实的线条来塑造物象、传达神韵。画面边缘的丰富程度直接反映了画家在线条运用上的复杂程度与精湛技艺。
第三，从技术实现的角度来看，边缘检测算法相对成熟稳定，计算效率高，能够在浏览器端快速完成分析。同时，边缘密度具有较好的可解释性，便于研究者理解和应用。
3.2 纹理分数
3.2.1 理论来源
纹理分数是另一个权重最高的指标，同样为25%。纹理分析是计算机视觉领域的核心研究课题之一，本研究采用的纹理分析方法主要来源于Tamura纹理特征理论。
Tamura等人在1978年发表于《IEEE Transactions on Systems, Man, and Cybernetics》的经典论文《Textural Features Corresponding to Visual Perception》中，从视觉感知的角度系统定义了六个纹理特征维度：粗糙度（coarseness）、对比度（contrast）、方向性（directionality）、线像性（linelikeness）、规则性（regularity）和粗略度（roughness）。该研究的创新之处在于，它不是从纯数学的角度定义纹理特征，而是从人类视觉感知的角度出发，使提取的特征更符合人眼对纹理的主观感受。
在Tamura纹理特征中，粗糙度是最核心的特征维度，它描述了纹理单元的尺度大小。粗糙度高的图像具有大的纹理单元，视觉上显得较为平滑；粗糙度低的图像具有细小的纹理单元，视觉上显得较为复杂。对比度反映了纹理区域内部灰度变化的剧烈程度，对比度高的纹理通常更加清晰分明。
在图像复杂度研究中，纹理复杂度是一个重要的考量因素。复杂的纹理通常意味着更多的视觉细节与信息量，能够增加图像的视觉丰富度。中国画中的皴法、点染、渲染等技法都会在画面中形成丰富的纹理效果，因此纹理分数能够有效反映这些技法的复杂程度。
3.2.2 数学定义与计算方法
本工具中的纹理分数主要基于Tamura纹理特征的粗糙度（coarseness）维度进行计算，同时结合局部方差等统计量进行综合评估。以下详细介绍纹理分数的计算方法：
粗糙度计算：粗糙度反映了纹理的基本尺度。对于每个像素点$(x,y)$，计算其在不同窗口大小下的平均灰度差异：
$$A_k(x,y) = \frac{1}{2^k \times 2^k} \sum_{i=x-2^{k-1}}^{x+2^{k-1}-1} \sum_{j=y-2^{k-1}}^{y+2^{k-1}-1} I(i,j)$$
其中，$k$为尺度参数，$I(i,j)$为像素$(i,j)$的灰度值。计算相邻尺度间的差值：
$$E_{k,h}(x,y) = |A_k(x,y) – A_k(x+2^{h-1}, y+2^{h-1})|$$
找到使差值最大的尺度$k_{max}$，该尺度即为像素点$(x,y)$的最佳纹理尺度：
$$k_{max}(x,y) = \arg\max_k E_{k,h}(x,y)$$
整个图像的粗糙度为各像素点最佳尺度的平均值：
$$\text{Coarseness} = \frac{1}{M \times N} \sum_{x=1}^{M} \sum_{y=1}^{N} 2^{k_{max}(x,y)}$$
纹理分数计算：为了得到一个综合的纹理复杂度分数，本工具结合粗糙度与局部方差进行计算：
$$\text{Texture Score} = \alpha \cdot \text{Coarseness}{norm} + \beta \cdot \text{Local Variance}{norm}$$
其中，$\alpha$和$\beta$为加权系数，$\text{Coarseness}{norm}$和$\text{Local Variance}{norm}$分别为归一化后的粗糙度和局部方差值。最终的纹理分数取值范围为0到1之间，再乘以100转换为百分制表示。
3.2.3 在本研究中的意义与功能
纹理分数在本研究的综合评分模型中与边缘密度并列最高权重（25%），体现了纹理信息在视觉繁密度评估中的重要地位。纹理分数的功能与意义主要体现在以下几个方面：
第一，纹理复杂度直接反映画面细节的丰富程度。中国画中的皴法（如斧劈皴、披麻皴、雨点皴等）是表现山石质感的重要技法，不同皴法具有不同的纹理特征；点染、泼墨等技法也会在画面中形成丰富的纹理效果。纹理分数能够量化这些技法在画面中的复杂程度，为繁密度评估提供重要参考。
第二，纹理信息与边缘信息形成互补。边缘主要反映画面中轮廓与边界的丰富程度，而纹理则反映画面内部细节的复杂程度。两者结合能够更加全面地描述图像的空间信息含量。
第三，Tamura纹理特征从视觉感知角度设计，更符合人眼对纹理的主观判断。传统的纹理分析方法（如傅里叶变换、Gabor变换等）虽然数学上严谨，但与人类视觉感知的对应关系不够直接。Tamura特征的感知导向设计使其评估结果更易于被研究者理解和应用。
3.3 香农熵
3.3.1 理论来源
香农熵是信息论的核心概念，由美国数学家克劳德·香农（Claude E. Shannon）于1948年在《Bell System Technical Journal》发表的经典论文《A Mathematical Theory of Communication》中首次提出。香农熵为衡量信息的不确定性或信息量提供了严格的数学定义，被广泛应用于通信理论、密码学、统计学、机器学习等领域。
在图像处理领域，香农熵被用作衡量图像信息量的重要指标。对于一幅图像，其灰度直方图反映了不同灰度级的像素分布情况。灰度分布越均匀，图像包含的信息量越大，熵值越高；灰度分布越集中，图像信息量越小，熵值越低。这一特性使得香农熵能够从信息论的角度反映图像的复杂度特征。
Gonzalez与Woods在经典教材《Digital Image Processing》中系统介绍了香农熵在图像处理中的应用。研究者发现，高熵值图像通常包含更多的细节信息、灰度变化与视觉内容，被认为是更加“复杂”的图像。然而，香农熵作为一个全局统计量，主要反映灰度分布的均匀程度，难以准确描述图像的空间结构与局部特征。
在中国画分析中，香农熵能够反映画面墨色变化的丰富程度。中国画以墨色为主，通过墨色的浓淡变化（“墨分五色”：焦、浓、重、淡、清）来表现物象的层次与质感。熵值越高，表示画面墨色运用越丰富，变化越多样。然而，中国画强调“计白当黑”，留白是重要的构图手段，高熵值并不一定意味着高繁密度，因此香农熵在本模型中作为辅助参考指标，权重相对较低（10%）。
3.3.2 数学定义与计算方法
香农熵的数学定义基于概率论中的信息量概念。设离散随机变量$X$的可能取值为${x_1, x_2, …, x_n}$，对应的概率分布为$P(X = x_i) = p_i$，则香农熵定义为：
$$H(X) = -\sum_{i=1}^{n} p_i \log_2(p_i)$$
在图像处理应用中，通常采用以2为底的对数，此时熵的单位为比特（bits）。对于灰度图像，首先计算其灰度直方图：
$$p_i = \frac{n_i}{M \times N}$$
其中，$n_i$为灰度级$i$的像素数量，$M \times N$为图像总像素数，$i$的取值范围为0到255（对于8位灰度图像）。
图像的香农熵计算公式为：
$$H = -\sum_{i=0}^{255} p_i \log_2(p_i)$$
当$p_i = 0$时，约定$0 \log_2(0) = 0$。理论上，对于256个灰度级完全均匀分布的图像，熵值最大为$\log_2(256) = 8$比特。这一最大值被用作归一化参考。
在实际应用中，考虑到中国画的特点，常采用归一化处理：
$$\text{Entropy Score} = \frac{H}{8} \times 100$$
这样得到的熵值分数范围为0到100，便于与其他指标进行综合比较。
3.3.3 在本研究中的意义与功能
香农熵在本研究的综合评分模型中权重为10%，相对较低，属于辅助参考指标。其功能与意义主要体现在以下几个方面：
第一，香农熵是衡量图像信息量的经典指标，能够从信息论角度反映画面的整体信息丰富程度。中国画虽然以简洁著称，但优秀的作品往往在看似简单的构图中有丰富的墨色变化与细节信息。香农熵能够捕捉这些变化，为繁密度评估提供信息论视角的补充。
第二，香农熵的计算方法简单高效，适合大规模图像的批量处理。作为一个全局统计量，香农熵只需要计算灰度直方图，无需复杂的空间运算，具有很高的计算效率。
第三，香农熵与其他指标形成互补。边缘密度和纹理分数主要反映图像的空间变化信息，而香农熵反映的是灰度分布的统计特性。综合使用这些指标能够更加全面地评估画面特征。
3.4 对比度
3.4.1 理论来源
对比度是视觉感知的基本维度之一，反映了图像明暗差异的程度。Barten在1999年出版的《Contrast Sensitivity of the Human Eye》（SPIE Press）系统阐述了视觉对比敏感度理论，为对比度的量化研究提供了重要的理论基础。
视觉对比敏感度理论指出，人类视觉系统对不同频率的视觉刺激具有不同的敏感度。适度的对比度能够增强图像的清晰度和可辨识度，是影响视觉感知质量的重要因素。从视觉复杂度角度来看，高对比度图像通常包含更多的明暗变化与细节信息，视觉上会更加丰富和复杂。
然而，对比度与复杂度之间的关系并非简单的线性关系。极低对比度的图像往往显得单调乏味，复杂度较低；极高对比度的图像虽然视觉冲击力强，但不一定具有高复杂度。在中国画艺术中，对比度的运用有着独特的审美意义。画家通过墨色的浓淡对比、虚实对比来表现空间深度与物象质感，形成独特的视觉韵律。因此，对比度是评估中国画繁密度的重要维度之一。
在图像处理领域，对比度有多种定义方式，包括全局对比度、局部对比度、均方根对比度等。不同的定义方式适用于不同的应用场景。本工具采用均方根对比度作为评估指标，该指标综合考虑了图像中所有像素的灰度变化情况。
3.4.2 数学定义与计算方法
对比度的计算有多种方法，本工具主要采用均方根对比度（Root Mean Square Contrast, RMS Contrast）作为评估指标。其计算公式为：
$$\text{Contrast}{RMS} = \sqrt{\frac{1}{M \times N} \sum{x=1}^{M} \sum_{y=1}^{N} (I(x,y) – \bar{I})^2}$$
其中，$I(x,y)$为像素$(x,y)$的灰度值，$\bar{I}$为图像的平均灰度值：
$$\bar{I} = \frac{1}{M \times N} \sum_{x=1}^{M} \sum_{y=1}^{N} I(x,y)$$
均方根对比度实际上是图像灰度值的标准差，它反映了图像灰度分布的离散程度。标准差越大，表示图像中明暗差异越明显，对比度越高。
本工具中，为了将对比度纳入综合评分，采用归一化处理：
$$\text{Contrast Score} = \text{Contrast}{RMS} \times \frac{100}{\text{Contrast}{max}}$$
其中，$\text{Contrast}_{max}$为归一化参考值，通常取图像可能达到的最大对比度。
3.4.3 在本研究中的意义与功能
对比度在本研究的综合评分模型中权重为15%，属于中等权重指标。其功能与意义主要体现在以下几个方面：
第一，对比度与边缘检测形成互补关系。边缘本质上是局部对比度发生剧烈变化的位置，而对比度是一个全局统计量。两者结合能够从局部和全局两个层面反映图像的明暗变化特征。
第二，对比度反映了画面整体的明暗层次。中国画强调墨色变化，通过浓墨、淡墨、焦墨等不同墨色来表现物象的远近、虚实、阴阳等关系。对比度能够捕捉这些墨色变化的整体特征，为繁密度评估提供参考。
第三，对比度是一个相对稳定的图像特征，受图像尺寸、分辨率等因素的影响较小，便于不同图像之间的比较分析。
3.5 方差（归一化）
3.5.1 理论来源
方差是统计学中的核心概念，反映数据的离散程度。在图像处理领域，方差被广泛应用于图像质量评估、特征分析、分割算法等领域。Sonka等人在经典教材《Image Processing, Analysis, and Machine Vision》中系统介绍了方差在图像分析中的应用，将其作为图像二阶矩分析的重要内容。
从统计学角度来看，方差是二阶中心矩，描述了数据围绕均值的分散程度。在图像分析中，灰度方差反映了图像像素值与平均灰度值之间的偏离程度。方差越大，表示图像灰度分布越分散，灰度变化越丰富；方差越小，表示图像灰度分布越集中，画面越趋于单一色调。
方差与对比度在数学上密切相关。实际上，均方根对比度就是灰度值的标准差（方差的平方根），两者反映的是同一维度的图像特征。然而，它们各自侧重不同的分析层面：对比度更强调明暗差异的感知特性，而方差更强调统计分布的离散程度。在综合评分模型中同时纳入方差与对比度，能够从不同角度刻画图像的灰度变化特征。
在中国画分析中，方差具有特殊的美学意义。中国画追求“墨色变化”，画面通常不是单一的黑或白，而是具有丰富的灰度层次。方差能够量化这种墨色变化的丰富程度：高方差表示画面墨色变化剧烈、层次丰富，呈现繁密的视觉效果；低方差表示画面墨色单一、变化较少，呈现疏朗的视觉效果。
3.5.2 数学定义与计算方法
灰度图像的方差计算公式为：
$$\sigma^2 = \frac{1}{M \times N} \sum_{x=1}^{M} \sum_{y=1}^{N} (I(x,y) – \bar{I})^2$$
其中，$\sigma^2$为方差，$I(x,y)$为像素$(x,y)$的灰度值，$\bar{I}$为图像平均灰度值，$M \times N$为图像总像素数。
方差还可以表示为二阶原点矩减去均值的平方：
$$\sigma^2 = E[I^2] – (E[I])^2$$
为了将方差纳入综合评分模型，需要进行归一化处理。根据信息论原理，对于256级灰度图像，方差的最大值理论上可以达到$255^2 = 65025$。设定归一化参考值为6500：
$$\text{Variance Score} = \frac{\sigma^2}{6500} \times 100$$
3.5.3 在本研究中的意义与功能
方差（归一化）在本研究的综合评分模型中权重为15%，与对比度权重相同。其功能与意义主要体现在以下几个方面：
第一，方差作为统计指标，与对比度协同反映画面整体变化程度。虽然两者数学关系密切，但方差更强调统计分布特性，能够捕捉对比度可能遗漏的信息。
第二，方差能够反映画面的整体层次感。中国画注重“墨分五色”，画家通过墨色的浓淡变化来表现物象的质感与空间感。方差越大，表示画面墨色层次越丰富，视觉效果越复杂。
第三，方差具有计算简单、稳定性好的优点。作为二阶统计量，方差对图像的尺度变化具有较好的鲁棒性，便于不同尺寸图像之间的比较。
3.6 颜色多样性
3.6.1 理论来源
颜色多样性反映了图像中色彩种类的丰富程度，是影响视觉感知复杂度的重要因素。Orchard与Bouman在1991年发表于《IEEE Transactions on Signal Processing》的论文《Color quantization of images》中系统研究了色彩量化问题，为颜色复杂度的研究奠定了理论基础。
色彩是视觉感知的基本要素之一，对视觉复杂度有重要影响。一般而言，色彩种类越丰富，视觉信息量越大，感知复杂度越高。然而，色彩与复杂度之间的关系也受到文化因素的影响。在中国传统绘画中，色彩运用有其独特的规律：水墨画以墨色为主，强调墨色的浓淡变化；工笔重彩画则重视色彩的表现力，强调色彩的丰富与和谐。
从技术角度来看，颜色多样性的量化有两种主要方法：一种是统计图像中实际出现的颜色种类数量，另一种是计算颜色分布的熵值。本工具采用颜色种类数量与颜色分布均匀程度相结合的方法来评估颜色多样性。
3.6.2 数学定义与计算方法
颜色多样性的计算首先需要对图像进行颜色统计。对于彩色图像，提取R、G、B三个通道的颜色值，统计不同颜色组合的出现情况。
颜色种类的计算：将图像颜色空间量化到更粗的级别（如每个通道256级量化为16级），统计量化后不同颜色值的数量：
$$\text{Color Count} = \text{card}{C_i | \text{颜色}C_i\text{在图像中出现}}$$
颜色多样性的归一化计算：
$$\text{Color Diversity} = \frac{\text{Color Count}}{\text{Color Count}_{max}} \times 100$$
其中，$\text{Color Count}_{max}$为颜色种类的理论最大值。
3.6.3 在本研究中的意义与功能
颜色多样性在本研究的综合评分模型中权重为10%，属于辅助参考指标。其功能与意义主要体现在以下几个方面：
第一，颜色信息对于黑白图像分析贡献有限，因此被定位为辅助参考指标。中国画以水墨画为主，许多作品的颜色信息相对单一（主要在灰度范围内变化），如果赋予过高的权重，可能导致评估结果与实际繁密度产生偏差。
第二，颜色多样性能够捕捉一些边缘和纹理无法反映的信息。例如，两幅灰度分布相近的图像可能具有不同的色彩丰富度（彩色 vs. 灰度），这种差异能够被颜色多样性指标捕捉。
第三，颜色多样性的计算简单高效，可以快速获取图像的色彩特征。与其他指标配合使用，能够形成更加全面的评估体系。
4 综合评分模型
4.1 综合评分公式
基于上述六个核心视觉指标，本研究构建了画面视觉繁密度综合评分模型。该模型采用加权线性组合方法，将各指标的计算结果按照预设权重进行加权求和，得到最终的综合评分。综合评分的计算公式为：
$$\text{Score} = E_d \times 0.25 + \frac{H}{8} \times 100 \times 0.10 + T_s \times 100 \times 0.25 + C_d \times 100 \times 0.10 + C_n \times 100 \times 0.15 + \frac{\sigma^2}{6500} \times 100 \times 0.15$$
其中：
- $E_d$：边缘密度（Edge Density），权重25%
- $H$：香农熵（Shannon Entropy），权重10%
- $T_s$：纹理分数（Texture Score），权重25%
- $C_d$：颜色多样性（Color Diversity），权重10%
- $C_n$：对比度（Contrast），权重15%
- $\sigma^2$：方差（Variance），权重15%
为了更清晰地表达，将公式简化为：
$$\text{Score} = 0.25 \times E_d + 0.10 \times \text{Entropy Score} + 0.25 \times T_s + 0.10 \times C_d + 0.15 \times C_n + 0.15 \times \text{Variance Score}$$
综合评分的取值范围为0到100分。根据评分结果，将画面繁密度划分为四个等级：
- 超高密度（75-100分）：画面视觉元素极为丰富，细节充盈，层次叠加密集
- 高密度（50-75分）：画面视觉元素较为丰富，具有明显的复杂感
- 低密度（25-50分）：画面视觉元素相对较少，具有一定的简洁感
- 超低密度（0-25分）：画面视觉元素极少，整体呈现简洁疏朗的风格
4.2 权重设定依据
综合评分模型中各指标权重的设定是本研究的核心问题之一。权重分配是否合理直接影响评估结果的准确性与可靠性。本节详细阐述各指标权重设定的理论依据与设计考量。
4.2.1 边缘密度权重（25%）
边缘密度在本模型中与纹理分数并列最高权重（25%），这一设定基于以下多方面的理论依据：
视觉感知优先级理论：Gestalt心理学与视觉注意力研究均表明，边缘是人类视觉系统最先感知的图像元素。Itti等人的视觉注意力模型证明，边缘特征是构成显著图（Saliency Map）的核心要素。这一感知规律意味着，边缘信息对于判断画面繁简程度具有最高权重，能够最直接地反映观众的视觉感受。
中国画艺术特性：中国画以线造型，线条是画面的核心构成元素。画家通过勾勒、皴擦、点染等技法创造出丰富的边缘变化，形成独特的视觉节奏。边缘密度的权重设定与中国画的艺术特性高度契合。
技术稳定性：边缘检测是计算机视觉中最为成熟的技术之一，算法的稳定性和可重复性较高，权重设定不会因算法实现细节的差异而产生显著波动。
4.2.2 纹理分数权重（25%）
纹理分数与边缘密度并列最高权重（25%），其权重设定依据包括：
细节丰富度反映：纹理复杂度直接反映画面细节的丰富程度。中国画中的皴法、点染、渲染等技法都会在画面中形成丰富的纹理效果。纹理分数能够有效捕捉这些技法产生视觉复杂度。
空间信息补充：纹理特征与边缘特征形成互补。边缘反映轮廓与边界信息，纹理反映内部细节信息。两者结合能够全面覆盖图像的空间变化特征。
Tamura理论支撑：Tamura纹理特征从视觉感知角度设计，其粗糙度维度与人类对纹理的主观感知高度相关，权重设定具有理论可靠性。
4.2.3 对比度与方差权重（各15%）
对比度与方差各占15%的权重，属于中等权重指标。其权重设定依据包括：
灰度变化协同反映：对比度与方差在数学上密切相关（均方根对比度即标准差），两者从不同角度反映图像的灰度变化特征。同时纳入这两个指标能够更加稳健地刻画画面特征。
墨色层次捕捉：中国画强调墨色变化，对比度和方差能够量化这种变化的丰富程度，与繁密度的美学内涵相契合。
互补性定位：对比度和方差与边缘、纹理形成互补关系，主要反映渐变区域和整体层次的变化，弥补边缘检测在平滑区域可能遗漏的信息。
4.2.4 香农熵与颜色多样性权重（各10%）
香农熵与颜色多样性各占10%的权重，属于辅助参考指标。其权重设定依据包括：
全局性特征定位：香农熵是全局统计量，主要反映灰度分布的均匀程度，难以准确描述空间结构信息。作为辅助指标与其他空间特征配合使用更为合适。
中国画特点考量：中国画以水墨画为主，颜色信息相对有限。赋予颜色多样性较低权重可避免对灰度图像产生不合理的高估。
信息论视角补充：虽然权重较低，香农熵能够从信息论角度提供独特的分析视角，反映画面信息量的整体水平。
4.3 综合评分方法论分析
综合评分方法的选择与设计是量化评估研究的关键问题。本节从方法论角度分析综合评分模型的理论依据与设计考量。
4.3.1 加权线性组合方法的合理性
本模型采用加权线性组合方法计算综合评分，即各指标得分按预设权重进行线性加权求和。这一方法选择具有以下合理性：
理论基础成熟：加权线性组合是综合评估领域最常用的方法之一，具有深厚的统计学与决策科学理论基础。该方法将多维指标映射到一维空间，便于比较与排序。
计算简便高效：线性加权计算简单直观，便于实现和解释。对于本模型的六个指标，加权求和的计算复杂度较低，能够满足实时分析需求。
可解释性强：线性组合的各权重具有明确的物理意义，便于研究者理解和调整。相比于复杂的非线性模型，线性组合的可解释性更强。
指标量纲统一：在加权组合前，各指标均已进行归一化处理（转换为0-100分的范围），消除了量纲差异对综合评分的影响。
4.3.2 权重分配与视觉感知的对应关系
本模型的权重分配体现了对视觉感知规律的尊重与运用。具体而言：
核心-辅助层次结构：边缘密度和纹理分数作为最高权重指标（各25%），构成评估框架的核心层；对比度和方差作为中等权重指标（各15%），构成评估框架的辅助层；香农熵和颜色多样性作为最低权重指标（各10%），构成参考层。这种层次结构与各指标对视觉感知的贡献程度相匹配。
感知权重与技术稳定性的平衡：在追求与视觉感知高度一致的同时，也需要考虑技术实现的稳定性。边缘检测和纹理分析技术成熟、稳定性高，适合作为高权重指标；熵值计算虽然理论完善，但对图像内容变化较为敏感，适合作为低权重参考指标。
中国画特殊性的考量：权重分配还考虑了中国画艺术的特点。例如，颜色多样性权重较低，是因为中国画（尤其是水墨画）的颜色信息相对有限。这一设计使模型更适应中国画分析的特殊需求。
4.3.3 综合评分的认知心理学基础
综合评分方法的设计还借鉴了认知心理学的研究成果。
多特征整合理论：人类的视觉感知是一个多特征整合的过程。Treisman的特征整合理论指出，视觉系统首先分别处理不同特征（如颜色、方向、亮度等），然后将特征整合为统一的对象表征。本模型的多指标综合方法与这一认知过程类似，通过整合多个视觉特征来评估繁密度。
加权求和的感知合理性：认知心理学研究表明，人类对复杂刺激的判断往往采用加权求和策略。不同维度的特征对判断结果具有不同的贡献权重，这与本模型的加权线性组合方法相吻合。
整体-局部信息处理：综合评分既包含边缘、纹理等局部/空间特征，也包含熵、方差等全局/统计特征，反映了人类视觉系统同时处理整体信息和局部细节的认知机制。
4.4 评分准确性的条件与限制
为确保综合评分的准确性，需要满足一定的技术条件。同时，本方法也存在一定的局限性，使用者需要注意。
4.4.1 评分准确的技术条件
图像分辨率要求：分析区域应包含足够多的视觉元素。工具开发者的建议是图片大于100×100像素。过小的图像可能导致统计不稳定，评分结果偏差较大。
图像预处理：对于大面积单色区域的图片（如纯白、纯黑背景），建议进行预处理后再分析。未经处理的浅色背景可能被误判为丰富边缘，JPEG压缩噪点也可能增加边缘检测结果。
主体区域选择：推荐使用选框功能选中画面主体区域进行分析，避免浅色背景对结果的干扰。这一设计对于中国画尤为重要，因为许多中国画作品具有大面积的留白。
4.4.2 方法局限性分析
浅色区域的高估问题：工具文档中明确指出，未经过预处理的单色背景（如白色、浅灰色）图像评分可能偏高。原因包括：浅色背景与内容的对比边缘被识别为“丰富边缘”；JPEG压缩产生的噪点增加边缘检测结果；细微变化被误判为细节。
艺术意境的难以量化性：本方法主要基于图像的底层视觉特征，难以捕捉高层艺术意境信息。中国画追求“意境”“神韵”，这些美学范畴超越了视觉特征的量化范畴。因此，综合评分只能作为参考，不能完全替代专家的主观判断。
跨时代、跨风格的可比性问题：中国画艺术风格多样，不同时代、不同流派、不同画家有不同的审美追求。统一的量化标准可能难以准确反映这种艺术风格的多样性。
5 工具实现与实证分析
5.1 工具功能设计
本研究开发的“画面视觉繁密度量化分析工具”是一款基于浏览器端的Web应用，为中国画繁密度研究提供了便捷的技术支持。工具的主要功能包括：
图像上传与预览：支持拖拽和点击上传图像文件，接受JPG、PNG、WebP等常见格式。图像上传后显示预览效果，便于用户确认。
区域选择功能：提供鼠标拖拽选框功能，用户可以自主选择分析区域。这一设计解决了浅色背景干扰问题，用户可以通过选择主体区域来获得更准确的评估结果。
多维指标计算：自动计算六个核心视觉指标的数值，包括香农熵、边缘密度、方差、纹理分数、颜色种类、颜色多样性、对比度、亮度等。
综合评分输出：根据加权公式计算综合评分，并以0-100分的数值形式呈现，同时显示繁密度等级（超高密度、高密度、低密度、超低密度）。
可视化展示：提供六维雷达图和灰度直方图两种可视化图表，帮助用户直观理解图像的视觉特征分布。
结果导出：支持将分析记录导出为CSV或JSON格式，便于后续的批量处理与统计分析。
5.2 技术实现特点
本工具的技术实现具有以下特点：
浏览器端本地处理：所有图像分析均在浏览器本地完成，不会上传至服务器。这一设计保护了用户隐私，同时也避免了网络传输带来的延迟，提升了用户体验。
即时计算反馈：采用JavaScript进行图像处理，实现了即时计算、即时反馈，无需等待服务器响应。
跨平台兼容性：作为Web应用，工具可以在任何支持现代浏览器的设备上运行，包括桌面电脑、平板电脑和智能手机。
5.3 初步应用效果
为验证量化评估方法的有效性，研究者进行了初步的实证分析。通过对不同类型、不同时期的中国画作品进行测试，发现以下规律：
繁密度分布呈多样性：不同作品的综合评分呈现较大的差异分布，从超低密度到超高密度均有出现，反映了中国画艺术风格的多样性。
繁密度与构图风格相关：写意山水画的评分通常低于工笔山水画，人物画的评分通常高于花鸟画，这与各类画种的创作特点相符。
留白处理影响评分：具有大面积留白的作品评分相对较低，这是符合预期的结果。然而，对于以“计白当黑”为审美追求的作品，过低的评分可能反映的是评价标准的适用性问题。
这些初步结果表明，本量化评估方法能够有效区分不同繁密度水平的作品，具有一定的区分能力。同时，实验也揭示了一些需要改进的问题，为后续研究提供了方向。
6 讨论与展望
6.1 研究优势
本研究构建的中国画画面繁密度量化评估方法具有以下优势：
理论框架系统完整：本研究系统整合了边缘检测理论、信息论、纹理分析、视觉感知心理学等多个学科的理论成果，形成了完整的评估框架。各指标既有独立的理论支撑，又通过加权组合形成有机整体。
方法设计针对性强：针对中国画艺术的特点进行了专门的方法设计，如选框分析功能、针对浅色背景的预处理建议等。权重分配也考虑了中国画以墨色为主、重视线条等特点，使评估方法更适应研究对象。
工具开发实用便捷：将理论研究成果转化为可操作的Web工具，实现了浏览器端本地分析，保护用户隐私的同时提供了便捷的服务。工具的多维可视化功能也有助于研究者深入理解分析结果。
跨学科方法创新：本研究将计算机视觉、数字图像处理的方法引入艺术量化研究，推动了艺术学与信息技术的跨学科融合，具有方法论创新的意义。
6.2 存在问题与局限性
尽管本研究取得了一定的成果，但仍存在以下问题与局限性：
底层特征的局限性：本方法主要基于图像的底层视觉特征（边缘、纹理、颜色等），难以捕捉高层艺术语义信息。中国画追求的“意境”“神韵”“气韵生动”等美学范畴超越了底层特征的量化范畴。因此，本方法的评估结果可能与专家的主观判断存在差异。
权重设定的经验性：虽然各指标的权重分配具有理论依据，但缺乏大规模实证研究的验证。不同权重组合对评估结果的影响如何、是否存在更优的权重配置，这些问题有待进一步研究。
跨风格可比性问题：中国画艺术风格多样，不同时代、不同流派、不同画家有不同的审美追求。统一的量化标准可能难以准确反映这种艺术风格的多样性。例如，清代文人画的“疏简”与宋代山水画的“繁密”可能各有其审美价值，难以简单判断优劣。
预处理依赖性：当前方法对图像预处理有一定的依赖性。未经预处理的图像（如带有大面积浅色背景的扫描件）可能产生不准确的评估结果。虽然工具提供了选框功能，但这增加了用户操作的复杂性。
样本覆盖的有限性：由于条件限制，本研究的实证分析样本量有限，尚未对大量中国画作品进行系统测试。评估方法在不同类型、不同时期、不同保存状态作品上的适用性需要进一步验证。
6.3 未来研究方向
基于本研究的成果与不足，未来研究可以从以下方向展开：
评估指标的拓展：可以考虑引入更多维度的视觉特征，如形状复杂度、分形维数、空间频率分布等，构建更加全面的评估指标体系。深度学习方法的引入也可能带来新的突破，例如利用预训练的神经网络提取高层语义特征。
权重优化方法研究：可以利用机器学习方法（如支持向量机、神经网络、遗传算法等）基于大量标注样本优化权重配置，使评估结果更接近专家主观判断。也可以研究自适应权重方法，根据图像特点动态调整权重。
专项模型构建：可以针对不同画种（如人物画、山水画、花鸟画）、不同时期（如宋代、元代、清代）构建专项评估模型，提高评估的针对性与准确性。也可以研究特定题材（如工笔、写意）的专门方法。
与艺术史研究的结合：可以将量化评估方法与艺术史研究相结合，通过对大量作品的批量分析，发现繁密度演变的规律，验证或修正已有的艺术史假说。这种定量分析方法可能为艺术史研究带来新的视角。
主观评价的整合：可以考虑引入主观评价实验，利用心理物理学方法获取观众的感知数据，将主观评价与客观特征相结合，构建更加符合人类感知的评估模型。
深度学习方法的探索：随着深度学习技术的发展，可以探索基于卷积神经网络的繁密度评估方法。深度学习方法可能能够自动学习更加有效的特征表示，克服传统方法依赖人工特征的局限性。
标准化与规范化：可以推动建立中国画繁密度评估的行业标准或规范，定义标准化的评估流程、指标体系、等级划分等，为后续研究和应用提供参考。
应用场景拓展：可以将量化评估方法应用于更广泛的场景，如艺术品鉴定、复制质量评估、创作辅助、教育培训等，发挥实际应用价值。
7 结论
本研究针对中国画画面繁密度的量化评估问题，系统介绍了一种基于多维视觉特征融合的评估方法。该方法整合了边缘密度、香农熵、纹理分数、颜色多样性、对比度、方差六个核心视觉指标，构建了综合评分模型。通过详细的理论分析与方法阐述，本研究得出以下主要结论：
第一，边缘密度和纹理分数作为权重最高的两个指标（各25%），是基于视觉感知优先理论的合理选择。边缘是人类视觉系统最先感知的元素，对于判断画面繁简程度具有最高权重；纹理复杂度直接反映画面细节的丰富程度，两者共同构成评估框架的核心。
第二，香农熵、对比度、方差、颜色多样性作为辅助指标，从信息论、统计学、色彩学等角度提供了多维度的分析视角。这些指标与核心指标形成互补，使评估结果更加全面。
第三，加权线性组合的综合评分方法具有理论基础成熟、计算简便、可解释性强等优点。各指标权重的分配体现了对视觉感知规律的尊重与中国画艺术特点的考量。
第四，本研究开发的量化分析工具实现了理论方法的实际应用，提供了便捷的操作界面与多维可视化功能，为中国画繁密度研究提供了实用的技术支持。
综上所述，本研究为中国画画面繁密度的量化评估提供了一套系统、完整、可操作的方法框架，具有一定的学术创新价值与实践应用前景。当然，当前方法仍存在一定的局限性，需要后续研究不断完善和优化。期望本研究能够为相关领域的研究者提供参考，推动中国画量化研究的发展。
参考文献
[1] Marr D, Hildreth E. Theory of edge detection[J]. Proceedings of the Royal Society B, 1980, 207(1167): 187-217.
[2] Itti L, Koch C, Niebur E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(11): 1254-1259.
[3] Tamura H, Mori S, Yamawaki T. Textural features corresponding to visual perception[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1978, 8(6): 460-473.
[4] Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal, 1948, 27(3): 379-423.
[5] Gonzalez R C, Woods R E. Digital Image Processing[M]. Pearson, 2018.
[6] Barten P G J. Contrast Sensitivity of the Human Eye[M]. SPIE Press, 1999.
[7] Sonka M, Hlavac V, Boyle R. Image Processing, Analysis, and Machine Vision[M]. Cengage Learning, 2014.
[8] Orchard M T, Bouman C A. Color quantization of images[J]. IEEE Transactions on Signal Processing, 1991, 39(12): 2677-2690.
[9] Berlyne D E. Complexity and incongruity variability as determinants of choice and judgments of interestingness[D]. University of Toronto, 1959.
[10] Sklansky J. Image segmentation and feature extraction[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1978, 8(4): 237-247.
[11] Treisman A M, Gelade G. A feature-integration theory of attention[J]. Cognitive Psychology, 1980, 12(1): 97-136.
[12] 浦震芩。 中国画论[M]. 北京： 中国书店， 1991.
[13] 陈滞冬。 中国画的艺术与思想[J]. 美术研究， 2003, (2): 45-52.
[14] 王明娟。 中国画繁简美的哲学意蕴[J]. 艺术评论， 2010, (5): 78-82.
[15] 李来源。 中国画构图研究[M]. 上海： 上海人民美术出版社， 2008.
[16] 周积寅。 中国画论辑要[M]. 南京： 江苏美术出版社， 2005.
[17] 贡布里希。 艺术与错觉[M]. 杭州： 浙江摄影出版社， 1987.
[18] Arnheim R. Art and Visual Perception[M]. University of California Press, 1954.
[19] 张锦。 计算机视觉在中国画分析中的应用研究[D]. 浙江大学， 2015.
[20] 刘宏伟。 基于深度学习的中国画风格分类研究[J]. 计算机工程与应用， 2019, 55(12): 225-232.
作者声明
本文所介绍的量化评估方法及工具为研究者自主开发，旨在推动中国画量化研究的发展。方法的适用性需要结合具体研究对象和目的进行判断，如有疑问，建议咨询相关领域专业人士。