一种智能的儿童简笔画线条自动补齐方法技术

本发明专利技术公开了一种智能的儿童简笔画线条自动补齐方法：首先是训练阶段：第一，将所有图像转换为线条图，形成候选、验证和负样本线条图集；第二，将获得的线条转换为四元组表示；第三，对于候选集中的每一条候选线条，在验证集和负样本集上计算其验证代价；第四，将第三步计算所得的验证代价与设定阈值进行比较，如果验证代价小于该阈值，则将该线条加入最终的线条集；其次是自动补齐阶段：第一，根据连接属性来组合四元组线段；第二，将线段组在训练所得的线条组上进行部分匹配；第三，将第二步计算所得的匹配代价与设定阈值进行比较，如果匹配代价小于该阈值，则从训练所得的线条集中获取下一条应该绘制的线条，并将其作为自动补齐的提示。

【技术实现步骤摘要】
一种智能的儿童简笔画线条自动补齐方法
本专利技术属于计算机图形图像分析处理与模式识别
，更具体地说，涉及一种在儿童绘制某类物体的简笔画过程中，根据已绘制的部分线条预测并提示下一步绘制线条的自动补齐方法。
技术介绍
简笔画具有悠远的历史。在远古时代，人类就已经开始在岩壁上用简单的线条将他们捕猎、祭祀的场面描绘出来，从而形成了反映他们生活的简笔画雏形。用线条来描绘对象是人类最本能、最直接的表达方式。现代美术认为，简笔画是一种简练、概括、直观及快速地表现对象的绘画形式，“虽简而像”。简笔画通过使用简单的线条、图形等，抓住所描绘对象的主要外形特征、动态特征和神态表情，以充满想象力的夸张、提炼获取对象的精神，使之更为生动，富有美感。简笔画有助于培养儿童的想象力、创造力、观察力及实践能力，帮助儿童认识和辨别物体，协调手、眼、脑的发展，建立审美意识和形象思维，完成早期绘画启蒙和图形积累，为后续美术学习打下基础。因此，自从上世世八十年代中期以来，简笔画成为了每个小学的美术课教学内容的重要部分。然而，现代教育研究发现，儿童简笔画教学存在严重问题。教师或家长在在运用这一形式时，往往忽略了儿童美术教育的其它方面，忽视了观察力的培养，忽视了儿童在美术活动中主动性与创造性的培养。由于没有观察活动作为绘画的前提，儿童的主动性无从提起；又由于采用了简单临摹教学方式，造成儿童下笔程式化，即存在着较为明显的规律性；而一成不变的教学也会导致儿童懒惰的思维定向活动，扼杀儿童的想象力，只会临摹某个具体个体，而不会发挥想象创作出形态各异的群体。儿童画画不是按照自己观察、想象加工的结果主动地创造性地绘画，而是不动脑筋地记住了所教的画法。因此，甚至有学者指出简笔画等模式化教学是扼杀孩子想象力的罪魁祸首，儿童画不可教的观点。近年来，计算机图形图像分析处理与模式识别技术的不断发展为这个问题提出一个可行的解决思路。形状特征已经被广泛应用于图像匹配和检索等任务，形状是刻画物体类别更一般的有效特征，心理学和人体视觉研究也表明人类在早期视觉中确实使用形状对物体分类。目前形状特征表示方法主要有两类。一类方法是采用在轮廓上密集采样的一系列点来表示物体形状，利用点之间的空间配置关系形成形状特征。这种方法虽然能够保留轮廓细节信息，但通常会导致匹配时受制于评估大量点之间空间配置关系带来的计算复杂度问题，从而限制了该类方法的应用领域。另一类方法则采用直线段或者圆弧的方式表示形状，其核心思想是通过减少细节或者噪音信息，提高计算的效率。这种方法通常需要利用特征之间的几何关系，实现对物体的刻画。如图1所示，虽然已经缺失了很多轮廓细节，但是还是可以非常简单的被确认为一只正在安睡的猫。以上两类方法主要应用于物体检测、图像检索等计算机视觉和图像分析领域，但目前还没有在儿童简笔画自动补齐方面的应用。
技术实现思路
本专利技术提出了一种智能的儿童简笔画自动补齐方法。本专利技术方法不是针对某个物体个体，而是针对物体类别，根据已绘制的部分线条预测并提示下一步绘制线条，从而使得儿童在绘制简笔画时既有一定的临摹参考，又具有足够的发挥空间，以提高学习效果。本专利技术采取以下技术方案：一种智能的儿童简笔画线条自动补齐方法，其按如下步骤进行：首先是训练阶段：第一步，将所有图像转换为线条图，形成候选、验证和负样本线条图集；第二步，将获得的线条转换为四元组表示；第三步，对于候选集中的每一条候选线条，在验证集和负样本集上计算其验证代价；第四步，将第三步计算所得的验证代价与设定阈值进行比较，如果验证代价小于该阈值，则将该线条加入最终的线条集；其次是自动补齐阶段：第一步，根据连接属性来组合四元组线段；第二步，将线段组在训练所得的线条组上进行部分匹配；第三步，将第二步计算所得的匹配代价与设定阈值进行比较，如果匹配代价小于该阈值，则从训练所得的线条集中获取下一条应该绘制的线条，并将其作为自动补齐的提示。优选的，训练阶段的第一步：应用边缘检测子获取边缘线图，然后对检测到的边缘通过多边线简化算法获取线条图。优选的，对于一条由多个顶点构成的多边线：1）选取两个端点（v1和v7）构成第一条多边线，作为对原始多边线的近似；2）在原始多边线顶点中寻找离当前近似多边线最远的端点（v4）和距离；3）如果该距离小于设定阈值（ε），则认为当前的近似多边线已经足够好，算法停止；否则将该端点作为一个新的顶点加入近似多边线；4）迭代执行上述2)-3)步骤。优选的，训练阶段的第二步：将一条线段表示为四元组(θ,ρ,d,l)，其中，θ为该线段法线和横轴的夹角，ρ为该线段到坐标原点的距离，d为该线段中心到垂线的距离，l为该线段的长度；其中，d是一个矢量，定义d正方向的单位向量为即该线段的单位法向量逆时针旋转π/2后的向量；当θ∈[0,π)，称(θ,ρ,d,l)为标准的四元组表示；显然，对于任何一个(θ,ρ,d,l)，总有(θ,ρ,d,l)=(θ+kπ,(-1)kρ,(-1)kd,l)这种四元组表示能够处理线段的刚性变换和缩放，易得：其中，r表示逆时针旋转角度，s是缩放因子，是平移量。优选的，对于任意两个标准的四元组表示f=(θf,ρf,df,lf)和h=(θh,ρh,dh,lh)，两者之间的距离为：dis(f,h)=wθ(θf-θh)2+wρ(ρf-ρh)2+wd(df-dh)2+wl(lf-lh)2]]>其中，w[·]∈[0,1]表示四元组对应元素的权重；此外，定义f在旋转、缩放、平移变换后与h之间的距离为优选的，训练阶段的第三步：将每条候选线段f的验证代价定义为C(f)=cs(f)cg(f)，其中cs(f)为形状代价cs(f)=Σi=1L+dis+(f,Pvi)/L+Σi=1L-dis-(f,Nvi)/L-,]]>其中，L+表示在验证集的大小，L-表示在负样本集的大小；表示f通过随机多次平移操作与中最为相似的线条的平均距离，即表示f通过平移操作后与中最为相似的线段距离，即而cg(f)为几何代价，定义为f在上的平移量，即上式中的的平均值。优选的，自动补齐阶段的第一步：定义一个线段组为其中，m为组大小，为线段组中的各线段（i=1,2,...,m），它与和相连；和也可能相连，此时该线段组构成一个线段环。优选的，自动补齐阶段的第二步：定义线段组之间的匹配代价为线段组之间的距离disg(gf,gh)=Σi=1mL(gfi)L(gf)dis(gfi,ghi),]]>其中，gf为当前所绘制的线段组，gh为训练所的线条集中构成的线段组，两个线条组大小为m，L(·)为线段组的线段总长度；首先确定最佳的缩放因子minsdisg(gf,gh;s)=Σi=1mL(gfi)L(gf)dis(gfi,ghi;s)]]>通过求解上式，同时获得最佳的缩放因子以及在此缩放变换下gf和gh匹配的匹配代价。从上述技术方案的描述中可知，本专利技术可以分成两个部分。首先是训练部分，通过处理一系列符合要求的某类物体样本图像，构建该类物体的线条集。该阶段涉及到的是离线（off-line）处理过程，所需要的学习时间与输入的样本图像数量和物体的轮廓复杂度相关，但不会影响到自动补齐的速度。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能的儿童简笔画线条自动补齐方法，其特征是按如下步骤进行：首先是训练阶段：第一步，将所有图像转换为线条图，形成候选、验证和负样本线条图集；第二步，将获得的线条转换为四元组表示：将一条线段表示为四元组(θ,ρ,d,l)，其中，θ为该线段法线和横轴的夹角，ρ为该线段到坐标原点的距离，d为该线段中心到垂线的距离，l为该线段的长度；其中，d是一个矢量，定义d正方向的单位向量为即该线段的单位法向量逆时针旋转π/2后的向量；当θ∈[0,π)，称(θ,ρ,d,l)为标准的四元组表示；显然，对于任何一个(θ,ρ,d,l)，总有(θ,ρ,d,l)＝(θ+kπ,(-1)kρ,(-1)kd,l)这种四元组表示能够处理线段的刚性变换和缩放，易得：其中，r表示逆时针旋转角度，s是缩放因子，是平移量；第三步，对于候选集中的每一条候选线条，在验证集和负样本集上计算其验证代价；第四步，将第三步计算所得的验证代价与设定阈值进行比较，如果验证代价小于该阈值，则将该线条加入最终的线条集；其次是自动补齐阶段：第一步，根据连接属性来组合四元组线段；第二步，将线段组在训练所得的线条组上进行部分匹配；第三步，将第二步计算所得的匹配代价与设定阈值进行比较，如果匹配代价小于该阈值，则从训练所得的线条集中获取下一条应该绘制的线条，并将其作为自动补齐的提示。2.如权利要求1所述的儿童简笔画线条自动补齐方法，其特征是：训练阶段的第一步：应用边缘检测子获取边缘线图，然后对检测到的边缘通过多边线简化算法获取线条图。3.如权利要求2所述的儿童简笔画线条自动补齐方法，其特征是：对于一条由多个顶点构成的多边线：1)选取两个端点(v1和v7)构成第一条多边线，作为对原始多边线的近似；2)在原始多边线顶点中寻找离当前近似多边线最远的端点(v4)和距离；3)如果该距离小于设定阈值(ε)，则认为当前的近似多边线已经足够好，算法停止；否则将该端...

【专利技术属性】
技术研发人员：张维泽，徐云，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：