CN102254333A - 基于图像的水墨画画风图像生成方法 - Google Patents

Abstract

本发明公开了一种基于图像的水墨画画风图像生成方法，实施步骤如下：1)输入原始图像，获取原始图像的视觉注意力分布图，将原始图像进行边缘提取并结合所述视觉注意力分布图获取视觉重要边缘图；2)将原始图像依次进行抽象化处理、水墨扩散处理，得到水墨扩散效果抽象化图像；3)将视觉重要边缘图与所述水墨扩散效果抽象化图像合并，得到彩色水墨画画风图像；4)将彩色水墨画画风图像去色处理，并增加水墨画的黑白对比度，得到黑白水墨画画风图像；5)根据黑白水墨画画风图像的内置纹理，将黑白水墨画画风图像进行纹理拟合，得到最终水墨画画风的图像。本发明具有效果逼真、生成速度快的优点。

Description

基于图像的水墨画画风图像生成方法

技术领域

本发明涉及计算机图像处理领域，具体涉及一种水墨画画风图像生成方法。

背景技术

中国水墨画是一种典型的东方传统绘画艺术，它非常特别又极富魅力，具有很高的艺术价值和鉴赏价值。从颜色上，中国传统水墨画与东亚书法相似只使用黑墨；从工具上，中国传统水墨画用毛笔、墨、砚台和宣纸来完成绘画；从形式上，中国传统水墨画通常高度抽象化，其描绘的物体一般仅限于植物，村庄和山水。目前水墨画画风图像生成方法大体可以分为两种，基于图像的算法和非基于图像的算法。

非基于图像的算法主要将研究重点放在对笔刷、笔划的建模上。它们利用这些模型来建立一个需要交互的绘画系统。这类的方法主要尝试在计算机模拟的画纸上生成逼真的笔画，即模拟真实绘画的感受。一些方法认为绘制性能是很重要的一个方面，他们使用纹理映射或者其他的一些非基于物理的技术来加速绘制。与之相反的是，另外一些研究认为逼真的模拟结果更重要。他们不关心他们的方法有多慢，而是追求最真实的水墨画模拟绘制效果。因此，这些方法通常会包含复杂的数学或物理模型。Zhang等人基于二维细胞自动机计算模型提出了一个简单的水与墨水颗粒的行为模型，参见Zhang，Q.，Sato，Y.，Takahashi，J.，Muraoka，K.，Chiba，N.：Simple cellular automaton-based simulation of ink behavior and itsapplication to suibokuga-like 3d rendering of trees.Visualization and ComputerAnimation 10(1)，27-37(1999)。这个模型用于绘制类水墨画的三维树木。Lee提出了一种基于粒子的方法用真实的扩散效果来绘制东方式黑白水墨画，参见Lee，J.：Diffusionrendering of black ink paintings using new paper and ink models.Computer & Graphics25(2)，295-308(2001)。Chu等人基于玻尔兹曼网格方程(Lattice Boltzmann Equation，LBE)提出了一种方法来模拟墨水扩散效果并用其开发了一个可以实现各种真实水墨扩散效果的数字绘画系统，参见Chu，N.S.H.，Tai，C.L.：Moxi：real-time ink dispersion inabsorbent paper.In：SIGGRAPH，pp.504-511.ACM Press，New York，NY，USA(2005)。这些方法可以创造出良好的结果，但是这些非基于图像的方法都有个共同的缺点——需要人工交互。也即是说，用户自己需要在系统上绘画才能获取很好的效果，而这对于绘画技巧较弱的人来说非常困难。

基于图像的算法基本都是图像修饰算法。为了模拟中国水墨画画风，这些方法将一些用户定义的模板或纹理映射到待绘制图像上。手工效果是用一些笔刷纹理原语来模拟的。在2007年，Wang等人提出了一种基于物理的彩色水墨扩散算法来合成具水墨扩散效果的图像，参见Wang，C.M.，Wang，R.J.：Image-based color ink diffusion rendering.IEEE Transactionson Visualization and Computer Graphics 13(2)，235-246(2007)。它生成的水墨画图像有较好的视觉效果。这种方法使我们不需要用笔画模拟就可以轻松地生成水墨画图像。但是，它有一个很大的缺点——绘制速度过慢。例如，要绘制一幅590×520的图像，它大约需要几分钟的时间。

发明内容

本发明要解决的技术问题是提供一种效果逼真、生成速度快的基于图像的水墨画画风图像生成方法。

为解决上述技术问题，本发明采用的技术方案为：一种基于图像的水墨画画风图像生成方法，实施步骤如下：

1)输入原始图像，根据视觉感知模型获取原始图像的视觉兴趣区域，将原始图像进行边缘提取并结合所述视觉兴趣区域获取视觉重要边缘图；

2)将原始图像依次进行抽象化处理、水墨扩散处理，得到水墨扩散效果抽象化图像；

3)将视觉重要边缘图与所述水墨扩散效果抽象化图像合成，得到彩色水墨画画风图像；

4)将彩色水墨画画风图像去色处理、增加黑白对比度，得到黑白水墨画画风图像；

5)根据黑白水墨画画风图像的内置纹理将黑白水墨画画风图像进行纹理拟合，得到最终水墨画画风的图像。

作为本发明技术方案的进一步改进：

所述步骤1)中获取原始图像的视觉兴趣区域的详细步骤如下：获取原始图像的亮度、颜色和对比度三个特征；根据亮度、颜色和对比度分别构造亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔；将所述亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔的各层分别进行差分计算得到亮度差分图、颜色差分图和对比度差分图；将亮度差分图、颜色差分图和对比度差分图进行正则化处理，分别得到亮度特征图、颜色特征图和对比度特征图；将亮度特征图、颜色特征图和对比度特征图依次进行加权平均、正则化处理得到图像的视觉注意力分布图；将视觉注意力分布图进行高斯平滑处理，得到对应视觉兴趣区域的兴趣域函数图。

所述所述构造构造亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔时，首先利用高斯滤波器得到亮度高斯金字塔的底层和颜色高斯金字塔的底层，利用Gabor滤波器得到对比度高斯金字塔的底层；然后使用mipmap纹理技术分别生成亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔的底层以上的各层。

所述步骤1)中将原始图像进行边缘提取时，首先根据基于流的高斯插值滤波来提取原始图像的边缘，然后根据C′＝C×S重新生成原始图像的边缘，其中C为像素的原始边缘值，C′为像素的新边缘值，S为兴趣域函数图。

所述步骤2)中将原始图像进行抽象化处理的详细步骤如下：建立一个连贯的特征流场；对原始图像沿特征流场的流场方向和垂直于特征流场的流场方向进行双边滤波，同时利用基于特征流场的高斯差分算法抽取原始图像的线条区域，将所述双边滤波的结果和抽取的线条区域相乘，得到抽象化处理后的图像。

所述步骤2)中将抽象化处理后的图像进行水墨扩散处理的详细步骤如下：设定扩散半径r；将待处理图像中的每一个像素P(x，y)使用像素P(x+r_x，y+r_y)取代，其中r_x，r_y∈r；根据P(x，y)＝median{P₁，P₂，….P_n ²}对待处理图像进行中值滤波，得到水墨扩散处理后的图像。

所述步骤3)中将视觉重要边缘图与所述水墨扩散效果抽象化图像合成是指将视觉重要边缘图与所述水墨扩散效果抽象化图像进行线性叠加。

所述步骤4)中去色处理时，根据R＝1/3(R+G+B)、G＝1/3(R+G+B)和B＝1/3(R+G+B)计算每一个像素点的颜色值，其中R、G和B分别为像素点的红绿蓝颜色值。

所述步骤4)中通过

$C^{\&prime;}=\left\{\begin{array}{c}0,C<L_{\min }\\ (C-L_{\min })/(L_{\max }-L_{\min }),L_{\min }<C<L_{\max }\\ 1,C>L_{\max }\end{array}\right.$

来增加黑白对比度，其中C是图像去色处理后的颜色通道值，C′是增强黑白对比度后的通道值，L_min和L_max为用于控制增强幅度的阈值参数。

所述步骤5)中将黑白水墨画画风图像进行纹理拟合时，通过C′＝C(1-w_g(1-C)(P-0.5))进行纹理拟合，其中C和C′表示拟合前和拟合后的颜色值，P表示内置纹理的灰度值，w_g表示纹理颗粒感的权重值。

本发明具有下述优点：本发明通过视觉兴趣区域、抽象化处理、水墨扩散处理，将视觉重要边缘图与水墨扩散效果抽象化图像合成、去色处理、增加黑白对比度以及纹理拟合，可以根据用户输入的原始图像自动实时地生成计算机模拟的水墨画效果图像，充分利用计算机的处理器和显卡资源进行计算，算法明确、界面友好、结果逼真，具有效果逼真、生成速度快的优点，为非绘画专业人士提供了一种简单易行的水墨画画风图像生成方法的解决方案。

附图说明

图1为本发明实施例的实施流程示意图。

具体实施方式

如图1所示，本发明实施例的基于图像的水墨画画风图像生成方法，实施步骤如下：

1)输入原始图像，根据视觉感知模型获取原始图像的视觉兴趣区域，将原始图像进行边缘提取并结合视觉兴趣区域获取视觉重要边缘图；

2)将原始图像依次进行抽象化处理、水墨扩散处理，得到水墨扩散效果抽象化图像；

3)将视觉重要边缘图与水墨扩散效果抽象化图像合成，得到彩色水墨画画风图像；

4)将彩色水墨画画风图像去色处理、增加黑白对比度，得到黑白水墨画画风图像；

5)根据黑白水墨画画风图像的内置纹理将黑白水墨画画风图像进行纹理拟合，得到最终水墨画画风的图像。

本实施例中，原始图像为RGB图像，原始图像包含亮度用L表示、颜色用C表示、对比度用0表示。

步骤1)中获取原始图像的视觉兴趣区域的详细步骤如下：获取原始图像的亮度L、颜色C和对比度0三个特征；根据亮度L、颜色C和对比度0分别构造亮度高斯金字塔B_L、颜色高斯金字塔B_C和对比度高斯金字塔B_O；将亮度高斯金字塔B_L、颜色高斯金字塔B_C和对比度高斯金字塔B_O的各层分别进行差分计算得到亮度差分图C_L、颜色差分图C_C和对比度差分图C_O；将亮度差分图C_L、颜色差分图C_C和对比度差分图C_O进行正则化处理，分别得到亮度特征图F_L、颜色特征图F_C和对比度特征图F_O；将亮度特征图F_L、颜色特征图F_C和对比度特征图F_O依次进行加权平均、正则化处理得到图像的视觉注意力分布图；将视觉注意力分布图进行高斯平滑处理，得到对应视觉兴趣区域的兴趣域函数图S。

构造构造亮度高斯金字塔B_L、颜色高斯金字塔B_C和对比度高斯金字塔B_O时，首先利用高斯滤波器得到亮度高斯金字塔B_L的底层和颜色高斯金字塔B_C的底层，利用Gabor滤波器得到对比度高斯金字塔B_O的底层；然后使用mipmap纹理技术分别生成亮度高斯金字塔B_L、颜色高斯金字塔B_C和对比度高斯金字塔B_O的底层以上的各层。mipmap纹理技术可以充分利用计算机的图形处理器资源，具有生成速度快、资源利用充分的优点。亮度L为颜色空间转换后CIE-Lab颜色空间中图像的亮度值，颜色C为输入的实时图像的红绿蓝平均值，对比度0为Gabor滤波器计算结果。为了加快计算速度，高斯滤波器可以用重复的Bartlett卷积来近似。对金字塔各层进行差分计算得到亮度差分图C_L、颜色差分图C_C和对比度差分图C_O，再对各差分图进行正则化处理得到三个特征对应的亮度特征图F_L、颜色特征图F_C和对比度特征图F_O。为了加速正则化处理，将特征图从图形硬件读回CPU端，计算出每个图各自的最小值，最大值，及平均值，再将这些统计值当作参数送回图形硬件进行后续计算。最后加权平均并正则化得到实时的图像的视觉注意力分布图。默认情况下，三个特征图的权值都是1/3。

为了加快计算速度，高斯滤波器可以用重复的Bartlett卷积来近似。Bartlett卷积如下式表示：

$B_{3\&times;3}=\frac{1}{16}\left(\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right)=\frac{1}{4}\left(\begin{array}{ccc}0& 0& 0\\ 0& 1& 1\\ 0& 1& 1\end{array}\right)\&CenterDot;\frac{1}{4}\left(\begin{array}{ccc}1& 1& 0\\ 1& 1& 0\\ 0& 0& 0\end{array}\right)$

利用图形硬件的双线性插值特性，该卷积只需要两次纹理查找即可完成。对得到的金字塔各层进行差分计算得到亮度差分图C_L、颜色差分图C_C和对比度差分图C_O，各层仅需要一次双线性纹理查找。再对各差分图进行正则化处理，就是将所得的结果缩放到区间[0，1]之间，得到三个特征对应的亮度特征图F_L、颜色特征图F_C和对比度特征图F_O。为了加速正则化处理，将特征图从图形硬件读回CPU端，，计算出每个图各自的最小值，最大值，及平均值，再将这些统计值当作参数送回图形硬件进行后续计算。先将差分图进行线性缩放到[0，1]区间之间，再乘以(1-m)²，式中，m表示特征图的平均值。最后加权平均并正则化得到实时的图像的视觉注意力分布图。默认情况下，三个特征图的权值都是1/3。然后，利用阈值t_m将图像的视觉注意力分布图转换为的黑白模板，视觉注意力分布图的计算数值大于或等于阈值t_m的令其等于1，小于阈值t_m的令其等于0，1即为白色，0即为黑色。黑白模板中的白色区域表示视觉上比较吸引注意力的区域，而黑色区域表示视觉上的背景区域。t_m越大，表示视觉注意力区域越小；而t_m越小，表示视觉注意力区域越大。经验性地，t_m位于区间[0.3，0.7]内。

为了避免黑白区域之间边界上的突然变化，利用高斯平滑技术对黑白模板进行滤波得到实时的图像的兴趣区域函数图s。

$s(x_0,y_0)=\frac{1}{G(x_0,y_0)}\underset{-H}{\overset{H}{\&Integral;}}\underset{-W}{\overset{W}{\&Integral;}}{e}^{-\frac{x^2+y^2}{{2\mathrm{\&delta;}}^2}}f(x+x_0,y+y_0)\mathrm{dxdy}$

$G(x_0,y_0)=\underset{-H}{\overset{H}{\&Integral;}}\underset{-W}{\overset{W}{\&Integral;}}{e}^{-\frac{x^2+y^2}{{2\mathrm{\&delta;}}^2}}\mathrm{dxdy}$

式中(x₀，y₀)表示图像中的位置，H和W分别为平滑窗口的垂直及水平方向宽度，f为黑白模板的值。为了加速大尺度的高斯平滑，可以运用高斯金字塔来加速。同样地，金字塔的构造充分利用了图形硬件的mipmap技术以及Bartlett卷积的近似。

步骤1)中将原始图像进行边缘提取时，首先根据基于流的高斯插值滤波来提取原始图像的边缘，然后根据C′＝C×S重新生成原始图像的边缘，其中C为像素的原始边缘值，C′为像素的新边缘值，S为兴趣域函数图，S∈[0，1]。

步骤2)中将原始图像进行抽象化处理的详细步骤如下：建立一个连贯的特征流场V(x，y)，初始值垂直于CIE-Lab颜色空间图像的亮度图上的梯度场 该梯度场用Sobel算子得出。对原始图像沿特征流场V(x，y)的流场方向和垂直于特征流场V(x，y)的流场方向进行双边滤波，同时利用基于特征流场V(x，y)的高斯差分算法抽取原始图像的线条区域，将双边滤波的结果和抽取的线条区域相乘，得到抽象化处理后的图像。对CIE-Lab颜色空间的原始图像沿特征流场V(x，y)的流场方向和垂直于特征流场V(x，y)的流场方向进行双边滤波，可以使得该流场在特征相近区域变得平滑，而显著的边缘能保持其原有的方向。特征流场双边滤波操作定义为：

$V^{{\mathrm{new}}^{\&prime;}}\left(X\right)=\frac{1}{k_h}\underset{Y\&Element;{\mathrm{\&Omega;}}_h\left(X\right)}{\mathrm{\&Sigma;}}{w}_m(X,Y)w_d(X,Y)V^{\mathrm{cur}}\left(Y\right)$

$V^{\mathrm{new}}\left(X\right)=\frac{1}{k_v}\underset{Y\&Element;{\mathrm{\&Omega;}}_v\left(X\right)}{\mathrm{\&Sigma;}}{w}_m(X,Y)w_d(X,Y)V^{{\mathrm{new}}^{\&prime;}}\left(Y\right)$

式中，Ω_h(X)和Ω_v(X)分别表示象素X在特征流场水平方向及竖直方向上的邻域，领域分别为平滑窗口的垂直及水平方向宽度，k_h和k_v为相应的归一化项，V^cur为初始特征流向量值。

强度权因子函数w_m定义为：

$w_m=\frac{1}{2}(1+\tanh \left(\mathrm{\&eta;}(\hat{g}\left(Y\right)-\hat{g}\left(X\right))\right))$

式中

表示梯度的强度值。当一个邻居象素的梯度强度比较高时，它对应的强度权因子函数值就比较大，反之亦然。参数η用来控制双曲正切函数的下降率，一般设定为1。

方向权因子函数w_d定义为：

w_d(X，Y)＝dot_product(V(X)，V(Y))

V(X)表示之前计算得出的X象素的特征流向量。

基于流的双边滤波公式如下：

$B(x_0,y_0)=\frac{1}{G(x_0,y_0)}\underset{-H}{\overset{H}{\&Integral;}}\underset{-W}{\overset{W}{\&Integral;}}{e}^{-\frac{x^2+y^2}{{2\mathrm{\&delta;}}^2}}{e}^{-\frac{{[L(x+x_0,y+y_0)-L(x,y)]}^2}{{2\mathrm{\&delta;}}^2}}L(x+x_0,y+y_0)\mathrm{dxdy}$

$G(x_0,y_0)=\underset{-H}{\overset{H}{\&Integral;}}\underset{-W}{\overset{W}{\&Integral;}}{e}^{-\frac{x^2+y^2}{{2\mathrm{\&delta;}}^2}}{e}^{-\frac{{[L(x+x_0,y+y_0)-L(x,y)]}^2}{{2\mathrm{\&delta;}}^2}}\mathrm{dxdy}$

式中，B为双边滤波结果，L为输入亮度值，H表示平行于V(X)方向的宽度，W表示垂直于V方向的宽度。

步骤2)中将抽象化处理后的图像进行水墨扩散处理的详细步骤如下：设定扩散半径r；将待处理图像中的每一个像素P(x，y)使用像素P(x+r_x，y+r_y)取代，其中r_x，r_v∈r；根据P(x，y)＝median(P₁，P₂，P₃，..P_i..P_n)对待处理图像进行中值滤波，得到水墨扩散处理后的图像。本实施例中，首先，在CPU上进行预处理，生成原图像大小的随机数图。随机数图中每一个像素有两个值，每一像素可表示为P_r(x，y)＝(r_x，r_v)。其中Pr(x，y)表示为随机数图上在(x，y)位置的点，r_x，r_y分别表示x，y轴上的随机数偏移量，范围为[-R，R]，R根据图像大小选取，通常为0.00001×M，M表示图像的像素数。

然后，在高级着色语言中用随机数指定的像素将原始像素替换，实现喷散效果，公式为

P′_image(x，y)＝P_image(x+P_r(x，y)_r_x，y+P_r(x，y)_r_y)

其中P_image(x，y)与P′_image(x，y)分别表示(x，y)位置上替换前后的像素，P_r(x，y)_r_x和P_r(x，y)_r_y分别表示随机数图中(x，y)位置上存储的x轴和y轴上的随机偏移量。

之后，我们对其进行一次中值滤波，滤波按如下公式进行：

P(x，y)＝median(P₁，P₂，P₃，....P_n)，其中P_i表示P(x，y)周围以n为半径的核中的像素。考虑到图形硬件的特殊性，median函数的实现可以用若干比较和替换公式，而不是排序来完成，在着色语言中用宏定义一些函数即可实现。

步骤3)中将视觉重要边缘图与水墨扩散效果抽象化图像合成是指将视觉重要边缘图与水墨扩散效果抽象化图像进行线性叠加，并根据线性公式C′＝1-((1-C_a)+(1-C_e))计算出合成图像的颜色值，其中C′，C_a和C_e分别表示计算后的颜色值，抽象化图像中的颜色值和视觉重要边缘图的颜色值。

步骤4)中去色处理时，根据R＝1/3(R+G+B)、G＝1/3(R+G+B)和B＝1/3(R+G+B)计算每一个像素点的颜色值，其中R、G和B分别为像素点的红绿蓝颜色值。

步骤4)中通过

$C^{\&prime;}=\left\{\begin{array}{c}0,C<L_{\min }\\ (C-L_{\min })/(L_{\max }-L_{\min }),L_{\min }<C<L_{\max }\\ 1,C>L_{\max }\end{array}\right.$

来增加黑白对比度，其中C是图像去色处理后的颜色通道值，C′是增强黑白对比度后的通道值，L_min和L_max为用于控制增强幅度的阈值参数。

步骤5)中将黑白水墨画画风图像进行纹理拟合时，通过C′＝C(1-w_g(1-C)(P-0.5))进行纹理拟合，其中C和C′表示拟合前和拟合后的颜色值，P表示内置纹理的灰度值，w_g表示纹理颗粒感的权重值。内置纹理可由计算机生成，也可以用相机拍摄而成。本实施例中，P即为在[0，1]间的纹理灰度图像值，权重w_g为0.8。

以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于图像的水墨画画风图像生成方法，其特征在于实施步骤如下：

1)输入原始图像，根据视觉感知模型获取原始图像的视觉兴趣区域，将原始图像进行边缘提取并结合所述视觉兴趣区域获取视觉重要边缘图；

2)将原始图像依次进行抽象化处理、水墨扩散处理，得到水墨扩散效果抽象化图像；

3)将视觉重要边缘图与所述水墨扩散效果抽象化图像合成，得到彩色水墨画画风图像；

4)将彩色水墨画画风图像去色处理、增加黑白对比度，得到黑白水墨画画风图像；

5)根据黑白水墨画画风图像的内置纹理将黑白水墨画画风图像进行纹理拟合，得到最终水墨画画风的图像。

2.根据权利要求1所述的基于图像的水墨画画风图像生成方法，其特征在于所述步骤1)中获取原始图像的视觉兴趣区域的详细步骤如下：获取原始图像的亮度、颜色和对比度三个特征；根据亮度、颜色和对比度分别构造亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔；将所述亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔的各层分别进行差分计算得到亮度差分图、颜色差分图和对比度差分图；将亮度差分图、颜色差分图和对比度差分图进行正则化处理，分别得到亮度特征图、颜色特征图和对比度特征图；将亮度特征图、颜色特征图和对比度特征图依次进行加权平均、正则化处理得到图像的视觉注意力分布图；将视觉注意力分布图进行高斯平滑处理，得到对应视觉兴趣区域的兴趣域函数图。

3.根据权利要求2所述的基于图像的水墨画画风图像生成方法，其特征在于：所述构造构造亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔时，首先利用高斯滤波器得到亮度高斯金字塔的底层和颜色高斯金字塔的底层，利用Gabor滤波器得到对比度高斯金字塔的底层；然后使用mipmap纹理技术分别生成亮度高斯金字塔、颜色高斯金字塔和对比度高斯金字塔的底层以上的各层。

4.根据权利要求3所述的基于图像的水墨画画风图像生成方法，其特征在于：所述步骤1)中将原始图像进行边缘提取时，首先根据基于流的高斯插值滤波来提取原始图像的边缘，然后根据C′＝C×S重新生成原始图像的边缘，其中C为像素的原始边缘值，C′为像素的新边缘值，S为兴趣域函数图。

5.根据权利要求1所述的基于图像的水墨画画风图像生成方法，其特征在于所述步骤2)中将原始图像进行抽象化处理的详细步骤如下：建立一个连贯的特征流场；对原始图像沿特征流场的流场方向和垂直于特征流场的流场方向进行双边滤波，同时利用基于特征流场的高斯差分算法抽取原始图像的线条区域，将所述双边滤波的结果和抽取的线条区域相乘，得到抽象化处理后的图像。

6.根据权利要求5所述的基于图像的水墨画画风图像生成方法，其特征在于所述步骤2)中将抽象化处理后的图像进行水墨扩散处理的详细步骤如下：设定扩散半径r；将待处理图像中的每一个像素P(x，y)使用像素P(x+r_x，y+r_y)取代，其中r_x，r_y∈r；根据P(x，y)＝median{P₁，P₂，….P_n ²}对待处理图像进行中值滤波，得到水墨扩散处理后的图像。

7.根据权利要求1所述的基于图像的水墨画画风图像生成方法，其特征在于：所述步骤3)中将视觉重要边缘图与所述水墨扩散效果抽象化图像合成是指将视觉重要边缘图与所述水墨扩散效果抽象化图像进行线性叠加。

8.根据权利要求1所述的基于图像的水墨画画风图像生成方法，其特征在于：所述步骤4)中去色处理时，根据R＝1/3(R+G+B)、G＝1/3(R+G+B)和B＝1/3(R+G+B)计算每一个像素点的颜色值，其中R、G和B分别为像素点的红绿蓝颜色值。

9.根据权利要求1所述的基于图像的水墨画画风图像生成方法，其特征在于：所述步骤4)中通过

$C^{\&prime;}=\left\{\begin{array}{c}0,C<L_{\min }\\ (C-L_{\min })/(L_{\max }-L_{\min }),L_{\min }<C<L_{\max }\\ 1,C>L_{\max }\end{array}\right.$

来增加黑白对比度，其中C是图像去色处理后的颜色通道值，C′是增强黑白对比度后的通道值，L_min和L_max为用于控制增强幅度的阈值参数。

10.根据权利要求1～9中任意一项所述的基于图像的水墨画画风图像生成方法，其特征在于：所述步骤5)中将黑白水墨画画风图像进行纹理拟合时，通过C′＝C(1-w_g(1-C)(P-0.5))进行纹理拟合，其中C和C′表示拟合前和拟合后的颜色值，P表示内置纹理的灰度值，w_g表示纹理颗粒感的权重值。

Images