书法评价方法、书法评价装置和电子设备与流程

本公开涉及图像处理领域，尤其涉及一种书法评价方法、书法评价装置和电子设备。

背景技术：

目前，对于书法学习者作品水平的评价，通常是由书法专家对其作品进行人工审阅评定。此外，还有一些是采用计算机自动审核，其通用方法是通过点阵近似度比对，与标准字点阵近似度越高评分越高。

然而，对于前者采用专家审核的方式而言，该方法虽精准可靠，但效率却不高；而对于后者采用基于点阵近似度比对的审核方法而言，由于书法存在书写风格问题等原因，该方法的准确度却比较差。

技术实现要素：

在下文中给出了关于本公开的简要概述，以便提供关于本公开的某些方面的基本理解。应当理解，这个概述并不是关于本公开的穷举性概述。它并不意图确定本公开的关键或重要部分，也不意图限定本公开的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于现有技术的上述缺陷，本公开的目的之一是提供一种书法评价方法、书法评价装置和电子设备，以能够解决上述现有技术存在的不能兼顾准确度和效率的问题。

根据本公开的一个方面，提供了一种书法评价方法，包括：获取当前书法作品对应的多个单字图像；对所述多个单字图像进行评分；至少根据所述多个单字图像各自的评分，计算当前书法作品的总评分。

根据本公开的另一个方面，还提供了一种书法评价装置，包括：单字获取单元，其适于获取当前书法作品对应的多个单字图像；单字评分单元，其适于对所述多个单字图像进行评分；作品评分单元，其适于至少根据所述多个单字图像各自的评分，计算当前书法作品的总评分。

根据本公开的又一个方面，还提供了一种电子设备，包括如上所述的书法评价装置。

上述根据本公开实施例的书法评价方法、书法评价装置和电子设备，其通过获取当前书法作品对应的多个单字图像来对每个单字图像进行评分，进而至少根据该多个单字图像的评分获得作品的总评分，能够高效、准确地进行书法自动评价。

通过以下结合附图对本公开的最佳实施例的详细说明，本公开的这些以及其他优点将更加明显。

附图说明

本公开可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本公开的优选实施例和解释本公开的原理和优点。其中：

图1是示意性地示出根据本公开实施例的书法评价方法的一种示例性处理的流程图；

图2是示意性地示出根据本公开实施例的书法评价方法的另一个示例性处理中的部分步骤的流程图；

图3是示意性地示出步骤s120的一种可能实现过程的流程图；

图4是示意性地示出步骤s220的一种可能实现过程的流程图；

图5是示意性地示出单字图像对应的偏旁图像的评分的可能实现过程的流程图；

图6是示意性地示出单字图像对应的至少一个笔画图像各自的评分的可能实现过程的流程图；

图7是示出根据本公开实施例的书法评价装置的一种示例结构的示意图；

图8是示出作品中单字图像“池”与例字图像“池”叠加后的示意图。

本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而示出的，而且不一定是按比例绘制的。例如，附图中某些元件的尺寸可能相对于其他元件放大了，以便有助于提高对本公开实施例的理解。

具体实施方式

在下文中将结合附图对本公开的训练性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。

在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与根据本公开的方案密切相关的装置结构和/或处理步骤，而省略了与本公开关系不大的其他细节。

本公开的实施例提供了一种书法评价方法，包括：获取当前书法作品对应的多个单字图像；对所述多个单字图像进行评分；至少根据所述多个单字图像各自的评分，计算当前书法作品的总评分。

图1示意性地示出了根据本公开实施例的书法评价方法的一种示例性处理的流程图。

如图1所示，处理流程100开始后，执行步骤s110、s120和s130。需要说明的是，虽然图1中所示出的步骤s110、s120和s130是依次按顺序执行的，但本公开并不限于此，也即，在其他示例中，步骤s110、s120和s130之间的执行顺序也可以是其他顺序，比如，步骤s110和s120可以是同步进行的，或者步骤s120和s130可以是同步进行的，又或者步骤s110、s120和s130可以是同步进行的，等等。

在步骤s110中，获取当前书法作品对应的多个单字图像。需要说明的是，虽然这里描述的是获取当前书法作品的“多个单字图像”，但该“多个单字图像”并不限于2个、3个或更多个，也可以是1个。也就是说，在实际应用中，当作品中仅包含1个字时，“多个单字图像”为单个单字图像。

根据本公开的实施例，可以通过如下过程来获取当前书法作品对应的多个单字图像：获取当前书法作品对应的当前作品图像，再对当前作品图像进行分割来得到多个单字图像。

例如，当前作品图像可以是从外部接收或获取的，比如，从外部设备接收的，或者通过互联网下载的，等等。

又如，当前作品图像也可以是在当前书法作品书写完成(比如临摹或默写)后，通过捕获当前书法作品的图像而获得的。其中，所述的“当前书法作品书写完成后”可以是用户现场书写完成之后，也可以是用户提前书写完成的。

根据本公开的实施例，也可以通过如下过程来获取当前书法作品对应的多个单字图像：在当前书法作品书写期间每完成一个单字的书写时，获取该单字对应的单字图像；将在当前书法作品书写期间所获取的所有单字图像，作为当前书法作品对应的多个单字图像。

其中，当前书法作品例如是在预设书写区域内书写的。预设书写区域例如包括多个预设的单字区域。

根据本公开的实施例，可以通过如下过程在当前书法作品书写期间每完成一个单字的书写时获取该单字对应的单字图像：判定当前书写位置与上一个书写位置是否位于同一个单字区域内，并在当前书写位置与上一个书写位置处于不同单字区域的情况下判定恰好完成一个单字的书写，捕获上一个书写位置所在单字区域对应的单字图像来作为恰好完成的单字所对应的单字图像。

此外，如图1所示，在步骤s120中对多个单字图像进行评分，以及在步骤s130中至少根据多个单字图像各自的评分来计算当前书法作品的总评分。

图2给出了根据本公开实施例的书法评价方法的另一个示例性处理中的部分流程图。根据本公开的实施例，书法评价方法除了包括图1所示的步骤s110、s120和s130之外，还可以包括对每一个单字图像所执行的步骤s210～s230。

需要说明的是，步骤s210～s230的执行顺序也不限于图2所示的顺序，例如其中部分或全部步骤也可以是并行处理的。

如图2所示，针对多个单字图像中的每一个，可以在步骤s210中确定该单字图像中的多个子区域，然后，可以在步骤s220中获得该单字图像中每个子区域的评分，这样，在步骤s230中可以至少基于该单字图像中各子区域的评分确定该单字图像中的缺陷部位和/或正确部位。

例如，步骤s230中的处理可以通过如下过程实现：在该单字图像的多个子区域之中，将其中评分低于第一阈值的子区域或评分最低的预定数目的子区域确定为缺陷部分，将其中评分高于第二阈值的子区域或评分最高的预定数目的子区域确定为优胜部分。其中，第一阈值、第二阈值以及预定数目例如可以根据经验值设定，或者通过试验的方法确定，这里不再赘述。预定数目例如可为1、2或3等。

又如，步骤s230中的处理也可以通过如下过程实现：在该单字图像的多个子区域之中，将其中评分与该单字图像的评分之差大于第三阈值的子区域确定为缺陷部分，将其中评分与该单字图像的评分之差小于或等于第四阈值的子区域确定为优胜部分。其中，第三阈值和第四阈值例如可以根据经验值设定，或者通过试验的方法确定，这里不再赘述。

图3给出了上文所述的步骤s120中对多个单字图像进行评分的一种可能实现过程。根据本公开的实施例，步骤s120例如可以包括如图3所示的对每一个单字图像所执行的步骤s310～s340。

需要说明的是，步骤s310～s340的执行顺序也不限于图3所示的顺序，例如其中部分或全部步骤也可以是并行处理的。

如图3所示，针对多个单字图像中的每一个：可以在步骤s310中确定该单字图像对应的例字图像，并确定该例字图像的有效书写区域的面积；在步骤s320中，可以确定该单字图像的实际书写区域的面积；在步骤s330中，可以确定该单字图像与其对应例字图像之间的重叠部分的面积；这样，可以在步骤s340中，根据该单字图像的实际书写区域的面积、对应例字图像的有效书写区域的面积以及该单字图像与对应例字图像之间的重叠部分的面积，计算该单字图像的面积评分，作为该单字图像的评分。

其中，例字图像是指预先存储的示范图像。

图4给出了步骤s220中获得该单字图像中每个子区域的评分的一种可能实现过程。根据本公开的实施例，步骤s220例如可以包括如图4所示的对该单字图像中每个子区域所执行的步骤s410～s440。

需要说明的是，步骤s410～s440的执行顺序也不限于图3所示的顺序，例如其中部分或全部步骤也可以是并行处理的。

如图4所示，针对该单字图像中的多个子区域中的每一个：可以在步骤s410中确定该子区域在其对应例字图像中的对应子区域以及该对应例字图像中的对应子区域的有效书写面积；在步骤s420中，可以确定该子区域的实际书写面积；在步骤s430中，可以确定该子区域与其对应例字图像中的对应子区域之间的重叠部分的面积；这样，可以在步骤s440中，根据该子区域的实际书写面积、对应例字中的对应子区域的有效书写面积以及该子区域与其对应例字图像中的对应子区域之间的重叠部分的面积，计算该子区域的面积评分，作为该子区域的评分之一。

在一个例子中，每个单字图像和每个例字图像例如分别被分为n×n大小的矩阵，n为正整数(例如n＝8)，这样，针对每个单字图像中的每个子区域，例如可以按照如下方式确定出该子区域在其对应例字图像中对应的那个子区域：对于每个单字图像中的第i行、第j列的子区域，其中，i,j∈{1,2,…,n}，将该单字图像对应的例字图像中的第i行、第j列的子区域确定为该子区域在其对应例字图像中的对应子区域。比如，单字图像i1与例字图像i1’是对应的，单字图像i1被分为8×8的矩阵(即8行8列共64个子区域)，例字图像i1’也被分为8×8的矩阵(即8行8列共64个子区域)，单字图像i1的第1行、第1列的子区域对应于例字图像i1’的第1行、第1列的子区域，单字图像i1的第1行、第2列的子区域对应于例字图像i1’的第1行、第2列的子区域，依此类推。

根据本公开的实施例，步骤s120中对多个单字图像进行评分的过程例如可以包括如下处理：针对多个单字图像中的每一个，利用经过训练样本集训练的神经网络对该单字图像进行评分，以获得该单字图像的人工智能评分，其中，训练样本集包括预存的多个单字训练图像及每个单字训练图像的预定评分。上述神经网络例如可以选用以下之一：ccn卷积神经网络；svm神经网络；rnn神经网络。

其中，预存的多个单字训练图像例如可以是预先收集的，如可以包含尽可能多的各种风格、各种书体的例字图像，如包括碑帖例字与当代书法家例字等。

其中，多个单字图像例如是经过几何校正、缩放、二值化以及去噪中的一种或多种处理后的图像。

需要说明的是，对多个单字图像所进行的几何校正、缩放、二值化以及去噪中的一种或多种处理可以是针对每个单字图像分别进行的，也可以是针对整幅作品(即当前书法作品)进行的。

此外，还需要说明的是，对多个单字图像所进行的几何校正、缩放、二值化以及去噪中的一种或多种处理并不限于按照如上顺序执行。

此外，训练样本集中的每个单字训练图像例如具有如下标准格式：白底黑字，且具有预定尺寸。预定尺寸例如是预先设置的，可以根据经验值或实际需要设定。

根据本公开的实施例，上述神经网络例如可以通过如下方式搭建：创建多个卷积层、多个池化层和多个全连接层，以搭建cnn卷积神经网络。其中，多个卷积层与多个池化层交替设置，使得每个卷积层与该卷积层后紧邻的池化层配合形成一个卷积组，以构成多个卷积组来逐层提取特征；多个全连接层设置在交替设置的多个卷积层与多个池化层之后。

其中，神经网络例如采用反向传播算法进行训练。在该过程中，例如将每个训练样本包括的训练图像作为输入，将每个训练样本对应的预定评分例如作为其理想输出，每个训练样本包括的训练图像可以是该训练样本中包括的单字训练图像。

这样，针对训练样本集中的每个训练样本，例如可以在向前传播阶段计算该训练样本对应的实际输出，而在向后传播阶段例如可以计算该训练样本对应的实际输出与其理想输出之差，例如采用极小化误差方法按反向传播调整对应的权矩阵，直到满足预设条件。

在一个例子中，在搭建神经网络的过程中，例如可以选定100×100的过滤器来构建10000个隐藏单元，使用100过滤器进行全图描述；可以设置多个卷积核来过滤图像的各个特征区域，以得到各个特征区域的特征值；可以设置6～12个卷积层；可以对卷积核权值的梯度采用对应的预定评分作为输入；此外，可以采用最大值下采样方法对卷积后的图像进行采样，使得采样后的图像特征图大小下降到30×30。预定评分例如是预先设定的，如可以通过专家打分获得，或其他方式预先获得。

根据本公开的实施例，每个单字图像和每个单字训练图像例如分别被分为m×m大小的矩阵，m为正整数(例如m＝10)。

根据本公开的实施例，步骤s220中针对每个单字图像来获得该单字图像中每个子区域的评分的过程例如可以包括如下处理：在利用经过训练样本集训练的神经网络对该单字图像进行评分的过程中，将该单字图像分为多个子区域，以利用神经网络对该单字图像中的多个子区域分别进行评分，得到该单字图像中的每个子区域的人工智能评分来作为每个子区域的评分之一；其中，训练样本集还包括每个单字训练图像各自包含的多个子区域及该多个子区域的预定评分。

其中，每个单字训练图像的预定评分例如可以与其中包括的多个子区域的预定评分相同。

此外，每个训练样本包括的训练图像例如是该训练样本中包括的单字训练图像或该单字训练图像中包括的多个子区域之一。

根据本公开的实施例，步骤s120中对多个单字图像进行评分的过程例如可以包括如下处理：针对多个单字图像中的每一个，利用预设分类器对该单字图像进行识别，将识别的类别作为该单字图像的分类结果，并将识别的置信度作为该单字图像的评分；其中，预设分类器是预先利用多个标准样本字以及每个标准样本字对应的类别训练过的。

此外，根据本公开的实施例的书法评价方法还可以包括如下处理：针对多个单字图像中的每一个，通过偏旁分割获得该单字图像对应的偏旁图像，以获得该偏旁图像的评分。

当前书法作品的总评分例如至少根据多个单字图像的评分、以及其中每个单字图像对应的偏旁图像的评分获得。

根据本公开的实施例，针对多个单字图像中的每一个，获得该单字图像对应的偏旁图像的评分的步骤例如包括如图5所示的针对该偏旁图像所执行的步骤s510～s540。

需要说明的是，步骤s510～s540的执行顺序也不限于图5所示的顺序，例如其中部分或全部步骤也可以是并行处理的。

如图5所示，针对多个单字图像中的每个单字图像所对应的偏旁图像：可以在步骤s510中确定该偏旁图像在其对应例字图像中对应的偏旁参考图像，并确定该偏旁参考图像的有效书写面积；步骤s520中，可以确定该偏旁图像的实际书写面积；步骤s530中，可以确定该偏旁图像与其对应的偏旁参考图像之间的重叠部分的面积；这样，可以在步骤s540中根据该偏旁图像的实际书写面积、对应的偏旁参考图像的有效书写面积以及该偏旁图像与其对应的偏旁参考图像之间的重叠部分的面积，计算该偏旁图像的面积评分，作为该偏旁图像的评分之一。

根据本公开的实施例，针对多个单字图像中的每一个，获得该单字图像对应的偏旁图像的评分的步骤例如包括：在利用经过训练样本集训练的神经网络对该单字图像进行评分的过程中，利用神经网络对该单字图像对应的偏旁图像进行评分，得到该偏旁图像的人工智能评分来作为该偏旁图像的评分之一；其中，训练样本集还包括每个单字训练图像各自包含的偏旁训练图像及该偏旁训练图像的预定评分。

此外，根据本公开的实施例的书法评价方法还可以包括如下处理：至少基于该单字图像中的偏旁图像的评分确定该单字图像中的缺陷部位和/或正确部位。

在一个例子中，若该单字图像中的偏旁图像的评分低于第五阈值，可以将该偏旁图像确定为缺陷部分；若该单字图像中的偏旁图像的评分高于第六阈值，可以将该偏旁图像确定为优胜部分。

在另一个例子中，若该单字图像中的偏旁图像的评分与该单字图像的评分之差大于第三阈值，可以将该偏旁图像确定为缺陷部分；若该单字图像中的偏旁图像的评分与该单字图像的评分之差小于或等于第四阈值，可以将该偏旁图像确定为优胜部分。

此外，根据本公开的实施例的书法评价方法还可以包括如下处理：针对多个单字图像中的每一个，通过笔画分割获得该单字图像对应的至少一个笔画图像，以获得该至少一个笔画图像各自的评分。

当前书法作品的总评分例如至少根据多个单字图像的评分、以及其中每个单字图像对应的至少一个笔画图像各自的评分获得。

根据本公开的实施例，针对多个单字图像中的每一个，获得该单字图像对应的至少一个笔画图像各自的评分的步骤例如包括如图6所示的针对每个笔画图像所执行的步骤s610～s640。

需要说明的是，步骤s610～s640的执行顺序也不限于图6所示的顺序，例如其中部分或全部步骤也可以是并行处理的。

如图6所示，针对该单字图像对应的至少一个笔画图像中的每一个：可以在步骤s610中确定该笔画图像在其对应例字图像中对应的笔画参考图像以及该笔画参考图像的有效书写面积；在步骤s620中，可以确定该笔画图像的实际书写面积；在步骤s630中，可以确定该笔画图像与其对应的笔画参考图像之间的重叠部分的面积；这样，可以在步骤s640中根据该笔画图像的实际书写面积、对应的笔画参考图像的有效书写面积以及该笔画图像与其对应的笔画参考图像之间的重叠部分的面积，计算该笔画图像的面积评分，作为该笔画图像的评分之一。

根据本公开的实施例，针对多个单字图像中的每一个，获得该单字图像对应的至少一个笔画图像各自的评分的步骤例如包括：在利用经过训练样本集训练的神经网络对该单字图像进行评分的过程中，利用神经网络对该单字图像对应的至少一个笔画图像中的每一个进行评分，得到该笔画图像的人工智能评分来作为该笔画图像的评分之一；其中，训练样本集还包括每个单字训练图像各自包含的至少一个笔画训练图像及每个笔画训练图像的预定评分。

此外，根据本公开的实施例的书法评价方法还可以包括如下处理：至少基于该单字图像中的至少一个笔画图像的评分确定该单字图像中的缺陷部位和/或正确部位。

在一个例子中，在该单字图像的至少一个笔画图像之中，例如可以将其中评分低于第一阈值的笔画图像或评分最低的预定数目个笔画图像确定为缺陷部分，可以将其中评分高于第二阈值的笔画图像或评分最高的预定数目个笔画图像确定为优胜部分。

在另一个例子中，在该单字图像的至少一个笔画图像之中，例如可以将其中评分与该单字图像的评分之差大于第三阈值的笔画图像确定为缺陷部分，可以将其中评分与该单字图像的评分之差小于或等于第四阈值的笔画图像确定为优胜部分。

此外，根据本公开的实施例的书法评价方法还可以包括如下处理：计算多个单字图像的评分的标准差，以根据该标准差确定当前书法作品的书写水平波动分数。

此外，本公开的实施例还提供了一种书法评价装置，包括：单字获取单元，其适于获取当前书法作品对应的多个单字图像；单字评分单元，其适于对所述多个单字图像进行评分；作品评分单元，其适于至少根据所述多个单字图像各自的评分，计算当前书法作品的总评分。

图7示意性地示出了根据本公开实施例的书法评价装置的一种示例结构。

如图7所示，根据本公开实施例的书法评价装置700包括单字获取单元710、单字评分单元720和作品评分单元730。

其中，单字获取单元710适于获取当前书法作品对应的多个单字图像。单字获取单元710例如可以执行与上文中结合图1-图6所中任一个所描述的步骤s110相同的处理或子处理，并能够达到相类似的功能和效果，这里不再赘述。

单字评分单元720适于对多个单字图像进行评分。单字评分单元720例如可以执行与上文中结合图1-图6所中任一个所描述的步骤s120相同的处理或子处理，并能够达到相类似的功能和效果，这里不再赘述。

作品评分单元730适于至少根据多个单字图像各自的评分，计算当前书法作品的总评分。作品评分单元730例如可以执行与上文中结合图1-图6所中任一个所描述的步骤s130相同的处理或子处理，并能够达到相类似的功能和效果，这里不再赘述。

此外，本公开的实施例还提供了一种电子设备，该电子设备包括如上所述的书法评价装置。该电子设备例如为以下之一：台式计算机；笔记本电脑；智能手机；平板电脑；等等。

优选实施例1

以下以临摹场景为例来描述。其中，将书写者要临摹的原始素材称为“范本”，范本来源一般为数字化的碑帖或名家书写的单字图片等。范本中的单字即上文所述的例字。将书写者所书写的内容称之为“作品”，即上文所述的当前书法作品。

在书写者完成临摹后，可以通过摄像机或相机或扫描等方法捕获其作品的图像，作为数字化作品。

然后，可以对数字化作品进行几何校正(例如可采用梯形校正)以使其无几何失真。

接着，可以对数字化作品进行缩小或放大，以使其大小与范本相同。

然后，可以对数字化作品进行二值化处理，也即，将该数字化作品转换为黑白图像，例如可以选用较大阈值以取得良好效果，以有效去除拍摄或扫描中出现的阴影。

然后，可以对数字化作品进行去噪处理。例如，可使用滤波算法去除作品中的噪点。噪点来源于拍摄或扫描中出现的污点，采用中值滤波算法即可有效过滤噪点。

接着，可以进行单字切分。因为范本中每个例字图像的大小以及位置均为已知，因此可按照坐标直接在作品相对位置中切分出各个单字图像。

以上，完成作品的采集和预处理。

然后，可以针对作品中每个单字图像执行如下步骤1.1～1.4：

1.1提取所对应例字的有效书写区域(此区域可提前录入数据库，也可实时根据图片黑白区域扫描得出)，计算此区域面积，记为s1。

1.2计算作品中该单字图像的实际书写区域(该区域例如根据该图片中黑白区域扫描得出)的面积，记为s2。

1.3扫描作品中该单字图像与对应例字图像之间的字的重叠部分面积，记为s3。图8示出了作品中单字图像“池”与例字图像“池”叠加后的示意图。

1.4计算作品中该单字图像的评分。重叠部分面积s3与例字面积s1的比值越大，表明笔迹吻合原作的程度越高，评分设置越高。非重叠部分面积(即s2-s3)与例字面积s1的比值越大，表明笔迹偏离原作的程度越高，评分设置越低。单字图像评分可用这两项比值加权后综合得出，例如可以采用如下公式计算：

该单字图像的评分＝((s3/s1)*1.0-((s2-s3)/s1)*0.5)*100。

这样，总分为100，重叠部分加权为1，非重叠部分加权为0.5。需要说明的是，可以针对不同书体采用与上述公式中不同的权值。

这样，针对作品中所有单字图像的评分，可以计算得到整幅作品的总评分，作品的总评分例如等于所有单字图像评分的加权计算结果，比如加权和或加权平均值等(权值例如可全部为1)。

此外，还可以自动指出书法笔画中的缺陷以及正确的部位。在计算重叠部分面积时，可将例字均分为n×n(如8×8)大小的方块，每个方块独立计算评分，最后将评分结果与总体结果(即该单字图像的评分)相差较大的部分作为书写有缺陷的区域单独指出，使书写者明确缺陷所在并改进；将评分结果与总体结果相差较小的部分作为书写优胜的区域单独指出，使书写者明确优点所在并保持。

优选实施例2

以临摹场景为例来描述。采用与优选实施例1中相同的过程完成作品的采集和预处理。

此外，预先完成神经网络的训练过程，该训练过程可采用如下的步骤2.1～2.5：

2.1积累单字素材(即例字图像)作为训练样本，收集尽可能多的各种风格各种书体的例字图像，例如碑帖例字与当代书法家例字。

2.2例字预处理。将所有例字图像修整为白底黑字，统一大小存放。

2.3由专家对每个例字进行打分。写得越好的例字分值越高。

2.4搭建神经网络。对例字以及分值进行训练。例如选用cnn卷积神经网络，也可选用svm或rnn网络。使用cnn神经网络时，创建卷积层、池化层、全连接层。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成任务。

下面简述cnn神经网络实现步骤以及参数。

由于书法例字图像所含像素较多，标准化后需要较大量级的参数。例如选定为100×100的过滤器，使用10000个隐藏单元就可以取得较好识别效果。共使用100过滤器进行全图描述。

针对卷积层，可设置多个卷积核来过滤图像的各个小区域，从而得到这些小区域的特征值。设置6～12个卷积层，实测10层效果较佳。对卷积核权值的梯度采用专家评分作为输入。

针对池化层，为了降低数据维度，对卷积后的图像进行采样。例采用最大值下采样(max-pooling)的方法。采样后，图像特征图大小下降到30×30。

2.5使用反向传播算法训练神经网络。

第一阶段，向前传播阶段：

a)从样本集中取一个样本(xp,yp)，将xp输入网络；

b)计算相应的实际输出op。

其中，xp为神经网络的输入(如单字训练图像或单字训练图像中的子区域)，yp为xp对应的预定评分，op为将xp输入神经网络后得到的实际输出结果。

在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是计算(实际上就是输入与每层的权值矩阵相点乘，得到最后的输出结果)：op＝fn(…(f2(f1(xpw(1))w(2))…)w(n))。

其中，w(1)、w(2)、…、w(n)分别表示第一层、第二层、…、第n层的权值。f1(…)、f2(…)、…、fn(…)分别表示第一层、第二层、…、第n层的输出函数。

第二阶段，向后传播阶段：

a)算实际输出op与相应的理想输出yp的差；

b)按极小化误差的方法反向传播调整权矩阵。

输出激活函数f(.)可使用sigmoid函数或者双曲线正切函数。sigmoid将输出压缩到[0,1]，最后的输出平均值一般趋于0。需要将训练数据归一化为零均值和方差为1，在梯度下降的过程中增加收敛性。

以上为预先完成的训练阶段。

在完成作品的采集和预处理后，采用以上训练好的神经网络对作品进行评分，例如采用如下步骤2.6～2.10实现：

2.6单字识别以及评分。使用神经网络的训练样本，对单字进行识别。由于训练时已经使用专家评分作为加权，识别时得分越高，表明单字相似度越高，也表明单字书写效果越好。

2.7单字之间的评分结果为非线性相关，因此求出其标准差作为本次作品的书写水平波动分数。

2.8针对作品所有单字图像的评分计算最后的总评价分数。

2.9自动指出书法笔画中的缺陷以及正确的部位。例字评分时，在池化层进行采样，对例字分割为矩阵，每个矩阵可单独评分。矩阵大小足够时，可单独指出评分不足的部分，即书画中的缺陷部分。典型10x10大小的矩阵，将例字分割为100个区域，每个区域均可单独评分，比较容易得出缺陷部分。

2.10笔画对比。对专家评分的例字，进行笔画、偏旁分割后进行训练，可得出笔画或偏旁等例字细节深度学习数据。也可以使用单独的笔画、偏旁图像进行深度学习训练。对作品进行评分时，不但对例字进行评分，还可对例字分割出笔画以及偏旁以进行评分。这样可以找到单个例字中有缺陷的部位，即评分较低的部位。可对这些部位进行标注，以便书写者明确掌握书写不足之处。

优选实施例3

以临摹场景为例来描述。采用与优选实施例1和2中相同的过程完成作品的采集和预处理。

采用与优选实施例1相类似的处理来获得作品中每个单字图像的面积评分，作为第一类评分。

采用与优选实施例2相类似的处理来获得作品中每个单字图像的人工智能评分，作为第二类评分。

通过加权计算，获得每个单字图像的第一类评分和第二类评分的加权平均值(或加权和)，作为每个单字图像的评分。其中，第一类评分和第二类评分的权值例如均为1。

通过加权计算，获得作品中所有单字图像的评分的加权平均值(或加权和)，作为该作品的总评分，各个单字图像的权值例如均为1。

综上，在根据本公开的实施例中，本公开提供了如下方案，但不限于此：

方案1、书法评价方法，其特征在于包括：

获取当前书法作品对应的多个单字图像；

对所述多个单字图像进行评分；

至少根据所述多个单字图像各自的评分，计算当前书法作品的总评分。

方案2、如方案1所述的书法评价方法，其特征在于，所述获取当前书法作品对应的多个单字图像的步骤包括：

获取当前书法作品对应的当前作品图像；

通过对所述当前作品图像进行分割，得到多个单字图像。

方案3、如方案2所述的书法评价方法，其特征在于：

所述的当前作品图像是从外部接收或获取的；或

所述的当前作品图像是在当前书法作品书写完成后，通过捕获当前书法作品的图像而获得的。

方案4、如方案1所述的书法评价方法，其特征在于，所述获取当前书法作品对应的多个单字图像的步骤包括：

在当前书法作品书写期间每完成一个单字的书写时，获取该单字对应的单字图像；

将在当前书法作品书写期间所获取的所有单字图像，作为所述当前书法作品对应的多个单字图像。

方案5、如方案4所述的书法评价方法，其特征在于，当前书法作品是在预设书写区域内书写的，所述预设书写区域包括多个预设的单字区域；所述在当前书法作品书写期间每完成一个单字的书写时获取该单字对应的单字图像的步骤包括：

判定当前书写位置与上一个书写位置是否位于同一个单字区域内，并在当前书写位置与上一个书写位置处于不同单字区域的情况下判定恰好完成一个单字的书写，捕获上一个书写位置所在单字区域对应的单字图像来作为所述恰好完成的单字所对应的单字图像。

方案6、如方案1-5中任一项所述的书法评价方法，其特征在于还包括：

针对所述多个单字图像中的每一个，

确定该单字图像中的多个子区域，

获得该单字图像中每个子区域的评分，

至少基于该单字图像中各子区域的评分确定该单字图像中的缺陷部位和/或正确部位。

方案7、如方案6所述的书法评价方法，其特征在于，所述至少基于该单字图像中各子区域的评分确定该单字图像中的缺陷部位和/或正确部位的步骤包括：

在该单字图像的多个子区域之中，将其中评分低于第一阈值的子区域或评分最低的预定数目的子区域确定为缺陷部分，将其中评分高于第二阈值的子区域或评分最高的预定数目的子区域确定为优胜部分。

方案8、如方案6所述的书法评价方法，其特征在于，所述至少基于该单字图像中各子区域的评分确定该单字图像中的缺陷部位和/或正确部位的步骤包括：

在该单字图像的多个子区域之中，将其中评分与该单字图像的评分之差大于第三阈值的子区域确定为缺陷部分，将其中评分与该单字图像的评分之差小于或等于第四阈值的子区域确定为优胜部分。

方案9、如方案1-8中任一项所述的书法评价方法，其特征在于，对所述多个单字图像进行评分的步骤包括：

针对所述多个单字图像中的每一个，

确定该单字图像对应的例字图像及该例字图像的有效书写区域的面积，

确定该单字图像的实际书写区域的面积，

确定该单字图像与其对应例字图像之间的重叠部分的面积，

根据该单字图像的实际书写区域的面积、对应例字图像的有效书写区域的面积以及该单字图像与对应例字图像之间的重叠部分的面积，计算该单字图像的面积评分，作为该单字图像的评分。

方案10、如方案9所述的书法评价方法，其特征在于，所述获得该单字图像中每个子区域的评分的步骤包括：

针对该单字图像中的多个子区域中的每一个，

确定该子区域在其对应例字图像中的对应子区域以及该对应例字图像中的对应子区域的有效书写面积，

确定该子区域的实际书写面积，

确定该子区域与其对应例字图像中的对应子区域之间的重叠部分的面积，

根据该子区域的实际书写面积、对应例字中的对应子区域的有效书写面积以及该子区域与其对应例字图像中的对应子区域之间的重叠部分的面积，计算该子区域的面积评分，作为该子区域的评分之一。

方案11、如方案10所述的书法评价方法，其特征在于，每个单字图像和每个例字图像分别被分为n×n大小的矩阵，n为正整数；针对每个单字图像中的每个子区域，通过如下方式确定该子区域在其对应例字图像中的对应子区域：

对于每个单字图像中的第i行、第j列的子区域，其中，i,j∈{1,2,…,n}，将该单字图像对应的例字图像中的第i行、第j列的子区域确定为该子区域在其对应例字图像中的对应子区域。

方案12、如方案11所述的书法评价方法，其特征在于，n＝8。

方案13、如方案1-12中任一项所述的书法评价方法，其特征在于，对所述多个单字图像进行评分的步骤包括：

针对所述多个单字图像中的每一个，

利用经过训练样本集训练的神经网络对该单字图像进行评分，以获得该单字图像的人工智能评分，其中，所述训练样本集包括预存的多个单字训练图像及每个单字训练图像的预定评分。

方案14、如方案13所述的书法评价方法，其特征在于，所述多个单字图像是经过几何校正、缩放、二值化以及去噪中的一种或多种处理后的图像。

方案15、如方案13或14所述的书法评价方法，其特征在于，所述训练样本集中的每个单字训练图像具有如下标准格式：白底黑字，且具有预定尺寸。

方案16、如方案13-15中任一项所述的书法评价方法，其特征在于，所述神经网络选用ccn卷积神经网络或svm神经网络或rnn神经网络。

方案17、如方案13-16中任一项所述的书法评价方法，其特征在于，所述神经网络通过如下方式搭建：

创建多个卷积层、多个池化层和多个全连接层，以搭建cnn卷积神经网络；

其中，所述多个卷积层与所述多个池化层交替设置，使得每个卷积层与该卷积层后紧邻的池化层配合形成一个卷积组，以构成多个卷积组来逐层提取特征；所述多个全连接层设置在交替设置的所述多个卷积层与所述多个池化层之后。

方案18、如方案17所述的书法评价方法，其特征在于，所述神经网络采用反向传播算法进行训练；其中，将每个训练样本包括的训练图像作为输入，将每个训练样本对应的预定评分作为其理想输出，所述每个训练样本包括的训练图像为该训练样本中包括的单字训练图像；

针对所述训练样本集中的每个训练样本，

在向前传播阶段，计算该训练样本对应的实际输出，

在向后传播阶段，计算该训练样本对应的实际输出与其理想输出之差，并采用极小化误差方法按反向传播调整对应的权矩阵，直到满足预设条件。

方案19、如方案17或18所述的书法评价方法，其特征在于，在搭建所述神经网络的过程中：

选定100×100的过滤器来构建10000个隐藏单元，使用100过滤器进行全图描述；

设置多个卷积核来过滤图像的各个特征区域，以得到各个特征区域的特征值；设置6～12个卷积层；对卷积核权值的梯度采用对应的预定评分作为输入；

采用最大值下采样方法对卷积后的图像进行采样，使得采样后的图像特征图大小下降到30×30。

方案20、如方案13-19中任一项所述的书法评价方法，其特征在于，所述获得该单字图像中每个子区域的评分的步骤包括：

在利用经过训练样本集训练的神经网络对该单字图像进行评分的过程中，将该单字图像分为多个子区域，以利用所述神经网络对该单字图像中的多个子区域分别进行评分，得到该单字图像中的每个子区域的人工智能评分来作为每个子区域的评分之一；其中，所述训练样本集还包括每个单字训练图像各自包含的多个子区域及该多个子区域的预定评分。

方案21、如方案20所述的书法评价方法，其特征在于，每个单字训练图像的预定评分与其中包括的多个子区域的预定评分相同。

方案22、如方案13-20中任一项所述的书法评价方法，其特征在于，每个单字图像和每个单字训练图像分别被分为m×m大小的矩阵，m为正整数。

方案23、如方案22所述的书法评价方法，其特征在于，m＝10。

方案24、如方案20-23中任一项所述的书法评价方法，其特征在于，所述每个训练样本包括的训练图像为该训练样本中包括的单字训练图像或该单字训练图像中包括的多个子区域之一。

方案25、如方案1-24中任一项所述的书法评价方法，其特征在于，对所述多个单字图像进行评分的步骤包括：

针对所述多个单字图像中的每一个，利用预设分类器对该单字图像进行识别，将识别的类别作为该单字图像的分类结果，并将识别的置信度作为该单字图像的评分；其中，所述预设分类器是预先利用多个标准样本字以及每个标准样本字对应的类别训练过的。

方案26、如方案1-25中任一项所述的书法评价方法，其特征在于还包括：

针对所述多个单字图像中的每一个，通过偏旁分割获得该单字图像对应的偏旁图像，以获得该偏旁图像的评分。

方案27、如方案26所述的书法评价方法，其中，当前书法作品的总评分至少根据所述多个单字图像的评分、以及其中每个单字图像对应的偏旁图像的评分获得。

方案28、如方案26或27所述的书法评价方法，其特征在于，针对所述多个单字图像中的每一个，获得该单字图像对应的偏旁图像的评分的步骤包括：

针对该单字图像对应的偏旁图像，

确定该偏旁图像在其对应例字图像中对应的偏旁参考图像以及该偏旁参考图像的有效书写面积，

确定该偏旁图像的实际书写面积，

确定该偏旁图像与其对应的偏旁参考图像之间的重叠部分的面积，

根据该偏旁图像的实际书写面积、对应的偏旁参考图像的有效书写面积以及该偏旁图像与其对应的偏旁参考图像之间的重叠部分的面积，计算该偏旁图像的面积评分，作为该偏旁图像的评分之一。

方案29、如方案26-28中任一项所述的书法评价方法，其特征在于，针对所述多个单字图像中的每一个，获得该单字图像对应的偏旁图像的评分的步骤包括：

在利用经过训练样本集训练的神经网络对该单字图像进行评分的过程中，利用所述神经网络对该单字图像对应的偏旁图像进行评分，得到该偏旁图像的人工智能评分来作为该偏旁图像的评分之一；其中，所述训练样本集还包括每个单字训练图像各自包含的偏旁训练图像及该偏旁训练图像的预定评分。

方案30、如方案26-29中任一项所述的书法评价方法，其特征在于还包括：

至少基于该单字图像中的偏旁图像的评分确定该单字图像中的缺陷部位和/或正确部位。

方案31、如方案30所述的书法评价方法，其特征在于，所述至少基于该单字图像中的偏旁图像的评分确定该单字图像中的缺陷部位和/或正确部位的步骤包括：

若该单字图像中的偏旁图像的评分低于第五阈值，将该偏旁图像确定为缺陷部分；

若该单字图像中的偏旁图像的评分高于第六阈值，将该偏旁图像确定为优胜部分。

方案32、如方案30所述的书法评价方法，其特征在于，所述至少基于该单字图像中的偏旁图像的评分确定该单字图像中的缺陷部位和/或正确部位的步骤包括：

若该单字图像中的偏旁图像的评分与该单字图像的评分之差大于第三阈值，将该偏旁图像确定为缺陷部分；

若该单字图像中的偏旁图像的评分与该单字图像的评分之差小于或等于第四阈值，将该偏旁图像确定为优胜部分。

方案33、如方案1-32中任一项所述的书法评价方法，其特征在于还包括：

针对所述多个单字图像中的每一个，通过笔画分割获得该单字图像对应的至少一个笔画图像，以获得该至少一个笔画图像各自的评分。

方案34、如方案33所述的书法评价方法，其特征在于，当前书法作品的总评分至少根据所述多个单字图像的评分、以及其中每个单字图像对应的至少一个笔画图像各自的评分获得。

方案35、如方案33或34所述的书法评价方法，其特征在于，针对所述多个单字图像中的每一个，获得该单字图像对应的至少一个笔画图像各自的评分的步骤包括：

针对该单字图像对应的至少一个笔画图像中的每一个，

确定该笔画图像在其对应例字图像中对应的笔画参考图像以及该笔画参考图像的有效书写面积，

确定该笔画图像的实际书写面积，

确定该笔画图像与其对应的笔画参考图像之间的重叠部分的面积，

根据该笔画图像的实际书写面积、对应的笔画参考图像的有效书写面积以及该笔画图像与其对应的笔画参考图像之间的重叠部分的面积，计算该笔画图像的面积评分，作为该笔画图像的评分之一。

方案36、如方案33-35中任一项所述的书法评价方法，其特征在于，针对所述多个单字图像中的每一个，获得该单字图像对应的至少一个笔画图像各自的评分的步骤包括：

在利用经过训练样本集训练的神经网络对该单字图像进行评分的过程中，利用所述神经网络对该单字图像对应的至少一个笔画图像中的每一个进行评分，得到该笔画图像的人工智能评分来作为该笔画图像的评分之一；其中，所述训练样本集还包括每个单字训练图像各自包含的至少一个笔画训练图像及每个笔画训练图像的预定评分。

方案37、如方案33-36中任一项所述的书法评价方法，其特征在于还包括：

至少基于该单字图像中的至少一个笔画图像的评分确定该单字图像中的缺陷部位和/或正确部位。

方案38、如方案37所述的书法评价方法，其特征在于，所述至少基于该单字图像中的至少一个笔画图像的评分确定该单字图像中的缺陷部位和/或正确部位的步骤包括：

在该单字图像的至少一个笔画图像之中，将其中评分低于第一阈值的笔画图像或评分最低的预定数目个笔画图像确定为缺陷部分，将其中评分高于第二阈值的笔画图像或评分最高的预定数目个笔画图像确定为优胜部分。

方案39、如方案37所述的书法评价方法，其特征在于，所述至少基于该单字图像中的至少一个笔画图像的评分确定该单字图像中的缺陷部位和/或正确部位的步骤包括：

在该单字图像的至少一个笔画图像之中，将其中评分与该单字图像的评分之差大于第三阈值的笔画图像确定为缺陷部分，将其中评分与该单字图像的评分之差小于或等于第四阈值的笔画图像确定为优胜部分。

方案40、如方案1-39中任一项所述的书法评价方法，其特征在于还包括：

计算所述多个单字图像的评分的标准差，以根据该标准差确定当前书法作品的书写水平波动分数。

方案41、书法评价装置，其特征在于包括：

单字获取单元，其适于获取当前书法作品对应的多个单字图像；

单字评分单元，其适于对所述多个单字图像进行评分；

作品评分单元，其适于至少根据所述多个单字图像各自的评分，计算当前书法作品的总评分。

方案42、电子设备，其特征在于包括如方案41所述的书法评价装置。

方案43、如方案42所述的电子设备，其特征在于，所述电子设备为以下之一：

台式计算机；笔记本电脑；智能手机；平板电脑。

最后，还需要说明的是，在本公开中，诸如左和右、第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管上面已经通过本公开的具体实施例的描述对本公开进行了披露，但是，应该理解，本领域技术人员可在所附权利要求的精神和范围内设计对本公开的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本公开所要求保护的范围内。