绘
,
在传达物体形状特征的同时还表达了一定的艺术效果
.
(
a
)
原始图像
(
b
)
边缘检测图像
(
c
)
DOG
滤波图像
(
d
)
FDOG
滤波图像
(
e
)
素描图像
(
f
)
卡通风格图像
1
(
g
)
卡通风格图像
2
(
h
)
模仿人绘画图像
图
2
不同风格线条画示例
[
3
]
Fi
g
.2 Exam
p
lesofdifferentst
y
lesoflinedrawin
g
[
3
]
2
线条画生成技术概述
如图
3
所示
,
线条画生成技术从整体上可以分为 基 于
2D
图像的线条画生 成 与 基 于
3D
模 型 的 线 条 画 生 成
.
同 时
,
2D
图像 的 线条画 生 成包括 样 本学习 方 法与非 样 本学习 方 法
,
非
样本学习方法又分为基于数据驱动的方法与非数据驱动的方
法
.
样本学习方法与数据驱动的方法专注于线条画风格属 性
的模拟
,
通过使用大量数据能够更好地重现线条画的风格
;
非
数据驱动的方法对 边 缘 的 检 测 更 准 确 且 易 于 实 现
,
从
Cann
y
边缘检测到高斯差分滤波
(
DOG
),
生 成 的 线 条 画 经 历 了 从 单
纯的 边 缘到相 对 光滑且 连 续的线 条 的过程
;
基于流 的 滤波进
一步增强了线条的连续性
,
减少了断裂
、
背景线等非期望线条
的出现
;
其他方法提供了不同线条画生成的途径且各有优点
.
基于
3D
模型的线 条 画 生 成 分 为 图 像 空 间 方 法
、
对 象 空 间 方
法以及两者的混合方法
.
研究不同方法的优缺点及发展方 向
对线条画生成技术的发展具有重要意义
.
图
3
风格化线条画生成方法分类
Fi
g
.3 Classificationofst
y
lizedlinedrawin
gg
enerationmethods
3 2D
图像的线条画生成
3.1
样本学习方法
样本学习方法可以分为机器学习与深度学习方法
.
机器
学习 多 应用于 人 脸线条 画 的生成
,
通过对 样 本数据 的 学习获
得人脸特征的训练模型
,
并将其应用于测试图像
,
得到与样本
数据风格相似的人脸 线 条 画
.
而 在 深 度 学 习 方 法 中
,
线 条 画
的风格化生成通常作为图像风格迁移的一个特例
.
1
)
机器学习
:
机器学习方法在线条画生成中具有 广 泛 的
应用
.
陈洪等
[
4
]
通过训练
ActiveSha
p
eMode
(
ASM
)
来对人
脸特征点进行自动定位
,
并根据样本计算几何变换
,
再对给 定
图像使用训练的
ASM
提 取 并 定 位 人 脸 特 征 点
,
进 行 非 参 数
化采样与几何 变 换 后 得 到 期 望 的 线 条 画
.
Son
g
等
[
5
]
提 出 了
一种简单而有效的人脸草图合成方 法
,
其需要 对 包含照 片
G
素
描对 的 训练数 据 集进行 训 练
,
并且在 测 试照片 和 每个训 练 样
本之间执行
KGNN
照片块 搜 索 以 用 于 素 描 块 的 选 择
,
并 用 马
尔可夫随机场
(
MRF
)
来优化全局 素 描块选 择
,
将 人 脸 草 图 合
成作为图像去噪问题来解决
.
Wan
g
等
[
6
]
在 进 行 块 选 择 时 通
过组 合 位置约 束 与全局 约 束来进 行 最近邻 搜 索
,
在获得 候 选
图像块后
,
应用马尔可夫网络生成合成素描
,
然后利用相同 的
马尔 可 夫网络 对 原始草 图 和合成 草 图之间 的 差进行 建 模
,
以
补偿高频细 节
.
Lian
g
等
[
7
]
将 输 入 草 图 划 分 为 多 个 块
,
并 对
这些 局 部输入 提 取边缘 描 述符
,
然后基 于 分割的 局 部构建 全
局马 尔 科夫随 机 场框架
,
并基于 从 一组训 练 数据中 学 习的耦
合字典为每个局部草图合成一系列候选照片
.
最后
,
对
MRF
进行优化
,
得到每个输入草图块的最终估计的照片块
,
并以 此
合成真实的人脸照片
.
图
4
为
Son
g
等
[
5
]
提出的线条画生成框架
,
对于测试照片
中的每个块
,
在照片中进行
KGNN
搜索和线性估计
,
以获得匹
配的训练照片块和线性权重
(
x
1
,
x
2
,,
x
k
);
在素描中使 用 权
值将相应的训练素描块映射到输出块中
.
图
4
样本学习方法示例
[
4
]
Fi
g
.4 Exam
p
lesofexam
p
leGbasedmethods
[
4
]
2
)
深度学习
:
基于卷积神经 网 络
(
CNN
)
的 深 度 学 习 方 法
通过对大量的样本数据集进行学习来生成与数据集风格对应
的线条画
.
Wan
g
等
[
8
]
对于风格迁移提出一个多模态卷积神
经网络
,
它考虑了颜色通道和亮度通道的表现
,
并使用递增的
多重损失分层地执行程式化
.
这种方法不仅可以传递大规模
的
、
明显的风格线索
,
还可以传递微妙的
、
精致的风格线 索
,
也
就是说可以生成视觉上令人愉悦的结果
.
由于缺乏显式表 示
语义信息的图 像 来 将 图 像 内 容 与 样 式 分 离
,
Gat
y
s
等
[
9
]
使 用
从优 化 目标识 别 的卷积 神 经网络 导 出的图 像 表示
,
使得高 层
次的 图 像信息 被 显式化
;
并提出 了 一种艺 术 风格的 神 经网络
算法
,
它可以分离和 重 组 自 然 图 像 的 图 像 内 容 及 风 格
.
该 算
法能 够 产生高 质 量的新 图 像
,
并将任 意 照片的 内 容与众 多 知
名艺术品的外观结合起来
.
鉴于许多方法集中在艺术风格转
移方面
,
很少限制输出图 像 的 外 观
,
Kaur
等
[
10
]
在 不 改 变 原 始
图像 内 容的情 况 下
,
以真实 感 的方式 将 脸部纹 理 从样式 脸 部
图像转换 为 内 容 脸 部 图 像
.
他 们 的 框 架 在 应 用
MRFGCNN
41
计 算 机 科 学
2019
年