CN111951345B - 一种基于gpu的实时图像视频油画风格化方法 - Google Patents

一种基于gpu的实时图像视频油画风格化方法 Download PDF

Info

Publication number
CN111951345B
CN111951345B CN202010794522.9A CN202010794522A CN111951345B CN 111951345 B CN111951345 B CN 111951345B CN 202010794522 A CN202010794522 A CN 202010794522A CN 111951345 B CN111951345 B CN 111951345B
Authority
CN
China
Prior art keywords
texture
brush
layer
current
image
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
Application number
CN202010794522.9A
Other languages
English (en)
Other versions
CN111951345A (zh
Inventor
张金矿
熊永春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Xiaoying Innovation Technology Co ltd
Original Assignee
Hangzhou Xiaoying Innovation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Xiaoying Innovation Technology Co ltd filed Critical Hangzhou Xiaoying Innovation Technology Co ltd
Priority to CN202010794522.9A priority Critical patent/CN111951345B/zh
Publication of CN111951345A publication Critical patent/CN111951345A/zh
Application granted granted Critical
Publication of CN111951345B publication Critical patent/CN111951345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种基于GPU的实时图像视频油画风格化方法。它具体包括如下步骤：加载图片生成图像纹理，加载背景图片生成背景纹理；加载参数，包括图层参数、融合参数、高度参数、光照参数；根据图层参数执行分层渲染得到图层纹理；使用索贝尔算子对图像纹理进行边缘提取，然后使用高斯模糊平滑和线积分卷积得到高度纹理；根据融合参数融合背景纹理、图层纹理、图像纹理和高度纹理；最后根据纹理图片的像素颜色值估计每个对应像素坐标uv的法向量，按照Phone光照模型选择合适参数处理纹理图片增加纹理光照细节；渲染最终纹理到屏幕；转换最终纹理到图片并保存。本发明的有益效果是：实时风格化转换；达到分层绘画的效果；输出各样风格效果。

Description

一种基于GPU的实时图像视频油画风格化方法
技术领域
本发明涉及图像视频处理相关技术领域，尤其是指一种基于GPU的实时图像视频油画风格化方法。
背景技术
图像和视频的油画风格化是计算机图形学中非真实感绘制的一个热门问题，在电影、动画和游戏等的艺术化表现方式中有着非常广泛的应用。现有的油画风格化方法大致分为三类：第一类是基于滤波的方法，这种方法使用保边的滤波或者像素量子化把图像中的相似像素区域合并，其有较高的执行效率但风格化的效果比较单一无法形成覆盖多种多样的油画风格；第二类是基于笔刷的方法，该方法模拟绘画过程中的笔刷效果根据原始图像的纹理一笔一笔的画到画布上，其可以模拟多种油画风格但计算过程较复杂无法做到实时化甚至移动端的实时化；第三类是基于深度学习的方法，该方法能很好地模拟特定的风格化，但其还无法达到移动端实时化，而且深度学习昂贵的计算条件还不能满足复杂的移动端设备要求。
发明内容
本发明是为了克服现有技术中存在上述的不足，提供了一种能够实时风格化转换的基于GPU的实时图像视频油画风格化方法。
为了实现上述目的，本发明采用以下技术方案：
一种基于GPU的实时图像视频油画风格化方法，具体包括如下步骤：
(1)加载图片生成图像纹理，加载背景图片生成背景纹理；
(2)加载参数，包括图层参数、融合参数、高度参数、光照参数；
(3)根据图层参数执行分层渲染得到图层纹理；
(4)使用索贝尔Sobel算子对图像纹理进行边缘提取，然后使用高斯模糊平滑和线积分卷积得到高度纹理；
(5)根据融合参数融合背景纹理、图层纹理、图像纹理和高度纹理；
(6)最后根据纹理图片的像素颜色值估计每个对应像素坐标uv的法向量，按照Phone光照模型选择合适参数处理纹理图片，增加纹理光照细节；
(7)渲染最终纹理到屏幕；
(8)转换最终纹理到图片并保存。
本发明利用GPU强大的并行处理能力，将油画风格化中绝大部分对图像的操作转换为GPU中的纹理操作，以达到对图像和视频的实时风格化转换，甚至移动端的实时转换；采用模拟分层绘制以达到真实油画绘画过程中的分层绘画的效果；可自定义分层绘制中各个图层的参数可以输出各种各样的风格效果。
作为优选，在步骤(3)中，分层渲染采用了在GPU中分层绘制的方法，采用每一个图层串行地在GPU中绘制，当前图层接受上一图层的纹理输出并用片段着色器进行处理，最后把处理的结果输出到新的纹理供下一图层使用，每一图层的参数如下：
Quality：代表当前层所能还原的最大图像质量，控制笔刷的密集度，该值越大代表笔刷越密集所能还原的图像质量越高；
BrushTexture：笔刷纹理，每一层都能接受一个不同的笔刷纹理，每个uv点在该纹理上采样，基于该纹理生成特定笔刷的样式；
BrushWidth：笔刷半径，代表与Cell大小的比例，用以缩放笔刷纹理；
Aspect：笔刷的长宽比，大的长宽比能够产生更加抽象的风格效果；
Detail：根据图像在当前Cell的像素梯度的模来控制该Cell的笔刷是否应该被绘制，表示保留的细节程度，颜色变化越大像素梯度的模越大则该笔刷更能表现细节；
Delta：根据上一图层当前Cell的像素与原始图像像素差异来控制当前Cell的笔刷是否应该被绘制；
Force：当前uv点与上一层纹理融合时的融合比例，用以表示该层笔刷绘制时的力度；
Noise：噪音强度；
每一个图层都会有一个quality参数表示该图层最大能表现的图像质量，取值范围为0～1，并且根据quality把图像网格化为Cell，Cell的个数为NImage·quality，NImage为图像的像素个数，则每个Cell的大小为然后基于每个Cell生成笔刷，GPU中处理只能以每个纹理的uv点进行处理，因此需要在每一个图层计算当前uv点的颜色时计算该uv点所属的笔刷并且在该笔刷中的位置。
作为优选，分层绘制的具体流程如下：
(31)绑定上一图层的输出纹理和原始图片纹理以及当前图层参数到GPU自定义着色器中；
(32)根据Quality划分Cell，计算每个Cell的大小，根据BrushWidth和Aspect计算笔刷的长宽以每个Cell为中心绘制笔刷，根据Quality计算该层像素采样时的所使用的细节层LOD和采样偏移PixelOffset；
(33)计算当前uv所在的Cell；
(34)根据当前Cell遍历周围邻域内的Cell进行笔刷的绘制得到该uv点最终的颜色；
(35)根据Force融合上一图层该uv点的颜色与上一步多个Cell融合后的颜色；
(36)输出到帧缓存，并映射到纹理供下一层使用。
作为优选，在步骤(34)中，因为当前Cell的笔刷也可以绘制到邻近的其他Cell，每一个uv点的颜色是由所有可能到达该点的笔刷共同造成的，因此需要对当前Cell周围的Cell进行遍历绘制才能得到该uv点最终的颜色，采用下面流程，下面流程中的Cell为遍历时的Cell，具体流程如下：
(341)由Cell计算笔刷中心center，为笔刷中心增加噪音，用于控制所生成的油画的样式，增加结果效果的差异化；
(342)根据笔刷中心和LOD对原始图片纹理采样得到当前笔刷颜色；
(343)利用PixelOffset计算当前像素点的梯度场；
(344)计算笔刷方向n，笔刷方向为当前点梯度方向的垂直方向；
(345)根据Detail和Delta判定该笔刷是否需要绘制；
(346)根据笔刷中心、笔刷方向和笔刷半径把当前uv坐标映射到笔刷纹理坐标，具体为：
Δ＝uv-center
其中uv表示当前像素坐标位置，center是笔刷的中心点位置，nx表示当前点X轴的梯度方向，ny表示当前点Y轴的梯度方向；
(347)根据映射的笔刷纹理坐标采样得到当前像素坐标uv对应的融合系数alpha；
(348)根据alpha融合所有近邻Cell笔刷在该点的颜色。
作为优选，在步骤(4)中，具体为：对原始图像纹理执行Sobel算子生成梯度场纹理，对该梯度场纹理进行一次高斯滤波得到平滑的梯度场，最后结合噪声纹理图片，对平滑后的梯度场进行线积分卷积，得到高度纹理图，增加结果的差异度和丰富风格。
本发明的有益效果是：达到对图像和视频的实时风格化转换，甚至移动端的实时转换；达到真实油画绘画过程中的分层绘画的效果；可以输出各种各样的风格效果。
附图说明
图1是本发明的方法流程图；
图2是分层绘制的方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1所述的实施例中，一种基于GPU的实时图像视频油画风格化方法，具体包括如下步骤：
(1)加载图片生成图像纹理，加载背景图片生成背景纹理；
(2)加载参数，包括图层参数、融合参数、高度参数、光照参数；
(3)根据图层参数执行分层渲染得到图层纹理；为了模拟真实绘画时采用分层绘制的效果，分层渲染采用了在GPU中分层绘制的方法，采用每一个图层串行地在GPU中绘制，当前图层接受上一图层的纹理输出并用片段着色器进行处理，最后把处理的结果输出到新的纹理供下一图层使用，每一图层的参数如下：
Quality：代表当前层所能还原的最大图像质量，控制笔刷的密集度，该值越大代表笔刷越密集所能还原的图像质量越高；
BrushTexture：笔刷纹理，每一层都能接受一个不同的笔刷纹理，每个uv点在该纹理上采样，基于该纹理生成特定笔刷的样式；
BrushWidth：笔刷半径，代表与Cell大小的比例，用以缩放笔刷纹理；
Aspect：笔刷的长宽比，大的长宽比能够产生更加抽象的风格效果；
Detail：根据图像在当前Cell的像素梯度的模来控制该Cell的笔刷是否应该被绘制，表示保留的细节程度，颜色变化越大像素梯度的模越大则该笔刷更能表现细节；
Delta：根据上一图层当前Cell的像素与原始图像像素差异来控制当前Cell的笔刷是否应该被绘制；
Force：当前uv点与上一层纹理融合时的融合比例，用以表示该层笔刷绘制时的力度；
Noise：噪音强度；
每一个图层都会有一个quality参数表示该图层最大能表现的图像质量，取值范围为0～1，并且根据quality把图像网格化为Cell，Cell的个数为NImage·quality，NImage为图像的像素个数，则每个Cell的大小为然后基于每个Cell生成笔刷，GPU中处理只能以每个纹理的uv点进行处理，因此需要在每一个图层计算当前uv点的颜色时计算该uv点所属的笔刷并且在该笔刷中的位置。如图2所示，分层绘制的具体流程如下：
(31)绑定上一图层的输出纹理和原始图片纹理以及当前图层参数到GPU自定义着色器中；
(32)根据Quality划分Cell，计算每个Cell的大小，根据BrushWidth和Aspect计算笔刷的长宽以每个Cell为中心绘制笔刷，根据Quality计算该层像素采样时的所使用的细节层LOD和采样偏移PixelOffset；
(33)计算当前uv所在的Cell；
(34)根据当前Cell遍历周围邻域内的Cell进行笔刷的绘制得到该uv点最终的颜色；因为当前Cell的笔刷也可以绘制到邻近的其他Cell，每一个uv点的颜色是由所有可能到达该点的笔刷共同造成的，因此需要对当前Cell周围的Cell进行遍历绘制才能得到该uv点最终的颜色，采用下面流程，下面流程中的Cell为遍历时的Cell，具体流程如下：
(341)由Cell计算笔刷中心center，为笔刷中心增加噪音，用于控制所生成的油画的样式，增加结果效果的差异化；
(342)根据笔刷中心和LOD对原始图片纹理采样得到当前笔刷颜色；
(343)利用PixelOffset计算当前像素点的梯度场；
(344)计算笔刷方向n，笔刷方向为当前点梯度方向的垂直方向；
(345)根据Detail和Delta判定该笔刷是否需要绘制；
(346)根据笔刷中心、笔刷方向和笔刷半径把当前uv坐标映射到笔刷纹理坐标，具体为：
Δ＝uv-center
其中uv表示当前像素坐标位置，center是笔刷的中心点位置，nx表示当前点X轴的梯度方向，ny表示当前点Y轴的梯度方向；
(347)根据映射的笔刷纹理坐标采样得到当前像素坐标uv对应的融合系数alpha；
(348)根据alpha融合所有近邻Cell笔刷在该点的颜色。
(35)根据Force融合上一图层该uv点的颜色与上一步多个Cell融合后的颜色；
(36)输出到帧缓存，并映射到纹理供下一层使用。
(4)使用索贝尔Sobel算子对图像纹理进行边缘提取，然后使用高斯模糊平滑和线积分卷积得到高度纹理；具体为：为了增强笔刷效果会额外生成一张高度图来模拟笔刷绘制到纸上的凸起效果，对原始图像纹理执行Sobel算子生成梯度场纹理，对该梯度场纹理进行一次高斯滤波得到平滑的梯度场，最后结合噪声纹理图片，对平滑后的梯度场进行线积分卷积，得到高度纹理图，增加结果的差异度和丰富风格。
(5)根据融合参数融合背景纹理、图层纹理、图像纹理和高度纹理；
(6)最后根据纹理图片的像素颜色值估计每个对应像素坐标uv的法向量，按照Phone光照模型选择合适参数处理纹理图片，增加纹理光照细节；
(7)渲染最终纹理到屏幕；
(8)转换最终纹理到图片并保存。
本发明为了充分利用GPU强大的并行计算能力，把直接对图片的操作转为了GPU中对纹理的操作，利用GPU的片段着色器对纹理进行计算来达到并行处理图像的目的，这样使得图像中的每一个像素都可以在GPU上自动的并行处理。这种方法是以每一个uv点为单位并行计算，只需要某些情况下每个uv都需要额外的计算相同的预处理逻辑就可以享受所有uv并行计算。计算流程为：
(1)加载图像并生成纹理；
(2)初始化帧缓存FrameBuffer并绑定输出纹理；
(3)加载顶点着色器和片段着色器，并组成渲染管线；
(4)把纹理设置到管线；
(5)执行渲染到帧缓存FrameBuffer；
(6)该帧缓存FrameBuffer的纹理用以下一阶段使用。
本发明利用GPU强大的并行处理能力，将油画风格化中绝大部分对图像的操作转换为GPU中的纹理操作，以达到对图像和视频的实时风格化转换，甚至移动端的实时转换；采用模拟分层绘制以达到真实油画绘画过程中的分层绘画的效果；可自定义分层绘制中各个图层的参数可以输出各种各样的风格效果。

Claims (3)

1.一种基于GPU的实时图像视频油画风格化方法，其特征是，具体包括如下步骤：
(1)加载图片生成图像纹理，加载背景图片生成背景纹理；
(2)加载参数，包括图层参数、融合参数、高度参数、光照参数；
(3)根据图层参数执行分层渲染得到图层纹理；
(4)使用索贝尔Sobel算子对图像纹理进行边缘提取，然后使用高斯模糊平滑和线积分卷积得到高度纹理；
(5)根据融合参数融合背景纹理、图层纹理、图像纹理和高度纹理；
(6)最后根据纹理图片的像素颜色值估计每个对应像素坐标uv的法向量，按照Phone光照模型选择参数处理纹理图片，增加纹理光照细节；
(7)渲染最终纹理到屏幕；
(8)转换最终纹理到图片并保存；
其中，在步骤(3)中，分层渲染采用了在GPU中分层绘制的方法，采用每一个图层串行地在GPU中绘制，当前图层接受上一图层的纹理输出并用片段着色器进行处理，最后把处理的结果输出到新的纹理供下一图层使用，每一图层的参数如下：
Quality：代表当前层所能还原的最大图像质量，控制笔刷的密集度，该值越大代表笔刷越密集所能还原的图像质量越高；
BrushTexture：笔刷纹理，每一层都能接受一个不同的笔刷纹理，每个uv点在该纹理上采样，基于该纹理生成笔刷的样式；
BrushWidth：笔刷半径，代表与Cell大小的比例，用以缩放笔刷纹理；
Aspect：笔刷的长宽比，大的长宽比能够产生更加抽象的风格效果；
Detail：根据图像在当前Cell的像素梯度的模来控制该Cell的笔刷是否应该被绘制，表示保留的细节程度，颜色变化越大像素梯度的模越大则该笔刷更能表现细节；
Delta：根据上一图层当前Cell的像素与原始图像像素差异来控制当前Cell的笔刷是否应该被绘制；
Force：当前uv点与上一层纹理融合时的融合比例，用以表示该层笔刷绘制时的力度；
Noise：噪音强度；
每一个图层都会有一个quality参数表示该图层最大能表现的图像质量，取值范围为0～1，并且根据quality把图像网格化为Cell，Cell的个数为NImage·quality，NImage为图像的像素个数，则每个Cell的大小为然后基于每个Cell生成笔刷，GPU中处理只能以每个纹理的uv点进行处理，因此需要在每一个图层计算当前uv点的颜色时计算该uv点所属的笔刷并且在该笔刷中的位置；而分层绘制的具体流程如下：
(31)绑定上一图层的输出纹理和原始图片纹理以及当前图层参数到GPU自定义着色器中；
(32)根据Quality划分Cell，计算每个Cell的大小，根据BrushWidth和Aspect计算笔刷的长宽以每个Cell为中心绘制笔刷，根据Quality计算该层像素采样时的所使用的细节层LOD和采样偏移PixelOffset；
(33)计算当前uv所在的Cell；
(34)根据当前Cell遍历周围邻域内的Cell进行笔刷的绘制得到该uv点最终的颜色；
(35)根据Force融合上一图层该uv点的颜色与上一步多个Cell融合后的颜色；
(36)输出到帧缓存，并映射到纹理供下一层使用。
2.根据权利要求1所述的一种基于GPU的实时图像视频油画风格化方法，其特征是，在步骤(34)中，采用下面流程，下面流程中的Cell为遍历时的Cell，具体流程如下：
(341)由Cell计算笔刷中心center，为笔刷中心增加噪音，用于控制所生成的油画的样式，增加结果效果的差异化；
(342)根据笔刷中心和LOD对原始图片纹理采样得到当前笔刷颜色；
(343)利用PixelOffset计算当前像素点的梯度场；
(344)计算笔刷方向n，笔刷方向为当前点梯度方向的垂直方向；
(345)根据Detail和Delta判定该笔刷是否需要绘制；
(346)根据笔刷中心、笔刷方向和笔刷半径把当前uv坐标映射到笔刷纹理坐标，具体为：
Δ＝uv-center
其中uv表示当前像素坐标位置，center是笔刷的中心点位置，nx表示当前点X轴的梯度方向，ny表示当前点Y轴的梯度方向；
(347)根据映射的笔刷纹理坐标采样得到当前像素坐标uv对应的融合系数alpha；
(348)根据alpha融合所有近邻Cell笔刷在该点的颜色。
3.根据权利要求1所述的一种基于GPU的实时图像视频油画风格化方法，其特征是，在步骤(4)中，具体为：对原始图像纹理执行Sobel算子生成梯度场纹理，对该梯度场纹理进行一次高斯滤波得到平滑的梯度场，最后结合噪声纹理图片，对平滑后的梯度场进行线积分卷积，得到高度纹理图。
CN202010794522.9A 2020-08-10 2020-08-10 一种基于gpu的实时图像视频油画风格化方法 Active CN111951345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010794522.9A CN111951345B (zh) 2020-08-10 2020-08-10 一种基于gpu的实时图像视频油画风格化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794522.9A CN111951345B (zh) 2020-08-10 2020-08-10 一种基于gpu的实时图像视频油画风格化方法

Publications (2)

Publication Number Publication Date
CN111951345A CN111951345A (zh) 2020-11-17
CN111951345B true CN111951345B (zh) 2024-03-26

Family

ID=73332714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794522.9A Active CN111951345B (zh) 2020-08-10 2020-08-10 一种基于gpu的实时图像视频油画风格化方法

Country Status (1)

Country Link
CN (1) CN111951345B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112691378B (zh) * 2020-12-23 2022-06-07 完美世界(北京)软件科技发展有限公司 图像处理方法、设备及可读介质
CN116630510B (zh) * 2023-05-24 2024-01-26 浪潮智慧科技有限公司 一种有关圆锥渐变纹理的生成方法、设备及介质
CN116501217B (zh) * 2023-06-26 2023-09-05 瀚博半导体(上海)有限公司 视觉数据处理方法、装置、计算机设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930614A (zh) * 2010-08-10 2010-12-29 西安交通大学 基于视频分层的绘画渲染方法
CN104820999A (zh) * 2015-04-28 2015-08-05 成都品果科技有限公司 一种将自然图像转换成水墨画风格图像的方法
CN105303598A (zh) * 2015-10-23 2016-02-03 浙江工业大学 基于纹理传输的多风格视频艺术化处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8081187B2 (en) * 2006-11-22 2011-12-20 Autodesk, Inc. Pencil strokes for vector based drawing elements

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930614A (zh) * 2010-08-10 2010-12-29 西安交通大学 基于视频分层的绘画渲染方法
CN104820999A (zh) * 2015-04-28 2015-08-05 成都品果科技有限公司 一种将自然图像转换成水墨画风格图像的方法
CN105303598A (zh) * 2015-10-23 2016-02-03 浙江工业大学 基于纹理传输的多风格视频艺术化处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
图像和视频油画风格化研究;黄华等;计算机科学;第38卷(第6期);1-3 *
基于GPU加速的梵高流线风格油画实时渲染绘制算法;赵杨;;电子测试(04);37-39 *

Also Published As

Publication number Publication date
CN111951345A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111951345B (zh) 一种基于gpu的实时图像视频油画风格化方法
CN103503032A (zh) 图形硬件中的纹理化
US20060214946A1 (en) Hardware accelerated anti-aliased primitives using alpha gradients
CN111986075A (zh) 一种目标边缘清晰化的风格迁移方法
US11887218B2 (en) Image optimization method, apparatus, device and storage medium
CN111951172A (zh) 一种图像优化方法、装置、设备和存储介质
CN105956995A (zh) 一种基于实时视频本征分解的人脸外观编辑方法
CN105574814A (zh) 一种肖像剪纸特效的生成方法
CN103685858A (zh) 视频实时处理的方法及设备
US6760032B1 (en) Hardware-implemented cellular automata system and method
CN114581979A (zh) 图像处理方法和装置
CN110610504A (zh) 基于骨架与色调的铅笔画生成方法及装置
Zhu et al. Sand painting conversion based on detail preservation
Huang et al. Image style transfer for autonomous multi-robot systems
CN111627098B (zh) 对图像中水流区域识别并生成动态水流视频的方法及装置
US20230082839A1 (en) Rendering scalable raster content
Gao et al. PencilArt: a chromatic penciling style generation framework
KR100904892B1 (ko) 회화적 렌더링 장치 및 그 방법
CN111476868A (zh) 基于深度学习的动画生成模型训练、动画生成方法及装置
Hettinga et al. Adaptive image vectorisation and brushing using mesh colours
CN113256694A (zh) 一种眉笔绘制方法和装置
AU2014215953A1 (en) Rendering diffusion curve images using multigrid Laplacian smoothing with boundary constraint pixels
Xie et al. A colored pencil-drawing generating method based on interactive colorization
Chen et al. Importance-driven composition of multiple rendering styles
Zhang The application of directional derivative in the design of animation characters and background elements

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 22nd floor, block a, Huaxing Times Square, 478 Wensan Road, Xihu District, Hangzhou, Zhejiang 310000

Applicant after: Hangzhou Xiaoying Innovation Technology Co.,Ltd.

Address before: 310000 16 / F, HANGGANG metallurgical technology building, 294 Tianmushan Road, Xihu District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU QUWEI SCIENCE & TECHNOLOGY Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant