1.3物理过程建模的风格化

通过对笔刷在绘画过程中的变形数据进行建模,实现图像风格化. Wang等[13]对水墨画的绘制进行建模,将水和墨的扩散分别建模,同时考虑了纸的特性. Chen等[14]仿真油画实时绘画系统,通过模拟笔刷、油彩和画布之间的交互,使用户自由创作逼真的油画作品。

1.4基于深度学习的风格化

Gatys等[15]利用卷积神经网络提取图像不同层级的特征,通过结合内容图像和风格特征得到风格化结果. Johnson等[16]引入感知损失函数并使用预训练的模型,缩短了生成图像的时间,提高了风格化的效率. Li等[17]使用对抗网络,通过生成网络和判别网络的相互竞争,提高油画风格化的质量. Sanakoyeu等[18]在对抗网络中使用自编码器,分别对图像和隐变量进行监督,进一步提高了油画风格化的结果.这类方法虽然能够获得一些较好的结果,但通过黑盒的方式模拟油画风格难以控制;且这些方法仅关注油画风格化的结果,忽略了绘画的过程。

2，算法实现

本文参考油画真实的绘画过程,提出基于多尺度笔刷的分层油画风格化绘制算法,其整体流程如图1所示.

首先使用增量Voronoi序列采样点和图像切线方向场确定笔刷流线;然后依据笔刷流线使用笔刷形状与笔刷高度场进行纹理贴图模拟油画的物理效果;最后使用不同尺度的笔刷按照从大到小的顺序迭代并绘制出最终结果.该算法通过模拟实际绘画中由粗到精的绘制过程,得到了高质量的油画结果。

2.1增量Voronoi序列采样

本文算法基于增量Voronoi序列采样[19]确定笔刷位置.油画绘制是画家不断地在画布上绘制笔刷、逐步求精得到最终油画结果的过程.这一过程中,通常大笔刷用于绘制背景,小笔刷用来勾勒细节.本文基于增量式采样来模拟这一过程,所使用的增量Voronoi序列具有良好的蓝噪特性,并且能保证在任何位置终止算法所得到的序列都有相对较好的样本分布.图2展示了在增量Voronoi序列不同位置截断后采样点的分布情况以及对应的频谱图.其中,图2a~图2c分别为N=1024, 2048,4096的样本分布及频谱图;图2d为N=4096的泊

松圆盘采样及其频谱图.增量Voronoi序列的生成首先需要在采样空间内随机生成种子点,根据种子点划分Voronoi区域,再依据最远点策略生成新的采样点,通过不断地迭代得到采样序列.具体算法请参考文献[19]。

2.2图像切线方向场

本文算法基于结构张量的特征向量计算图像切线方向场[20],通过该切线方向场指导笔刷流线的方向.首先,算法使用Sobel滤波获得图像在x和y方向上的梯度和,并构建结构张量。

对于给定的点n(x,y),利用结构张量T表示该点在图像上的方向变化率

通过求解Sn,得到该点的特征值

通过求解Sn,得到该点的特征值

特征向量

由于结构张量T是对称矩阵,因此所求特征向量为正交向量,即1v和v2分别表示沿该方向最小变化率和最大变化率,它们分别为切线和梯度方向.图3b展示了上述算法所生成的切线方向场,通过图3b的局部放大结果可以看出,该算法在梯度平坦的区域不稳定.而在实际作画时,对于梯度平坦的区域,画家往往会根据自身绘画经验确定一个主方向,从而对整体笔刷方向进行调整.因此,本文引入表示这种主方向的控制向量ν来得到最终切线向量ν＝1ν+ν.图3c展示了主方向为水平方向的切线方向场,其中控制向量ν= (0.003, 0).

2.3分层油画绘制算法

本文提出的基于多尺度笔刷的分层油画风格化绘制算法模仿由粗到精的实际绘画过程,根据给定的笔刷大小将绘制过程分为若干层.在每层绘制中,算法根据目标图像及其切线方向场、当前已绘制的画布内容、当前层笔刷大小形状等信息来确定每一笔的绘制.本文算法使用RGB颜色的2L范数来衡量画布与目标之间的像素差异.基于生成的笔刷流线,算法使用纹理贴图的方法[3]在画布上进行笔刷的绘制.

文章来源：《艺术研究》 网址: http://www.ysyjzz.cn/zonghexinwen/2021/0908/1829.html