CN102930289B - 马赛克图片生成方法 - Google Patents
马赛克图片生成方法 Download PDFInfo
- Publication number
- CN102930289B CN102930289B CN201210371348.2A CN201210371348A CN102930289B CN 102930289 B CN102930289 B CN 102930289B CN 201210371348 A CN201210371348 A CN 201210371348A CN 102930289 B CN102930289 B CN 102930289B
- Authority
- CN
- China
- Prior art keywords
- scale
- original
- picture
- original scale
- mosaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种马赛克图片生成方法，为解决现有的图片生成方法中不对原始鳞片进行分类或者仅以一定的阈值分类导致的马赛克图片的表现力不够强等问题而设计。所述马赛克图片生成方法包括以下步骤：1.将原图划分成若干个原始鳞片；2.采用聚类算法以及分类器对原始鳞片进行分类；3.分别计算每一个原始鳞片和各替换鳞片之间的图片距离；4.选取与原始鳞片图片距离最小或图片距离小于阈值的替换鳞片替换原始鳞片以生成马赛克图片；其中，所述图片距离为原始鳞片与替换鳞片之间特征参数按照预设算法得到的计算结果；且不同类别的原始鳞片与替换鳞片之间用以计算图片距离的特征参数不同。上述马赛克图片生成方法生成的马赛克图片表现效果好，表现力强。
Description
技术领域
本发明涉及一种马赛克图片生成方法。
背景技术
如何给图片加上马赛克一直是一个有趣并吸引人的问题，所谓给图片加上马赛克，是指将原图通过算法划分成若干小的区域，每个区域称为一个鳞片，对每个鳞片用一个新的与原图相近的鳞片来替代，从而得到一种鳞片化的艺术效果的过程。随着人们对这个问题的研究，多种不同的给马赛克图片加上马赛克的方法被提出并实现。
传统马赛克图片的特点是每个小的鳞片都是一个具有相同颜色的色块。如今，随着数字媒体技术的发展，人们可以接触到的图像越来越多，大量的图像中包含的信息量也是巨大的。由此，人们想到可以用具有一定内容的小图片来代替具有相同颜色的色块作为组成马赛克图片的基本单元，在保留传统马赛克图片的特征的同时引入新的元素，从而给观赏者带来更大的视觉冲击。
由此，可以引出本发明中所要实现的马赛克图片的定义，即一张由一定量的小图片拼接在一起组成的大图片，其中每一个小图片我们称之为鳞片。当从近处看时，我们能够看清楚每一个鳞片的内容，当从一定距离的远处看时，我们看到的是一个整体上的大图，这个大图就是我们所要用鳞片拼接成的原图。
对于上述的生成马赛克图片的问题，目前已有的与本发明最接近的技术方案说明如下：
首先，将原图用网格均等的划分为若干相同大小的小块，通过这样的划分将生成马赛克图片的问题转换成如何对每一个小块进行匹配，从鳞片库中选出与原图鳞片最相似的鳞片即单个鳞片匹配的问题。
对于单个鳞片匹配问题，目前的方法中主要有两种解决方法，一种方法是不对原图鳞片进行分类，对每个鳞片使用相同的匹配方法，在匹配的过程中主要考察图片的颜色特征。另一种方法是通过设定一定的阈值对原图鳞片进行简单的分类后对每一类进行单独的匹配，在匹配的过程中除考察颜色特征外也会适当的考虑到图片的纹理，形状等特征。
在对原图的每一个鳞片都通过匹配找到最相似鳞片后，用找到的最相似鳞片替换原图该位置的鳞片即得到生成的马赛克图片。
上述处理方法存在着下述缺陷：
首先，在目前已有的技术中，在对原图进行均等划分后，往往对原图的所有鳞片都采用相同的匹配方式。然而，人眼对于原图中的边缘位置会比变化比较平缓的区域更加敏感，当我们将原图进行均等划分后，有些位置的鳞片会含有边缘信息，而有些没有，如果将所有鳞片不加分类的进行匹配，显然不能够达到十分令人满意的效果。另外，在目前的方法中，即便是将原图鳞片进行了分类，所用到的分类方式往往只是根据一定的阈值进行划分，分类效果不够理想。
其次，在目前已有的方法中，第一步通常都是对原图进行均等划分将原图划分成相同大小的鳞片。然而，为了达到更好的视觉效果，显然，我们希望在原图精细的地方用更小的图片进行替换，以提高匹配效果。
发明内容
为克服上述问题，本发明提供一种优化马赛图片显示效果的马赛克图片生成方法。
为达上述目的，本发明马赛克图片生成方法包括以下步骤：
1.将原图划分成若干个原始鳞片；
2.采用聚类算法以及分类器对原始鳞片进行分类；
3.分别计算每一个原始鳞片和替换鳞片之间的图片距离；
4.选取与原始鳞片图片距离最小或图片距离小于阈值的替换鳞片替换原始鳞片以生成马赛克图片；
其中，所述图片距离为原始鳞片与替换鳞片之间特征参数按照预设算法得到的计算结果；且不同类别的原始鳞片与替换鳞片之间用以计算图片距离的特征参数不同。
优选地，所述步骤2包括以下具体步骤：
2.1.随机选取若干个原始鳞片作为训练集；
2.2.提取特征参数；
2.3.由聚类算法根据提取的特征参数对训练集中各原始鳞片进行分类；
2.4.由分类器学习步骤2.3中聚类算法对训练集的分类方法用以对所有的原始鳞片进行分类。
优选地，所述特征参数包括颜色、颜色方差以及Tamura对比度；
所述步骤2.3根据上述特征参数将训练集分成没有明显边缘的纯色块以及颜色变化剧烈或具有明显边缘的边缘块；
所述步骤2.4将原始鳞片划分到纯色块或边缘块；
按照预设算法得到的所述图片距离为：
其中，所述Dcol为等同像素的原始鳞片和替换鳞片对应位置像素点颜色值之差的平方和；所述Dedge为等同像素原始鳞片和替换鳞片对应位置像素点梯度强度之差的平方和；所述Wedge为梯度强度均值与最大梯度强度值之比；所述II为将原始鳞片划分到纯色块或边缘块后，当前正在计算匹配的纯色块或边缘块。
优选地，所述步骤1包括以下具体步骤：
1.0.提取原图边缘信息；
1.1.对原图进行网格划分，得到均等大小的若干个原始鳞片；
1.2.计算每个原始鳞片中包含边缘信息的像素点个数与总像素点个数的比值；所述比值为边缘点比值；
1.3.判断每个原始鳞片边缘点比值是否大于阈值，
是则M等分该原始鳞片并重复步骤1.2-1.3，
否则进行后续步骤；其中，所述M大于等于2。
优选地，所述步骤1.3中边缘点比值小于阈值时还包括步骤1.4；
所述步骤1.4为计算该原始鳞片颜色方差，并判断是否大于阈值；
是则N等分该原始鳞片并重复步骤1.4，
否则进行后续步骤；其中，所述N大于等于2。
优选地，所述步骤1还包括设定原始鳞片的最大尺寸值和最小尺寸值；
所述步骤1.1划分所得到的原始鳞片为最大尺寸的原始鳞片；
在每次进行所述步骤1.2之前还包括
步骤1.02：判断原始鳞片是否大于最小尺寸值，是则继续步骤1.2，否则进行步骤2；
在每次进行所述步骤1.4之前还包括
步骤1.04：判断原始鳞片是否大于最小尺寸值，否则进行步骤2，
是则进行步骤1.4。
优选地，所述M＝N＝4。
优选地，所述步骤3还包括在计算完每一块替换鳞片与原始替换鳞片的图片距离之后判断计算得到的图片距离是否小于阈值，否则重复上述操作直至与最后一块替换鳞片的图片距离的计算，是则进行步骤4。
优选地，所述聚类算法为C均值聚类算法或层次聚类算法。
优选地，所述分类器为线性SVM或Bayes分类器或决策树算法。
本发明马赛克图片生成方法的有益效果：
1、本发明马赛克图片生成方法，通过聚类算法得到不同原图各自最优化的分类标准，再由分类器通过学习得到的动态的最优化的分类标准对原图各原始鳞片进行分类，具有分类精细，匹配替换过程中得到的马赛克图片显示效果好，原图的图形信息保留完整精确的优点。
2、本发明马赛克图片生成方法，特征参数包括颜色、颜色方差以及Tamura对比度，上述特征参数表征性强，提取相对简单且用于马赛克图片优化效果佳。
3、本发明马赛克图片生成方法，为进一步优化生成后马赛克图片显示效果，对图片中精细部分采用多级划分方法进行，在精确完整的表达原图的图形信息的同时，丰富了总体替换鳞片所表现的图片信息以及表现形式。
4、本发明马赛克图片生成方法，通过预设原始鳞片最大尺寸以及最小尺寸，可以有效的简单的控制原始鳞片的大小，从而使马赛克图片达到理想的效果。
5、本发明马赛克图片生成方法，应用范围广，可以适用于彩色图片、黑白图片甚至文字图片的替换，替换的图片也可以是上述任何图片的一种。
附图说明
图1是本发明实施例一所述马赛克图片生成方法的流程图；
图2是本发明实施例二所述将原始鳞片分类的方法；
图3是本发明实施例三所述马赛克图片生成方法的流程图；
图4是本发明实施例七所述将原图划分成若干个原始鳞片的时序图。
具体实施方式
下面结合说明书附图对本发明做进一步的描述。
实施例一：
如图1所示，本实施马赛克图片生成方法包括以下步骤：
1.将原图划分成若干个原始鳞片；
2.采用聚类算法以及分类器对原始鳞片进行分类；
聚类算法通过综合计算分析或反复嵌套等多重运算可以将规律不明显的原始信息划分成有相同或相似信息且未知的类，从而可以将具有相似性的原始鳞片分成同类，且划分标准因原图而异，相较于现有的马赛克图片生成方法中不对原始鳞片进行分类采用统一标准替换，或者僵硬的以阈值划分，灵活性和针对性更强，划分更加精密，生成的马赛克图片的效果更好。分类器通过学习聚类算法的分类实现对原图划分成的所有原始鳞片分类；从而简易实现了分类。根据聚类算法的不同以及聚类算法所依据的特征参数不同，所划分的类别不同，类别的数目不同。
3.分别计算每一个原始鳞片和替换鳞片之间的图片距离；
4.选取与原始鳞片图片距离最小的替换鳞片替换原始鳞片以生成马赛克图片；
其中，所述图片距离为原始鳞片与替换鳞片之间特征参数按照预设算法得到的计算结果；且不同类别的原始鳞片与替换鳞片之间用以计算图片距离的特征参数不同。
所述特征参数包括灰度、对比度、颜色、颜色方差的一种或多种；所述灰度又可以分为水平灰度和竖直灰度；所述颜色可以采用R红色、G绿色、B蓝色三个颜色通道各自所对应的纯度表示形成三维的向量，也可以采用H色相、S饱和度以及V色度各自所对应的值表示成三维的向量，也可以采用H色相、S饱和度以及B亮度各自所对应的值来表是颜色特征。
实施例二：
如图2所示，本实施例马赛克图片生成方法包括以下具体的步骤
2.1.随机选取若干个原始鳞片作为训练集；训练集为聚类算法所操作的对象为分类器提供分类标准的样本。随机选取因其具有随机性从而所表征的原图的特征精准；
2.2.提取特征参数；
2.3.利用聚类算法对训练集中各原始鳞片进行分类从而可以得到分类标准并添加标签；聚类算法有多种，在具体的实施过程中可以采用常见的C均值聚类算法或者层次聚类算法。
2.4.由分类器根据原始鳞片特征参数对所有的原始鳞片按照步骤2.3得到的分类标准分类。分类器具有学习能力强且分类精确操作快捷的特点，在具体的实施过程中可以采用的分类器包括线性SVM(支撑向量机)、Bayes(叶贝斯)分类器或决策树算法中的一种。
实施例三：
如图3所示，本实施例马赛克图片生成方法包括以下步骤：
1.将原图划分成若干个原始鳞片；
2.采用C均值聚类算法以及分类器将原始鳞片分成纯色块和边缘块；从视觉的感受来看纯色块为颜色较为单一的没有明显边缘的鳞片，边缘块为颜色变化剧烈或者具有明显边缘的鳞片；
3.提取纯色块的颜色以及颜色方差特征，计算原始鳞片和替换鳞片图库中每一个替换鳞片中颜色距离Dcol；
提取边缘块的颜色以及Tamura对比特征，计算原始鳞片与替换鳞片图库中每一替换鳞片中颜色距离Dcol以及Tamura对比度距离Dedge，在通过Wedge权重相加得到边缘块的边缘距离；
4.选取与原始鳞片图片距离最小的替换鳞片替换原始鳞片以生成马赛克图片或者选择图片距离小于阈值的替换鳞片替换原始鳞片；
即当替换图库中有替换鳞片与原始鳞片的图片距离小于阈值选择该替换鳞片或者选择图片距离小于阈值且图片距离最小的替换鳞片；
当替换图库中没有替换鳞片与原始鳞片的图片距离小于阈值则选择与原始鳞片图片距离最小的替换鳞片。
其中，所述图片距离为原始鳞片与替换鳞片之间特征参数按照预设算法得到的计算结果；且不同类别的原始鳞片与替换鳞片之间用以计算图片距离的特征参数不同。
图片的距离的预设算法计算公式具体如下：
所述图片距离为：
其中，所述Dcol为等同像素的原始鳞片和替换鳞片对应位置像素点颜色值之差的平方和；所述Dedge为等同像素原始鳞片和替换鳞片对应位置像素点梯度强度之差的平方和；所述Wedge为梯度强度均值与最大梯度强度值之比；所述II为将原始鳞片分成纯色块和边缘块后，当前正在计算匹配的纯色块或边缘块。
颜色距离Dcol的求取的步骤如下：
首先将原始鳞片以及与其计算图片距离的图片施加高斯模糊，降采样成包含同样多像素的图片；其次分别求取R、G、B三通道对应位置像素点颜色值之差的平方，在将三个通道求取的值相加即得到了颜色距离；
边缘距离的求取的步骤如下：
首先将原图转换成灰度图，在灰度图中求取每个像素水平、竖直的梯度；具体的操作为灰度图在Mask掩膜的作用下的相应，得到了该像素点的水平梯度和竖直梯度，再求取水平梯度和竖直梯度的均根方，这样就得到了边缘强度；
Wedge的求取方法为每一个像素点的边缘强度的均值与边缘强度最大值的比值。显然Wedge的取值范围【0,1】之间，且当前原始鳞片边缘强度越强，则Wedge取值就越大匹配过程中边缘相似性所占的比例就越大。
其中Tamura是Hideyuki Tamura等定义的用于描述纹理的特征之一，该特征通过计算一张灰度图片的二阶中心距即方差σ2以及四阶中心距μ4，进而定义一张灰度图片的Tamura对比度为其中以此来表征一张灰度图片的颜色反差是否强烈。对于彩色图片，可以对原图的R、G、B三个通道分别计算每个通道的Tamura对比度，最终用一个三维向量来表征该图片的对比度。
实施例四：
针对黑白图片，可以采用本实施例中所述的R、G、B三通道的颜色取值、R、G、B三通道的颜色取值的方差以及R、G、B三个通道分别计算Tamura对比度来描述每一原始鳞片；
在本实施例马赛克图片生成方法中采用纹理块和纯色块进行分类；
纹理块为包含有边缘信息或边缘信息超过阈值的鳞片；
纯色块为没有包含边缘信息的或包含边缘信息小于阈值的鳞片。
提取的特征参数为灰度以及梯度；
计算纯色块的图片距离为计算原始鳞片与替换图片之间的灰度距离；
计算纹理块的图片距离：首先计算原始鳞片与替换图片之间的灰度距离和梯度距离，再在预设或根据梯度强度与梯度最大值的比值得到的权重因子的作用下得到两者的权重和。
实施例五：
为了进一步表现原图精细部分的图片信息，本实施例在上述实施例的基础上仅以改进了原始鳞片的划分方法：
本实施例所述的马赛克图片生成方法中步骤1包括以下具体步骤：
1.0.提取原图边缘信息；
1.1.对原图进行网格划分，得到均等大小的若干个原始鳞片；
1.2.计算每个原始鳞片中包含边缘信息的像素点个数与总像素点个数的比值；所述比值为边缘点比值
1.3.判断每个原始鳞片边缘点比值是否大于阈值，
是则M等分该原始鳞片并重复步骤1.2-1.3，
否则进行后续步骤；其中，所述M大于等于2。
通过划分原始鳞片得到再次划分鳞片，从而相对原图被划分成的原始鳞片大小不同；原图中的图片信息密集的地方，相对应的原始鳞片的面积就越小或者说包含的像素量越少。这样就在后续的与替换鳞片的匹配替换过程中越精细原图部分，表现的图片信息密集的地方，替换图片就越小就越能表现原图的图片信息就越密集。本实施例多次划分优化了马赛克图片的表现效果。
实施例六：
本实施例作为实施例五的进一步的改进，所述步骤1还包括步骤1.4；当所述步骤1.3中边缘点比值小于阈值时，则进行步骤1.4
所述步骤1.4为计算该原始鳞片颜色方差，并判断是否大于阈值；
是则N等分该原始鳞片并重复步骤1.4，
否则进行后续步骤；其中，所述N大于等于2。
实施例五所述的步骤1主要是进一步细化了图片表现的边缘信息多的原始鳞片，本实施例中则进一步的对边缘信息较少而颜色层次变化较多的原始鳞片以及边缘信息少且颜色层次变化多的原始鳞片再进一步划分。按照上述方法生成的马赛克图片更加全面的、更加精确的保留了原图的信息同时，替换鳞片的表现的内容和形式都得到了丰富。从马赛克图片中不同大小替换鳞片的分布就可以较为明显的看出原图的构图以及层次变化，大大的优化了马赛克图片的显示效果。
实施例七：
如图4所示，在实施例六的基础上，本实施例在实施例六的基础上，所述步骤1还包括设定原始鳞片的最大尺寸值和最小尺寸值；
所述步骤1.1划分所得到的原始鳞片为最大尺寸的原始鳞片；即针对每一张原图，第一次划分得到的是最大的原始鳞片且大小等于预设的或设定的最大尺寸值；
在每次进行所述步骤1.2之前都需要判断原始鳞片是否大于最小尺寸值，是则继续步骤1.2，否则进行步骤2；当原始鳞片的尺寸小于或等于最小尺寸值时，即使该原始鳞片中包含的边缘点比值大于阈值都不再进行划分，直接进入后续的步骤2进行原始鳞片的分类；
在每次进行所述步骤1.4之前还需判断原始鳞片是否大于最小尺寸值，否则进行步骤2，
是则进行步骤1.4。即当该原始鳞片等于或小于预设的或设定的最小尺寸值时，及时该原始图片的颜色方差值仍大于阈值也不再进行划分。
本实施例中通过预设原始鳞片的最大尺寸值和最小尺寸值以及每次判断是否需要再次划分原始鳞片时都进行尺寸大小的判断，实现了马赛克图片替换鳞片大小的进一步控制，增强了控制性，与此同时也避免了特别精细的地方过多的划分反而影响了替换图片的图片信息表达带来的不良现象。
在具体的实施过程，M和N的取值只需大于2即可，如M为3、4、5、6或8，N为3、4、5、6或8。而在本实施例中M＝N＝4。采用四等分的方法，具体的实现过程更为简便，便于计算机程序的编码以及代码的简洁化。
实施例八：
本实施例马赛克图片生成方法包括以下步骤：
1.将原图划分成若干个原始鳞片；
2.采用聚类算法以及分类器对原始鳞片进行分类；
3.分别计算每一个原始鳞片和各替换鳞片之间的图片距离，并且计算完每一块替换鳞片与原始替换鳞片的图片距离之后，判断计算得到的图片距离是否小于阈值，否则重复上述操作直至完成与最后一块替换鳞片的图片距离的计算，是则进行步骤4。
4.选取与原始鳞片图片距离最小或图片距离小于阈值的替换鳞片替换原始鳞片以生成马赛克图片；
本实施例所述的马赛克图片生成方法，在计算图片距离的同时判断图片距离是否小于阈值，图片距离小于阈值即满足匹配所需的表现效果则可以直接替换。上述方法不仅对马赛克图片起到了符合要求的优化，同时不必使每一块原始图片均和替换图库中每一块替换图片都进行图片距离的计算，从而减少了计算量。针对没有小于阈值的图片则选取最小图片距离的方法进行匹配替换，从而实现了马赛克图片生成的最优替换。
以上，仅为本发明的较佳实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。
Claims (8)
1.一种马赛克图片生成方法，其特征在于，所述马赛克图片生成方法包括以下步骤：
1.将原图划分成若干个原始鳞片；
2.采用聚类算法以及分类器对原始鳞片进行分类；
3.分别计算每一个原始鳞片和替换鳞片之间的图片距离；
4.选取与原始鳞片图片距离最小或图片距离小于阈值的替换鳞片替换原始鳞片以生成马赛克图片；
其中，所述图片距离为原始鳞片与替换鳞片之间特征参数按照预设算法得到的计算结果；且不同类别的原始鳞片与替换鳞片之间用以计算图片距离的特征参数不同；
所述步骤2包括以下具体步骤：
2.1.随机选取若干个原始鳞片作为训练集；
2.2.提取特征参数；
2.3.由聚类算法根据提取的特征参数对训练集中各原始鳞片进行分类；
2.4.由分类器学习步骤2.3中聚类算法对训练集的分类方法用以对所有的原始鳞片进行分类；
所述特征参数包括颜色、颜色方差以及Tamura对比度；
所述步骤2.3根据上述特征参数将训练集分成没有明显边缘的纯色块以及颜色变化剧烈或具有明显边缘的边缘块；
所述步骤2.4将原始鳞片划分到纯色块或边缘块；
按照预设算法得到的所述图片距离为：
其中，所述Dcol为等同像素的原始鳞片和替换鳞片对应位置像素点颜色值之差的平方和；所述Dedge为等同像素原始鳞片和替换鳞片对应位置像素点梯度强度之差的平方和；所述Wedge为梯度强度均值与最大梯度强度值之比；所述II为将原始鳞片划分到纯色块或边缘块后，当前正在计算匹配的纯色块或边缘块。
2.根据权利要求1所述的马赛克图片生成方法，其特征在于，所述步骤1包括以下具体步骤：
1.0.提取原图边缘信息；
1.1.对原图进行网格划分，得到均等大小的若干个原始鳞片；
1.2.计算每个原始鳞片中包含边缘信息的像素点个数与总像素点个数的比值；所述比值为边缘点比值；
1.3.判断每个原始鳞片边缘点比值是否大于阈值，
是则M等分该原始鳞片并重复步骤1.2-1.3，
否则进行后续步骤；其中，所述M大于等于2。
3.根据权利要求2所述的马赛克图片生成方法，其特征在于，所述步骤1.3中边缘点比值小于阈值时还包括步骤1.4；
所述步骤1.4为计算该原始鳞片颜色方差，并判断是否大于阈值；
是则N等分该原始鳞片并重复步骤1.4，
否则进行后续步骤；其中，所述N大于等于2。
4.根据权利要求3所述的马赛克图片生成方法，其特征在于，所述步骤1还包括设定原始鳞片的最大尺寸值和最小尺寸值；
所述步骤1.1划分所得到的原始鳞片为最大尺寸的原始鳞片；
在每次进行所述步骤1.2之前还包括
步骤1.02：判断原始鳞片是否大于最小尺寸值，
是则继续步骤1.2，否则进行步骤2；
在每次进行所述步骤1.4之前还包括
步骤1.04：判断原始鳞片是否大于最小尺寸值，
否则进行步骤2，
是则进行步骤1.4。
5.根据权利要求2、3或4所述的马赛克图片生成方法，其特征在于，所述M＝N＝4。
6.根据权利要求1所述的马赛克图片生成方法，其特征在于，所述步骤3还包括在计算完每一块替换鳞片与原始替换鳞片的图片距离之后判断计算得到的图片距离是否小于阈值，否则重复上述操作直至与最后一块替换鳞片的图片距离的计算，是则进行步骤4。
7.根据权利要求1所述的马赛克图片生成方法，其特征在于，所述聚类算法为C均值聚类算法或层次聚类算法。
8.根据权利要求1所述的马赛克图片生成方法，其特征在于，所述分类器为线性SVM或Bayes分类器或决策树算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210371348.2A CN102930289B (zh) | 2012-09-28 | 2012-09-28 | 马赛克图片生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210371348.2A CN102930289B (zh) | 2012-09-28 | 2012-09-28 | 马赛克图片生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102930289A CN102930289A (zh) | 2013-02-13 |
| CN102930289B true CN102930289B (zh) | 2015-05-06 |
Family
ID=47645086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210371348.2A Active CN102930289B (zh) | 2012-09-28 | 2012-09-28 | 马赛克图片生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102930289B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268601B (zh) * | 2013-05-19 | 2016-05-25 | 周万杰 | 用于马赛克包装的拼图打码方法及其系统 |
| CN105335067B (zh) * | 2015-10-29 | 2019-03-08 | 杭州九言科技股份有限公司 | 一种对图片进行马赛克处理的方法及装置 |
| CN106023081A (zh) * | 2016-05-21 | 2016-10-12 | 广东邦宝益智玩具股份有限公司 | 二维图片的马赛克处理方法 |
| CN110502293B (zh) * | 2019-07-10 | 2022-02-01 | 维沃移动通信有限公司 | 一种截屏方法及终端设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739697A (zh) * | 2008-11-25 | 2010-06-16 | 王源源 | 一种图像马赛克拼图的合成方法及系统 |
| CN102609894A (zh) * | 2012-01-14 | 2012-07-25 | 暨南大学 | 一种马赛克图像的合成方法及其装置 |
-
2012
- 2012-09-28 CN CN201210371348.2A patent/CN102930289B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739697A (zh) * | 2008-11-25 | 2010-06-16 | 王源源 | 一种图像马赛克拼图的合成方法及系统 |
| CN102609894A (zh) * | 2012-01-14 | 2012-07-25 | 暨南大学 | 一种马赛克图像的合成方法及其装置 |
Non-Patent Citations (3)
| Title |
|---|
| Jigsaw image mosaics;Junhwan Kim等;《ACM Transactions on Graphics》;20020731;第21卷(第3期);657-664 * |
| 基于图像的马赛克;胡华等;《计算机工程与设计》;20030131;第24卷(第1期);39-43 * |
| 结合支持向量机与C均值聚类的图像分割;柯永振等;《计算机应用》;20060930;第26卷(第9期);2081-2083 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102930289A (zh) | 2013-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106296695B (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
| CN106056155B (zh) | 基于边界信息融合的超像素分割方法 | |
| CN103440635B (zh) | 一种基于学习的对比度受限自适应直方图均衡方法 | |
| CN101699512B (zh) | 一种基于背景差异抠图和稀疏光流法的深度的生成方法 | |
| US20110050723A1 (en) | Image processing apparatus and method, and program | |
| Rathore et al. | Colour based image segmentation using L* a* b* colour space based on genetic algorithm | |
| CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
| CN104408733B (zh) | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 | |
| CN105138987B (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
| CN102930289B (zh) | 马赛克图片生成方法 | |
| CN110097609A (zh) | 一种基于样本域的精细化绣花纹理迁移方法 | |
| CN105761202B (zh) | 一种彩色图像颜色迁移方法 | |
| CN113139557B (zh) | 一种基于二维多元经验模态分解的特征提取方法 | |
| CN107833224B (zh) | 一种基于多层次区域合成的图像分割方法 | |
| CN103984963B (zh) | 一种高分辨率遥感图像场景分类方法 | |
| CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
| CN108510562A (zh) | 基于图像分形纹理的数码迷彩图案生成方法 | |
| KR20100091864A (ko) | 비디오 동영상의 움직이는 다중 객체 자동 분할 장치 및 방법 | |
| CN106682684A (zh) | 一种基于k均值聚类的目标识别方法 | |
| CN107886549B (zh) | 一种基于编织纹理细节增强的织物纹样色彩转移方法 | |
| JP2006099565A (ja) | コンテンツ識別装置 | |
| Kumar et al. | A hybrid cluster technique for improving the efficiency of colour image segmentation | |
| He | Application of local color simulation method of landscape painting based on deep learning generative adversarial networks | |
| CN101276476A (zh) | 对2d卡通动画的前景背景分离方法 | |
| CN106651864B (zh) | 一种面向高分辨率遥感图像的分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |