CN104392433B - 基于图像的数字油画画布的自动生成方法 - Google Patents

Abstract

基于图像的数字油画画布的自动生成方法，能够将任意图像自动转换为数字油画画布，并合理提示笔刷的走向和大小的方法。该方法包括以下步骤：首先,提出一种统计滤波方法，去除Mean‑Shift图像分割产生的边界锯齿，获得光滑的边界线条；其次，采用K均值聚类选出代表性颜色，并提出一种自适应数字显示调整方法，保证相应数字的显示清晰可见、不与边界重叠；然后，计算图像空间的方向场，生成能够提示笔刷大小和走向的流线；最后，合成上述边界线条、颜色数字和笔刷流线，生成与输入图像内容一致的数字油画画布。

Description

基于图像的数字油画画布的自动生成方法

技术领域

本发明涉及一种利用计算机技术的数字油画画布的自动生成方法，能够将任意的一幅图像自动转换为有效的数字油画画布，在显示区域轮廓和数字编号的同时，清晰地提示出笔刷的大小和走向。

背景技术

传统的油画是在一张空白的画布上完成的，需要轮廓勾勒、颜料调配、笔刷绘制等许多步骤，专业性极强，需要长期的学习才能有所掌握。数字油画是一种新的艺术形式，它提供给绘画者带有轮廓、颜色提示信息的画布和预先调配好的颜料，从而使所有喜爱绘画但又缺乏绘画基础的人都能直接上手，轻松绘制出自己的绘画作品。数字油画继承了儿童填色画的简单直观,避免了传统油画的专业限制，具有较高的观赏性和体验性,深受广大业余绘画者的喜爱，自上世纪五十年代发明以来，迅速流行于世界各地。

然而，目前的数字油画画布都需要专业人员的精心设计，因此市场上在售的数字油画大都以特定的风景画为主，难以个性化定制。事实上，数字油画画布的设计极具挑战性：需要用线条仔细逐一勾勒出整个场景中颜色相近的区域，精心挑选出具有代表性的若干种颜色，并为每个区域标记上代表这些颜色的数字符号。一个画面丰富的场景往往具有成百上千个区域，设计过程不仅难度极较大且费时费力。因此，亟需一种数字油画画布的自动生成方法，打破其专业设计的局限，进一步提高个性化定制的体验性。

艺术家在绘制油画过程中，除了颜料的颜色，每一次运笔的笔刷大小和走向也颇为讲究。一般而言，在背景等面积较大的区域往往使用较大的笔刷，而在需要表现细节的区域中使用较小的笔刷；笔刷的走向则是主要沿着区域的边界或区域内纹理的走向。目前的数字油画画布只提示了颜料的使用区域和颜色，忽略了笔刷大小和走向等其他重要因素，缺乏绘画经验的人容易产生笔触杂乱的问题或如同儿童填色画一样缺乏层次感。因此，亟需一种在数字油画画布上提示笔刷大小和走向的方法，进一步改善数字油画的艺术效果。

发明内容

为克服数字油画画布的设计困难，本发明提供了一种利用计算机技术的数字油画画布的自动生成方法，能够将任意的一副图像自动转换为有效的数字油画画布，在显示区域轮廓和数字编号的同时，清晰地提示出笔刷的大小和走向。

该方法的具体步骤如下：

步骤1、用Mean-Shift图像分割算法对输入图像I进行分割，并用每个区域的平均颜色代替原有颜色，得到分割图像Ir。

步骤2、将Ir的区域边界通过统计滤波进行边界光顺，得到边界图像Ie。

步骤3、采用K均值算法将Ir的每个区域的平均颜色进行聚类分析。

步骤4、根据Ir中每个区域的轮廓，自适应调整与其对应的颜色编号的大小和位置。

步骤5、根据输入图像I和边界图像Ie计算方向场。

步骤6、通过方向场的线积分卷积，得到提示笔刷大小和走向的流线。

步骤7、将边界线条、数字编号和提示流线合成到一起，得到最终的数字油画画布。

进一步，所述步骤1中，对于处在位置(x，y)的像素，记其颜色为(R，G，B)，用位置-颜色空间的五维向量构建一个初始样本，其中α是将调整空间尺度的归一化量，本发明中取255/图像长度。那么，Mean-Shift分割可以表示为一个寻找中心位置的迭代过程：

其中，k表示当前迭代的次数，表示第k次迭代的均值位置，n_k是该局部邻域内初始样本的数量，每次迭代都是对所有满足局部邻域条件的初始样本求平均，δ用于控制局部邻域的大小。该迭代是一个根据初始样本的分布不断移动局部邻域中心的过程，当该中心位置几乎不移动时终止迭代。此外，Mean-Shift算法从每一个初始样本出发分别进行上述迭代。迭代终止后，将终止中心位置较近的初始样本归为一类，从而完成图像的分割，最后用每个区域的平均颜色{c_j)取代原有的像素颜色。

进一步，所述步骤2中，对于当前像素p，记其所在的区域编号为λ_p，统计其局部邻域内所有像素的区域编号{λ_q|||p-q||≤s}，并将当前像素p的区域编号赋值为出现次数最多的区域编号λ_q。该滤波保持了图像分割整体结果的同时，有效去除了边界的锯齿。其中，参数s是控制边界光滑程度的一个整数，s越大，边界线条越光滑。

进一步，所述步骤3中，将每个区域的平均颜色{c_j}(1≤j≤N，N为区域总数)作为输入，采用K均值算法进行聚类分析。它是一个迭代求解的过程：在第k次迭代中，计算所有c_j与代表颜色的距离并将c_j归类到距离最近的代表颜色所在的类中。接着，根据上述归类，重新计算每一个代表颜色的值，即对归类到的所有颜色求平均,并进入下一次迭代,直至颜色误差变化小于某一阈值或迭代次数超过一定的值。需要指出的是，为了提高算法稳定性和收敛速度，选取面积最大的K个区域的平均颜色作为代表颜色的初始值

进一步，所述步骤4中，完成聚类后，每一个区域就获得了一个与颜色序号相对应的数字。但由于分割区域形状各异、大小不一，需要自适应地调整该数字显示的位置和大小，才能保证其在画布上清晰可见。一般的方法是计算每个区域的中心位置，但对于非凸形状的区域，该中心位置可能在区域外部。为此，可以沿着该中心位置的上、下、左、右四个方向进行搜索，假设在其中一个方向首先遇到该区域内的像素p₁，继续沿着该方向搜索，直至找到离开该区域的位置或图像边界p₂，那么可以将数字的中心位置设为O_k＝(p₁+p₂)/2。

为保证数字显示的可见性，数字在区域内部应尽可能的大，即不妨记最大允许的大小为R。然而，位置在区域边界附近的数字，由于不能超出区域的范围，显示区域却非常受限。为此，可以采用类似于Mean-Shift分割的迭代方法，逐步移动中心位置O_k，直至不与边界重叠或迭代次数超过10次为止：

该迭代通过计算局部邻域内区域编号相同的像素的平均位置，使得中心位置O_k逐渐远离区域边界。其中，表示以O_k为中心，以R为半径的邻域范围，而n_k是该邻域范围内的编号相同的像素的数量。

进一步，所述步骤5中，首先，计算方向场。假设输入图像为I,统计滤波后的图像为F，分别计算它们的Sobel梯度和，然后构建张量场高斯模糊该张量场后，分析其特征值，对应的特征向量即为梯度和切向方向。

进一步，所述步骤6中，通过卷积的方法生成切向流线：

x_k+1＝x_k+t(x_k)

其中，t(x_k)是在x_k处的单位切向量。由于x_k往往不在整数像素位置上，本发明采用双线性插值的方法计算t(x_k)。每一次卷积，都可以获得表示为多边形的一条流线{x_k}。本发明在图像空间撒1000个随机点，逐一从这些点出发进行卷积。假设笔刷的长度和宽度分别是ι和ω，当卷积的长度超过ι，或者遇到区域边界、数字符号或已经卷积过的位置时，卷积终止。此外，每次卷积后，都需要在图像空间作相应的记录，即以流线上的点{x_k}为圆心、以ω为半径的圆逐一进行标记，以保证流线之间的距离大于ω。需要强调的是，笔刷的长度和宽度与所处区域的面积有关，即ι＝ι_max*β，ω＝ω_max*β，其中ι_max和ω_max分别是最大允许的笔刷长度和宽度，s取2.5，A为归一化的区域面积。

本发明的技术构思是：利用图像分割技术，将任意的图像清晰完整的识别出其图像边界；利用自适应的方法，将数字编号、提示流线等辅助信息调整到正确的位置和合适的大小，让缺乏绘画经验的人也可以满足对油画的艺术追求。

本发明的优点在于：利用Mean-shift分割算法、基于统计的滤波和K均值聚类算法等，获得边界光滑、具有指定颜色种类的数字油画；自适应调整数字的大小和位置，保证它们清晰可见；利用基于张量的方向场卷积方法，为数字油画画布添加提示笔刷大小和走向的提示线。

附图说明

图1为本发明的总的流程图

图2为光滑边界线条生成的示意图

图3为颜色聚类与数字显示示意图

图4为提示笔刷信息的流线的示意图

图5为更多的数字油画画布结果

图6为更多的数字油画画布结果

具体实施方式

参照附图，进一步说明本发明：

基于图像的数字油画画布的自动生成方法，包括以下步骤：

步骤1、用Mean-Shift图像分割算法对输入图像I进行分割，并用每个区域的平均颜色代替原有颜色，得到分割图像Ir。

步骤2、将Ir的区域边界通过统计滤波进行边界光顺，得到边界图像Ie。

步骤3、采用K均值算法将Ir的每个区域的平均颜色进行聚类分析。

步骤4、根据Ir中每个区域的轮廓，自适应调整与其对应的颜色编号的大小和位置。

步骤5、根据输入图像I和边界图像Ie计算方向场。

步骤6、通过方向场的线积分卷积，得到提示笔刷大小和走向的流线。

步骤7、将边界线条、数字编号和提示流线合成到一起，得到最终的数字油画画布。

进一步，所述步骤1中，对于处在位置(x，y)的像素，记其颜色为(R，G，B)，用位置-颜色空间的五维向量构建一个初始样本，其中α是将调整空间尺度的归一化量，本发明中取255/图像长度。那么，Mean-Shift分割可以表示为一个寻找中心位置的迭代过程：

其中，k表示当前迭代的次数，表示第k次迭代的均值位置，n_k是该局部邻域内初始样本的数量，每次迭代都是对所有满足局部邻域条件的初始样本求平均，δ用于控制局部邻域的大小。该迭代是一个根据初始样本的分布不断移动局部邻域中心的过程，当该中心位置几乎不移动时终止迭代。此外，Mean-Shift算法从每一个初始样本出发分别进行上述迭代。迭代终止后，将终止中心位置较近的初始样本归为一类，从而完成图像的分割，最后用每个区域的平均颜色{c_j}取代原有的像素颜色。

进一步，所述步骤2中，对于当前像素p，记其所在的区域编号为λ_p，统计其局部邻域内所有像素的区域编号{λ_q|||p-q||≤s}，并将当前像素p的区域编号赋值为出现次数最多的区域编号λ_q。该滤波保持了图像分割整体结果的同时，有效去除了边界的锯齿。其中，参数s是控制边界光滑程度的一个整数，s越大，边界线条越光滑。

进一步，所述步骤3中，将每个区域的平均颜色{c_j}(1≤j≤N，N为区域总数)作为输入，采用K均值算法进行聚类分析。它是一个迭代求解的过程：在第k次迭代中，计算所有c_j与代表颜色的距离并将c_j归类到距离最近的代表颜色所在的类中。接着，根据上述归类，重新计算每一个代表颜色的值，即对归类到的所有颜色求平均,并进入下一次迭代,直至颜色误差变化小于某一阈值或迭代次数超过一定的值。需要指出的是，为了提高算法稳定性和收敛速度，选取面积最大的K个区域的平均颜色作为代表颜色的初始值

进一步，所述步骤4中，完成聚类后，每一个区域就获得了一个与颜色序号相对应的数字。但由于分割区域形状各异、大小不一，需要自适应地调整该数字显示的位置和大小，才能保证其在画布上清晰可见。一般的方法是计算每个区域的中心位置，但对于非凸形状的区域，该中心位置可能在区域外部。为此，可以沿着该中心位置的上、下、左、右四个方向进行搜索，假设在其中一个方向首先遇到该区域内的像素p₁，继续沿着该方向搜索，直至找到离开该区域的位置或图像边界p₂，那么可以将数字的中心位置设为O_k＝（p₁+p₂)/2。

为保证数字显示的可见性，数字在区域内部应尽可能的大，即不妨记最大允许的大小为R。然而，位置在区域边界附近的数字，由于不能超出区域的范围，显示区域却非常受限。为此，可以采用类似于Mean-Shift分割的迭代方法，逐步移动中心位置O_k，直至不与边界重叠或迭代次数超过10次为止：

该迭代通过计算局部邻域内区域编号相同的像素的平均位置，使得中心位置O_k逐渐远离区域边界。其中，表示以O_k为中心，以R为半径的邻域范围，而n_k是该邻域范围内的编号相同的像素的数量。

进一步，所述步骤5中，首先，计算方向场。假设输入图像为I,统计滤波后的图像为F，分别计算它们的Sobel梯度和，然后构建张量场高斯模糊该张量场后，分析其特征值，对应的特征向量即为梯度和切向方向。

进一步，所述步骤6中，通过卷积的方法生成切向流线：

x_k+1＝x_k+t(x_k)

其中，t(x_k)是在x_k处的单位切向量。由于x_k往往不在整数像素位置上，本发明采用双线性插值的方法计算t(x_k)。每一次卷积，都可以获得表示为多边形的一条流线{x_k}。本发明在图像空间撒1000个随机点，逐一从这些点出发进行卷积。假设笔刷的长度和宽度分别是ι和ω，当卷积的长度超过ι，或者遇到区域边界、数字符号或已经卷积过的位置时，卷积终止。此外，每次卷积后，都需要在图像空间作相应的记录，即以流线上的点{x_k}为圆心、以ω为半径的圆逐一进行标记，以保证流线之间的距离大于ω。需要强调的是，笔刷的长度和宽度与所处区域的面积有关，即ι＝ι_max*β，ω＝ω_max*β，其中ι_max和ω_max分别是最大允许的笔刷长度和宽度，s取2.5，A为归一化的区域面积。

目前，绘画者在传统油画画布的每个区域内部涂上与其数字对应的颜料即可完成一幅自己的手绘作品，是一种喜闻乐见、零基础的艺术形式。然而，数字油画画布的设计极为复杂，需要专业设计人员花费大量的时间,且目前的数字油画无法提示笔刷的走向和大小，对初次使用者造成了困扰。本发明提出了基于图像的数字油画画布自动生成方法，并通过自适应的方法保证了数字编号和提示流线用合适的大小显示在正确的位置，让没有绘画基础的人也能轻松完成一副不错的艺术作品，并在制作过程中享受艺术创作的乐趣。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (7)

1.基于图像的数字油画画布的自动生成方法，包括以下步骤：

步骤1、用Mean-Shift图像分割算法对输入图像I进行分割，并用每个区域的平均颜色代替原有颜色，得到分割图像Ir；

步骤2、将Ir的区域边界通过统计滤波进行边界光顺，得到边界图像Ie；

步骤3、采用K均值算法将Ir的每个区域的平均颜色进行聚类分析；

步骤4、根据Ir中每个区域的轮廓，自适应调整与其对应的颜色编号的大小和位置；

步骤5、根据输入图像I和边界图像Ie计算方向场；

步骤6、通过方向场的线积分卷积，得到提示笔刷大小和走向的流线；

步骤7、将边界线条、数字编号和提示流线合成到一起，得到最终的数字油画画布。

2.如权利要求1所述的基于图像的数字油画画布的自动生成方法，其特征在于：所述步骤1中，对于处在位置(x，y)的像素，记其颜色为(R，G，B)，用位置-颜色空间的五维向量构建一个初始样本，其中α是将调整空间尺度的归一化量，取255/图像长度；那么，Mean-Shift分割可以表示为一个寻找中心位置的迭代过程：

${\hat{y}}_{k+1}=\frac{1}{n_k}{\mathrm{\Σ}}_{\left|\right|{\hat{x}}_i-{\hat{y}}_k\left|\right|\≤\mathrm{\δ}}{\hat{x}}_i$

其中，k表示当前迭代的次数，表示第k次迭代的均值位置，n_k是局部邻域内初始样本的数量，每次迭代都是对所有满足局部邻域条件的初始样本求平均，δ用于控制局部邻域的大小；该迭代是一个根据初始样本的分布不断移动局部邻域中心的过程，当该中心位置几乎不移动时终止迭代；此外，Mean-Shift算法从每一个初始样本出发分别进行上述迭代；迭代终止后，将终止中心位置较近的初始样本归为一类，从而完成图像的分割，最后用每个区域的平均颜色{c_j}取代原有的像素颜色。

3.如权利要求1所述的基于图像的数字油画画布的自动生成方法，其特征在于：所述步骤2中，对于当前像素p，记其所在的区域编号为λ_p，统计其局部邻域内所有像素的区域编号{λ_q|||p-q||≤s}，并将当前像素p的区域编号赋值为出现次数最多的区域编号λ_q；该滤波保持了图像分割整体结果的同时，有效去除了边界的锯齿；其中，参数s是控制边界光滑程度的一个整数，s越大，边界线条越光滑。

4.如权利要求1所述的基于图像的数字油画画布的自动生成方法，其特征在于：所述步骤3中，将每个区域的平均颜色{c_j}作为输入，1≤j≤N，N为区域总数，采用K均值算法进行聚类分析；它是一个迭代求解的过程：在第k次迭代中，计算所有c_j与代表颜色的距离并将c_j归类到距离最近的代表颜色所在的类中；接着，根据上述归类，重新计算每一个代表颜色的值，即对归类到的所有颜色求平均,并进入下一次迭代,直至颜色误差变化小于某一阈值或迭代次数超过一定的值；需要指出的是，为了提高算法稳定性和收敛速度，选取面积最大的K个区域的平均颜色作为代表颜色的初始值

5.如权利要求1所述的基于图像的数字油画画布的自动生成方法，其特征在于：步骤4所述的自适应调整数字的大小和位置，保证数字编号在最终数字油画画布中清晰可见，所述的步骤4由以下步骤组成：

(4.1)我们沿着中心位置的上、下、左、右四个方向进行搜索，假设在其中一个方向首先遇到该区域内的像素p₁，继续沿着该方向搜索，直至找到离开该区域的位置或图像边界p₂，那么我们将数字的中心位置设为O_k＝(p₁+p₂)/2；

(4.2)为保证数字显示的可见性，数字在区域内部应尽可能的大，即记最大允许的大小为R；然而，位置在区域边界附近的数字，由于不能超出区域的范围，显示区域却非常受限；为此，采用类似于Mean-Shift分割的迭代方法，逐步移动中心位置O_k，直至不与边界重叠或迭代次数超过10次为止：

$O_{k+1}=\frac{1}{n_k}{\mathrm{\Σ}}_{\left|\right|p_i-O_k\left|\right|\≤R,{\mathrm{\λ}}_{p_i}={\mathrm{\λ}}_{O_k}}{p}_i$

该迭代通过计算局部邻域内区域编号相同的像素的平均位置，使得中心位置O_k逐渐远离区域边界；其中，表示以O_k为中心，以R为半径的邻域范围，而n_k是该邻域范围内的编号相同的像素的数量；

(4.3)对于面积很小或形状细长的区域，可能放不下大小为R的数字符号；为此，我们只能适当缩小数字符号的大小，以保证其显示在区域内部。

6.如权利要求1所述的基于图像的数字油画画布的自动生成方法，其特征在于：所述步骤5中，首先，计算方向场；假设输入图像为I,统计滤波后的图像为F，分别计算它们的Sobel梯度和然后构建张量场高斯模糊该张量场后，分析其特征值，对应的特征向量即为梯度和切向方向。

7.如权利要求1所述的基于图像的数字油画画布的自动生成方法，其特征在于：步骤6由以下步骤组成：

(6.1)我们在图像空间撒1000个随机点，逐一从这些点出发进行卷积；生成切向流线：

x_k+1＝x_k+t(x_k)

其中，t(x_k)是在x_k处的单位切向量；由于x_k往往不在整数像素位置上，我们采用双线性插值的方法计算t(x_k)；每一次卷积，我们都可以获得表示为多边形的一条流线{x_k}；

(6.2)假设笔刷的长度和宽度分别是ι和ω，当卷积的长度超过ι，或者遇到区域边界、数字符号或已经卷积过的位置时，卷积终止；

(6.3)此外，每次卷积后，都需要在图像空间作相应的记录，即以流线上的点{x_k}为圆心、以ω为半径的圆逐一进行标记，以保证流线之间的距离大于ω；需要强调的是，笔刷的长度和宽度与所处区域的面积有关，即ι＝ι_max*β，ω＝ω_max*β，其中ι_max和ω_max分别是最大允许的笔刷长度和宽度，s取2.5，A为归一化的区域面积。