Instagram相片之色彩分析及應用 - 政大學術集成

全文

(1)國立政治大學資訊科學系 Department of Computer Science National Chengchi University 碩士論文. ‧ 國. 學. Master’s Thesis 政治大立 Instagram相片之色彩分析及應用. ‧. Color Analysis of Instagram Photos and Its. n. al. y er. io. sit. Nat. Application Ch. i n U. v. engchi 研究生：林儀婷指導教授：廖文宏. 中華民國一百零五年十二月 December 2016.

(2) Instagram相片之色彩分析及應用 Color Analysis of Instagram Photos and Its Application. 研究生：林儀婷. Student: Yi-Ting Lin. 指導教授：廖文宏. Advisor: Wen-Hung Liao. 學. ‧ 國. 立. 政治大. 國立政治大學. ‧. Nat. y. 資訊科學系. n. er. io. al. sit. 碩士論文. Ch. engchi. i n U. v. A Thesis submitted to Department of Computer Science National Chengchi University in partial fulfillment of the Requirements for the degree of Master in Computer Science. 中華民國一百零五年十二月 December 2016 2.

(3)

(4)

(5) Instagram相片之色彩分析及應用. 摘要. 近來 Instagram 成為流行的分享照片社交平台。在上傳影像到網路社交平台時，人們透過套用不同的濾鏡來表達他們的感受。然而，對於修改過的影像，我們不太可能逆向推回得知影像套用了什麼樣的. 治政大濾鏡。本研究嘗試透過定義出十種影像風格，對應於一些最常應用的立 ‧ 國. 學. 濾鏡，來解決這種逆向工程問題。因此，原始問題被轉化為分類問題，. 並可以使用機器學習方法來解決。為了生成訓練數據，我們根據用戶. ‧. 投票收集標記的結果。根據我們的實驗，在調查中概述的十個類別中，. sit. y. Nat. 投票的結果有很高的共識。我們在 HSV 空間中使用分析出的顏色特. a. er. io. 徵來區分影像風格，並採用支持向量機（SVM）做分類。驗證我們. n. 數據集中的 Top 1 和 Top l 3 準確度分別為 64%和i v96%，顯示機器分類. n U engchi 的效能與人類觀察者的效能相當。最後，我們導入數位著名攝影師的. Ch. 作品，進行個案研究，以測試風格識別和情感分析結果。. 關鍵字：社群網絡，色彩空間分析，機器學習，情感分析，形象和情感。. 3.

(6) Color Analysis of Instagram Photos and Its Application Abstract. Recently, Instagram has become a very popular social media platform for sharing photos. People apply different type of filters to express their feelings when posting photos on social networking sites. Given a filtered image, it is difficult, if not possible,. 政治大 attempts to address this reverse engineering problem by defining ten image styles 立. to determine which filter has been applied to obtain the observed effects. This study. ‧ 國. 學. corresponding to some of the most frequently applied filters. As such, the original question is cast into a classification problem which can be solved using machine. ‧. learning approaches. To generate training data, we collected the labeled results based. Nat. sit. y. on user votes. Consensuses among users are found to be high in the ten categories. n. al. er. io. outlined in our investigation. We employ color features in the HSV space to. Ch. i n U. v. characterize image styles. Support vector machine (SVM) is then used for. engchi. classification. The accuracies for top-1 and top-3 category using our dataset are 64% and 96%, respectively. The performance of machine classification is comparable to that of human observers. Finally, works by famous photographers are brought in to validate the style recognition and sentiment analysis results.. Keywords: social network, color space analysis, machine learning, sentiment analysis, image and emotion. 4.

(7) 誌謝非常感謝我的指導教授-廖文宏老師這些年來的指導跟照顧，讓我在研究所學習期間得到豐富的知識。老師不僅是課堂上教導我們，研究所期間也都固定每兩週與我們開會，討論研究主題、方向。也時常分享生活經驗、人生道理給我們，真的覺得受益良多。另外，我也非常感謝我的另外兩位口試委員，紀明德、唐政元教授，對於本研究給予的寶貴建議,提供更完備的思考方向與改善空間。我也很感謝資科系的同學：文聰、展民、展嘉、偉龍，他們讓我的研究所生. 政治大起努力來學校上課。不管是功課上有學術交流，還是職場上的心得分享，都是非立. 活增加了許多風采。由於大家都是在職生，雖然白天辛苦上班，碩一時大家仍一. ‧ 國. 學. 常有趣的。而我特別感謝怡潔學姊，她花了許多時間幫我修改口試及論文，還有時常讓我請教的乃嘉學姐，總是很有耐心的回答我關於研究所上的任何問題。除. ‧. 了學校，我也很感激我的主管，能夠讓我在上班期間還有繼續求學的機會。不僅. y. Nat. io. sit. 在申請的時候幫助我，唸書期間也時常鼓勵我、給予我建議。能夠在這段期間擁. er. 有許多人的幫助，真的是非常的感動。. al. n. v i n 除此之外，家人以及男友在這兩年半中更是支持著我、鼓勵我。在我灰心沮 Ch engchi U. 喪時與我談心，在我忙得焦頭爛額時給予我莫大的陪伴還有支持。研究所期間所. 發生的每一件事情，讓我能夠一路走來且即將進入尾聲，真的很謝謝他們的幫助。此時的心情是非常激動的，能夠完成邊工作邊唸書的這項任務，實在需要感謝很多人的幫忙，才能夠完成。謝謝你們。僅將此篇論文, 獻給所有幫助過我、鼓勵過我的家人及朋友們。林儀婷謹誌于台北木柵,政治大學資科系 2017/1/20 5.

(8) 目錄第一章. 緒論 ..................................................................................................... 11. 1.1. 研究背景............................................................................................. 12. 1.2. 感覺及情感研究之重要性 ................................................................ 12. 1.3. 色彩分析之應用................................................................................. 13. 1.4. 研究動機與目的................................................................................. 13. 1.5. 研究架構............................................................................................. 14. 學. 2.1.4. ‧ 國. 第二章. 政治大領域知識與相關研究立 .........................................................................15. 2.1.5. 色彩心理學-色彩感情 ...................................................................... 19. 色彩分析............................................................................................. 15 選擇 HSV 色彩空間.......................................................................... 16. ‧. 2.1.3. HSL 和 HSV 色彩空間 ..................................................................... 15 色彩心理學........................................................................................ 16. Nat. y. 2.1.1. sit. 2.1. 2.3. 機器學習............................................................................................. 23. n. al. er. 濾鏡..................................................................................................... 19. io. 2.2. Ch. engchi. i n U. v. 2.3.1. 深度學習............................................................................................ 23. 2.3.2. SVM (Support Vector Machines) ....................................................... 24 情感分析（Sentiment Analysis） .................................................... 26. 2.4 2.4.1. 維度模式情緒表示法........................................................................ 26. 第三章. 資料分析與模型建立 ......................................................................... 29. 3.1. 研究架構............................................................................................. 29. 3.1.1. 資料來源............................................................................................ 29. 3.1.1.1. Instagram 攝影社群.......................................................................... 29. 3.1.1.2. 定義風格類別................................................................................... 30. 3.1.2. 資料前處理........................................................................................ 36 6.

(9) 3.1.2.1. 影像前測、投票............................................................................... 36. 3.1.2.2. HSV 色彩分析.................................................................................. 40. 3.2. 使用 SVM 訓練資料並預測............................................................. 43. 3.3. 分析結果............................................................................................. 44. 3.4. 搭配情感分析來驗證影像 ................................................................ 44. 3.4.1. 情感分析之應用................................................................................ 44. 3.5. 小結..................................................................................................... 46. 第四章. 實驗結果與評估 ................................................................................. 47. 4.1. 挑選訓練資料樣本影像 .................................................................... 47. 4.2. SVM 訓練及預測結果...................................................................... 47. ‧ 國. 影像色彩分析搭配情感分析之應用 ................................................ 56 Instagram 攝影師之影像分析........................................................... 56. Nat. y. 4.3.1. 預測錯誤的影像分析........................................................................ 53. ‧. 4.3. 學. 4.2.1. 立. 政治大. 第五章. 結論與未來研究 ................................................................................. 73. 5.1. 研究成果............................................................................................. 73. n. al. er. sit. 小結..................................................................................................... 71. io. 4.4. Ch. engchi. i n U. v. 5.1.1. 機器能夠辨別出影像風格的差異.................................................... 73. 5.1.2. 分析易混淆之風格............................................................................ 73. 5.1.3. 影像帶給人的感覺與情感分析有相關............................................ 74. 5.2. 未來研究............................................................................................. 74. 5.2.1. 影像內容的分析................................................................................ 74. 5.2.2. 影像風格的延伸................................................................................ 75. 5.2.3. 情緒分析的應用................................................................................ 75. 7.

(10) 圖目錄圖 2-1. HSV 色彩空間示意圖 .............................................................................. 16. 圖 2-2. 左上(A), 右上(B)，左下(C)，右下(D) ..................................................... 20. 圖 2-3. 左邊紅色是健康人群對不同 INSTAGRAM 濾鏡的偏愛程度，右邊藍色. 為憂鬱症人群.............................................................................................................. 21 圖 2-4. 由左至右分別為套用 VALENCIA, X-PROII, HEFE 濾鏡之影像 ............... 22. 圖 2-5. 由左至右分別為套用 INKWELL, CREMA, WILLOW 濾鏡之影像 ............. 22. 圖 2-6. SVM 分類示意圖 ................................................................................... 25. 圖 2-7. 分類上給予最多資訊的點之示意圖 ....................................................... 25. 圖 2-8. VALENCE AND AROUSAL 示意圖 ............................................................... 27. 圖 3-1. 研究架構 ................................................................................................... 29. 圖 3-2. INSTAGRAM. 圖 3-3. 溫暖熱情之影像示意圖 ........................................................................... 31. 圖 3-4. 日系清新之影像示意圖 ........................................................................... 31. 圖 3-5. 懷舊復古之影像示意圖 ........................................................................... 32. 圖 3-6. 繽紛色彩之影像示意圖 ........................................................................... 32. 圖 3-7. 灰暗憂鬱之影像示意圖 ........................................................................... 33. 圖 3-8. 清晰明亮之影像示意圖 ........................................................................... 33. 圖 3-9. 剛硬沈重之影像示意圖 ........................................................................... 34. 圖 3-10. 浪漫柔和之影像示意圖 .......................................................................... 34. 圖 3-11. 鮮明強烈之影像示意圖 .......................................................................... 35. 圖 3-12. 寧靜平和之影像示意圖 .......................................................................... 35. 圖 3-13. 投票網站之影像風格教學 ...................................................................... 37. 圖 3-14. 影像投票示意圖 ...................................................................................... 37. 圖 3-15. 投票網站資料庫內容示意圖 .................................................................. 38. 圖 3-16. HSV 顏色切割示意圖 ............................................................................. 42. 圖 3-17. 紅色在影像中所佔據比例之示意圖 ...................................................... 42. 圖 3-18. 研究作法示意圖 ...................................................................................... 44. 圖 3-19. VALENCE AND AROUSAL 搭配風格示意圖 ............................................... 45. 圖 4-1. 隨機從樣本影像中取出做預測之結果 1 ................................................ 48. 圖 4-2. 隨機從樣本影像中取出做預測之結果 2 ................................................ 48. 圖 4-3. 新搜集 150 張影像之預測結果 ............................................................... 48. 圖 4-4. 攝影師 TRYNIDADA 之作品 ...................................................................... 57. 政治大平台使用流程示意圖 ........................................................... 30 立 ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 8. i n U. v.

(11) 圖 4-5. 影像與情感分析之驗證 ........................................................................... 60. 圖 4-6. 影像與情感分析之驗證 ........................................................................... 60. 圖 4-7. 攝影師 CAROLYN_MARA 之作品 ............................................................. 61. 圖 4-8. 影像與情感分析之驗證 ........................................................................... 64. 圖 4-9. 影像與情感分析之驗證 ........................................................................... 65. 圖 4-10. 影像與情感分析之驗證 .......................................................................... 66. 圖 4-11. 攝影師. 圖 4-12. 影像與情感分析之驗證 .......................................................................... 70. 圖 4-13. 影像與情感分析之驗證 .......................................................................... 71. NEIVY 之作品 .............................................................................. 67. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 9. i n U. v.

(12) 表目錄表 3-1. 投票人之性別及年齡分佈 ....................................................................... 38. 表 3-2. CONFUSION MATRIX。 ............................................................................... 39. 表 4-1. 測試資料之影像 ....................................................................................... 49. 表 4-2. 測試資料中預測錯誤之影像 ................................................................... 54. 表 4-3. 測試資料中預測錯誤之影像 ................................................................... 55. 表 4-4. 測試資料中預測錯誤之影像 ................................................................... 56. 表 4-5. 攝影師 TRYNIDADA 之測試影像 .............................................................. 58. 表 4-6. 攝影師 TRYNIDADA 的預測錯誤之影像 .................................................. 58. 表 4-7. 攝影師 CAROLYN_MARA 之測試影像 ..................................................... 62. 表 4-8. 攝影師 CAROLYN_MARA 的預測錯誤之影像 ......................................... 63. 表 4-9. 攝影師. NEIVY. 表 4-10. 攝影師. NEIVY 的預測錯誤之影像 .......................................................... 69. 政治大之測試資料 ...................................................................... 68 立 ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 10. i n U. v.

(13) 第一章緒論感覺(Feeling)是一種人類對於現實生活中的某些特性事物，如聲音、氣味或是顏色等，所產生的反映。這些反應是來自於物質世界中對人類的感覺器官造成的刺激，如聲波引起聽覺、光線及色彩引起視覺等這些外來的作用力。感覺是感官、腦的相應部位和介於其間的神經三部分所組成的分析系統。隨著生命及社會. 政治大度的發展；人與動物之所以會有不同的感覺，是因為動物的感覺是大自然發展的立. 的演變，人類的感覺在複雜的生活條件下和現實活動中的變動、改革，得到了高. ‧ 國. 學. 結果，而人類的感覺則是社會發展下的產物。這是一項非常特殊且珍貴的能力，對於外在事物，人們往往有不完全相同的感受。. ‧. 由於科技發展的步調越來越快速，人們依賴社交平台的時間越來越長，越來. Nat. sit. y. 越習慣透過瀏覽社群網站上的影像來了解朋友、同事，甚至是偶像的生活。在過. n. al. er. io. 去並沒有如此大量、豐富的視覺經驗，如今人們卻很習慣讓影像充斥在每天的生. i n U. v. 活當中了。經由這些影像所帶給我們視覺上的感受，除了文字以外，影像中的色. Ch. engchi. 調、濾鏡，都能夠傳遞出不同的感覺，給人在閱讀時有不一樣的感受。本研究試圖透過影像社群中的影像，對套用濾鏡的影像進行色彩的分析與感覺之關係的計算。除了上述的分析，另外還加上情感分析的應用，並進行結果評估與分析，試圖探索濾鏡套用的感覺認知是否與人類的感覺具有相同期待。希望未來能預測、評估影像中可能含有的感覺、情感偏向，做為感覺與情境應用研究相關領域之參考。. 11.

(14) 1.1 研究背景本研究將實驗背景素材設定在近年來年輕一代的族群非常熱愛使用的社群平台：Instagram。為什麼 Instagram 竄紅起來呢？這個平台主打使用者在發布文章時，一定要搭配影像，形成一個圖文並茂的概念。由於現代人越來越不習慣閱讀大量的文字，因此造就了圖像威力強大的現象，一篇發文動態並不需要太多文字，就能夠傳達豐富故事感。而且 Instagram 本身就具備豐富的濾鏡功能，相較於其他社群網站平台，使用者須先將影像在其他修改照片之 App 進行編輯，才能將影像發佈在社群上，Instagram 替使用者省略了此步驟就能擁有具備質感的濾鏡. 治政大效果與編輯功能，一氣呵成的上傳影像、發佈狀態。立 ‧ 國. 學. 1.2 感覺及情感研究之重要性. ‧. 隨著科技的進步，人們依賴手機、網路的程度遠遠大於過去。許多人寧可在. sit. y. Nat. 網路世界抒發心情、發表感受，也不見得願意在真實生活中多與人接觸、交談。. n. al. er. io. 根據世界衛生組織過去統計顯示，全球約有3.5億人罹患憂鬱症[1]，但是很多人. i n U. v. 礙於各種原因，不願到醫院進行治療，因此憂鬱症又被稱為沈默殺手。醫學上，. Ch. engchi. 人類對憂鬱症也缺乏很深的理解，甚至憂鬱症的診斷都是個大問題。如果能夠透過研究社群平台上的影像，去分析發佈影像者欲傳遞之感覺及情緒，從色彩上的分析還有情感的分析找出隱含的情緒起伏與狀態，我們便更能瞭解人類的心理狀態，進而探討發佈影像者的心理健康程度。欲達成該目標需要透過大量的情緒資料、色彩分析、色彩心理學等相關研究，作為實驗的基礎。其涵蓋了心理學、認知科學、神經科學以及資訊科學等跨領域研究。. 12.

(15) 1.3 色彩分析之應用本研究所探討的主題是針對 Instagram 的濾鏡所產生的效果、色調，所帶給人的感覺，是否能夠透過機器的學習來找到類似感受的分析結果。除了分析色彩所帶給人的感覺，我們更希望能夠透過機器學習的機制來對 Instagram 平台上著名的攝影師之作品進行驗證。由於專業攝影師對於自己的作品皆有一定的風格要求，喜歡的樣式、種類或許都有特定的形式。這些攝影師的影像能夠帶給人們的感覺、衝擊、感動都比一般使用者的影像更具代表性。因此希望可以透過本研究的分析結果，套用在攝影師的影像上做情感的分析，驗證情感的對應是否符合我們預期。. 學. ‧ 國. 立. 政治大. 1.4 研究動機與目的. ‧. 感覺因感覺器官的不同分為視覺、聽覺、味覺、嗅覺、膚覺、運動覺、機體. sit. y. Nat. 覺、平衡覺等。基於現代人對於視覺的倚賴，視覺對於感覺的傳遞較為強烈。然. n. al. er. io. 而人們可以輕易的表達出對外在刺激的感覺，在科技發達的年代，機器是否也能. i n U. v. 擁有相同的能力呢？人們對於同一張影像，套用在不同的濾鏡上所帶來的效果，. Ch. engchi. 皆會有不同的視覺感受。在相同社會文化經驗之下的人們，對於影像的解讀是否能夠找到明顯的規則或分類，還有我們是否能夠透過機器學習的訓練，預測該影像所帶給人的感覺，是否和人類有相同的認知，將是本研究欲探討之重點。基於以上的目的，本研究試圖從影像風格的架構為基礎，透過抽樣社群的圖文資料，對於感覺與情感分析進行探索。透過影像色彩分析與感覺認知的關係，預期能將影像風格進行分類，進而做情感上的分析，以及作為往後的色彩及情感相關研究的計算基礎。. 13.

(16) 1.5 研究架構本論文架構如下：在第二章領域知識與相關研究中，介紹本研究所採用的色彩空間模型 HSV、資料分類的工具 SVM 以及情感分析的方法。第三章資料分析與模型建立，會提到研究的構想。我們將會解釋資料來源、如何分析資料、如何使用 SVM 及所取參數，還有如何加上情緒分析做更多的應用。第四章的實驗結果與評估，則對於第三章中所提到的實驗方法進行結果分析與驗證。並根據不同風格的攝影師對其作品做應用。在第五章結論與未來研究中，我們對於實驗結果做出幾項結論，並探討是否在未來有可延續之發展，根據目前的研究架構去做更廣泛的研究。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 14. i n U. v.

(17) 第二章領域知識與相關研究本章節提及有關以色彩分析、Support Vector Machines (支持向量機，以下都以 SVM 稱呼)分類演算法、情感分析（Sentimental Analysis）為題的相關領域知識，從心理學上對顏色的分類，接著說明 SVM 分類的方法，以及影像之於情感分析的搭配。. 2.1 色彩分析. ‧ 國. 立. 學. 2.1.1. 政治大. HSL 和 HSV 色彩空間. ‧. HSL 和 HSV 是由 RGB 色彩模型再延伸計算的另一種色彩表達方式[2]。HSL. Nat. sit. y. 即色相、飽和度、以及亮度（Hue, Saturation, Lightness）。HSV 即色相、飽和度. n. al. er. io. 及明度（Hue, Saturation, Value or Brightness）。以下略述其組成的內容： . i n U. v. 色相（H）是色彩的基本屬性，即為我們普遍所認知到的色彩，如紅色、綠色、藍色等等。. Ch. engchi. . 飽和度（S）是指色彩的純度，取 0-100%的數值，數值愈高色彩愈純。. . 明度（V），或亮度（L），取 0-100%，其值愈高表示白色組成成分愈高。由於 HSV, HSL 色彩空間皆由 RGB 色彩空間轉換而來，詳細的數字轉換的. 運算方法可以參考維基百科[3]。. 15.

(18) 2.1.3 選擇 HSV 色彩空間. 本研究使用較傳統的 HSV 色彩空間來作為分析的模型，圖 2-1 為 HSV 系統示意圖。實驗中希望可以透過切割 Hue 色環來區分影像風格，不選擇 RGB 的原因是因為在實驗過程中無法明確的區分出顏色數值，而 HSV 三個參數彼此之間的關係較獨立，因此選擇使用 HSV。. 圖 2-1 HSV 色彩空間示意圖. ‧ er. io. sit. y. Nat. 2.1.4 色彩心理學. 學. ‧ 國. 立. 政治大. al. n. v i n Ch 在人類的生活中，因為充滿著不同的色彩而有著不同的感知。且自我們有認 engchi U. 知以來，我們就被告知了樹木是綠色，天空大海是藍色，而夜晚是黑色。當面對綠色時，就像我們面對樹木跟高山一樣，有著安全穩固的信任感。而當我們看到藍色，會有種清涼開闊的平靜感，就彷彿我們面對天空大海一樣。看到黑色，就會有種神秘還有嚴肅感。而潛意識已經透過我們的環境，認識、了解、以及學習色彩，所以當我們在面對色彩時，是可以從中感受到色彩的溫度和情感。因此人類對色彩是有感情的，每種顏色所能給予我們的感覺又有各有不同。以下即參考 [4]，針對每類顏色，進行更多關於人類感覺描述的統整：. 16.

(19) 1. 紅色正向：博愛、熱情、活潑、自信、能量充沛的色彩、引人注目。負向：壓抑、自私、暴力、專制、血腥、嫉妒、控制欲強、恐懼。. 2. 粉紅色正向：甜美、浪漫、關懷他人、安撫浮躁、善良單純、迷人可愛、柔軟。負向：容易受傷的、脆弱、怯懦、委屈求全、自虐傾向、不擅拒絕。. 3. 橘色. 立. 政治大. 正向：活潑開朗、坦率、開朗、親切、健康、溫暖、圓融成熟。. ‧ 國. 學. 負向：惶恐不安、優柔寡斷、依賴、不果斷。. ‧ sit. y. Nat. 4. 黃色. n. al. er. io. 正向：活潑開朗、明亮、聰明、樂觀、自信、行動派、天真。負向：愛掌控、批判、膽小、警告、好面子。. Ch. engchi. i n U. v. 5. 褐色、棕色、咖啡色系正向：樸實、自然、沈穩、安定、平和、沈靜、容易相處、沒有壓力。負向：無價值感、沈悶、老氣、單調、自我否決、缺乏活力。. 6. 綠色正向：革新、慷慨、生命力、自由和平、舒服、新鮮、公正、信任。負面：隱藏、被動、嫉妒、沮喪、隱藏、自我懷疑、吝嗇、不安全感。 17.

(20) 7. 藍色正向：擅溝通表達、條理分明、知性、誠實、意志力、靈性、善邏輯思考、沈穩。負向：冷漠、內在空虛、孤僻、不合群、好辯、自以為是。. 8. 深藍色（海軍藍）正向：注意力集中、意志力堅強、決斷力十足、保守、務實、有執行力。負向：呆板、較乏味、無趣、嚴肅、保守古板、無趣。. 立. 9. 紫色. 政治大. ‧ 國. 學. 正向：浪漫、謙卑、優雅、賦有藝術家氣息、高貴、神秘、高不可攀的、魅力。. n. al. er. io. sit. y. Nat. 10. 黑色. ‧. 負向：過度敏感、逃避現實、不切實際、神經質、猜忌。. i n U. 正向：低調、未知、神秘、高雅、權威、自信、沈澱。. Ch. engchi. v. 負向：恐懼、壓抑、執著、冷漠、悲傷、恐怖、黑暗、隔離。. 11. 灰色正向：務實、本分、沉著、誠懇、智慧、樸素、沈靜感。負向：平凡、中立、衰老、無價值、模糊。. 12. 白色正向：理想主義、純潔、善良、神聖、簡單、明快、清晰、信任、舒適、乾淨。 18.

(21) 負向：疏離、沒有方向、太過夢幻、挑剔、自以為是。. 2.1.5 色彩心理學-色彩感情. 在 2.1.4 章節中解釋了各個顏色所帶給人正向還有負向的感受。而在色彩學裡所說的外放色，是指紅、橘、黃色系。而內收色是指藍、紫、黑色系。而綠色是中立的顏色，可內向或外放。喜歡外放色系的人，個性比較活潑開朗且外向，或者可以說是心思上比較注重外在環境的人、事、物。相反，喜歡內收色系的人，. 政治大. 個性上比較內斂含蓄，心思也比較集中在自己內在所重視的人、事、物上。詳細. 立. 關於色彩所代表的心理感覺可以參考[5]。. ‧. ‧ 國. 學. 2.2 濾鏡. Nat. sit. y. 濾鏡是大家在攝影中，為了想改變影像色調經常會使用到的一種方法。傳統. n. al. er. io. 單眼相機即可外接實體濾鏡，在拍攝當下由光學條件決定色調與風格。而現今是. i n U. v. 智慧型手機當道的時代，只要我們可以拍出清晰的照片，利用電腦視覺技術，皆. Ch. engchi. 可將所拍的照片後製，完成原有濾鏡所能達到的功能。因應智慧型手機上的相機，目前已經推出許多可將影像套用濾鏡的 App，透過這些濾鏡就可以方便地讓影像變的柔焦、銳化、素描或是具有其他顏色。前述提及的 Instagram 本身內建 23 種濾鏡，提供使用者在上傳照片後可很方便地套用。. 19.

(22) 以下為套用四款濾鏡的實例照片來做說明：. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 2-2 左上(a), 右上(b)，左下(c)，右下(d). 圖 2-2(a)的相片為原圖，圖中為一跨海大橋影像，圖 2-2(b)的影像套用了 Shumber 這款濾鏡。這款濾鏡將影像覆蓋上灰綠色系的色調，也將明度調低，使. 20.

(23) 原本有明亮天空及蔚藍海岸的影像，多了一層灰暗憂鬱的感覺，明亮的藍色轉為灰藍、灰綠色。圖 2-2(c)影像是套用 Moon 這款濾鏡的影像。透過 Moon 來看世界，即便是藍天白雲、清澈的大海也變得冰冷。這款濾鏡適用於室外環境，如現代化的建築物，時髦的跑車等。圖 2-2(d)的影像為套用過 Amaro 這款濾鏡的相片。此款濾鏡是用在色調暗沈的照片，能在不經意間給照片撒上光澤，給人彷如初升的太陽，讓萬物覆蓋上柔和的光芒。使影像具有質感且有使人眼睛為之一亮的感覺。. 政治大. 立. 而根據近日哈佛大學和佛蒙特大學進行的一項研究也發現[6]，時下年輕. ‧ 國. 學. 人喜歡使用 Instagram。在年輕人上傳影像時，會套用 Instagram 的濾鏡，而濾鏡. ‧. 的效果確實可以看出上傳影像者的心理健康狀況。在實驗中指出，使用色彩較鮮. sit. y. Nat. 艷像是 Valencia、X-ProII 及 Hefe 等濾鏡功效的用戶，個性皆較開朗；而具有憂. n. al. er. io. 鬱症的人，上傳的照片多半不明亮，喜歡暗色系，偏藍、黑、灰等色調，較常使. i n U. v. 用 Crema 或黑白色調的 Inkwell 及 Willow 等濾鏡功效。下圖 2-3 為健康人群及憂. Ch. 鬱症人群會選擇之濾鏡分布圖:. engchi. 圖 2-3 左邊紅色是健康人群對不同 Instagram 濾鏡的偏愛程度，右邊藍色為憂鬱症人群 21.

(24) 以下是在研究[6]中所提及濾鏡的舉例說明。心理狀態較積極正面的用戶愛用之濾鏡前三名如圖 2-4： Valencia. X-ProII. 立. Hefe. 政治大. ‧ 國. 學 ‧. 圖 2-4 由左至右分別為套用 Valencia, X-ProII, Hefe 濾鏡之影像. sit. y. Nat. io. al. Crema. n. Inkwell. Ch. engchi U. er. 心理狀態較憂鬱負面的用戶愛用之濾鏡前三名如圖 2-5：. v ni. Willow. 圖 2-5 由左至右分別為套用 Inkwell, Crema, Willow 濾鏡之影像 22.

(25) 從簡單的上述六張影像濾鏡即能分辨出來，不同的濾鏡便能帶給人不同的感覺，舉凡從活潑、熱情、明亮到沮喪、悲傷、低落都有他獨特所帶給人的感受。套用濾鏡後的影像能夠帶給人不同的感覺，然而從一張已經套用濾鏡的圖片，要再回頭去找出此影像是被哪幾種濾鏡套用過，是很困難的。因為每張影像除了套用特定的濾鏡外，還能夠根據影像分別提高明度、飽和度、增加暗角等作出不同地調整。被修改過的影像已產生太多的變化，使得逆向工程的難度大大增加，所以我們想要透過分析色彩空間，採取不同的角度與方法來探討張貼照片者想要. 治政大傳達哪些情緒，或觀看照片者可感受到哪些情緒，這些問題。具體而言，我們將立研究特定類型的風格影響是否能帶給人們不同的感覺，且透過實驗探討機器能否. ‧ 國. 學. 透過學習機制，分析出這些對應的感受。. ‧. n. al. er. io. sit. y. Nat. 2.3 機器學習. i n U. v. 機器學習中隨著科技還有硬體設備的進步，已經發展為一門熱門的技術。除. Ch. engchi. 了被廣泛應用在電腦視覺、自然語言處理、以及資料探勘等，透過複雜的分析和演算法計算，讓電腦可以由資料或特徵學習出一個數學函式模型。不管是辨識，還是分類，透過學習後，機器能夠做出正確的辨識及預測。以下針對深度學習以及 SVM 來做解釋，並說明為何選擇採用 SVM 作為分析的工具。. 2.3.1 深度學習. 23.

(26) 深度學習(Deep Learning) 在過去幾年中，由於硬體價格下降和 GPU 的開發，促進了此機器學習的概念的發展。這種方法試圖模擬人類神經元細胞，將光和聲音處理成視覺和聽覺的方式，有許多語音辨識和影像辨識系統都是以深度學習技術來完成。[7] 深度學習是使用類神經網路的運算模式，利用分層的運算分析影像中的特徵。隨著層級越來越高、累積的計算資訊越來越複雜，就可以對圖片進行辨認與分類。以 Google Brain[8]為例，它的結構一共分為九層，模仿人類視神經的分層與功能，最終可以分辨出人臉、身體、與貓圖片的決定性差異、並加以分類之。. 治政大而深度學習有一項特色，就是能夠自動抽取特徵。傳統的機器學習方法較偏立. 向由使用者透過對資料分析及研究，將特徵定義好，將特徵取出及標示或分群。. ‧ 國. 學. 深度學習的方法能夠讓節省許多人力還有精神，由機器透過分層分析，自動的取. ‧. 出特徵。. sit. y. Nat. 然而本研究欲探討的主題是透過色彩分析得到影像帶給人的感覺，我們需要. n. al. er. io. 事先將影像風格的定義具體的標示出來，再去教導機器這些風格的特徵。進而使. i n U. v. 得機器習得此類風格具有什麼樣的特徵，最終去驗證機器能否區分不同的風格影. Ch. engchi. 像。而深度學習中的自動抽取特徵能力較不適用於本研究的方向及目標，因為這些風格並非直接從影像的結構被定義出來，而是著重在用色的資訊，在此前提下，我們覺得使用傳統的 SVM 分類方法較為適合。. 2.3.2. SVM (Support Vector Machines) SVM[9][10]是一種監督式學習 (Supervised Learning)的方法，主要用在分. 類（Classification)和回歸（Regression)上。設有一組訓練資料，範例如圖 2-6 所 24.

(27) 示，其中包含兩個類別，每個訓練範例將會被標記為屬於兩個類別中的一個， SVM 訓練演算法由資料學習建立一個模型，該模型可以預測是測試資料會是屬於哪個類別。. 立. 政治大圖 2-6 SVM 分類示意圖. ‧ 國. 學. SVM 的作法是由我們事先定義好測試資料的分類，告訴他這些訓練的特徵。. ‧. 再透過大量的資料訓練，讓機器認得這些定義好的資料，再投入測試資料來驗證. y. Nat. n. al. er. io. 點成功分辨開來。. sit. 機器是否能夠分辨得出來這兩群資料。如圖 2-7 所示，可以將綠色的點和藍色的. Ch. engchi. i n U. v. 圖 2-7 分類上給予最多資訊的點之示意圖. 25.

(28) 在 2.3.1 節中我們提到了本研究欲事先定義出風格類型，透過色彩分析，先將影像資料處理過後再擷取特徵後，再進行資料的訓練及分類，SVM 這種方法便能夠幫助我們在實驗中進行這些分類並做出預測。因此本實驗採用的方法為 SVM 分類工具，使用的 library 是 LIBSVM[11]。. 2.4 情感分析（Sentiment Analysis）情感分析，也有人稱之為 Opinion mining[12]，是一種透過分析文字從中得. 治政大到情緒的方法。情感分析被廣泛應用到某些評論及社交媒體等平台，從市場營銷立到客戶服務都有其運用的價值。. ‧ 國. 學. 舉例來說，情緒分析就可以運用在電子商務平台。商家可以針對買家購買產. ‧. 品後所給予的評論進行情緒分析，分析此商品在售出後帶給客戶的評價是為. sit. y. Nat. 正面或負面，情緒為開心還是失望。或是從一篇文章中可以分析出此作者當時寫. n. al. er. io. 作的心境、情緒。探討這篇文章是在正面還是負面的情緒下所撰寫的，由於人的. i n U. v. 情緒會影響主觀意識，所以當作者在寫作時情緒過於極端的話，可能會使得文章. Ch. engchi. 不是那麼具有公信力或是說服力，閱讀者需要多加思考是否採納。這些都是一些情感分析可以做到的輔助應用，因此可說是有很大的商機。針對文字的情感及影像的分析可以參考下列論文[13] [14]。. 維度模式情緒表示法. 2.4.1. 本研究除了想要得知機器學習是否可以判斷出影像給人的感覺之外，也想透過風格分類來搭配情感分析，去驗證我們所定義的感覺是否也符合拍攝影像者本身想透過影像所傳遞的情緒、情感。 26.

(29) 針對情緒的描述，本研究應用了一種稱為維度模式[15]的方法在研究中，是一種當受試者面對刺激時該如何表達他接受刺激之後的狀態的一種表示法。根據維度模式中，水平軸 Valence 為受試者接受刺激的感覺，程度由舒適到不舒適。而垂直軸是 Arousal, 表示接受刺激後情緒起伏的強度。圖 2-8 說明了 Valence and Arousal 所組成的情緒向度，透過此模型，我們可以對分類出來的影像做應用，. 將風格帶給人的感覺對應到情感分析模型上。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 2-8 Valence and Arousal 示意圖. 2.5. 小結由於 HSV 色彩空間中每一個成分彼此之間是獨立的，在做色彩分析時較. 能夠將顏色切分的乾淨，而 RGB 空間最主要的缺點就是每一個成份之間有很高的關聯性。而且 HSV 是一套經常用於電腦美術的色彩空間系統，在視覺上比 RGB 模型更具有視覺直觀性。因此本論文選擇的採用 HSV 色彩空間。 27.

(30) 因為本研究中使用了色彩空間做為分析，所以在機器學習的技術上選擇了傳統的 SVM 方法來做分析。因為 CNN 所學習到的特徵，較多為影像結構，並不適用分析色彩。最後，本研究並搭配上情感分析的模型進行個案研究，希望可以無需借助文本內容，單純藉由分析影像中的色彩來進行情緒向度的驗證。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 28. i n U. v.

(31) 第三章資料分析與模型建立本章節說明進行研究設計之流程與個階段所使用的方法、資料選取原則、統計方法、評量標准，並以流程圖表示每個階段步驟之間的關聯與順序，分段說明每個步驟需要處理的工作與執行細節。. 3.1 研究架構以下用圖 3-1 來說明研究架構：. 樣本搜集. 資料訓練及預測. 分析結果. y. n. al. 3.1.1.1 Instagram 攝影社群. sit. 圖 3-9 研究架構. er. io 資料來源. Machine Learning. 對樣本進行投票. ‧. Nat. 3.1.1. 學. 定義風格. ‧ 國. 立. 政治大. Ch. engchi. i n U. v. Instagram 是一個免費提供線上影像及視訊分享的社交平台。於 2010 年 10 月發布，該服務迅速得到普及，截止 2016 年 6 月已擁有超過 5 億註冊用戶，每日活躍用戶更高達 3 億人，平均每日分享 9500 萬張照片和影片。Instagram 對應不同行動裝置平台可以分別透過 App Store 和 Google Play 商店下載。它可以讓用戶用智慧型手機拍下相片後再將不同的濾鏡效果添加到相片上，然後分享到 Facebook、Twitter、Tumblr 及 Flickr 等社群網路服務或者是 Instagram 的伺服器. 29.

(32) 上。本研究基於資料規模、網站特性與濾鏡套用帶給使用者的感受，選擇以 Instagram 作為實驗資料的來源。圖 3-2 說明 Instagram 平台使用之流程：. 拍攝者透過個. 套用濾鏡、發. 人經驗紀錄影. 表心情、標. 像. 籤，上傳影像. 點閱、回應、討. 追蹤他人、取. 論、追蹤. 消追蹤. 圖 3-10 Instagram 平台使用流程示意圖. 治政由於近年來網路典範轉移至使用者共建共享的型態大，開放讓使用者自行提供立. 資料上傳。Instagram 的特色即是 App 本身就具有多款濾鏡提供使用者套用，目. ‧ 國. 學. 前 Instagram 有 23 種濾鏡，皆具有不同的感覺比如說黑白、復古、增亮、柔和等。. sit. n. al. er. io 3.1.1.2 定義風格類別. y. Nat. 別。. ‧. 本研究試圖透過濾鏡的色彩，進行分析影像特徵、色彩特徵來找出影像風格的差. Ch. engchi. i n U. v. 本階段進行研究我們從影像透過濾鏡所產生的色調，帶給人們的感覺來定義影像風格。本研究將風格區分為 10 大類，除了透過 Instagram 上的標籤去搜尋之外，也有許多風格是根據攝影風格所命名，比如說懷舊復古、日系清新，皆為有名的攝影風格。以下為我們所提出的 10 類風格特色的詳細說明：. . 溫暖熱情(Warm)- 影像多為紅、橘色調，給人溫暖、暖和的感覺。如圖 3-3： 30.

(33) 政治大立圖 3-11 溫暖熱情之影像示意圖. ‧ 國. 學. 日系清新(Fresh)- 影像風格為日系清新，飽和度偏低，色調較為淡雅，畫面. io. sit. y. Nat. 如圖 3-4：. ‧. 稍微帶有霧面感覺。在攝影的風格定義中，也有一派攝影風格名為日系清新。. n. al. er. . Ch. engchi. i n U. 圖 3-12 日系清新之影像示意圖. 31. v.

(34) . 懷舊復古 (Reminiscence)- 影像色調多為泛黃、咖啡色調，給人懷舊復古的感覺。在攝影的風格中，也有將濾鏡特別調成泛黃的色調的風格，讓畫面呈現復古感的影像。如圖 3-5：. 立. ‧. ‧ 國. 學圖 3-13 懷舊復古之影像示意圖. 繽紛色彩 (Colorful)- 顏色繽紛、多樣，影像帶給人活潑豐富的感覺。如圖. y. sit. io. n. al. er. 3-6：. Nat. . 政治大. Ch. engchi. i n U. 圖 3-14 繽紛色彩之影像示意圖. 32. v.

(35) . 灰暗憂鬱 (Blue)- 影像色調偏深色系，深藍、深灰、深咖啡色，使人有憂鬱灰暗的感覺。如圖 3-7：. 立. ‧ 國. 學圖 3-15 灰暗憂鬱之影像示意圖. ‧. 清晰明亮 (Light)- 影像亮度高，多為天空藍、亮綠色、白色等給人戶外明. y. Nat. io. n. al. sit. 亮的感覺。如圖 3-8：. er. . 政治大. Ch. engchi. i n U. 圖 3-16 清晰明亮之影像示意圖 33. v.

(36) . 剛硬沈重 (Heavy)- 多為黑白色系、深色系的影像，影像給人的感覺是沈重、剛硬的。如圖 3-9：. 立. ‧ 國. 學圖 3-17 剛硬沈重之影像示意圖. ‧. Nat. sit. y. 浪漫柔和 (Romantic)- 色彩多為粉色、紫色，畫面柔和舒服，給人浪漫的感. io. 覺。如圖 3-10：. n. al. er. . 政治大. Ch. engchi. i n U. 圖 3-18 浪漫柔和之影像示意圖 34. v.

(37) . 鮮明強烈 (Strong)- 顏色對比高，彩度高，黑與紅，或是顏色彩度飽和使得影像給人有鮮明濃烈感。如圖 3-11：. 政治大. 立. ‧ 國. 學 ‧. 寧靜平和 (Peace)- 影像主要為灰白色系、彩度低，顏色不強烈，給人寧靜. sit. y. Nat. 舒服的感覺。如圖 3-12：. io. n. al. er. . 圖 3-19 鮮明強烈之影像示意圖. Ch. engchi. i n U. 圖 3-20 寧靜平和之影像示意圖 35. v.

(38) 基於上述風格分類的敘述，可以清楚分辨出我們在本研究中所定義的十類風格。雖然影像的內容物會帶給人不同的感覺，然而目前本研究並沒有針對影像內容進行分析，只有針對影像套用濾鏡後所產生的色彩變化進行分析，透過分析色彩來將影像分類。若在未來想要提高實驗的準確率，建議可以對於影像內容做辨識進行搭配。比如說透過辨識影像中人物的臉部表情，搭配分類的風格做出判斷，或許更能提高影像帶給人有何種感覺的正確率。. 立. 學. ‧ 國. 3.1.2 資料前處理. 政治大. 3.1.2.1 影像前測、投票. ‧. 由於影像帶給人的感覺雖然是很主觀的，每個人對於影像的感覺會有不同，. sit. y. Nat. 但本研究認為，人們對於影像的情緒感覺，通常是會有一致的方向、感受的，人. n. al. er. io. 們對於情緒的定義不應該有太大的落差。比如說我們都可以同意陽光普照的戶外. i n U. v. 影像給人清晰明亮感，而顏色為深色、明度很低的影像會給人較憂鬱負面的情緒。. Ch. engchi. 然而為了讓實驗更加客觀，本研究將樣本影像搜集好後，放到自製的網站上邀請受試者來針對影像帶給他們的感覺進行投票。搜集樣本的過程中，除了使用顏色來做風格的區分之外，也使用了 Instagram 中的標籤功能(#hashtag)來尋找影像。由於 hashtag 的標籤通常是英文，所以我使用的搜尋關鍵字是用英文來做搜尋。. 36.

(39) 本實驗使用 Python Django framework 來製作投票網頁，在首頁的地方我們提供了前測的教學，告訴受試者我們對於十種影像風格的定義還有範例，如圖 3-13：. 立. 政治大. ‧ 國. 學圖 3-21 投票網站之影像風格教學. ‧ sit. y. Nat. 閱讀完投票前的影像風格教學後，我們便可以開始讓受試者進行影像感覺的. al. n. 所示：. er. io. 投票。每投完一張影像，網站便會隨機出現下一張影像讓受試者投票，如圖 3-14. Ch. engchi. i n U. 圖 3-22 影像投票示意圖 37. v.

(40) 受試者對隨機產生出來的影像投票後，我們便可以透過受試者的投票結果，來判斷是否大多數的人都對於這些影像有一致的感受、感覺。資料庫裡面會紀錄每張影像都具有何種風格的分類，也會紀錄受試者對哪一張影像投下了什麼樣的風格。圖 3-15 為網站透過受試者投票結果示意圖：. 立. 政治大. ‧. ‧ 國. 學. 圖 3-23 投票網站資料庫內容示意圖. 因此在瀏覽資料庫時，便可以很清楚的看出是否多數人對於這些影響有一致. sit. y. Nat. 的感受。然而當發現資料庫中，有些影像的投票結果不如預期，便需要做分類的. n. al. er. io. 調整，或是重新找尋屬於該類風格的影像。再將影像上傳至網站內進行投票分類。. i n U. v. 這樣的做法能夠使影像的分類更具有公信力，並不是由個人主觀意識將照片風格. Ch. engchi. 分類得到的結果，而是由多數人所一起定義出來的分類。投票人數為 30 人, 以下為投票人數的性別比例及年齡層分佈：表 3-1 投票人之性別及年齡分佈. 投票人之性別及年齡分佈 5 4 3 2 1 0 20-25. 26-30. 31-35. 女生. 38. 男生. 36-40.

(41) 由於挑選投票人員對象盡量讓年齡屬於 20-40 歲內的人，是因為這年齡層內的人較常使用社群平台。表 3.2 為透過問卷所得到的 confusion matrix 表。橫軸代表該風格影像透過投票出來的影像風格，而縱軸代表該風格影像最初定義之風格。且表中的數據為已將差異大的資料移除之後的數據。舉例來說，最初定義的 100 張溫暖熱情風格之影像，有 90 張影像經過投票得到溫暖熱情的風格，10 張影像則是歸類在懷舊復古的風格。那溫暖熱情的風格分數就是 0.9, 懷舊復古風格的分數就是 0.1, 其餘風格分數為 0。分數越高代表人們對這類型的影像風格分類具有同樣的概念。. 治政大如果有兩類風格分數很接近，則代表著這兩類的風格給人感覺較難區分。立. 此表中，亮黃色是分數最高的風格，淺黃色則是分數第二高的風格，也就. ‧ 國. 學. 是較難區分出來的風格種類。由表中的分數可以得知，溫暖熱情的風格和懷舊風. ‧. 格較難以區分，而日系清新的圖片則是和清晰明亮的風格影像較容易混淆。灰暗. sit. al. er. io. 案例。. y. Nat. 憂鬱和剛硬沈重的風格也較為類似，受試者在做前測調查時也有發生難以區分的. n. v i n Ch 水平軸代表該影像投票出來的影像風格，垂直軸代表該影像最初定義之風格。 engchi U 溫暖熱情日系清新懷舊復古繽紛色彩灰暗憂鬱清晰明亮剛硬沈重浪漫柔和鮮明強烈寧靜平和表 3-2 Confusion matrix。. 溫暖熱情. 0.863. 0.003. 0.054. 0.012. 0. 0.024. 0. 0.008. 0.036. 0. 日系清新. 0. 0.848. 0.013. 0.017. 0.002. 0.09. 0. 0.01. 0. 0.02. 懷舊復古. 0.132. 0.013. 0.8. 0.02. 0.019. 0.002. 0. 0.004. 0.006. 0.004. 繽紛色彩. 0.03. 0.002. 0.019. 0.88. 0. 0.014. 0. 0.035. 0.01. 0.01. 灰暗憂鬱. 0. 0.008. 0.007. 0. 0.83. 0. 0.142. 0. 0.009. 0.004. 清晰明亮. 0.022. 0.123. 0.002. 0.004. 0. 0.81. 0. 0.02. 0.002. 0.017. 剛硬沈重. 0.006. 0. 0.012. 0. 0.09. 0.003. 0.87. 0. 0.015. 0.004. 浪漫柔和. 0.02. 0.015. 0.006. 0.03. 0.002. 0.023. 0. 0.882. 0.017. 0.005. 鮮明強烈. 0.052. 0.002. 0.01. 0.044. 0.026. 0.022. 0.019. 0.027. 0.796. 0.002. 寧靜平和. 0. 0.035. 0.01. 0.005. 0.021. 0.06. 0.027. 0.022. 0.01. 0.81. 39.

(42) 3.1.2.2 HSV 色彩分析本研究對於 Instagram 影像濾鏡分析選擇使用 HSV 色彩分析。HSV 是一種將 RGB 色彩模型中的數值轉換到圓柱坐標系中的表示法，如前所述，相較於 RGB 色彩空間，HSV 三個參數彼此之間的關係更為獨立。以下對本研究採用 HSV 的原因做更多解釋： . 色相(Hue)便是指「色彩的相貌」。由於我們主要研究議題的是色相的組成，及其在整張照片中所佔的成分，是否可交由機器學習後，可做出和人類相符或類似的情緒判斷，故色相在本研究的特徵中是比重最大的項目。. . 治政大飽和度（Saturation），又稱彩度或顏色純度，當一種顏色與相同亮度的灰階立. 反之則表示該色彩飽和度低，顏色也就越不鮮豔。. ‧. . 學. ‧ 國. 色（即白、灰、黑色）之間差距越大，該色的飽和度越高，顏色就越鮮豔；. 明度(Value)是指顏色的明暗、深淺。明度越高，表示顏色越淺，越接近白色；. sit. y. Nat. 反之，則顏色更接近黑色。然而，由飽和度的說明，我們可以預期若顏色趨. n. al. er. io. 近於白或黑時，同時飽和度也較低；但反之不必然成立，因為飽和度數值是與相同亮度的灰階色相比而得出的結果。. Ch. engchi. i n U. v. 很多應用軟體的色彩選擇都採用 HSV 色彩模型，常見的是 HSV 色輪。其中，色輪的圓環為色相，而飽和度及明度則由另一個三角形呈現。HSV 色彩模型的另一種視覺化呈現是圓錐體，色相值為距圓錐中心軸的角度，飽和度為從圓錐橫切面圓心到這個點的距離比例，明度為從圓錐的橫切面圓心到頂點的距離比例。. 40.

(43) 3.1.2.3 選取影像特徵由於研究中多數的影像是由 640*640 個像素所組成，甚至是更多的像素所組成，我們不可能去計算每個像素的 RGB 或是 HSV 值來當作影像特徵。本研究所採用的方法是，先將 HSV 中的色相(H)依照顏色做切割，再各自對半切割飽和度(S)還有明度(V)，本實驗使用 Python 程式語言來做影像的特徵取得、處理，使顏色的分類大致會有以下的排列組合之切割： Boundaries= [([H, S, V], [H, S, V])] 註：H=0-180, S=0-255, V=0-255. 立. boundaries= [([0,0,0], [10,100,100])]. boundaries= [([0,0,100], [10,100,255])]. y. sit. io. al. er. boundaries= [([0,100,0], [10,255,100])] S:飽和度高 V:明度低. n. • •. S:飽和度低 V:明度高. Nat. • •. S:飽和度低 V:明度低. ‧. •. 學. •. ‧ 國. •. 政治大. Ch. engchi. boundaries= [([0,100,100], [10,255,255])] •. i n U. v. S:飽和度高 V:明度高. H 為 0～180 度, 我們將 H 每 20 度切下一刀，可以分為 9 個區塊，S (0～255)和 V(0～255) 再又各自切一半，排列組合會有 9*4 =36 個區塊的顏色，針對黑、白、灰三區塊再多細分 9 大區塊，加起來總共有 45 個區塊。. 41.

(44) 以下用圖 3-16 作為本實驗切割顏色示意圖：. 學. ‧ 國. 立. 政治大. 圖 3-24 HSV 顏色切割示意圖. ‧. 將 HSV 使用上述方法切割為 45 個區塊後，我們便可以將這些顏色區塊在影. y. Nat. io. sit. 像中所佔的比例計算出來，分析影像中各顏色區塊所佔的比例。. n. al. er. 以紅色為例，我們可以透過程式計算出紅色在影像中所佔據的比例，如圖 3-17 所示：. Ch. engchi. i n U. v. 圖 3-25 紅色在影像中所佔據比例之示意圖. 42.

(45) 因此我們便能計算出，這 45 個顏色區塊各自在整張影像中所佔的比例為多少，進而便能得知整張影像多為何種色調、飽和度、明度所組成的影像。因此這些顏色區塊便是影像的特徵，透過這些特徵，我們將使用機器學習中的 SVM 方法來驗證是否也能讓機器學習出如何分辨影像風格。在實驗的過程中，我們曾經嘗試過使用 R,G,B 或是 CIELAB 色彩空間分類來切分顏色，但實驗結果都沒有 HSV 將顏色切的如此清楚。預測的結果也以 HSV 最為準確，因此本實驗採用 HSV 作為色彩空間。最開始我們只將切整個 Hue 的色相依照顏色切開，沒有根據明度及飽和度額外多做細緻的處理，因此預測結果. 治政大也不盡準確。最後我們使用實驗中使用的切法，依照顏色切成主要 9 塊，各自明立. 度、飽和度又再對切成一半，這樣的切法最能達到預測效果最準確，且較無多餘. ‧ 國. 學. 或重複的顏色區塊。. ‧ sit. y. Nat. 3.2 使用 SVM 訓練資料並預測. n. al. er. io. 本實驗搜集了 1000 張影像作為訓練資料的樣本，十種風格各有 100 張的訓. i n U. v. 練資料。由上述的作法我們便能透過程式取得所有樣本的特徵值，存在 Excel 檔. Ch. engchi. 案中，進而使用 SVM 來訓練並對測試資料做預測。本實驗依序將十種風格的資料兩兩加入訓練，先從差異最大的兩種風格- 溫暖熱情和清晰明亮，再來是加入灰暗憂鬱和浪漫柔和的影像，然後依序加入繽紛浪漫、寧靜平和、日系清新、懷舊復古、剛硬沈重，最後是強烈鮮明的影像。整理完上述的影像資料後，使用 Python SVM 的 Library 我們便可將蒐集好的樣本交給 SVM 做訓練資料，然後將測試資料做預測。. 43.

(46) 下圖 3-18 為本研究作法示意圖：. 將影像分類. 挑選影像. 定義風格類別. 投入測試資料做. 將票選好的影像做. SVM Predict. SVM Training. 對影像進行投票. 分析結果. 立. 治政圖 3-26 研究作法示意圖大. ‧ 國. 學. 3.3 分析結果. 透過 SVM 我們可以得到影像預測的結果百分比來推算我們所給的訓練資. ‧. 料、影像特徵值，是否符合我們所期待的：機器也能分辨出影像所帶給人的感受。. y. Nat. er. io. sit. 然而因為 SVM 所做出的預測，除非是完全符合預測結果，否則答案都會是預測失敗的。因此我們調整了預測結果，將 SVM 所預測的每個答案都用百分比呈現. al. n. v i n Ch 出來，便可知道預測的每個選項於排行榜上第幾名。我們將預測準確度調整為只 engchi U 要是所定義的答案有在排行榜上的前三名，我們便能將這筆預測視為正確的。. 3.4 搭配情感分析來驗證影像 3.4.1. 情感分析之應用 44.

(47) 在 2.4.1 中提到維度模式情緒表示法，實驗的應用我們搭配 3.1.1.2 章節中所定義的十種風格類型，分別將風格搭配到的情緒感受，標示於下圖 3-19：. 立. 政治大. ‧. ‧ 國. 學. 圖 3-27 Valence and Arousal 搭配風格示意圖. sit. y. Nat. io. al. er. 從 2007 年開始，iPhone 攝影獎（iPhone Photography Awards，IPPAWARDS）。. n. 藉由人手一機的簡單概念，透過 Apple 使用者手上的 iPhone 鏡頭，拍下你所. Ch. engchi. i n U. v. 發現的世界。每年都會自超過 130 個國家或地區 iPhone 攝影師所拍攝的數千張照片中挑選最頂尖的作品，而每年的攝影獎年度得主也都是由 IPPA 創辦人 Kenan Aktulun 決選出。由於 2016 年 7 月，IPPA 宣布了 2016 年年度攝影獎的得獎名單，本研究所探討的主題是針對 Instagram 的濾鏡所產生的效果，因此我們搜尋了得獎名單，找出了 3 位得獎攝影師。他們的作品都有放在 Instagram 這個平台上，因此我們便可透過分析這些攝影師的影像，來驗證情感的對應是否有符合我們預期。. 45.

(48) 3.5 小結本研究最初的目的，是希望透過機器學習的方法，藉由我們給予的影像特徵值來進行訓練跟學習，進而分析出我們期待的應有結果。由於現在科技的進步，人手一台手機，Instagram 也是大多數用戶會使用發表心情、感受的平台。而現代人在生活中也相當依賴 Instagram 上發佈照片者所傳遞的訊息、感受，所以期待能夠透過此研究的實驗結果來得知，是否能夠透過機器來判斷，不論是觀看者對影像的感受，或是拍攝影像者所想傳遞的感受，進而在未來有更多有意義的應用。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 46. i n U. v.

(49) 第四章實驗結果與評估本章節分段描述實驗流程與結果分析，並在最後提出討論。. 4.1 挑選訓練資料樣本影像所有的影像都是透過 Instagram 的平台去搜尋還有蒐集而來，透過許多關鍵字可以找出符合我們需求的風格影像，比如說搜尋#warm, #fresh, #sad 等字詞，. 治政都能讓我們找出有相關感受的影像。透過這些 hashtag 大所找到的影像，多半也代立. 表著還有其他人對於此影像有這類的感受，才會為這張影像標上標籤。且所有. ‧ 國. 學. 影像都會被投票網站所票選過他的風格，因此訓練資料基本上是具有多數人達成. ‧. 共識的”感覺”之影像。. sit. y. Nat. n. al. er. io. 4.2 SVM 訓練及預測結果. i n U. v. 由我們所搜集到的十種風格各 100 張，總共有 1000 張的樣本數，投入 SVM. Ch. engchi. 進行訓練後會得到此 1000 張影像的 model，本實驗投入三次不同的測試資料來做預測，每次投入 50 張不同風格之影像，分析最後所得到的結果都能達到穩定的預測結果。測試資料和訓練資料是獨立分開的，並沒有包含在最開始的訓練資料中。我們將搜集到的影像 1000 張中取 150 張做測試資料，剩下的 850 張影像作為訓練資料。使用 SVM 以下參數： kernel=RBF gamma=0.1 cost= 80 47.

(50) Training error rate: 19.2%. 可以得到以下預測結果：. 圖 4-1 隨機從樣本影像中取出做預測之結果 1. Top1 Accuracy= 68%(102/150) Top2 Accuracy= 90%(135/150) Top3 Accuracy= 97.3%(146/150). 立. 政治大. ‧ 國. 學. 再將訓練資料與測試資料打亂取其中 150 張出來做一次測試預測. ‧. 圖 4-2 隨機從樣本影像中取出做預測之結果 2. er. io. sit. y. Nat Top1 Accuracy= 67.33%(101/150). n. al. Ch. Top2 Accuracy= 88.6%(133/150). engchi. i n U. v. Top3 Accuracy= 96%(144/150) Training error rate 為 19.2%，在 Accuracy 上可以達到 67.33%~68%。接著我們另外取新的 150 張影像繼續做測試的結果與分析。圖 4-3 為另外搜集 150 張影像之預測結果：. 圖 4-3 新搜集 150 張影像之預測結果. 48.

(51) 最後為影像測試結果，以下分別為 Top1/Top2/Top3 的預測結果： Top1 Accuracy = 65.3% (98/150) Top2 Accuracy= 87.3% (131/150) Top3 Accuracy= 96% (144/150) 表 4-1 為新的測試影像內容：表 4-1 測試資料之影像. 熱情溫暖. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi 日系清新. 49. i n U. v.

(52) 懷舊復古. 立. 政治大. ‧. ‧ 國. 學繽紛色彩. n. er. io. sit. y. Nat. al. Ch. engchi. 灰暗憂鬱. 50. i n U. v.

(53) 立. 政治大清晰明亮. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 剛硬沉重. 51. i n U. v.

(54) 浪漫柔和. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi 鮮明強烈. 52. i n U. v.

(55) 寧靜平和. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. 4.2.1 預測錯誤的影像分析. Ch. engchi. i n U. v. 根據 4.2 章節所做的實驗，我們可以得到穩定的預期結果。在此章節我們將分析 Top3 結果預測錯誤之影像。. 53.

(56) 測試資料之預測錯誤影像如表 4-2：表 4-2 測試資料中預測錯誤之影像. 定義風格. 1.1 繽紛色彩. 1.2 剛硬沉重. 影像. 溫暖熱情、懷舊復古、鮮明強烈. 鮮明強烈、溫暖熱情、柔和浪漫. 學 ‧. ‧ 國. 預測結果. 立. 政治大. 以第 1.1 張影像來看，影像給人繽紛色彩的感覺，因為整張影像為粉紅色、. Nat. sit. y. 粉藍色、粉黃色還有粉紫色組成。然而以機器的角度來分析，溫暖的暖色調，紅、. n. al. er. io. 粉紅及懷舊的黃色調佔影像中蠻大一部分的色彩，而顏色也顯得較為對比，所以. i n U. v. SVM 又把第三名列為是鮮明的選項，而繽紛的選項為第四名。. Ch. engchi. 接著我們看第 1.2 的影像，因為影像的內容關係，整張影像給人較為沈重、負面的感覺。但實際上，單純就顏色分析來看，紅黑顏色分明，且暖色調的紅色也佔影像中的部份色塊，還有微微的粉紅色、桃紅色的感覺。因此 SVM 分類將影像歸納在鮮明、溫暖還有浪漫為前三名的各個選項。. 測試資料之預測錯誤影像如表 4-3: 54.

(57) 表 4-3 測試資料中預測錯誤之影像. 定義風格. 繽紛色彩. 2.1. 2.2. 鮮明強烈. 影像. 預測結果. 灰暗憂鬱、清晰明亮、繽紛色彩政治大. 日系清新、寧靜平和、復古懷舊. 立. 以 2.1 張影像來看，SVM 把它歸類在清新、寧靜的原因，多半是背景白色、. ‧ 國. 學. 灰色系列的色塊佔據整張影像大部分的關係。懷舊則是因為整張影像並沒有太高. ‧. 的亮度，右上方和左下方都各自還有一小塊咖啡色、大地色系的顏色。繽紛色彩. io. n. al. er. 彩並沒有達到理想中認為該分類在繽紛色彩的分類中。. sit. y. Nat. 的色塊雖然從我們人類的肉眼可以清楚看到，但或許對於機器來說，圖像內的色. v. 再來看的是第 2.2 張影像，影像中以鮮豔的藍色為最主要色塊，由於 SVM. Ch. engchi. i n U. 分析中憂鬱沈重的分類藍色、深藍色為一大指標，因此認為是憂鬱的分類。而被分類在明亮和繽紛的原因是因為此影像明度偏高，此影像給人的確也帶有繽紛的感覺，並不只是色彩鮮明濃烈的感覺。. 第三組測試資料之預測錯誤影像如表 4-4： 55.

(58) 表 4-4 測試資料中預測錯誤之影像. 定義風格. 灰暗憂鬱. 3.1. 3.2. 沈重剛硬. 影像. 預測結果. 清晰明亮、強烈鮮明、繽紛色彩. 懷舊復古、溫暖熱情、灰暗憂鬱. 政治大鬱的影像，然而在影像分類中，將它分在明度較高，對比較強的分類中。可能的立. 測試資料中，錯誤的影像為上述表格中的 3.1 張，此風格我們定義為灰暗憂. ‧ 國. 學. 原因為此影像的藍色分類在定義中偏於明亮的風格，而藍色調與白色調以及些許的粉紅色調的對比讓 SVM 認為這是鮮明風格，甚至是繽紛風格的影像。. ‧. 而表格中 3.2 的影像，在 SVM 分類中認為此影像是懷舊復古的風格，原因. y. Nat. io. sit. 是色調為咖啡色、大地色系居多，復古影像的分類大多為這兩種色系的影像。不. n. al. er. 看影像內容，單純分析色調、濾鏡的色彩，此影像又具有些許橘紅色、暗紅的色. Ch. i n U. v. 調，因此第二名的分類將它分為溫暖的風格。而整張影像明度很低，並不是屬於. engchi. 明亮快樂的影像，因此在 SVM 的分類中將第三名的分類分在灰暗憂鬱的風格中。. 4.3 影像色彩分析搭配情感分析之應用 4.3.1 Instagram 攝影師之影像分析. 在第三章中“3.4.2 情感分析之應用”一節中，本研究提到將會使用 2016 年 IPPA 攝影大獎中的得獎的著名攝影師之作品，使用本研究之色彩濾鏡分析進行 56.

(59) 驗證。分析其影像風格是否符合本研究之十大分類，進而對於影像給人的感覺，攝影者所標籤的字眼情緒、還有追蹤者的回應進行分析。然而，本實驗應用中攝影師的文字是為了驗證分類結果，而非做自動圖文內容相似度分析。. 1. 攝影師 trynidada Instagram：https://www.instagram.com/trynidada/ 圖 4-4 為其部分作品：. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 4-4 攝影師 trynidada 之作品. 此位攝影師拍攝的影像多為灰暗憂鬱、沈重的風格，色調多為暗色系，鮮少有清晰明亮、熱情溫暖、浪漫柔和等之影像。本研究取以下表 4-5 中 12 張影像作為測試資料做預測：. 57.

(60) 表 4-5 攝影師 trynidada 之測試影像. 剛硬沈重. 灰暗憂鬱. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. 寧靜平和. Ch. engchi. i n U. v. 預測準確率的結果為 91.666% (11/12)，下表 4-6 為錯誤之影像分析：表 4-6 攝影師 trynidada 的預測錯誤之影像. 定義風格. 剛硬沈重. 58.

(61) 影像. 預測結果. 寧靜平和、灰暗憂鬱、清晰明亮. 政治大. 此影像雖為黑白影像，淡影像中有兩處亮度非常高，整張影像色調也偏黑白. 立. 灰單色調的風格，因此 SVM 分析結果將此影像歸類在寧靜平和的分類，也因為. ‧ 國. 學. 這兩處的亮度高，清晰明亮的分類為第三名的分類。然而此影響的黑色部分也佔. ‧. 據部分面積，因此有灰暗憂鬱的感覺。. sit. y. Nat. 接著本研究根據此攝影師的影像，來進行情緒的分析。去驗證是否這些影像. io. al. er. 的確帶給人們同樣的感受及情緒。. v. n. 我們可以透過觀察圖 4-5 及圖 4-6，對此攝影師作初步的情緒分析驗證。經. Ch. engchi. i n U. 由 SVM 分析圖 4-5 後，將其分類在使人有灰暗憂鬱的感覺，搭配維度模式 Valence 和 Arousal 的分析，影像座落在 Low Arousal 以及 Negative Emotion 的區塊中。可以得到下列幾種情緒：Sad, Upset。是屬於負面、令人傷心的情緒字眼。我們回顧此影像之攝影師對於此影像所發表的文字是“…for someone…”，的確也是一段較為負面、傷心的文字。由 SVM 分類還有維度模式，進行二維的分析後所得到的結果是能夠滿足我們對於此影像的分類還有假設情緒的。. 59.

(62) 學. ‧ 國. 立. 政治大. 圖 4-5 影像與情感分析之驗證. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. 圖 4-6 影像與情感分析之驗證. 60. v.

(63) 圖 4-6 經過 SVM 分類還有維度模式的分析，我們可以得到此影像為灰暗憂鬱的風格，座落在 Low Arousal 以及 Negative Emotion 的區塊中，並得到 Sad, Upset 等的情緒字眼。對應到影像，攝影師在發表此影像時所搭配的文字為“blue skies of water, poor out of devastation, crashing tears of wood” 除了畫面灰濛濛的，文字中寫上憂鬱的藍色，破壞，崩潰的眼淚等情緒的敘述，皆是屬於較為負面情緒的文字。. 2. 攝影師 carolyn_mara. 治政 Instagram：https://www.instagram.com/carolyn_mara/大，圖 4-7 為其部分作品：立 ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 4-7 攝影師 Carolyn_Mara 之作品. 61.

(64) 此位攝影師拍攝的影像多為清晰明亮、寧靜平和，或是色調多為柔和的浪漫風格。不太有沈重、憂鬱等風格之影像。本研究取以下表 4-7，12 張影像作為測試資料做預測：表 4-7 攝影師 Carolyn_Mara 之測試影像. 寧靜平和. 清晰明亮. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 繽紛色彩. 62. i n U. v.

(65) 預測準確率的結果為 83.33%(10/12)，下表 4-8 為錯誤之影像分析：. 表 4-8 攝影師 Carolyn_Mara 的預測錯誤之影像. 定義風格. 寧靜平和. 清晰明亮. 影像. 立. 政治大. 預測結果灰暗憂鬱、日系清新、強烈鮮明. 日系清新、寧靜平和、強烈鮮明. ‧ 國. 學 ‧. 第一張影像，我們人單純看內容或是色調，會覺得有寧靜平和感，畫面是. sit. y. Nat. 舒服且平和的。然而對於 SVM 的分類，此影像中沙發後面的黑色區塊佔據影像. io. al. er. 中很大的版面，整體畫面的飽和度也不高，因此會將分類在灰暗憂鬱或是日系清. v. n. 新的分類中。而黑、白、紅這三個顏色的對比度高，就顏色的分類上來看也會將其分在強烈鮮明中。. Ch. engchi. i n U. 而第二張影像的整體畫面給人明亮、清晰感，但由於飽和度較低，會使得 SVM 將其分在日系清新的分類中。因為日系清新的影像多半為飽和度低，霧面感較重的影像風格。而綠色及藍色的對比使其將影像分在強烈分明中。接著根據此攝影師的影像，來進行情緒的分析。去驗證是否這些影像的確帶給人們同樣的感受及情緒。. 63.

(66) 以下使用圖 4-8, 4-9, 4-10 三張不同風格影像作情緒分析的驗證：. 立. 政治大. ‧ 國. 學圖 4-8 影像與情感分析之驗證. ‧ sit. y. Nat. 圖 4-8 由於畫面中組成的顏色數量多，明度高，本研究 SVM 預測將其歸類. n. al. er. io. 在繽紛色彩中。搭配維度模式的分析後，此影像座落在 High Arousal 以及 Positive. i n U. v. Emotion 的區塊中，因此我們可以得到以下幾種情緒的字眼：Love, Positive。對. Ch. engchi. 應到此攝影師，搭配此影像的文字也是充滿愛還有正面的句子。“being loved”, “surrounding ourselves with love and colorful”等之字眼皆有出現在攝影師的發文中。再仔細看底下追蹤者的回應，多數人給予的回應也皆具正面、愛的情緒還有表情符號。因此我們可以視為此影像所帶給人的感覺及情緒驗證是成立的。. 64.

(67) 立. 政治大. ‧. ‧ 國. 學. 圖 4-9 影像與情感分析之驗證. 本研究 SVM 分類將圖 4-9 分在寧靜平和的風格中。搭配的維度模式所得到. sit. y. Nat. 的字眼為：peace, calm。此影像畫面整體色調為白色，整體給人非常舒服、慵懶. n. al. er. io. 的感覺。對應到攝影師的文字感 quiet time for mama” 是一段讓人有休息、放鬆. i n U. v. 感覺的文字。同時攝影師也回應著 “It’s my happy place”，在 Valence 和 Arousal. Ch. engchi. 的二維分析中，此影像的位置落在 Positive emotion 還有 Low arousal 的區塊中，而 happy 的情緒是屬於 positive emotion，象徵正面、開心的情緒。因此這張影像不僅給人舒服、寧靜感，同時也能給人愉悅的感覺。. 65.

(68) 政治大. 圖 4-10 影像與情感分析之驗證立. ‧ 國. 學. 圖 4-10 畫面明亮、清晰，SVM 將其分類在清晰明亮中。維度模式分類後其. ‧. 座落在 High Arousal 以及 Positive Emotion 的區塊中，給人是正面、快樂、積極. y. Nat. io. sit. 的感覺。可以得到以下情緒：happy, love。對應到攝影師的文字，可以看到相同. n. al. er. 的情緒“love summertime activities”，而追蹤者也回應著“This is so great! Have. Ch. fun!”等賦予正面能量的文字。. engchi. 66. i n U. v.

(69) 3. 攝影師 neivy Instagram：https://www.instagram.com/neivy/ ，圖 4-11 為其部分作品：. 立. 政治大. ‧. ‧ 國. 學. al. y er. io. sit. Nat. 圖 4-11 攝影師 neivy 之作品. n. 此攝影師所拍攝的影像多為柔和浪漫、清晰明亮的風格，影像具有粉色、紫. Ch. engchi. 色的色調，給人浪漫柔和，溫暖的感覺。. 67. i n U. v.

(70) 本研究以下表 4-9 中 12 張影像作為測試資料做預測：表 4-9 攝影師 neivy 之測試資料. 浪漫柔和. 立. ‧. ‧ 國. 學. n. al. er. io. sit. y. Nat. 清晰明亮. 政治大. 寧靜平和. Ch. engchi. 68. i n U. v.

(71) 預測準確率的結果為 91.666% (11/12)，下表 4-10 為錯誤之影像分析：表 4-10 攝影師 neivy 的預測錯誤之影像. 定義風格. 浪漫柔和. 影像. 立. 預測結果. 政治大寧靜平和、日系清新、清晰明亮. ‧. ‧ 國. 學. 此影像我們透過投票，多數人認為是浪漫柔和的影像，因為畫面整體感覺給. sit. y. Nat. 人舒服浪漫的粉藍色還有粉紅色夕陽。然而對於 SVM 分類來說，整體畫面色調. n. al. er. io. 一致，飽和度不高，因此將其分類在寧靜平和、還有日系清新的分類中。由於畫. i n U. v. 面中亮度高，也帶有明亮的感覺，然而影像中的粉紅色、粉紫色所佔的比例似乎. Ch. engchi. 並無法將其分類在浪漫柔和的區塊中。. 69.