艺术绘画作品一直是人类文化发展历程中非常重要的组成部分,记录着人类文明的发展与进步,对于人们去了解和探索历史、艺术、文化有着十分重要的作用。时至今日,大量的艺术绘画随着历史长河流传了下来,是人类文明的瑰宝。随着科学与技术的进步,许多的艺术绘画已经实现了数字化,这为学者们对风格画的研究带来了丰富的资料。但是,面临如此庞大的数据量,想找到所需要的风格画种类可谓大海捞针。因此,如何利用计算机对海量的风格画进行有效地识别和分类,是一个非常重要的课题。传统的图像分类识别算法主要是基于图像内容,进行相似度匹配,并没有考虑绘画艺术风格的特性。因此本文提出一种考虑图像整体风格特性的分类算法——基于信息熵的风格画分类算法。信息熵是信息论中用于度量信息量的一个概念,图像的信息熵反映了图像灰度值的整体分布情况。本文算法主要基于以下三个描述图像整体风格特性的图像熵来实现对风格画的分类:(1)提出一种描述图像整体颜色特性的颜色熵。通过把图像分解到Lab颜色空间,分别提取a、b通道的颜色值,计算其熵值,再根据颜色直方图的排序移动次数来设置一个权值,从而生成描述图像颜色特征的颜色熵。(2)提出一种描述图像整体空间分布特征的分块熵。把图像按区域分割成固定大小的块,分别计算各个块的信息熵,不同块的信息熵反映了对应图像不同区域的灰度值聚集程度,再求所有块的信息熵方差,即反映了图像整体灰度值分布的聚合程度,然后对每一个分块的灰度均值求联合熵,从而描述了图像的空间分布特性。(3)提出一种描述图像边缘轮廓特征的轮廓熵。方法是基于Contourlet变换,将图像分解到不同尺度不同方向的空间,描述了图像的轮廓特征。Contourlet变换产生的系数,对应的是图像的轮廓特征,同样具有聚合离散的特性,对其求熵值,即描述了图像轮廓特征的明显程度。最后利用支持向量机(Support Vector Machine,SVM)对图像熵特征进行学习训练,进而对风格画进行分类。本文算法利用信息熵对图像的特征进行描述,具有特征维数少,运算速度快的优势,并且保证了识别的准确率。由于图像无论如何缩放,都不会影响图像像素的整体分布特征,所以该算法还具有尺度不变性。实验选用烙画、漫画、素描、油画、水墨画、壁画和水彩画这七种风格画进行分类,实验结果证明了基于信息熵的风格画分类算法的有效性。