一种彩色图像抽象化绘制方法

摘要

本发明公开了一种彩色图像抽象化绘制方法，该方法将输入待处理的图像，对图像在RGB颜色空间中R、G、B通道分别求其梯度，并对三通道的梯度进行融合，得到图像的初始轮廓图像；根据轮廓图像构造图像的边缘切向流，进行平滑，在此基础上用FDOG滤波方法对图像线条画进行提取；与此同时，对输入图像用Catté提出的非线性扩散平滑方法进行平滑，采用HSI颜色空间的颜色直方图方法对图像进行量化。最终，将量化图像和线条化图像进行融合叠加。该方法能忽略原图像的局部细节，但保留了较显著的轮廓特征，画面简洁悦目，又不失原有特征，具有较强的适用性。

说明书

技术领域

本发明属于计算机图像处理中非真实感绘制技术领域，具体涉及一种彩 色图像抽象化风格绘制的方法。

背景技术

图像的抽象化绘制能将某个对象以简洁、含蓄、带有美学特征的方式借 助计算机表现出来，它的特点是能简化所需要表达的对象；对现实的某个部 分进行夸大；使观察者集中注意力于某个部分。艺术风格绘制是模仿一种艺 术媒介，为艺术创作者提供更强的控制手段和艺术环境。图像增强处理，能 按照特定的需求突出图像中的重要信息，减弱或去除不需要的信息，将原本 模糊不清甚至跟本无法分辨的原始图像运用各种技术增强最终图像的视觉 效果。动画图像生成，动画的非真实感绘制分为可视化交流和基于艺术风格 渲染两类。通过这种信息抽象能够清晰明了地表达出场景和物体的特征，从 而提供了一种有效表达场景信息的途径，强调的是信息的抽象或突出，细节 的忽略或增强，弥补了真实感绘制方法的局限。

目前，NPR通过对多种艺术作品，如水彩画、各种风格的油画、中国 画、点画等的模拟创作，已经在医学、动画制作、建筑、虚拟现实等领域得 到了广泛的应用。

近年来，专家学者对图像抽象化绘制方法进行了热点研究，Zhang等人 把食品中的瀑布和河流等流水的动画抽象化成中国画风格，参见文献 S.Zhang，T.Chen，Y.Zhang.Video-Based Running water animation in  chinese paiting style，Svience in china series F:information science， 2009，52(2)p162-171。为了实现非均匀抽象化，利用多尺度的Canny边缘 检测算法来抽取图像的结构，利用泊松重建技术从目标梯度场的道抽象化图 像，参见文献A.Orzan，A.Bousseau，P.Barla， J.Thollot.Structure-preserving manipulation of photographs.In  proceedings of ACM，New York，2007：103-110；对于实时的食品和图像 抽象化框架，假定高对比度区域为视觉的重要区域，利用DOG线条抽取技术 对高对比度区域额外增加对比度，用双边滤波对低对比度区域减少对比度， 该方法能生成有良好时间连贯性的卡通效果。参见文献H.Winnemller， S.C.Oisen，B.Gooch.Real-time video abstraction.In proceedings of ACM  SIGGRAPH’06，ACM，New York，2006:1221-1226。为了同时简化形状和颜色 而又保持重要特征的目的，文献H.Kang，S，Lee.Shape-simplefying image  abstraction.computer graphics forum，2008，27(7)：61-68，将图像的 原始平均曲率流改进为受流场约束的平均曲率流，更能表达特征方向感和形 状边缘特性，且该方法可以迭代，便于控制抽象化的程度。

发明内容

针对现有的非真实感绘制技术存在的缺陷或不足，本发明的目的在于， 提供一种彩色图像抽象化绘制方法，该方法以图像线条画提取和图像增强处 理为基础，展现图像的轮廓信息，图像抽象化处理后忽略了原图像的局部细 节，但保留了较显著的轮廓特征，画面简洁悦目，又不失原有特征。

为了实现上述任务，本发明采用如下的技术解决方案得以实现：

一种彩色图像抽象化绘制方法，其特征在于，该方法按下述步骤进行：

1）提取输入图像的线条画

a、在RGB颜色空间分别计算输入图像的各像素在R、G、B通道的梯度， 在计算过程中采用Sobel算子的3×3模板，在x，y方向上进行梯度计算， 对于计算所得像素的梯度分别取其在R、G、B通道的幅值；取其幅值最大者 作为该像素的幅值，形成图像局部边缘；

b、将a步骤所得的图像局部边缘作为输入，通过构造边缘切向流计算 图像的局部方向场；在每个像素为中心的内核，对像素进行非线性平滑滤波， 保存凸边的方向，弱边缘被重新定向到邻近的主导区域，同时，保留锐化的 边角；

c、根据b步骤提供的边缘切向流方向图，用基于流的高斯差分滤波对 其线条进行提取；

2）对输入图像进行量化

a、对原始图像用Catté提出的非线性扩散方法进行平滑；

b、平滑后的图像转化到HSI颜色空间，对色调和饱和度分量进行量化；

3)将1）、2）所得的图像用加权平均的方法进行融合处理。

本发明的彩色图像抽象化绘制方法，采用对输入的图像在RGB颜色空间 中R、G、B通道分别求其梯度，并对三通道的梯度进行融合，得到图像的初 始轮廓图像；然后根据轮廓图像构造图像的边缘切向流，进行平滑，在此基 础上用FDOG滤波方法对图像线条画进行提取；与此同时，对输入图像用Catt é提出的非线性扩散平滑方法进行平滑，采用HSI颜色空间的颜色直方图方 法对图像进行量化，最终得到图像的抽象化风格绘制图像。与现有技术相比， 该方法能增强彩色图像的轮廓特征，忽略图像的次要信息，并且显著改善已 有抽象化方法的绘制质量，具有较强的适用性。

附图说明

图1为本发明的彩色图像抽象化绘制方法的流程图；

图2为本发明实例中采用的原始图像；

图3为参数为σ_c＝0.4，σ_m＝4，ρ＝0.998，τ＝0.7，w₁＝0.7,w₂＝0.3 时图像效果。图中，从左至右分别为（a）、线条画图，（b）、量化图，（c）、 抽象化效果图。

图4为参数为σ_c＝0.4，σ_m＝4，ρ＝0.993，τ＝0.7，w₁＝0.6,w₂＝0.4 时图像效果。图中，从左至右分别为（a）、线条画图，（b）、量化图，（c）、 抽象化效果图。

图5为参数为σ_c＝0.4，σ_m＝4，ρ＝0.996，τ＝0.9，w₁＝0.8,w₂＝0.2 时图像效果。图中，从左至右分别为（a）、线条画图，（b）、量化图，（c）、 抽象化效果图。

以下结合附图和实施例对本发明作进一步的详细说明。

具体实施方式

本发明的彩色图像抽象化绘制方法的设计思路是：

基于RGB颜色空间中，R、G、B颜色通道梯度的提取，将提取的图像的 R、G、B边缘图像进行融合，能提高运算速度，有效地抑制噪声，对相同像 素上不同通道的梯度，根据其值的大小进行融合，使图像边缘轮廓已经比较 清晰，为后面图像线条画的提取提供更好的条件。

基于构造边缘切向流，在每个中心像素的内核，进行向量的非线性平滑， 这样突出的边缘方向都被保留，还能避免不良的“旋涡”；而弱边界则根据 邻域内主要的方向被重新定向。并且，保留锐化的边角，对具有相似方向的 边界进行平滑。这也可以防止弱向量被不重要的强向量影响，从而导致出现 更紧密的向量。

基于FDOG线条画提取，当沿着边缘流移动时在梯度方向上进行线性DOG 滤波，同时沿着流方向收集每个像素的滤波响应，在推断其为边缘之前作为 收集数据的方法。这样就可以沿着真正的边缘夸大其滤波输出，同时减弱了 伪边缘的输出；这样不但能增加边缘空间的相干性还可以有效地抑制噪声。

基于非线性扩散平滑方法，如果梯度图像在（x，y）处的领域内具有较 小的加权平均，在点（x，y）领域内的灰度变化比较平缓。由于传导系数为 非增函数，所以点（x，y）处的扩散速度比较快。相反在图像的边缘点上， 退化扩散模型似的图像在灰度变化不大的地方更加平滑，取得很好的去噪效 果，同时使得图像的边缘得到保持。

基于HSI颜色空间直方图量化，HSI颜色空间是最符合人类视觉系统 感知的，H、S分量分别为颜色的色调和饱和度，I分量为颜色的亮度，从观 察者角度看，亮度对图像的颜色没有影响，在进行量化时只对色调和饱和度 进行量化，降低量化的复杂度。

基于加权平均图像融合，最终结果是对线条图像和量化图像两幅图进行 融合，且两幅图各有特色，因此采用加权平均的方法能根据权值大小，调节 抽象化的效果。

以下是发明人给出的实施例，在实施例中采用的原始图像如图2所示， 需要说明的是以下实施例仅仅供本领域的技术人员更好的理解本发明，本发 明并不限于这些实施例，凡是在以下实施例基础上的等同变换或者替换均属 于本发明的保护范围。

参见图1，本实施例给出一种彩色图像抽象化绘制方法，按下述步骤进 行：

步骤一，提取图像的线条画，提取的效果如图3，4，5的左图（a）所 示。

1）在RGB颜色空间分别计算输入图像的各像素在R、G、B通道的梯度， 在计算过程中采用Sobel算子的3×3模板，在x，y方向上进行梯度计算。

然后将该算子与输入图像中各像素的R、G、B通道的值进行卷积，即：

$G_x^p=\left(\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right)*A^p,G_y^p=\left(\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right)*A^p.$

式中：A^p为输入图像像素的各通道值；分别表示像素在x，y方 向上的梯度（p∈{R,G,B}）；“*”为卷积运算。

对于计算所得像素的梯度分别取其在R、G、B通道的幅值，取 其幅值最大者作为该像素的幅值，形成图像局部边缘。

$G_x=\max \{G_x^P,P\in (R,G,B)\},G_y=\max \{G_y^P,P\in (R,G,B)\}.$Gx、Gy^为某像^素的梯度幅值。

2）将步骤1）所得的边缘图像作为输入，通过构造边缘切向流计算图像 的局部方向场。在每个像素为中心的内核，对像素进行非线性平滑滤波，这 样能保存凸边的方向，弱边缘被重新定向到邻近的主导区域。同时，锐化的 边角也会被保留。

$t^x\left(x\right)\frac{1}{\lambda }\underset{y\in {\Omega }_r\left(x\right)}{\Sigma }\phi (x,y)t^{n-1}\left(y\right){\omega }_s(x,y){\omega }_m(x,y){\omega }_d(x,y)$

式中：Ω_r(x)是以像素x为中心半径为r的内核；y，λ是归一化因子；t(·) 是周期为2π切向量。ω_s是半径为r的箱式过滤器的空间权函数；n为迭代次 数；ω_m为幅值权函数；ω_d表示方向权函数。

在开始构造边缘切向流时，根据步骤1）获得的图像的G_x垂直向量（在 逆时针方向）获得t⁰(x)，在使用t⁰(x)之前对其进行规格化。对上式进行递归 tⁱ(x)→tⁱ⁺¹(x)，每次递归都会使图像更平滑，在此递归3次。

3）根据步骤2）提供的边缘切向流方向图，用基于流的高斯差分滤波对 其线条进行提取。

$h\left(x\right)={\int }_{-S}^S{\int }_{-T}^{T}i\left(l_{x,s}\left(t\right)\right)D\left(t\right)G_{{\sigma }_m}\left(s\right)\mathrm{dtds}$

式中：i(l_x,s(t))表示输入图像在l_x,s(t)的值（l_x,s(t)为垂直于某曲线的切线， 且与该曲线相交于x点的一个线段），G_σ为一个单边量、方差为σ²的高斯函 数；D(t)表示一个基本的滤波函数

步骤二，对图像进行量化处理，量化效果如图3，4，5的中间（b）图。

1）首先对原始图像进行平滑，在此平滑方法采用Catté提出的非线性 扩散方法进行平滑。

式中：n是图像边界外法线方向，是梯度▽u的局部涂几，参数σ是关于时间t的函数，随t增加而减小。 u₀＝u(x,y,0)为初始条件，t∈[0,T]。

2）将步骤1）平滑后的图像从RGB颜色空间转换到HSI颜色空间，HIS颜 色空间是最符合人类视觉系统感知的，H、S分量分别为颜色的色调和饱和度， I分量为颜色的亮度，从观察者角度看，亮度对图像的颜色没有影响，因此 在进行量化时只对色调和饱和度进行量化。在HSI颜色空间，H的取值范围在 [0°,360°]之间，S的取值范围为[0,1]。为了更符合人眼的感知特性，对HSI颜 色空间中的H、S、I值进行了特别的处理：将I＜15%；H＝0°,S＝0,I＝0的颜 色作为黑色；将S＜10%,I＞80%；H＝0°,S＝0,I＝1的颜色作为白色。 其余的区域作为彩色区域。在彩色区域中将H平均分为16个bin，S平均分为8 个bin。

对于图像中每个象素的H、S分量，都会落在H、S所分得的bin内。

即：$H=\left(\begin{array}{cc}0& H\in \left[\mathrm{20,40}\right]\\ 1& H\in \left[\mathrm{40,60}\right]\\ 2& H\in \left[\mathrm{60,80}\right]\\ .& .\\ .& .\\ .& .\\ 15& H\in \left[\mathrm{320,340}\right]\end{array}\right),S=\left(\begin{array}{cc}0& S\in \left[\mathrm{0,0.125}\right]\\ 1& S\in \left[\mathrm{0.125,0.25}\right]\\ 2& S\in \left[\mathrm{0.25,0.375}\right]\\ .& .\\ .& .\\ .& .\\ 7& S\in \left[\mathrm{0.875,1}\right]\end{array}\right)$

按照上面的量化级别，将量化后的颜色分量合并为一维特征矢量 G＝qH+S；其中q＝3为S的量化级数。这样H、S分量在一维矢量上分布开来， 量化后的直方图维数为128个（实际应用中，为了提高抽象化效果，可以根 据情况改变区间和量化级数）。

步骤三，将步骤二提取的量化图和步骤一提取的线条图进行融合，融合 效果如图3，4，5的右图（c）。

图像融合方法采用加权平均的法，即:

f(x)＝w₁f₁(x)+w₂f₂(x)

f，f₁，f₂分别表示融合后图像，线条画图像和量化图像；w₁，w₂分别 为线条画图像和量化图像的加权值；w₁+w₂＝1。w₁，w₂的取值根据实际应用， 当w₁＞w₂时线条抽象画中线条特征更明显；否则量化效果更明显。