一种油画图像生成方法、系统、装置和存储介质制造方法及图纸

本发明专利技术公开了一种油画图像生成方法、系统、装置和存储介质，其中方法包括：获取输入图像，获取输入图像的超像素矩阵；将超像素矩阵的颜色均值与颜色方差作为特征，通过比较超像素四邻域的特征，将相似矩形进行合并；将像素数小于第一预设阈值超像素与该超像素与四邻域中最相似的超像素进行合并，获得像素区域；通过聚类算法对像素区域进行聚类，将相似度大于第二预设阈值的像素区域进行合并；根据获得的聚类结果，将每一个聚类簇中像素的颜色均值赋值该聚类簇中的所有像素点，获得到油画图像。本发明专利技术使用非监督型的算法，避免了需要大量精细标注进行训练的要求，以及降低了计算复杂度。本发明专利技术可广泛应用于图像处理领域。本发明专利技术可广泛应用于图像处理领域。本发明专利技术可广泛应用于图像处理领域。

【技术实现步骤摘要】
一种油画图像生成方法、系统、装置和存储介质


[0001]本专利技术涉及图像处理领域，尤其涉及一种油画图像生成方法、系统、装置和存储介质。

技术介绍

[0002]随便现代信息科学技术和互联网应用的不断发展进步，小到个人，大到国家对图像处理提出的要求越来越高，如随身携带的数码相机就有各种风格的拍照风格适应各种场景的拍照，日常通讯的视频聊天有对人物面部的捕捉并替换成各种卡通形象，另外还有自动驾驶汽车对场景中的实物进行识别与分割，gps定位系统对交通道路情况定位更精细等。而随着短视频应用的普及，人们对隐私的保护意识逐渐加强。因此，一种基于图像的快速油画生成算法不仅能满足人们对保护隐私的要求，而且在未来的市场有着极大的发展空间。
[0003]图像生成算法分为两大类，分别是基于卷积神经网络的深度学习和基于彩色图像直接生成的。前者是使用较多的图像生成算法，通过给图片标注大量的精细标注，然后给网络进行训练生成一个网络模型，最后运用于现实场景。而基于彩色图像处理的，一般是对图像精准分割，然后对图像通过各种算法实现对图像的识别、定位、生成等。在深度学习方面，我们需要大量的标注用于训练，但对于实时数据的标记相对主观且困难，另外虽然能够对图像处理的很多情况下有着较高的准确率，但对图像的变化过于敏感，一点点细微的变化都有可能得到不同的结果。这主要是因为深度学习的组合数量是爆炸式的，而且是黑箱操作。而使用传统的彩色图像分割，我们可能直观地看到分割后各种处理的状况，但像P.Arbelaez等人的gPb算法,J.H.Syu等人的ICM算法计算速度都相对较慢，无法实现实时化。

技术实现思路

[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种油画图像生成方法、系统、装置和存储介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种油画图像生成方法，包括以下步骤：
[0007]获取输入图像，获取输入图像的超像素矩阵；
[0008]将超像素矩阵的颜色均值与颜色方差作为特征，通过比较超像素四邻域的特征，将相似矩形进行合并；
[0009]将像素数小于第一预设阈值超像素与该超像素与四邻域中最相似的超像素进行合并，获得像素区域；
[0010]通过聚类算法对像素区域进行聚类，将相似度大于第二预设阈值的像素区域进行合并，以实现分层图像分割；
[0011]根据获得的聚类结果，将每一个聚类簇中像素的颜色均值赋值该聚类簇中的所有像素点，获得到油画图像。
[0012]进一步地，所述获取输入图像的超像素矩阵，包括：
[0013]对输入图像进行非对称逆矩阵模式匹配，并结合CIEDE2000色差公式获取超像素矩阵。
[0014]进一步地，所述对输入图像进行非对称逆矩阵模式匹配，并结合CIEDE2000色差公式获取超像素矩阵，包括：
[0015]采用网格扫描的方式获得符合匹配模式的矩形，以获得输入图像的超像素矩阵；
[0016]其中，匹配模式设置为像素颜色的均值小于且像素颜色的方差小于τ的最大矩形；与τ均为可调参数。
[0017]进一步地，所述将相似度大于第二预设阈值的像素区域进行合并这一步骤中，还包括计算相似度的步骤：
[0018]计算像素区域的相关特征，根据相关特征计算相似度；
[0019]其中，相关特征包括区域间的大小差异、区域间的纹理特征、区域间的颜色差异、相邻边缘颜色差异、区域间的交叉程度。
[0020]进一步地，所述区域间的交叉程度的计算公式如下：
[0021][0022][0023]对于一个在像素区域R
i
上的像素点p，统计这个像素点周围m
×
m区域内的区域编号作为I
ip
，如果I
ip
＝j，说明该像素点被像素区域R
j
的像素点包围，同理如果I
jq
＝i，表示像素区域j上像素点q被像素区域i的点包围。
[0024]进一步地，所述区域间的大小差异的计算公式如下：
[0025][0026]式中，R
i
和R
j
表示像素区域，表示R
i
区域像素的数量，表示R
j
区域像素的数量，t代表N
R
的权重，根据实验经验，可设置t为1.7。
[0027]进一步地，所述相似度的计算公式为：
[0028][0029]式中，表示区域间的大小差异，表示区域间的颜色差异，表示区域间的纹理特征，表示相邻边缘颜色差异，SI(R
i
,R
j
)表示区域间的交叉程度，β,γ,η均为可调参数。
[0030]本专利技术所采用的另一技术方案是：
[0031]一种油画图像生成系统，包括：
[0032]超像素获取模块，用于获取输入图像，获取输入图像的超像素矩阵；
[0033]像素合并模块，用于将超像素矩阵的颜色均值与颜色方差作为特征，通过比较超像素四邻域的特征，将相似矩形进行合并；
[0034]区域获取模块，用于将像素数小于第一预设阈值超像素与该超像素与四邻域中最相似的超像素进行合并，获得像素区域；
[0035]区域合并模块，用于通过聚类算法对像素区域进行聚类，将相似度大于第二预设阈值的像素区域进行合并，以实现分层图像分割；
[0036]像素赋值模块，用于根据获得的聚类结果，将每一个聚类簇中像素的颜色均值赋值该聚类簇中的所有像素点，获得到油画图像。
[0037]本专利技术所采用的另一技术方案是：
[0038]一种油画图像生成装置，包括：
[0039]至少一个处理器；
[0040]至少一个存储器，用于存储至少一个程序；
[0041]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0042]本专利技术所采用的另一技术方案是：
[0043]一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0044]本专利技术的有益效果是：本专利技术使用非监督型的算法，避免了需要大量精细标注进行训练的要求，并且这种算法不会对微小的变化过度敏感，以及使用超像素的方式能够极大地降低计算复杂度。
附图说明
[0045]为了更清楚地说明本专利技术实施例或者现有技术中的技术方案，下面对本专利技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本专利技术的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0046]图1是本专利技术实施例中一种油画图像生成方法的流程示意图；
[0047]图2是本专利技术实施例中输入图像进行超像素分割的流程图；
[0048]图3是本专利技术实施例中相似融合的流程图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油画图像生成方法，其特征在于，包括以下步骤：获取输入图像，获取输入图像的超像素矩阵；将超像素矩阵的颜色均值与颜色方差作为特征，通过比较超像素四邻域的特征，将相似矩形进行合并；将像素数小于第一预设阈值超像素与该超像素与四邻域中最相似的超像素进行合并，获得像素区域；通过聚类算法对像素区域进行聚类，将相似度大于第二预设阈值的像素区域进行合并，以实现分层图像分割；根据获得的聚类结果，将每一个聚类簇中像素的颜色均值赋值该聚类簇中的所有像素点，获得到油画图像。2.根据权利要求1所述的一种油画图像生成方法，其特征在于，所述获取输入图像的超像素矩阵，包括：对输入图像进行非对称逆矩阵模式匹配，并结合CIEDE2000色差公式获取超像素矩阵。3.根据权利要求2所述的一种油画图像生成方法，其特征在于，所述对输入图像进行非对称逆矩阵模式匹配，并结合CIEDE2000色差公式获取超像素矩阵，包括：采用网格扫描的方式获得符合匹配模式的矩形，以获得输入图像的超像素矩阵；其中，匹配模式设置为像素颜色的均值小于且像素颜色的方差小于τ的最大矩形；与τ均为可调参数。4.根据权利要求1所述的一种油画图像生成方法，其特征在于，所述将相似度大于第二预设阈值的像素区域进行合并这一步骤中，还包括计算相似度的步骤：计算像素区域的相关特征，根据相关特征计算相似度；其中，相关特征包括区域间的大小差异、区域间的纹理特征、区域间的颜色差异、相邻边缘颜色差异、区域间的交叉程度。5.根据权利要求4所述的一种油画图像生成方法，其特征在于，所述区域间的交叉程度的计算公式如下：的计算公式如下：对于一个在像素区域R
i
上的像素点p，统计这个像素点周围m
×
m区域内的区域编号作为I
ip
，如果I
ip
＝j，说明该像素点被像素区域R
j
的像素点包围，同理如果I
jq...

【专利技术属性】
技术研发人员：郑运平，黄进朝，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：