CN113239313B - 一种艺术品估值***的图像识别处理方法 - Google Patents

Abstract

本发明提供了一种艺术品估值***的图像识别处理方法，其包括：步骤S1：第一图像处理模块对图像信息进行转化；步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；步骤S3：所述分类模块对拍卖公司进行层级分类；步骤S4：所述估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；步骤S5：根据研究得出的数据特征，采集、清洗、补全数据字段。

Description

一种艺术品估值***的图像识别处理方法

技术领域

本发明总地涉及估值计算技术领域，且更具体地涉及一种艺术品估值***的图像识别处理方法。

背景技术

艺术品估值是指的针对艺术品市场交易价格的估计、预测。因为艺术品特征是异质性，即每一件艺术都是独一无二的而且一件艺术品可能和另一件艺术品差异巨大，导致传统的资产评估方法(如房地产，二手车等资产的评估)无法完全适用于艺术品估值。目前，市场常用的艺术品估值的方法有由拍卖行、画廊等业务人员，根据市场交易经验进行的艺术品估值，和由艺术品估值专家、博物馆艺术馆工作人员，根据艺术品的艺术价值、历史价值、学术价值等经验进行艺术品估值。这种常用的艺术品估值方法都是基于人的主观判断进行的估值，受到估值人的经验、学识、喜好等个人因素所影响，很难建立统一的方法和标准化的流程。

在利用数据进行艺术品估值的这一块，从学术上讲，研究比较多的有梅建平和迈克尔·摩西的对艺术品指数的研究。Art as an investment and the underperformanceof masterpieces.,Mei,Jianping；Moses,Michael,The American Economic Review；Dec2002；92,5；ProQuest pg.1656这篇论文，基本确认了数据估值的一个大思路是可行的，提出了“重复交易模型”进行一个价格预测。但此类计算，对数据要求特别高，要有艺术品有在拍卖会上重复多次交易才能使用。Skate’s Art Investment Handbook则指出另一个可能的计算方向，即“特征价格法”，指的是用艺术品本身的特征，如尺寸、题材等，进行价格评估。但此类计算，往往精准程度无法保证。为此，本发明提供了一种艺术品估值***的图像识别处理方法，以至少部分的解决上述问题。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施例部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

为至少部分地解决上述技术问题，本发明提供了一种艺术品估值***的图像识别处理方法，其包括：

步骤S1：第一图像处理模块对图像信息进行转化；

步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；

步骤S3：分类模块对拍卖公司进行层级分类；

步骤S4：估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；

所述第一图像处理模块包括图像切分单元、图像识别比对单元和图像标记单元；所述图像切分单元对艺术品的图像进行切分，所述图像切分单元通过切分图像生成特征像素矩阵Q(q₁ q₂ q₃....q_n)，矩阵中，q₁、q₂、q₃递推至q_n均为图像的像素值；

所述识别比对单元中包括储存部，所述储存部实时从互联网中获取艺术品信息，并生成现有艺术品估值矩阵S_c和待调用信息文件doc_c，下标c表示现有艺术品的编号，下标c＝1、2、3依次递增直到e；现有艺术品估值矩阵为S_c(M_c N_c)，矩阵中，M_c为初始识别像素矩阵，N_c为特征像素矩阵，初始识别像素矩阵为M_c(m_c1 m_c2 m_c3)，矩阵中，m_c1、m_c2、m_c3均为可识别像素值；像素值m_c1、m_c2、m_c3均由人为设定，特征像素矩阵为N_c(n_c1 n_c2 n_c3....n_cn)，矩阵中，n_c1 n_c2 n_c3递推至n_cn均为特征像素值；待调用信息文件doc_c包括对应艺术品的原始成交价和原始拍卖估价区间；

所述图像标记单元将特征像素矩阵Q和初始识别像素矩阵M_c相比较，当存在初始识别像素矩阵M_j，下标j为1、2、3....n中的任意一个数，矩阵M_j中的数值m_j1 m_j2 m_j3均存在于特征像素矩阵Q中时，所述图像标记单元将特征像素矩阵Q和特征像素矩阵N_j相比较，所述图像标记单元根据比较结果生成识别参数k_j；

所述第二图像处理模块根据识别参数k_j对待调用信息文件doc_j中的原始成交价和拍卖估价区间进行赋值计算，以生成基于所述艺术品的第一次预估成交价和第一次拍卖估价区间。

进一步地，当原始成交价的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；

当拍卖估价区间的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率。

进一步地，所述分类模块根据其满足判断标准的数量进行层级分类，所述拍卖公司满足判断标准的数量越多，其层级越高。

进一步地，判断标准包括：

市场市值判断标准，当所述拍卖公司的成交额总量大于等于市场总量的七成时，所述拍卖公司满足市场市值的判断标准；

征集作品的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，设定所述拍卖公司满足征集作品能力的判断标准；

转化成销售的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，所述拍卖公司满足将征集到的拍品转化成销售的能力的判断标准；

平均成交价的判断标准，当所述拍卖公司的平均成交价超过同期50％的同行时，所述拍卖公司满足平均成交价的判断标准；

持续征集作品及成功销售能力的判断标准，当所述拍卖公司满足过去5年有成交记录，且过去6个拍卖季是有连续拍卖记录时，所述拍卖公司满足持续征集作品及成功销售能力的判断标准。

进一步地，使用柯西型函数计算权重值，计算公式为：

式中，α，β，a,b为待定参数，c为可以接受的层级值，d为最高层级的数值，x为公司的层级，

设定c＝m，最低层级的数值为1，f(1)＝0.01，f(d)＝1，f(m)＝n，通过对待定参数α，β，a,b，m，n进行分别赋值，根据公式(1)计算出每个层级的权重值。

进一步地，所述步骤S4包括：使用多元回归分析，建立数学模型数量关系式；

建立线性模型：ln(P)＝α+β₁ln(x1) (2)；

式中，P为艺术品估值价格，x1为自变量，α、β₁为待定系数。

进一步地，自变量包括：相似作品交易价格rp、尺寸m、题材f和拍卖公司层级x；

根据相似作品交易价格rp、尺寸m、题材f和拍卖公司层级x建立线性模型：

ln(P)＝α+β₁ln rp+β₂ln m+β₃ln f+β₄ln x (3)；

式中，P为因变量，α、β₁、β₂、β₃、β₄为待定系数。

进一步地，根据所述公式(3)，确定价格影响因素包括相似作品交易价格rp和尺寸m；

设定影响因数分别为i₁、i₂,并得出计算公式(4)：

式中，

为相似作品交易价格平均数，/>

为平均尺寸数，α为待定系数；

艺术品估值价格为P＝EXP[ln(P)]；

艺术品估值价格区间P_r的计算公式为：P_r＝P±σ，式中，σ为90％的置信水平计算的浮动值，即σ＝(1-90％)P。

进一步地，根据所述影响因数i₁、i₂以此类推至i_n，得出原始艺术品交易数据的特征，对原始艺术品交易数据的特征进行分类，以使部分所述影响因数i₁、i₂以此类推至i_n变成筛选字段标准S₁、S₂以此类推至S_n。

进一步地，第一次预估成交价SAL’＝k_jSAL₀；第一次拍卖估价区间ΔSAL’＝k_jΔSAL₀；其中，k_j为识别参数，SAL₀为艺术品的原始成交价，ΔSAL₀为艺术品的原始拍卖估价区间。

与现有技术相比，本发明的有益效果在于：

本发明提供了一种艺术品估值***的图像识别处理方法，该方法包括：步骤S1：第一图像处理模块对图像信息进行转化；步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；步骤S3：所述分类模块对拍卖公司进行层级分类；步骤S4：所述估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；步骤S5：根据研究得出的数据特征，采集、清洗、补全数据字段。

附图说明

为了使本发明的优点更容易理解，将通过参考在附图中示出的具体实施方式更详细地描述上文简要描述的本发明。可以理解这些附图只描绘了本发明的典型实施方式，因此不应认为是对其保护范围的限制，通过附图以附加的特性和细节描述和解释本发明。

图1为本发明实施例的一种艺术品估值***的图像识别处理方法的结构示意图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明实施方式可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施方式发生混淆，对于本领域公知的一些技术特征未进行描述。

为了彻底了解本发明实施方式，将在下列的描述中提出详细的结构。显然，本发明实施方式的施行并不限定于本领域的技术人员所熟习的特殊细节。本发明的较佳实施方式详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。

在本发明的描述中，术语“内侧”、“外侧”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。

参阅图1所示，本发明提供了一种艺术品估值***的图像识别处理方法，其包括，

步骤S1：第一图像处理模块对图像信息进行转化；

步骤S2：第二图像处理模块根据所述第一处理模的转化结果生成第一次预估成交价和第一次拍卖估价区间；

步骤S3：所述分类模块对拍卖公司进行层级分类；

步骤S4：所述估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；

所述第一图像处理模块包括图像切分单元、图像识别比对单元和图像标记单元；所述图像切分单元对艺术品的图像进行切分，所述图像切分单元通过切分图像生成特征像素矩阵Q(q₁ q₂ q₃....q_n)，矩阵中，q₁、q₂、q₃递推至q_n均为图像的像素值；

所述识别比对单元中包括储存部，所述储存部实时从互联网中获取艺术品信息，并生成现有艺术品估值矩阵S_c和待调用信息文件doc_c，下标c表示现有艺术品的编号，下标c＝1、2、3依次递增直到e；现有艺术品估值矩阵为S_c(M_c N_c)，矩阵中，M_c为初始识别像素矩阵，N_c为特征像素矩阵，初始识别像素矩阵为M_c(m_c1 m_c2 m_c3)，矩阵中，m_c1、m_c2、m_c3均为可识别像素值；像素值m_c1、m_c2、m_c3均由人为设定，特征像素矩阵为N_c(n_c1 n_c2 n_c3....n_cn)，矩阵中，n_c1 n_c2 n_c3递推至n_cn均为特征像素值；待调用信息文件doc_c包括对应艺术品的原始成交价和原始拍卖估价区间；

所述图像标记单元将特征像素矩阵Q和初始识别像素矩阵M_c相比较，当存在初始识别像素矩阵M_j，下标j为1、2、3....n中的任意一个数，矩阵M_j中的数值m_j1 m_j2 m_j3均存在于特征像素矩阵Q中时，所述图像标记单元将特征像素矩阵Q和特征像素矩阵N_j相比较，所述图像标记单元根据比较结果生成识别参数k_j；

所述第二图像处理模块根据识别参数k_j对待调用信息文件doc_j中的原始成交价和拍卖估价区间进行赋值计算，以生成基于所述艺术品的第一次预估成交价和第一次拍卖估价区间。第一次预估成交价SAL’＝k_jSAL₀；第一次拍卖估价区间ΔSAL’＝k_jΔSAL₀；其中，k_j为识别参数，SAL₀为艺术品的原始成交价，ΔSAL₀为艺术品的原始拍卖估价区间。

其中，当原始成交价的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；以美元为例，计算公式为P_rmb＝EX_t*P_USD，其中EX_t是取得拍卖时间所处月份的美元兑人民币中间汇率。

当拍卖估价区间的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；

将尺寸换算成尺寸面积；考虑到书画类别的***方尺数。计算公式为(长cm*宽cm)*0.0009＝平方尺。

将拍卖公司名字中的文字字段转化成数值字段。

具体而言，拍卖公司根据其满足判断标准的数量进行层级分类，所述拍卖公司满足判断标准的数量越多，其层级越高。

判断标准包括：

市场市值判断标准，当所述拍卖公司的成交额总量大于等于市场总量的七成时，所述拍卖公司满足市场市值的判断标准；

征集作品的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，设定所述拍卖公司满足征集作品能力的判断标准；

转化成销售的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，所述拍卖公司满足将征集到的拍品转化成销售的能力的判断标准；

平均成交价的判断标准，当所述拍卖公司的平均成交价超过同期50％的同行时，所述拍卖公司满足平均成交价的判断标准；

持续征集作品及成功销售能力的判断标准，当所述拍卖公司满足过去5年有成交记录，且过去6个拍卖季是有连续拍卖记录时，所述拍卖公司满足持续征集作品及成功销售能力的判断标准。

具体而言，使用柯西型函数计算权重值，计算公式为：

式中，α，β，a,b为待定参数，c为可以接受的层级值，d为最高层级的数值，x为公司的层级，

设定c＝m，最低层级的数值为1，f(1)＝0.01，f(d)＝1，f(m)＝n，通过对待定参数α，β，a,b，m，n进行分别赋值，根据公式(1)计算出每个层级的权重值。

在本发明的一些实施例中，拍卖公司依次分为A,B,C,D,E,F,E(7,6,5,4,3,2,1)七个层级的拍卖公司，其中，A类拍卖公司满足5个判断标准，B类拍卖公司满足4个判断标准，C类拍卖公司满足3个判断标准，D类拍卖公司满足2个判断标准，E类拍卖公司满足1个判断标准，F类拍卖公司满足0个判断标准，G类拍卖公司为不在中拍协或省拍协出现的拍卖公司。

在本发明的一些实施例中，最高层级的数值d＝7，m＝4，n＝0.7，待定参数α＝4.8003，β＝0.7788，a＝0.5372,b＝-0.04532，通过公式(1)，分别计算f(x),计算结果为：A、B、C、D、E、F、E对应等于(1，0.92，0.82，0.70，0.51，0.24，0.01)。

具体而言，步骤S4包括：使用多元回归分析，建立数学模型数量关系式；

建立线性模型：ln(P)＝α+β₁ln(x1) (2)；

式中，P为因变量，x1为自变量，α、β₁为待定系数。自变量包括：相似作品交易价格rp、尺寸m、题材f和拍卖公司层级x；

根据相似作品交易价格rp、尺寸m、题材f和拍卖公司层级x建立线性模型：

ln(P)＝α+β₁ln rp+β₂ln m+β₃ln f+β₄ln x (3)；

式中，P为艺术品估值价格，α、β₁、β₂、β₃、β₄为待定系数。

具体而言，确定价格影响因素包括相似作品交易价格rp和尺寸m；

设定影响因数分别为i₁、i₂,并得出计算公式(4)：

式中，

为相似作品交易价格平均数，/>

为平均尺寸数，α为待定系数；

艺术品估值价格为P＝EXP[ln(P)]；

艺术品估值价格区间P_r的计算公式为：P_r＝P±σ，式中，σ为90％的置信水平计算的浮动值，即σ＝(1-90％)P。

具体而言，根据所述影响因数i₁、i₂以此类推至i_n，得出原始艺术品交易数据的特征，对原始艺术品交易数据的特征进行分类，以使部分所述影响因数i₁、i₂以此类推至i_n变成筛选字段标准S₁、S₂以此类推至S_n。

在本发明的一些实施例中，筛选字段标准S₁、S₂以此类推至S_n所对应的具体因素包括作品交易价格、尺寸、题材、创作年代、装裱对艺术品价格影响较大。这些字段中，尺寸、题材、创作年代、装裱对艺术品价格影响。

具体而言，根据筛选字段标准检查数据库，以确定是否有需要清洗和补充的字段和数值。在本发明的一些实施例中，某件艺术品原始交易数据缺失筛选字段S₁，则需要补充相关信息。

具体而言，设定S₁是数值n,通过在数据库中检索所有符合S₁＝n的数据，并将这些数据打包形成合适数据集。

在本发明的一些实施例中，分别以尺寸、题材、创作年代、装裱四项为维度，筛选出符合条件的数据集，估值目标尺寸为4.5平尺，山水，创作年代是1962年，装裱为立轴；具体筛选步骤如下：

1、筛选3-6平尺的作品，保留来下；

2、筛选山水题材，保留来下；

3、筛选年代1960-1970年期间，保留下来；

4、筛选装裱为立轴的，保留下来。

经过筛选的数据就是可以计算的合适数据集。

具体而言，在找到合适数据集后，此时集合中应该包括了所有可计算的价格影响因素i₁,i₂和艺术家常量α。如某艺术家常量α＝-1.164，i₁＝0.991,i₂＝0.857,相似作品交易价格平均数为10,000，平尺4.5，代入公式，Ln(P)＝-1.164+0.991*ln(10,000)*+0.857*ln(4.5)＝9.127+1.289-1.164＝9.252；

艺术品估值价格为EXP(9.252)＝10425。

除非另有定义，本文中所使用的技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本文中使用的术语只是为了描述具体的实施目的，不是旨在限制本发明。本文中出现的诸如“部件”等术语既可以表示单个的零件，也可以表示多个零件的组合。本文中出现的诸如“安装”、“设置”等术语既可以表示一个部件直接附接至另一个部件，也可以表示一个部件通过中间件附接至另一个部件。本文中在一个实施方式中描述的特征可以单独地或与其它特征结合地应用于另一个实施方式，除非该特征在该另一个实施方式中不适用或是另有说明。

本发明已经通过上述实施方式进行了说明，但应当理解的是，上述实施方式只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施方式范围内。本领域技术人员可以理解的是，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。

Claims (6)

1.一种艺术品估值***的图像识别处理方法，其特征在于，

步骤S1：第一图像处理模块对图像信息进行转化；

步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；

步骤S3：分类模块对拍卖公司进行层级分类；

步骤S4：估值模块找到对价格有影响的价格影响因素，并根据价格影响因素和估值计算公式生成第二次预估成交价和第二次拍卖估价区间，所述价格影响因素包括相似作品交易价格、尺寸、题材和拍卖公司层级；

所述第一图像处理模块包括图像切分单元、图像识别比对单元和图像标记单元；所述图像切分单元对艺术品的图像进行切分，所述图像切分单元通过切分图像生成特征像素矩阵Q(q₁ q₂ q₃....q_n)，矩阵中，q₁、q₂、q₃递推至q_n均为图像的像素值；

所述识别比对单元中包括储存部，所述储存部实时从互联网中获取艺术品信息，并生成现有艺术品估值矩阵S_c和待调用信息文件doc_c，下标c表示现有艺术品的编号，下标c＝1、2、3依次递增直到e；现有艺术品估值矩阵为S_c(M_c N_c)，矩阵中，M_c为初始识别像素矩阵，N_c为特征像素矩阵，初始识别像素矩阵为M_c(m_c1 m_c2 m_c3)，矩阵中，m_c1、m_c2、m_c3均为可识别像素值；像素值m_c1、m_c2、m_c3均由人为设定，特征像素矩阵为N_c(n_c1 n_c2 n_c3....n_cn)，矩阵中，n_c1n_c2 n_c3递推至n_cn均为特征像素值；待调用信息文件doc_c包括对应艺术品的原始成交价和原始拍卖估价区间；

所述图像标记单元将特征像素矩阵Q和初始识别像素矩阵M_c相比较，当存在初始识别像素矩阵M_j，下标j为1、2、3....n中的任意一个数，矩阵M_j中的数值m_j1 m_j2 m_j3均存在于特征像素矩阵Q中时，所述图像标记单元将特征像素矩阵Q和特征像素矩阵N_j相比较，所述图像标记单元根据比较结果生成识别参数k_j；

所述第二图像处理模块根据识别参数k_j对待调用信息文件doc_j中的原始成交价和拍卖估价区间进行赋值计算，以生成基于所述艺术品的第一次预估成交价和第一次拍卖估价区间。

2.根据权利要求1所述的艺术品估值***的图像识别处理方法，其特征在于，当原始成交价的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；

当拍卖估价区间的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率。

3.根据权利要求1所述的艺术品估值***的图像识别处理方法，其特征在于，所述分类模块根据其满足判断标准的数量进行层级分类，所述拍卖公司满足判断标准的数量越多，其层级越高。

4.根据权利要求3所述的艺术品估值***的图像识别处理方法，其特征在于，判断标准包括：

市场市值判断标准，当所述拍卖公司的成交额总量大于等于市场总量的七成时，所述拍卖公司满足市场市值的判断标准；

征集作品的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，设定所述拍卖公司满足征集作品能力的判断标准；

转化成销售的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，所述拍卖公司满足将征集到的拍品转化成销售的能力的判断标准；

平均成交价的判断标准，当所述拍卖公司的平均成交价超过同期50％的同行时，所述拍卖公司满足平均成交价的判断标准；

持续征集作品及成功销售能力的判断标准，当所述拍卖公司满足过去5年有成交记录，且过去6个拍卖季是有连续拍卖记录时，所述拍卖公司满足持续征集作品及成功销售能力的判断标准。

5.根据权利要求4所述的艺术品估值***的图像识别处理方法，其特征在于，自变量包括：相似作品交易价格rp、尺寸m、题材f和拍卖公司层级x；

根据相似作品交易价格rp、尺寸m、题材f和拍卖公司层级x建立线性模型：

ln(P)＝α+β₁ln rp+β₂ln m+β₃ln f+β₄ln x (3)；

式中，P为艺术品估值价格，α、β₁、β₂、β₃、β₄为待定系数；

艺术品估值价格为P＝EXP[ln(P)]；

艺术品估值价格区间P_r的计算公式为：P_r＝P±σ，式中，σ为90％的置信水平计算的浮动值，即σ＝(1-90％)P。

6.根据权利要求1所述的艺术品估值***的图像识别处理方法，其特征在于，第一次预估成交价SAL’＝k_jSAL₀；第一次拍卖估价区间ΔSAL’＝k_jΔSAL₀；其中，k_j为识别参数，SAL₀为艺术品的原始成交价，ΔSAL₀为艺术品的原始拍卖估价区间。

Images