一种将位图转换为矢量图的方法

摘要

本发明公开了一种将位图转换为矢量图的方法，包括以下步骤：一：利用卷积神经网络对原始位图进行无损放大，增强原始位图中的细节特征；二：对放大后的原始位图进行高斯模糊处理，平滑放大后的原始位图中图案；三：对位图中的图案进行边缘识别，提取出图案的轮廓特征；四：利用曲线拟合和色彩拟合的方法对提取出的图案轮廓特征进行矢量化，获得最终的矢量图。本发明在对位图中图案和色彩进行识别之前进行了无损放大预处理，大幅地提高了保真度；在图形转换过程中加入卷积神经网络，大幅提高了小尺寸原始位图的转换成功率，普适性明显提升；采用曲线拟合的方法来对图案轮廓进行矢量化，图案轮廓更加平滑，且空间占用更少。

说明书

技术领域

本发明涉及计算机图形图像处理领域，尤其涉及一种将位图转换为矢量图的方法。

背景技术

图像数据的可视化在生活中随处可见，如书籍上的插图、网站里的图标、海报中的插画等。以海报为例，海报中总有一些图片，它通常需要多种尺寸和比例来适应各种不同的场景。如果按照常规的做法，则需要事先准备多种尺寸的位图来适配不同的应用场景，但是这样的做法需要占用非常大的存储空间，而更优的做法是使用矢量图。

矢量图是根据几何特征来绘制的图形，具有存储空间小，缩放不失真，容易编辑和复用等优点。但是怎样选择合适的图元来表示图像，以及如何用矢量化的方法如实地还原与原图最接近的图像一直是计算机图形图像处理领域中待处理的难题之一。

公开号为CN111369577A的专利提出一种将位图转换为矢量图的方法，它可以实现将位图转换为矢量图的目的，从而达到缩放不失真的效果。但是，此专利方案的技术原理是用三角形网络来近似表示位图中的图案。由于三角形网络先天存在精度差的问题，且整个过程并未对原始位图进行任何的预处理，导致其转换过程中的保真度较低。

公开号为CN108133499A的专利提出一种点阵图与CAD_CAM矢量图的转换方法，它可以将位图转换为用于机械加工的矢量图。然而，其工作原理是在系统中预设尽可能多的几何图形，在转换的过程中通过相似度匹配最为相似的预设几何图形，以实现位图向矢量图的转换。但是，系统中不可能穷举所有的几何图形，这导致此方法的局限性较大，实用性方面表现欠佳。

公开号为CN110049340A的专利提出一种基于亚像素的图像矢量化方法，它通过像素间差异对位图中的所有像素点进行聚类处理，进而对位图进行区域分割，然后再分别对不同区域进行样条和色彩拟合。然而，如果原图的尺寸较小或像素间差异特征不明显，此方案依然无法对图案的形状进行准确的识别和提取。

以上的三个专利技术方案，在实施过程中往往难以将位图转换生成令人满意的矢量图。这是因为在实际的生产生活活动中，当我们需要将位图转换为矢量图的时候，通常是因为原始位图的尺寸较小，放大后容易出现明显失真。而小尺寸的原始位图中的特征点不明显且紧紧地挤在一起，以上三种技术方案均难以对原始位图中的图案进行准确的识别和提取。

发明内容

本发明的目的在于克服现有技术的不足，提供一种将位图转换为矢量图的方法。

本发明的目的是通过以下技术方案来实现的：

一种将位图转换为矢量图的方法，包括以下步骤：

步骤一：利用卷积神经网络对原始位图进行无损放大，增强原始位图中的细节特征；

步骤二：使用高斯过滤器对放大后的原始位图进行高斯模糊处理，平滑放大后的原始位图中图案；

步骤三：使用边缘检测过滤器对位图中的图案进行边缘识别，提取出图案的轮廓特征；

步骤四：利用曲线拟合和色彩拟合的方法对提取出的图案轮廓特征进行矢量化，获得最终的矢量图。

具体的，所述步骤一中利用卷积神经网络对原始位图进行无损放大过程具体包括：创建卷积神经网络，导入训练数据集到卷积神经网络中，训练卷积神经网络，获得卷积神经网络模型文件，利用卷积神经网络模型文件在内存中构建已训练完成的卷积神经网络对原始位图进行无损放大。

具体的，所述步骤三中对位图中的图案进行边缘识别过程包括：利用多项式曲线拟合方法对位图中的图案进行边缘识别，提取出图案的轮廓特征，然后对其进行边缘线曲线拟合。

本发明的有益效果：

(1)由于在对位图中图案和色彩进行识别之前进行了无损放大预处理，大幅地提高了保真度；

(2)由于卷积神经网络的加入，大幅提高了小尺寸原始位图的转换成功率，普适性明显提升；

(3)纯软件实现，生产制造成本极低；

(4)可实现完全自动化，无需人工参与；

(5)不使用三角形/多边形网络，而是采用曲线拟合的方法来对图案轮廓进行矢量化，图案轮廓更加平滑，且空间占用更少。

附图说明

图1是本发明的方法流程图。

图2是本发明的卷积神经网络创建与训练流程图。

图3是本发明实施例的原始位图。

图4是本发明实施例直接转换生成的矢量图。

图5是本发明实施例无损放大结果图。

图6是本发明实施例高斯模糊结果图。

图7是本发明实施例曲线拟合结果图。

图8是本发明实施例色彩拟合结果图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的阐述，现对照附图说明本发明的具体实施方式。

本实施例中，如图1所示，一种将位图转换为矢量图的方法，其特征在于，包括以下步骤：

步骤一：利用卷积神经网络对原始位图进行无损放大，增强原始位图中的细节特征；

步骤二：使用高斯过滤器对放大后的原始位图进行高斯模糊处理，平滑放大后的原始位图中图案；

步骤三：使用边缘检测过滤器对位图中的图案进行边缘识别，提取出图案的轮廓特征；

步骤四：利用曲线拟合和色彩拟合的方法对提取出的图案轮廓特征进行矢量化，获得最终的矢量图。

具体的，步骤一中利用卷积神经网络对原始位图进行无损放大过程具体包括：创建卷积神经网络，导入训练数据集到卷积神经网络中，训练卷积神经网络，获得卷积神经网络模型文件，利用卷积神经网络模型文件在内存中构建已训练完成的卷积神经网络对原始位图进行无损放大。

具体的，步骤三中对位图中的图案进行边缘识别过程包括：利用多项式曲线拟合方法对位图中的图案进行边缘识别，提取出图案的轮廓特征，然后对其进行边缘线曲线拟合。

其中，“卷积神经网络无损放大位图”中的卷积神经网络的创建和训练的操作步骤如图2所示，图2中的“创建卷积神经网络”中的卷积神经网络推荐使用FCN网络，即全卷积神经网络。全卷积神经网络被广泛应用于图像处理领域，其最显著的特征即它的输入和输出均为一幅图像。

图2中的“导入训练数据集”中的数据集分为输入端数据和输出端数据，输入端数据为小尺寸的样例图片，而输出端数据为大尺寸的样例图片。输入端的小尺寸样例图片均为输出端大尺寸样例图片的缩略图，它们必须成对出现。

图2中的“导入训练数据集”中的数据集规模越大，训练效果通常会越好，最终得到的位图放大结果的保真度越高。

当如图2的整个流程执行完毕之后，我们则可以得到一个专用于无损放大位图的卷积神经网络模型文件。本发明的实施例中，首先采用如图3所示的原始位图进行转换，直接将原始位图直接转换生成矢量图，直接转换结果如图4所示。当我们需要使用卷积神经网络对位图进行无损放大的时候，则可以直接根据卷积神经网络模型文件在内存中构建起已经训练完成的卷积神经网络，无损放大后的结果如图5所示。

在完成了图1中的“卷积神经网络无损放大位图”操作步骤之后，即可以对放大后的位图进行高斯模糊处理。在具体实施时，可以使用以下的高斯模糊过滤器(即卷积核)：

此处需要注意的是，以上的卷积核仅为具体实施例之一，并不限于此。

如图6所示，在完成高斯模糊处理之后，将使放大后的位图发生一定程度的模糊(类似于毛玻璃效果)，从而可以有效地避免图像中的图案边缘过于锐利，使最终输出的矢量图更加自然和逼真。

接下来，我们使用多项式曲线拟合方法对位图中的图案进行边缘识别，提取出图案的轮廓特征。然后对其进行边缘线曲线拟合，则可以得到图7所示的曲线拟合结果图。

此处需要注意的是，上文中所提到的边缘识别可以使用以下的边缘检测过滤器(即卷积核)，来对位图中的图案边缘进行检测：

此处需要注意的是，以上的卷积核仅为具体实施例之一，并不限于此。

经过边缘检测的卷积计算之后，会将位图转换为一幅线条图。然后，我们则可以使用常规的多项式曲线拟合方法来对线条图中的曲线(线条)进行拟合，即将线条图中的线条转换为多项式形式。(多项式曲线拟合为计算机图像处理领域的常用方法，普通从业人员非常容易理解)

最后进行常规的色彩拟合，对图7进行色彩填充，将得到最终的矢量图，如附图8所示。可以看到，最终得到的图8的保真度极高，线条和色彩与原始图保持了相当高的一致性。

以上显示和描述了本发明的基本原理和主要特征，以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入本发明要求保护的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。