改进的《Combining Sketch and Tone for Pencil Drawing Production》铅笔画算法

本文主要是介绍改进的《Combining Sketch and Tone for Pencil Drawing Production》铅笔画算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

       随着深度学习越来越热,在图像领域,通过卷积神经网络训练的模型可以得到很酷炫的图像风格化效果,比如app store上的prisma应用,可以获得很好的效果,但是速度要稍微慢一些。不过传统的数学方法也可以做的很好,需要的只是你的想象力以及算法设计能力。
       本文实现的铅笔画算法,基于论文《Combining Sketch and Tone for Pencil Drawing Production》算法实现。不过有些细节并没有完全按照论文算法实现,而是根据自己所学,做了一些二次创新。整体效果,接近原文算法,不过对于某些图片处理效果感觉要优于原文。下图为该算法流程图:
                 
       从算法流程图可以看出,该算法主要分两大部分:
       1. 生成笔画结构: Line Drawing with Strokes, 得到一幅图S;
       2. 色调映射及纹理渲染: Tone Drawing得到另外一副图T;
       则最终结果为:R = S * T。
       在线条分类及绘制步骤中,主要是模拟铅笔画笔触风格,需要按照预定好的8个方向,计算每一个像素点卷积值。每一个像素点按正反两个方向计算采样点并计算卷积,计算量是非常大的。这里的卷积计算有一个优化技巧,计算完种子点的卷积值及位置后,下一个点卷积计算可以借助种子点相应计算结果,进行增量累加计算,这样可以避免重复计算采样点位置以及卷积值,极大提高计算速度。
       在色调映射步骤,本人并没有采用文中提到的直方图匹配方法,而是采用了另一种方法,同时在纹理渲染步骤,也没有采用文中的方法,而是通过叠加一张普通纹理的方式实现,但是叠加方法是一个关键点,并不是类似Photoshop中常见的线性减淡、线性加深或者正片叠底等方法。
       本人在实现过程中,额外增加了图像预处理步骤,通过对图像做一次平滑操作,这样在检测边缘时效果更佳。平滑算法采用的是这篇文章《Image Smoothing via L0 Gradient Minimization 》,L0范数图像平滑,效果很好,不过实现起来比较复杂,需要用到傅里叶变换以及迭代求解方程。
       计算过程主要在y通道进行。如果在rgb空间分三个通道处理,计算过程将会非常耗时,另外最主要的是绘制的线条方向可能不太一致。所以需要由rgb空间转换至yuv空间,单独对y通道进行处理,最后在变换回rgb空间进行显示、输出。
       下面贴出算法整体调用逻辑代码,基本可以了解本文提出的算法改进思路。
void* PencilDrawingStylizationThread(void *arg)
{PencilDrawingStylizationInfo *pencildrawing_stylization_info = (PencilDrawingStylizationInfo *)arg;BMPINFO *pSrcBitmap = pencildrawing_stylization_info->pSrcBitmap;BMPINFO *pGraySketchBitmap = pencildrawing_stylization_info->pGraySketchBitmap;BMPINFO *pEdgeSketchBitmap = pencildrawing_stylization_info->pEdgeSketchBitmap;BMPINFO *pPaperBitmap = pencildrawing_stylization_info->pPaperBitmap;int filter_len = pencildrawing_stylization_info->filter_len;int thread_id = pencildrawing_stylization_info->thread_id;int block_count = pencildrawing_stylization_info->block_count;int width = pSrcBitmap->lWidth;int height=  pSrcBitmap->lHeight;int size = width*height;int mem_size = size * sizeof(float);float *rdata = (float *)malloc(mem_size);float *gdata = (float *)malloc(mem_size);float *bdata = (float *)malloc(mem_size);float *ydata = (float *)malloc(mem_size);float *udata = (float *)malloc(mem_size);float *vdata = (float *)malloc(mem_size);// 数据转换ConvertToFloat(pSrcBitmap, rdata, gdata, bdata);// rgb转yuvfor (int i = 0; i < size; i++){Rgb2Yuv(rdata[i], gdata[i], bdata[i], &ydata[i], &udata[i], &vdata[i]);}// 简化细节L0ImageSmoothing(&ydata, width, height, block_count, 0.005f, 5.0f);// 抽取边缘float *edge_data = (float *)malloc(mem_size);float *hor_edgedata = (float *)malloc(mem_size);float *ver_edgedata = (float *)malloc(mem_size);EdgeDetectionFilter(ydata, width, height, hor_edgedata, ver_edgedata);for (int i = 0; i < size; i++){edge_data[i] = sqrt(hor_edgedata[i]*hor_edgedata[i] + ver_edgedata[i]*ver_edgedata[i]) * 0.5f;}free(hor_edgedata);free(ver_edgedata);hor_edgedata = NULL;ver_edgedata = NULL;// 方向分类float *classifer_data[8];for (int i = 0; i < 8; i++){classifer_data[i] = (float *)malloc(mem_size);memset(classifer_data[i], 0, mem_size);}FastDirectionClassifer(edge_data, classifer_data, filter_len, width, height);// 方向绘制float *stroke_data = (float *)malloc(mem_size);memset(stroke_data, 0, mem_size);FastDirectionDrawing(classifer_data, stroke_data, filter_len, width, height);// 数值校正float max_val = stroke_data[0];for (int i = 1; i < size; i++){max_val = MAX(stroke_data[i], max_val);}float gamma[5] = { 0.0f, 2.0f, 1.9f, 0.0f, 1.6f };float inv_max = (max_val > 0.0f) ? 1.0f / max_val : 1.0f;for (int i = 0; i < size; i++){stroke_data[i] = 1.0f - stroke_data[i] * inv_max;stroke_data[i] = pow(stroke_data[i], gamma[block_count]);}// 边缘草图合成for (int i = 0; i < size; i++){pEdgeSketchBitmap->pPlane[0][i] = (uchar)CLAMP0255(stroke_data[i]*255);}// 抽取边缘memset(edge_data, 0, mem_size);ExtractEdge(ydata, edge_data, width, height, 0.01f, 105.5f);// 叠加纹理PaperTexture(edge_data, pPaperBitmap, width, height);// 结果合成for (int i = 0; i < size; i++){ydata[i] = stroke_data[i]*edge_data[i];}// 灰度草图合成for (int i = 0; i < size; i++){pGraySketchBitmap->pPlane[0][i] = (uchar)CLAMP0255(ydata[i]*255);}// yuv转rgbfor (int i = 0; i < size; i++){Yuv2Rgb(ydata[i], udata[i], vdata[i], &rdata[i], &gdata[i], &bdata[i]);}// 数据转换ConvertToUchar(rdata, gdata, bdata, pSrcBitmap);free(edge_data);edge_data = NULL;free(stroke_data);stroke_data = NULL;for (int i = 0; i < 8; i++){free(classifer_data[i]);classifer_data[i] = NULL;}free(ydata);free(udata);free(vdata);ydata = NULL;udata = NULL;vdata = NULL;free(rdata);free(gdata);free(bdata);rdata = NULL;gdata = NULL;bdata = NULL;return NULL;
}
       下面是一些对比图,原图(上),原算法结果(中),改进的算法结果(下)
             
             
             
             
             
             
       更多效果图如下:
              
              
              
                   
                    
                    
             
              
              
       欢迎下载示例demo:http://download.csdn.net/detail/u013085897/9747177,另外本算法已经集成进我的安卓应用《铅笔画》, 大家有兴趣可以到360、安卓、安智等商店下载使用。

       参考资料:
       http://www.cse.cuhk.edu.hk/leojia/projects/pencilsketch/pencil_drawing.htm
       http://www.cnblogs.com/Imageshop/p/4285566.html




这篇关于改进的《Combining Sketch and Tone for Pencil Drawing Production》铅笔画算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1114983

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ,求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种?返回满足题意的二叉搜索树的种数。 示例 1: 输入:n = 3输出:5 示例 2: 输入:n = 1输出:1 class Solution {public int numTrees(int n) {int[] dp = new int

Codeforces Round #240 (Div. 2) E分治算法探究1

Codeforces Round #240 (Div. 2) E  http://codeforces.com/contest/415/problem/E 2^n个数,每次操作将其分成2^q份,对于每一份内部的数进行翻转(逆序),每次操作完后输出操作后新序列的逆序对数。 图一:  划分子问题。 图二: 分而治之,=>  合并 。 图三: 回溯:

最大公因数:欧几里得算法

简述         求两个数字 m和n 的最大公因数,假设r是m%n的余数,只要n不等于0,就一直执行 m=n,n=r 举例 以18和12为例 m n r18 % 12 = 612 % 6 = 06 0所以最大公因数为:6 代码实现 #include<iostream>using namespace std;/