CN102306308B - 一种基于纹理学习的电子毛笔建模方法 - Google Patents

Abstract

本发明公开了一种基于纹理学习的电子毛笔建模方法，包括以下步骤，用户在数字手写板上输入书写笔画并以多个离散点的数据结构存储；将上述离散点作为书写笔画的骨架点并根据每一骨架点的书写力度在骨架点的两侧产生两组相对应的边缘轮廓点；采用样条曲线拟合上述产生的两组轮廓点并形成笔画的线条轮廓；使用神经网络和模糊逻辑的方法对真实的毛笔书法纹理进行学习，并获得书法纹理的灰度值序列；根据上述获得的灰度值序列向笔画的轮廓内侧填充并最终获得毛笔书法作品。采用上述方案，神经网络和模糊逻辑的方法获取真实的毛笔书写纹理，使最终获得的毛笔笔画毕真形象，并且计算机处理的速度快。

Description

一种基于纹理学习的电子毛笔建模方法

技术领域

本发明涉及一种计算机的数据处理方法，特别涉及一种基于纹理学习的电子毛笔建模方法。

背景技术

中国书法作品在计算机设计领域有着广泛的应用，传统在计算机上获得书法图片的方法一般通过扫描仪将真实书法作品扫描进电脑。随着计算机技术和交互式设备的发展，虚拟毛笔技术为设计者提供了一种更为方便快捷的工具，使得艺术设计者能过更专注于在电脑上进行艺术创作。目前的虚拟毛笔技术主要是能过基于物理的虚拟毛笔书写方法。这种虚拟书写方法是利用计算机强大的运算能力来仿真毛笔在书写过程中真实的物理属性，比如毛笔笔触与宣纸之间的交互作用而产生的弹性形变，墨水颗粒在纸张表面发生的扩散、渗透运动等等。但是，要精确仿真真实书写环境里的物理属性是一项非常复杂的工作，该方法的主要缺点就是计算量太大，而导致处理时间过于漫长。

发明内容

为解决现有技术中存在的技术问题，本发明提供了一种运算量少、反应时间快的基于纹理学习的电子毛笔建模方法。

本发明解决上述技术问题，所采用的技术方案是：提供一种基于纹理学习的电子毛笔建模方法，包括以下步骤，(A)，用户在数字手写板上输入书写笔画并以多个离散点的数据结构存储；(B)，将上述离散点作为书写笔画的骨架点并根据每一骨架点的书写力度在骨架点的两侧产生两组相对应的边缘轮廓点；(C)，采用样条曲线拟合上述产生的两组轮廓点并形成笔画的线条轮廓；(D)，使用神经网络和模糊逻辑的方法对真实的毛笔书法纹理进行学习，并获得书法纹理的灰度值序列；(E)，根据上述获得的灰度值序列向笔画的轮廓内侧填充并最终获得毛笔书法作品。

作为本发明的一优选方案，所述每一离散点的数据结构包括离散点的横坐标值、纵坐标值、压力值、书写速度值。

作为本发明的一优选方案，所述步骤(A)进一步包括以下步骤，(A1)，对数字手写板扫描到的离散值以一定的时间间隔进行取值，并将取到的值作为离散点集合；(A2)，将上述获得的离散点集合中每一离散点的压力值和速度值进行滤波操作，使离散点集合尽可能地平滑；(A3)，将上述滤波操作后的离散点信息存储。

作为本发明的一优选方案，所述数字手写板每隔150ms-250ms对书写笔画进行扫描。

作为本发明的一优选方案，所述(C)步骤中所述的样条曲线是三次B样条曲线。

本发明的技术方案相对于现有技术，可取得的有益效果是：本发明所述的虚拟毛笔书写方法采用神经网络和模糊逻辑的方法获取真实的毛笔书写纹理，使最终获得的毛笔笔画毕真形象，并且计算机处理的速度快。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明所述的基于纹理学习的电子毛笔建模方法的流程图；

图2是本发明所述的用户在数字手写板上输入书写笔画并以多个离散点的数据结构存储的流程图；

图3是本发明所述书写压力-笔画宽度(p-w)函数示意图；

图4是本发明所述骨架点(a栏)生成轮廓点(b栏)，再由轮廓点(b栏)拟合成线条轮廓(c栏)的示意图；

图5是本发明所述神经网络和模糊逻辑的网络结构示意图；

图6是神经网络和模糊逻辑的方法对真实毛笔的纹理学习示意图；

图7是本发明所述的对真实毛笔书法的分层级示意图；

图8是本发明所述的纹理选择函数曲面示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明所述的基于纹理学习的电子毛笔建模方法包括以下步骤，

步骤A，用户在数字手写板上输入书写笔画并以多个离散点的数据结构存储。

数字手写板对于计算机来说是一种输入设备，用于输入文字或图像。数字手写板可以通过数据线与计算机相连。用户采用手写笔在数字手写板上书写笔画，数字手写板以一定的时间间隔对其表面进行扫描，因此可以侦测出用户在数字手写板上的书写过程，并且，将该书写笔画用多个离散点的数据结构进行存储。该离散点的数据结构包括横坐标值x、纵坐标值y、压力值p、书写速度值v，可以将离散点的结构表达成pt_i{x，y，p，t，v}，其中速度值v是通过以下公式计算得出， ${\mathrm{pt}}_i.v=\frac{\sqrt{{\mathrm{\Δy}}^2+{\mathrm{\Δx}}^2}}{\mathrm{\Δ}t}$

其中，Δy＝pt_i.y-pt_i-1.y

Δx＝pt_i.x-pt_i-1.x

Δt＝pt_i.t-pt_i-1.t

在上述公式中，t代表时间，Δt代表时间差值，Δx代表横坐标值x的变量，Δy代表横坐标值y的变量。同时，将离散点的数据结构存储起来，存储的载体可以有多种，如计算机的缓存、主存等。

如果数字手写板对其表面进行扫描的时候频率较大，获取的离散点过密，故会产生冗余数据；另外，手写笔与数字手写板之间的接触相对于传统的毛笔与纸的接触更硬。为进一步使离散点的取值更加合理，并且使离散点的压力值更加均匀。如图2所示，作为一优选方案，步骤(A)进一步包括以下步骤，步骤A1，对数字手写板扫描到的离散值以一定的时间间隔进行取值，并将取到的值作为离散点集合；对数字手写板的取值以一定的时间间隔进行取值，该时间间隔可以在150ms-250ms之间进行取值。并将取到的值pt_i{x，y，p，t，v}作为离散点集合。因此，可以避免由于数籽手写板的硬件本身的参数，而使离散点的取值过多或过少并影响到最终的毛笔作品效果。步骤A2，将上述获得的离散点集合中每一离散点的压力值和速度值进行滤波操作，使离散点集合尽可能地平滑。手写笔与数字手写板接触时相对于实际中毛笔与纸的接触手感较硬。因此，将上述获得的离散点集合中根据每一离散点的压力值p和速度值v进行滤波操作，使离散点集合尽可能地平滑。步骤A3，将上述滤波操作后的离散点信息存储。当完成滤波处理后，将离散点信息进行存储。存储的载体可以有多种，如计算机的缓存、主存等。

步骤B，将上述离散点作为书写笔画的骨架点并根据每一骨架点的书写力度在骨架点的两侧产生两组相对应的边缘轮廓点。

根据步骤A中所取的离散点作为书写笔画的骨架点，同时，根据每一骨架点的书写过程中的压力值p在它的两侧产生相对应的边缘轮廓点，每一骨架点两侧的轮廓点之间的连线与该骨架点的速度值v的运动方向垂直。

根据实际毛笔的书写过程，当压力值p越大，笔画的宽度越大。如图3所示，本发明提出了一种书写压力-笔画宽度(press-width)函数。具体来说，就是将步骤A中所获得的离散点集合作为笔画的骨架，再根据离散点的压力大小生成不同宽度的轮廓点。

$\mathrm{width}=\left\{\begin{array}{cc}\frac{{\mathrm{pt}}_i.p}{{\mathrm{\&lambda;}}_1},& \mathrm{if\; p}{t}_i.p<p_t\\ \log ({\mathrm{pt}}_i.p)\&times;{\mathrm{\&lambda;}}_2,& \mathrm{otherwise}\end{array}\right.$

其中p_t是预先定义好的一个阈值，width代表笔画的宽度。如图3所示，当压力值p小于某一定阈值时，笔画宽度随着压力的增大而成正比增大，当压力超过阈值时，笔画宽度虽然仍然随着压力增大而增大，但是增大的幅度变小，符合实际书写的情况。λ₁和λ₂是用户自定义的常数，值得说明一下的是为了使得笔画宽度变化具有连续性，通常使得λ₂＝p_t/(λ₁·log(p_t))。根据已知的骨架点pt_i和宽度width，求出两组轮廓点

和的公式如下：

$\left[\begin{array}{cc}{\mathrm{pt}}_{{\mathrm{left}}_i}.x& {\mathrm{pt}}_{{\mathrm{left}}_i}.y\end{array}\right]=\left[\begin{array}{cc}0& \mathrm{width}\end{array}\right]\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]+\left[\begin{array}{cc}{\mathrm{pt}}_i.x& {\mathrm{pt}}_i.y\end{array}\right]$

$\left[\begin{array}{cc}{\mathrm{pt}}_{{\mathrm{right}}_i}.x& {\mathrm{pt}}_{{\mathrm{right}}_i}.y\end{array}\right]=\left[\begin{array}{cc}0& \mathrm{width}\end{array}\right]\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]+\left[\begin{array}{cc}{\mathrm{pt}}_i.x& {\mathrm{pt}}_i.y\end{array}\right]$

如图4所示，从(a)栏到(b)栏就是按照以上描述的方法从骨架点求出笔画的两组轮廓点的示意图。

步骤C，采用样条曲线拟合上述产生的两组轮廓点并形成笔画的线条轮廓。

由步骤B得到的轮廓点同样是离散点，因此可以采用样条曲线(如三次B样条曲线)对上述两组轮廓点进行拟合，并形成笔画的线条轮廓。如图4所示，从(b)栏至(c)栏就是按步骤C从两组轮廓点获得线条轮廓的示意图。

步骤D，使用神经网络和模糊逻辑的方法对真实的毛笔书法纹理进行学习，并获得书法纹理的灰度值序列。

ANFIS(Adaptive-Network-based Fuzzy Inference System，基于自适应网络模糊推理系统)是一个结合了神经网路自适应能力和模糊逻辑的推理能力的一个系统。神经网络和模糊逻辑的方法在Jang和J.S.发表在1993年出版的IEEE Trans.Syst.Man Cybernet第23卷的论文“ANFIS：Adaptive-Network-based Fuzzy Inference System.”中有详细说明。具体算法是，

ANFIS选用一阶Sugeno模糊模型(高木-关野模型)作为从输入产生模糊规则的方法，一阶Sugeno模型的典型的两条规则如下所示：

规则1：If x is A1 and y is B1 then z1＝p₁*x+q₁*y+r₁

规则2：If x is A2 and y is B2 then z2＝p₂*x+q₂*y+r₂

其中p_i、q_i和r_i(i＝1 or 2)是一阶Sugeno模型的结果部分的线性参数。如图5所示，经典的两输入、两规则基于Sugeno模型的网络结构是一个5层的前馈网络。

第1层将输入变量模糊化，输出对应模糊集的隶属度：

O_1i＝u_Ai(x)

O_2i＝u_Bi(x)

i＝1，2

其中O_1i和O_2i分别表示第1、2个节点的输出；Ai和Bi是与该节点相关的模糊语言变量；函数u为满足条件的隶属度函数。

第2层实现模糊规则激励度的计算。此层节点为固定节点，结构图中用∏表示，每个节点的输出表示一条规则的激励强度：

w_i＝u_Ai(x)u_Bi(x)

第3层将激励强度归一化，结构图中用N表示，第i个节点的输出

为前一层的输出w_i与全部规则w值之和的比值：

$\stackrel{\&OverBar;}{w_1}=w_i/(w_1+w_2)$

第4层的每个节点i均为具有节点函数的自适应节点，其节点函数为线性函数f₁，节点输出为：

$O_{4i}=\stackrel{\&OverBar;}{w_i}{f}_i=\stackrel{\&OverBar;}{w_i}(p_{i}x+q_{i}y+r_i)$

其中p_i、q_i和r_i分别对应着模糊规则里的结论参数，通过ANFIS的学习过程确定。如图6所示，(a)栏示出了真实毛笔笔画，(b)栏是通过ANFIS学习后得出的毛笔笔画。

本系统首先把书法纹理分解成为一行一行的灰度值序列，然后把分解出来的每段灰度值序列看作是一段混沌的随机序列，并且按照灰度值平均值的大小，把这些序列归类到10个层级中，如图7中(b、c)栏描述。把灰度值序列当成ANFIS的输入，利用其算法学习以后，经过训练的ANFIS就可以产生与输入自相似的灰度值序列。值得说明的是，灰度值序列层级的不同(也就是灰度值序列平均值大小的不同)反映了书法纹理浓淡的不同，等同于本发明把纹理按照从浓到淡的顺序分为10个层级。

步骤E，根据上述获得的灰度值序列向笔画的轮廓内侧填充并最终获得毛笔书法作品。

如图8所示，在采用上述获得的灰度值序列来填充时，本发明定义了一个纹理选择函数，综合了结合速度，墨水量等参数。在一般情况下，书写速度越快或者剩余墨水量越少，书法作品中出现“飞白”的几率越大，本发明形式化这种问题就是当出现“飞白”的几率变大时，发明应该选择更高层级的纹理。考虑到这种情况，本发明选用反正切函数(tanh)作为基本的层级选择函数，为书写速度和墨水量同时计算出一个选择层级，再把两个层级进行动态加权，求出最终的纹理层级。通过该函数的计算，最终获得毛笔书法作品。具体纹理选择函数如下所示：

level_ink＝10×tanh(λ₃×ink)；

level_v＝10×tanh(λ₄×v)；

${\mathrm{weight}}_{\mathrm{ink}}=\frac{{\mathrm{level}}_{\mathrm{ink}}+{\mathrm{preweight}}_{\mathrm{ink}}}{{\mathrm{level}}_{\mathrm{ink}}+{\mathrm{level}}_v+{\mathrm{preweight}}_{\mathrm{ink}}+{\mathrm{preweight}}_v}\text{;}$

${\mathrm{weight}}_v=\frac{{\mathrm{level}}_v+{\mathrm{preweight}}_v}{{\mathrm{level}}_{\mathrm{ink}}+{\mathrm{level}}_v+{\mathrm{preweight}}_{\mathrm{ink}}+{\mathrm{preweight}}_v};$

level＝weight_ink*level_ink+weight_v*level_v。

其中，

level_ink是指墨水量选择的纹理层级；

level_v是指书写速度选择的纹理层级；

weight_ink是指墨水量层级在最终选择层级中所占权重；

weight_v是指书写速度层级在最终选择层级中所占权重；

preweight_v是指书写速度对最终纹理选择的影响的先验权重；

preweight_ink是指墨水量对最终纹理选择的影响的先验权重；

level是指最终我们选择的纹理层级。

上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.一种基于纹理学习的电子毛笔建模方法，其特征在于，包括以下步骤，

(A)，用户在数字手写板上输入书写笔画并以多个离散点的数据结构存储；

(B)，将上述离散点作为书写笔画的骨架点并根据每一骨架点的书写力度在骨架点的两侧产生两组相对应的边缘轮廓点；

(C)，采用样条曲线拟合上述产生的两组轮廓点并形成笔画的线条轮廓；

(D)，使用神经网络和模糊逻辑的方法对真实的毛笔书法纹理进行学习，并获得书法纹理的灰度值序列；

(E)，根据上述获得的灰度值序列向笔画的轮廓内侧填充并最终获得毛笔书法作品；

步骤(B)将步骤(A)中所获得的离散点作为笔画的骨架后，再根据离散点的压力大小生成不同宽度的轮廓点，公式为：

$\mathrm{width}=\left\{\begin{array}{c}\frac{{\mathrm{pt}}_i\&CenterDot;p}{{\mathrm{\&lambda;}}_1},\mathrm{if}{\mathrm{pt}}_i\&CenterDot;p<p_t\\ \log ({\mathrm{pt}}_i\&CenterDot;p)\&times;{\mathrm{\&lambda;}}_2,\mathrm{otherwise},\end{array}\right.$

其中，p_t是预先定义好的一个阈值，width代表笔画的宽度，λ₁和λ₂是用户自定义的常数，为了使得笔画宽度变化具有连续性，使得

λ₂＝p_t/(λ₁·log(p_t))；

根据已知的骨架点pt_i和宽度width，求出两组轮廓点和

公式如下：

$\left[\begin{array}{cc}{\mathrm{pt}}_{\mathrm{lef}{t}_i}.x& {\mathrm{pt}}_{\mathrm{lef}{t}_i}.y\end{array}\right]=\left[\begin{array}{cc}0& \mathrm{width}\end{array}\right]\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]+[{\mathrm{pt}}_i.x{\mathrm{pt}}_i.y],$

$\left[\begin{array}{cc}{\mathrm{pt}}_{{\mathrm{right}}_i}.x& {\mathrm{pt}}_{{\mathrm{right}}_i}.y\end{array}\right]=[0-\mathrm{width}]\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]+[{\mathrm{pt}}_i.x{\mathrm{pt}}_i.y].$

2.根据权利要求1所述的基于纹理学习的电子毛笔建模方法，其特征在于，每一离散点的数据结构包括离散点的横坐标值、纵坐标值、压力值和书写速度值。

3.根据权利要求1所述的基于纹理学习的电子毛笔建模方法，其特征在于，所述步骤(A)进一步包括以下步骤，

(A1)，对数字手写板扫描到的离散值以一定的时间间隔进行取值，并将取到的值作为离散点集合；

(A2)，将上述获得的离散点集合中每一离散点的压力值和速度值进行滤波操作，使离散点集合尽可能地平滑；

(A3)，将上述滤波操作后的离散点信息存储。

4.根据权利要求3所述的基于纹理学习的电子毛笔建模方法，其特征在于，所述数字手写板每隔150ms-250ms对书写笔画进行扫描。

5.根据权利要求1所述的基于纹理学习的电子毛笔建模方法，其特征在于，所述(C)步骤中所述的样条曲线是三次B样条曲线。

Images