0 引言

1 数据库建立

1.1 国画收集

本数据库的国画素材收集自《中西艺术导论》、《艺术鉴赏》及中国艺术数据库网站(www.artsjk.com)等。为保证样本完备性，收集共8 000余幅国画作品，针对以下情况对一些作品进行筛选：1)由于保存介质(纸张、织物等)过于老旧，因而破损以致部分画面消失；2)保存介质老化严重，因此影响观感；3)相同作家、相同内容、颜色构图相似的画作，仅保留一幅。

在筛选后剩余的画作中，按照原收集8 000幅画中的作者人数比例，抽取获得用于构建国画美感数据库的511幅图画。表 1列出了数据库包含作品的作者(排名不分先后)。

表 1 收录作者
Table 1 The authors included

下载CSV

安正中

丁观鹏

郭忠恕

李鱓

潘天寿

王诜

袁尚统

陈之佛

傅廷煦

巨然

陆恢

宋高宗

吴永良

赵佶

八大山人

董其昌

何海霞

李照东

齐白石

王武

恽寿平

陈卓

高岑

蓝瑛

陆俨少

宋徽宗

项德新

赵望云

卞文瑜

董寿平

华喦

林风谷

任仁发

王渊

恽向

程璋

高剑父

李成

吕纪

宋珏

项圣谟

赵左

查士标

董希源

黄宾虹

林凤眠

任颐

王云

张伯英

仇英

高奇峰

李迪

马元驭

宋文治

萧云从

郑昶

陈洪绶

董源

黄居寀

林容生

沈铨

文从简

张大千

崔子范

葛稚川

李可染

马远

唐寅

颜辉

周文靖

陈继儒

杜琼

黄君壁

刘国松

沈贞

文徵明

张宏

戴本孝

龚贤

李苦禅

梅清

汪之瑞

杨晋

周之冕

陈少梅

范宽

吴历

刘海粟

沈周

吴冠中

张瑞图

戴进

关山月

李流芳

米万钟

王绂

杨文骢

朱耷

陈师曾

方召麐

黄溱

刘迅

石鲁

吴湖帆

张孝友

担当

郭明堂

李平凡

苗重安

王履

张漾兮

朱瞻基

陈树人

傅抱石

居廉

刘彦水

石涛

1.2 离散词汇评价尺度

收集形容国画美感的词汇共350个，在美学、美感和情感研究相关文献中查阅得到，列于表 2。

表 2 美感形容词来源
Table 2 Aesthetic adjectives' provenances

下载CSV

来源	作者	出版年
音乐美学原理	康斯坦丁诺夫 等	1987
哲学大辞典	冯契	2001
美学百科词典	竹内敏雄	1988
中国美术大辞典	邵洛羊 等	2002
美学辞典	别利亚耶夫 等	1993
美学概论	董学文	2004
当代西方美学范畴词典	司有仑	1996
美学与美育词典	顾建华 等	1999
中文情绪形容词检测表	钟杰 等	2005
现代美学体系	叶朗	2000
多模态维度情感预测综述	李霞 等	2018
概念隐喻理解中的美感体验对科学概念理解的作用研究	丁月华	2008
Experimental studies of the elements of expression in music	Hevner	1936
Affective reactions to painting reproductions: A study in the psychology of esthetics	Israeli	1928
The perception and evaluation of visual art	Hagtvedt H 等	2008
Integrating the philosophy and psychology of aesthetic experience: development of the aesthetic experience scale	Stamatopoulou D	2004
Openness to experience and awe in response to nature and music: Personality and profound aesthetic experiences	Silvia P J 等	2015
Aesthetic experience and the emotional content of paintings	Marković 等	2010
Instrument development for esthetic perception assessment	Rowold J	2008
Assessing aesthetic appreciation of visual artworks—The construction of the Art Reception Survey (ARS)	Hager M 等	2012

Hevner情感环基于对艺术欣赏的调查获得，具有两两相对、逐渐过渡的特性，因此可用来验证美感词集完备性。将收集到的词汇按图 1中Hevner情感环进行分类，以排除与艺术情感无关的词汇，得到容量为264的基本词集。

图 1 Hevner情感环

Fig. 1 Hevner affective ring

在问卷星(https://www.wjx.cn)上进行词汇筛选问卷调查，被试者通过网络填写问卷以供分析。最终调查共40名被试，美术相关专业20名，普通专业20名，平均年龄22岁，男性19人，女性21人，年龄范围17~32岁，标准差为3岁。每人可选词汇个数不限，根据被试自身的背景知识进行选择。

在40人规模的筛选中，统计所有被选择“适合用来形容国画美感”词汇的被选频率。为防止选词过程中的惯性误差，调查期间所有词汇乱序排列。同时提醒被试者：该调查面向所有的国画内容、风格以及技法。

以“多数人所认同的国画形容词”为统计原则，对拥有50%以上被选频率的词汇予以保留，共40个，见表 3。

表 3 高频美感词汇
Table 3 Frequent aesthetic adjectives

下载CSV

素雅	写意	旷远	秀美	雄壮	磅礴
生机	萧瑟	大气	质朴	风骨	气韵
清远	豪放	苍郁	空灵	巍峨	明净
飘逸	静穆	静谧	灵动	空旷	灵性
壮丽	雄浑	雄伟	险峻	深邃	质雅
典雅	层次	沧桑	纯朴	古雅	宏伟
洒脱	随性	生动	流畅

通过词频筛选获得的词汇较多，为便于被试者在主观评价时进行分辨，同时为了将国画美感进行语义细分，采用系列范畴法对筛选后的词汇对于“评价国画”合适程度的范畴进行主观评价，并使用因子分析对评价结果进行分析，以提取出国画美感的主要因子。

该部分实验选取50名被试，平均年龄23岁，男性24人，女性26人，年龄范围18~25岁，标准差为1岁，对国画40个审美词汇进行5级尺度评价。评价所采用范畴为：1为很不适合；2为较不适合；3为中立；4为较适合；5为很适合。

先采用克朗巴哈系数(Cronbach’s alpha)(Cronbach，1951)对被试评价结果的内部一致性进行检验。克朗巴哈系数常被用来度量被试整体对于心理指标评价的内部一致性。对于有$n$个题目的量表，每个题之间平均相关系数为$r$，则对该次测试的克朗巴哈系数$α$有

$\alpha=\frac{n \cdot r}{(n-1) r+1} $

(1)

本次评价的克朗巴哈系数结果为0.806(对于探索性实验，通常0.6以上认为可信度较高)。词汇主观评价的分布结果见图 2。图中词汇大部分分布在“中立”右边，因此进一步验证了词频筛选部分实验的有效性。

图 2 国画审美词汇评价结果

Fig. 2 Evaluation results of Chinese painting aesthetic adjectives

采用因子分析方法对系列范畴法主观评价结果进行因子提取，以获得国画美感累计方差70%以上的9个因子。为进一步凝练以便于下一步实验，在保证主要因子得以保留的前提下，查阅《现代汉语词典》、《辞海》和《美学辞典》等文献，获得因子下每个词汇的语义，据此将得到的9个因子进一步浓缩整理，得到浓缩后5个国画审美因子对应词集及释意，见表 4。此5个因子将作为美感类别用于国画审美主观评价中。

表 4 国画美感分类因子
Table 4 Factors of Chinese painting aesthetic

下载CSV

名称	释义	词集
气势美	雄壮宏大，浩瀚瑰丽，气势恢弘雄浑。	雄伟，壮丽，宏伟，雄浑险峻，雄壮，巍峨，磅礴大气，豪放
清幽美	清美幽远，意境开阔，禅意。	清远，飘逸，旷远，静穆空灵，静谧
生机美	意态灵活动人，充满生命力。带有灵活的气息，活泼不呆板，富于变化，有灵气。	生动，生机，灵动，灵性
雅致美	高雅而不浅俗，结构有秩序且具有多样性。	典雅，质雅，层次
萧瑟美	冷落荒凉，寂寞又凄凉。	萧瑟

1.3 主观标注实验

实验环境为良好隔音的室内，在DELL 1504FP显示器上完成，屏幕分辨率为1 024×768像素，方向为横向。实验程序使用Psychtoolbox-3工具箱编写，在MATLAB平台运行。

实验正式开始之前，将图像画幅缩放到适配整个屏幕随机播放，显示器校准到令被试者舒适的水平，并将图画无法填满屏幕的部分用纯黑色显示。

每幅画需标注5个参数：所属美感类别、所属美感强度分值、PAD情感空间3个维度的分值。对于所有选择或打分项，其标准见表 5。

表 5 主观标注说明
Table 5 Description of subjective annotation

下载CSV

项目	评分等级(整数)	评分说明
美感类别	1~5	用分数表示的5个美感类别
美感强度	1~9	1为最弱等级，9为最强等级
愉悦度	1~9	1为非常不愉悦，9为非常愉悦
唤醒度	1~9	1为非常昏沉，9为非常振奋
优势度	1~9	1为非常有压迫感，9为非常轻松

共20名被试者参与情感—美感主观标注(此部分实验被试者群体包含于第1节的系列范畴法实验中)，11名为女性，9名为男性，平均年龄24岁，标准差为1岁。该研究侧重于普通人群体的国画审美感知，所以被试者都为非美术专业背景。

所有20名被试者，每人都参与了所有画作、所有情感及所有美感指标标注。除511幅基础信号外，增设6幅重复的信号，以便检验重测信度，每名被试者将遇到同样的重复信号。

2 实验结果统计与分析

2.1 数据可靠性

使用PAD 3个维度评分的克朗巴哈Alpha系数和重测信度作为数据可靠性度量，见表 6。同样，此处克朗巴哈系数被用来衡量评价结果的内部一致性，重测信度则被用来度量单个样本的可靠程度，如在两次重复测量中同一个样本具有较一致的分布，则证明结果较可靠。重测信度的计算方式为：对两次重复测量的结果求相关系数。

表 6 结果可靠性
Table 6 Reliability of results

下载CSV

项目	愉悦度	唤醒度	优势度
Cronbach’s Alpha	0.903	0.875	0.717
重测信度	0.954	0.934	0.968

从可靠性角度看，实验结果基本符合要求。

2.2 美感分布统计

采用模糊评价中的隶属度概念，对被试者的审美偏好进行度量。对一幅国画样本，定义美感隶属度向量$\mathit{\boldsymbol{M}}$={$M_1, M_2, M_3, M_4, M_5$}，元素$M_i$的定义为

$M_{i}=\frac{m_{i}}{n}(i=1, 2, 3, 4, 5) $

(2)

式中，$n$为被试者总人数，$i$为美感类别，$m_i$是选择美感类别$i$的被试人数。美感隶属度向量的5个值，反映被试人群对于这幅画美感的不同选择偏好。

采用模糊评价中的加权平均法对被试审美强度感知进行度量。对一幅国画样本，定义美感强度分布向量$\mathit{\boldsymbol{W}}$={$W_1, W_2, W_3, W_4, W_5$}，元素$W_i$定义为

$W_{i}=\frac{m_{i}}{n} \times \sum\limits_{k=1}^{m_{i}} l_{k}(i=1, 2, 3, 4, 5) $

(3)

式中，$i$为美感类别，$m_i$为选择美感类别$i$的被试数，$n$为被试总人数，$k$为被试编号，$l_k$为第$k$名被试对该画在美感类别$i$的美感强度打分。美感强度分布向量的5个值，反映被试人群对一幅画感受到的5类美感的不同强度。

对于同一幅画，计算美感隶属度向量和美感强度分布向量，将二者最大值共同所在的美感类定义为该画的美感类，其他情况归为“无法分类”。

遵照上述原则，样本的美感选择数量分布见表 7，表中分布显示：从“无法分类”数量看，所提出5个国画美感范畴大类可涵盖大部分国画的审美感受；气势、清幽和萧瑟更集中在山水画中，生机和雅致更集中在花鸟画中。

表 7 各美感画作数量
Table 7 Number of paintings in each aesthetic 

下载CSV

/幅
美感	山水	花鸟	样本总量
气势美	110	1	111
清幽美	44	9	53
生机美	54	133	187
雅致美	11	92	103
萧瑟美	30	13	43
无法分类	6	8	14
样本总量	255	256	511

2.3 PAD情感分布统计

依据表 7美感分类情况，按美感类分别统计PAD情感分布，见表 8和图 3。图 3中的零点在原实验结果中得分为5，由于原情绪维度打分范围为1~9分，因此5为中性情绪的分界点，在此为便于分辨情绪极性，在图中将5分以零点表示。图 3中每个点代表不同画的PAD分布，点的颜色表示画的美感。

表 8 每类美感下PAD各维度均值(标准差)
Table 8 Mean value (standard deviation) of PAD dimensions in each aesthetic style

下载CSV

	愉悦度	唤醒度	优势度
气势美	5.05(0.79)	5.43(0.76)	4.12(0.49)
清幽美	5.10(0.70)	5.06(0.68)	4.66(0.48)
生机美	5.97(0.72)	5.93(0.76)	5.39(0.52)
雅致美	5.04(0.83)	4.90(0.89)	5.15(0.46)
萧瑟美	4.06(0.44)	4.32(0.47)	4.29(0.43)

图 3 PAD 3维度的美感分布

Fig. 3 Distribution of aesthetics in PAD emotional dimensions

((a)P-A; (b)A-D; (c)P-D)

可发现：

1) 若以情绪正负来看，可发现生机美和萧瑟美在PAD各维度极性上都相反，是呈现两极分化的一对的美感；

2) 气势和雅致在除愉悦度的其他维度也呈现极化分布，同感性认知一致；

3) 清幽和雅致在各维度的分布模态相似，结合表 7，二者的差别更多体现在内容上，而不是情绪；

4) 从情绪分布来看，生机与萧瑟、雅致与气势是较易区分开的两对美感，除此之外其他两两组合的美感或多或少都有一定交叠。

2.4 美感—情感关联

将美感强度与情感维度得分做相关分析，得相关矩阵列于表 9。由相关性得知：1)PAD 3个维度之间相互有一定正相关性，其中愉悦度与另外两维度都是较强正相关；2)生机美与PAD 3个维度为较强正相关；3)萧瑟美与3个维度都是负相关，且与愉悦度、唤醒度为较强负相关；4)生机美与清幽美为较强负相关；5)气势美与优势度为较强负相关。

表 9 美感强度与情感得分相关性
Table 9 Correlation matrix of aesthetic weighted ratings and emotion ratings

下载CSV

	气势	清幽	生机	雅致	萧瑟	P	A	D
气势	1
清幽	0.111	1
生机	-0.477	-0.548	1
雅致	-0.491	-0.133	0.001	1
萧瑟	-0.063	0.189	-0.465	-0.227	1
P	-0.058	-0.228	0.681	0.088	-0.640	1
A	0.114	-0.278	0.611	-0.067	-0.563	0.887	1
D	-0.548	-0.222	0.644	0.408	-0.446	0.652	0.455	1

3 数据库应用：情感/美感识别

3.1 特征提取

参考已有美感和艺术风格研究，提取图像特征120个，特征文献来源及总维数列于表 10。

表 10 PAD各维度重要特征
Table 10 Important features in PAD dimensions

下载CSV

特征	特征文献来源	特征总维数
邻域相似性	高峰等人，2017	25
颜色直方图	Ke等人, 2006	16
亮度直方图	Ke等人, 2006	8
颜色简明度	Ke等人, 2006	1
灰度直方图		16
红色直方图	Ke等人, 2006	10
绿色直方图	Ke等人, 2006	10
蓝色直方图	Ke等人, 2006	10
边界复杂度		10
对比度	Ke等人, 2006	1
显著性区域均值	Koch等人, 1987	1

3.2 情感识别

PAD情感维度空间的每个维度，分别为一种情感反映。同样，以每个维度的分值5为分界线，规定处于该值以上为正性情绪/高情绪，反之为负性情绪/低情绪。根据3个维度情感的正负性，对于表 10中的特征，采用5折交叉验证(周志华，2016)，用回归分析对PAD值预测来完成情感分类任务。

本文采用查全率和查准(周志华，2016)。作为分类极度判断依据。设一次训练中真正例数为$TP, $假正例数为$FP, $真反例数为$TN$, 对查全率$R$和查准率$P$有

$\left\{\begin{array}{l}{P=\frac{T P}{T P+F P}} \\ {R=\frac{T P}{T P+T N}}\end{array}\right. $

(4)

表 11显示：1)在高唤醒度、高愉悦度和低优势度的分类中有较好鲁棒性，观察图 3中数据分布可发现，这些情感区间的数据分布更为集中；2)相对于PAD各维度间分类结果的横向差异，各类回归算法之间的纵向比较没有呈现显著区别。

表 11 基于回归分析的情感分类
Table 11 Emotional classification based on regression analysis

下载CSV

回归模型	情感维度
	P						A						D
	低情绪			高情绪			低情绪			高情绪			低情绪			高情绪
	$R$	$P$		$R$	$P$		$R$	$P$		$R$	$P$		$R$	$P$		$R$	$P$
k-neighbor(Korn等，2008)	0.62	0.41		0.67	0.82		0.67	0.44		0.70	0.86		0.69	0.74		0.62	0.56
NUSVR(Chih等，2011)	0.75	0.51		0.72	0.88		0.77	0.53		0.75	0.89		0.73	0.77		0.67	0.63
kernel ridge(Murphy等，2012)	0.67	0.54		0.72	0.80		0.70	0.55		0.74	0.84		0.72	0.76		0.65	0.61
gradient boosting(Friedman，2001)	0.69	0.55		0.73	0.83		0.75	0.59		0.76	0.87		0.73	0.77		0.69	0.63
Linear Regression(Cohen等，2003)	0.61	0.51		0.69	0.76		0.64	0.54		0.73	0.80		0.72	0.76		0.65	0.61
Decision-tree(Quinlan等，1986)	0.58	0.56		0.70	0.69		0.54	0.54		0.69	0.72		0.68	0.67		0.56	0.59
SVR(Chih等，2011)	0.63	0.53		0.71	0.75		0.70	0.58		0.76	0.83		0.73	0.77		0.66	0.65
Extra-trees(Geurts等，2006)	0.52	0.49		0.67	0.71		0.58	0.57		0.75	0.73		0.69	0.71		0.61	0.56
ARD(Mackay，1994)	0.69	0.52		0.72	0.83		0.68	0.50		0.72	0.84		0.73	0.74		0.65	0.63
Huber Regressor(Huber，1981)	0.64	0.54		0.71	0.78		0.66	0.54		0.73	0.81		0.73	0.76		0.66	0.61
Bayesian ridge(Bishop，2006)	0.71	0.52		0.72	0.84		0.73	0.46		0.72	0.88		0.73	0.75		0.66	0.63

3.3 美感识别

对表 4国画的5个美感分类，进行多个分类算法的模式分类。其查全率和查准率集内测试结果见表 12。由结果可知：

表 12 不同分类器下的美感分类结果
Table 12 Result of aesthetic classification in different classifier

下载CSV

美感	Extra-trees			SVM			线性判别分析			随机森林			KNN			梯度提升树			逻辑回归			多元感知机
	$P$	$R$		$P$	$R$		$P$	$R$		$P$	$R$		$P$	$R$		$P$	$R$		$P$	$R$		$P$	$R$
气势	0.82	0.90		0.54	0.65		0.55	0.64		0.54	0.62		0.48	0.63		0.51	0.57		0.56	0.68		0.49	0.51
生机	0.84	0.92		0.58	0.66		0.55	0.66		0.51	0.74		0.55	0.66		0.50	0.56		0.56	0.71		0.49	0.71
雅致	0.86	0.84		0.51	0.39		0.56	0.44		0.52	0.36		0.52	0.42		0.39	0.36		0.51	0.41		0.49	0.39
萧瑟	0.90	0.50		0.43	0.21		0.33	0.12		0.10	0.05		0.10	0.02		0.20	0.16		0.36	0.12		0.00	0.00
清幽	0.89	0.66		0.34	0.25		0.47	0.29		0.50	0.23		0.28	0.24		0.20	0.20		0.35	0.12		0.22	0.17
平均	0.86	0.77		0.48	0.43		0.49	0.43		0.44	0.40		0.39	0.39		0.36	0.37		0.47	0.41		0.34	0.35
注：“平均一栏”加粗部分为Extra-trees分类器的分类结果，Extra-trees为训练集集内测试的最佳分类器。

1) 数据库的图像对于美感分类也有一定适用性；

2) Extra-trees算法呈现较好成绩。考虑表 7中的不同美感类数据分布不均的情况，这种优越性应是由Extra-trees自身防止过拟合的特点引起；

3) 从分类精度来看，不同美感类别的查全率与表 7样本数量分布高度一致，分布较多的生机、雅致、气势3类美感的平均查全率，比数量较少的清幽、萧瑟的平均查全率大许多。根据相关分析，表 12中SVM算法的查全率与表 7中样本数量的相关系数高达0.881。

4 结论

参考文献

Bao H. 2012. Research on visual-perception based automatic classification techniques for Chinese painting images. Beijing: Beijing Jiaotong University: 25-26 (鲍泓. 2012. 基于视觉感知的中国画图像语义自动分类研究. 北京: 北京交通大学: 25-26)
Belyayev, Novikov and Tolstach. 1993. Dictionary of Aesthetics. Translate by Tang X S. Beijing: Oriental Press: 9-20 (别利亚耶夫, 诺维科夫, 托尔斯特赫. 1993.美学辞典.汤侠生, 译.北京: 东方出版社: 9-20)
Bishop C M. 2006. Pattern recognition and machine learning. Berlin Heidelberg: Springer
Cattell R B. 1978. The Scientific Use of Factor Analysis in Behavioral and Life Sciences. Boston, MA: Springer
Chen L J. 2010. The relationship between aesthetic experience and positive emotion and the impact on change detection. Chongqing: Southeast University: 39-43 (陈丽君. 2010. 美感与积极情绪的关系及对变化觉察的影响. 重庆: 西南大学: 39-43)
Chih C C, Chih J L. 2011. LIBSVM:a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2(27): 1-27 [DOI:10.1145/1961189.1961199]
Cohen P, Stephen G W and Leona S A. 2003. Applied multiple regression/correlation analysis for the behavioral sciences. Third edition. Mahwah, New Jersey: Lawrence Erlbaum Associates & Publishers, 193-194
Cronbach L J. 1951. Coefficient alpha and the internal structure of tests. Psychometrika, 16(3): 297-334 [DOI:10.1007/BF02310555]
Dong X W. 2003. An Introduction to Aesthetics. Beijing: Peking University Press: 38-65 (董学文. 2003. 美学概论. 北京: 北京大学出版社: 38-65)
Ding Y H. 2008. A research on the role of aesthetic experience ofconcept metaphor understanding to the scientific concept understanding. Chongqing: Southwest University: 87-90 (丁月华. 2008. 概念隐喻理解中的美感体验对科学概念理解的作用研究. 重庆: 西南大学: 87-90)
Feng Q. 1985. Encyclopedia of philocophy. Shanghai: Shanghai Word Press: 1-35 (冯契. 1985. 哲学大辞典. 上海: 上海辞书出版社: 1-35)
Friedman J H. 2001. Greedy function approximation:A gradient boosting machine. Annals of Statistics, 29(5): 1189-1232 [DOI:10.1214/aos/1013203451]
Gao F, Nie J, Huang L, Duan L Y, Li X M. 2017. Traditional Chinese painting classification based on painting techniques. Chinese Journal of Computers, 40(12): 2871-2882 (高峰, 聂婕, 黄磊, 段凌宇, 李晓明. 2017. 基于表现手法的国画分类方法研究. 计算机学报, 40(12): 2871-2882) [DOI:10.11897/SP.J.1016.2017.02871]
Geurts P, Ernst D, Wehenkel L. 2006. Extremely randomized trees. Machine Learning, 63(1): 3-42 [DOI:10.1007/s10994-006-6226-1]
Gu J H, Zhang Z G. 1999. Aesthetics and Aesthetics Educational Dictionary. Beijing: Academy Press: 69-71 (顾建华, 张占国. 1999. 美学与美育词典. 北京: 学苑出版社: 69-71)
Hager M, Hagemann D, Danner D, Schankin A. 2012. Assessing aesthetic appreciation of visual artworks-the construction of the Art Reception Survey (ARS). Psychology of Aesthetics, Creativity, and the Arts, 6(4): 320-333 [DOI:10.1037/a0028776]
Hagtvedt H, Patrick V M, Hagtvedt R. 2008. The perception and evaluation of visual art. Empirical Studies of the Arts, 26(2): 197-218 [DOI:10.2190/EM.26.2.d]
Hevner K. 1936. Experimental studies of the elements of expression in music. The American Journal of Psychology, 48(2): 246-268 [DOI:10.2307/1415746]
Huber P J. 1981. Robust Statistics. New York: John Wiley and Sons
Israeli N. 1928. Affective reactions to painting reproductions:a study in the psychology of esthetics. Journal of Applied Psychology, 12(1): 125-139 [DOI:10.1037/h0070445]
Joshi D, Datta R, Fedorovskaya E, Luong Q T, Wang J Z, Li J, Luo J B. 2011. Aesthetics and emotions in images. IEEE Signal Processing Magazine, 28(5): 94-115 [DOI:10.1109/MSP.2011.941851]
Ke Y, Tang X O, Jing F. 2016. The design of high-level features for photo quality assessment//Proceedings of 2016 IEEE Computer Vision and Pattern Recognition. New York: IEEE: 419-426 [DOI:10.1109/CVPR.2006.303]
Koch C, Ullman S. 1987. Shifts in selective visual attention:towards the underlying neural circuitry//VainaL M. Matters of Intelligence:Conceptual Structures in Cognitive Neuroscience.Human neurobiology, Dordrecht:Springer, 4(2): 115-141 [DOI:10.1007/978-94-009-3833-5_5]
Korn F, Sidiropoulos N, Faloutsos C, Siegel E and Protopapas Z. 2008. Fast Nearest Neighbor Search in Medical Image Databases[EB/OL]. 2008-12-02[2019-03-13]. http://www-db.disi.unibo.it/courses/SI-LS/papers/KFS+96.pdf
Konstantinov, Angenov. 1987. Music Aesthetic principles. Beijing: China Federation of Literary & Art Circles Publishing Corp: 23-40 (康斯坦丁诺夫, 安盖诺夫. 1987. 音乐美学原理. 北京: 中国文联出版公司: 23-40)
Lang P J, Bradley M M and Cuthbert B N. 1997. International affective picture system (IAPS): Technical Manual and Affective Ratings. Gainesville, FL: University of Florida
Li X, Lu G M, Yan J J, Zhang Z Y. 2018. A survey of dimensional emotion prediction by multimodal cues. Acta Automatica Sinica, 44(12): 2142-2159 (李霞, 卢官明, 闫静杰, 张正言. 2018. 多模态维度情感预测综述. 自动化学报, 44(12): 2142-2159) [DOI:10.16383/j.aas.2018.c170644]
Li Y Z, Sheng J C, Hua B. 2018. Improved embedded learning for classification of Chinese paintings. Journal of Computer-Aided Design & Computer Graphics, 30(5): 893-900 (李玉芝, 盛家川, 华斌. 2018. 中国画分类的改进嵌入式学习算法. 计算机辅助设计与图形学学报, 30(5): 893-900) [DOI:10.3724/SP.J.1089.2018.16539]
Liu Y, Tao L M, Fu X L. 2009. The analysis of PAD emotional state model based on emotion pictures. Journal of Image and Graphics, 14(5): 753-758 (刘烨, 陶霖密, 傅小兰. 2009. 基于情绪图片的PAD情感状态模型分析. 中国图象图形学报, 14(5): 753-758) [DOI:10.11834/jig.20090501]
Luo W, Wang X G, Tang X O. 2012. Content-based photo quality assessment//Proceedings of 2011 IEEE International Conference on Computer Vision. Barcelona, Spain:IEEE: 2206-2213 [DOI:10.1109/ICCV.2011.6126498]
Mackay D J C. 1994. Bayesian nonlinear modeling for the prediction competition. ASHRAE Transactions, 100(2): 221-234 [DOI:10.1007/978-94-015-8729-7_18]
Marković and Slobodan. 2010. Aesthetic experience and the emotional content of paintings. Psihologija, 43(1): 47-64 [DOI:10.2298/PSI1001047M]
Mehrabian A. 1996. Pleasure-arousal-dominance:a general framework for describing and measuring individual differences in Temperament. Current Psychology, 14(4): 261-292 [DOI:10.1007/BF02686918]
Meng Z H. 2008. Experimental Psychological Method of Subjective Evaluation of Sound Quality. Beijing: National Defense Industry Press (孟子厚. 2008. 音质主观评价的实验心理学方法. 北京: 国防工业出版社)
Mohammad S M and Kiritchenko S. 2018. WikiArtemotions: an annotated dataset of emotions evoked by art[EB/OL]. 2018-02-26[2019-03-13]. https://svkir.com/papers/Mohammad-Kiritchenko-WikiArt-LREC-2018.pdf
Murphy and Kevin P. 2012. Machine learning: a Probabilistic Perspective. MIT press. Massachusetts: The MIT Press
Murray N, Marchesotti L, Perronnin F. 2012. AVA:a large-scale database for aesthetic visual analysis//Proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI, USA:IEEE, 2408 [DOI:10.1109/CVPR.2012.6247954]
Quinlan J R. 1986. Induction of Decision Trees. Machine Learning, 1(1): 81-106 [DOI:10.1023/A:1022643204877]
Rowold J. 2008. Instrument development for esthetic perception assessment. Journal of Media Psychology:Theories, Methods, and Applications, 20(1): 35-40 [DOI:10.1027/1864-1105.20.1.35]
Shao D Z. 1999. The similarities and differences between Chinese landscape painting and Western landscape painting:on the history, present situation and prospect of the blending of the two. Literature and Art Studies, (4): 57-69 (邵大箴. 1999. 中国山水画与西方风景画的同和异——兼论两者交融的历史、现状与前景. 文艺研究, (4): 57-69)
Shao L Y, Ma C Y, Wang B M. 2002. Chinese Fine Arts Dictionary. Shanghai: Shanghai Word Press: 12-16 (邵洛羊, 马承源, 王伯敏. 2002. 中国美术大辞典. 上海: 上海辞书出版社: 12-16)
Silvia P J, Fayn K, Nusbaum E C, Emily C, Beaty R E. 2015. Openness to experience and awe in response to nature and music:personality and profound aesthetic experiences. Psychology of Aesthetics, Creativity, and the Arts, 9(4): 376-384 [DOI:10.1037/aca0000028]
Stamatopoulou D. 2004. Integrating the philosophy and psychology of aesthetic experience:development of the aesthetic experience scale. Psychological Reports, 95(2): 673-695 [DOI:10.2466/pr0.95.2.673-695]
Sun X, Ye J Q, Long R T, Ren F J. 2014. Sentiment analysis of Chinese microblog based on emotional semantic words dictionary and PAD model. Journal of Shanxi University (Natural Science Edition), 37(4): 580-587 (孙晓, 叶嘉麒, 龙润田, 任福继. 2014. 基于情感语义词典与PAD模型的中文微博情感分析. 山西大学学报:自然科学版, 37(4): 580-587) [DOI:10.13451/j.cnki.shanxi.univ(nat.sci.).2014.04.017]
Toshio Takeuchi. 1987. Aesthetic Encyclopedia. Translate by Chi X Z. Heilongjiang: Heilongjiang People's Press: 2-8 (竹内敏雄. 1987.美学百科词典.池学镇, 译.黑龙江: 黑龙江人民出版社: 2-8)
You S T. 2018. A gestalt analysis of GengLuo's selected works. Northern Music, 38(8): 77-78, 88 (游师庭. 2018. 罗赓音乐的艺术价值初探——以格式塔分析原则为例. 北方音乐, 38(8): 77-78, 88) [DOI:10.3969/j.issn.1002-767X.2018.08.054]
Ye L. 1999. Modern Aesthetic System. Beijing: Peking University Publishers: 1-35 (叶朗. 1999. 现代美学体系. 北京: 北京大学出版社: 1-35)
Zhong J and Qian M Y. 2005. A study of development and validation of Chinese mood adjective check list 13(1): 9-13 (钟杰, 钱铭怡.中文情绪形容词检测表的编制与信效度研究.中国临床心理学杂志, 2005, 13(1): 9-13[DOI:10.3969/j.issn.1005-3611.2005.01.003])
Zhou Z H. 2016. Machine Learning. Beijing: Tsinghua University Press (周志华. 2016. 机器学习. 北京: 清华大学出版社)