一种快速的彩色素描图像生成算法

1.本发明涉及数字图像处理领域，尤其涉及一种快速的彩色素描图像生成算法。


背景技术：

2.随着数字图像处理技术的不断进步以及大量以图片分享为载体的社交软件的不断涌现，简单的数字图片已经不能满足人们日益增长的生活娱乐需求，各种艺术风格化的图片分享成为了一种新的社交和娱乐方式，如将普通风格的数字图片转换成为具有素描、卡通、水彩、油画等风格化的图片在年轻人中已经十分流行。
3.素描图像是其中最流行的艺术风格之一，目前已有大量的算法研究。在众多素描图像的生成方法中，基于灰度合成的方法因其实现简单、运算快速、成像效果好等特点得到了广泛的运用。
4.目前基于灰度合成的素描图像生成算法大致由以下步骤组成：1.对灰度图像取反生成负片；2.对负片进行高斯滤波处理生成模糊图像；3.将灰度图像与模糊图像进行除法混合得到素描图像。
5.发明人在研究中发现，以上经典的基于灰度合成的素描图像生成算法存在两个重要的缺陷：一是该算法对灰度图像取反生成负片的过程是多余的，经发明人在研究中发现取消该步骤也能达到同样的目的；二是该算法用于灰度合成的模糊图像制作过程比较粗糙，导致最后生成的素描图像会出现素描颜色较淡，图像细节丢失，物体轮廓表现不明显等缺陷。
6.基于此，本发明提出了一种快速的彩色素描图像生成算法：不需要对图像生成负片，引入边缘特征图，对模糊图像进行更加精细和复杂的处理，使得最终生成的素描图像颜色更加浓郁，细节表现更加丰富，物体轮廓更加清晰。


技术实现要素：

7.本发明提出了一种快速的彩色素描图像生成算法，该算法具有实现简单、时间复杂度低、成像细节丰富等特点，其内容包括：
8.步骤1，将输入的rgb空间图像转换为yuv空间的图像；
9.步骤2，提取y通道图像(即灰度图)，并对其进行不同程度的高斯滤波处理，生成一张中度模糊图和一张轻度模糊图；
10.步骤3，将灰度图和轻度模糊图合成一张边缘特征图；
11.步骤4，将中度模糊图和边缘特征图合成一张最终模糊图；
12.步骤5，除法混合灰度图与最终模糊图，生成一张灰色素描图；
13.步骤6，用灰色素描图叠加u和v通道并转换回rgb空间，生成彩色素描图。
14.首先将图像从rgb颜色空间转换到yuv颜色空间。yuv空间中的y通道表示了图像的亮度，即为其灰度图，u和v通道共同表示了图像的色度。在y通道上进行后续处理可以生成灰色的素描图，而由于u和v通道保存了图像的色度，因此可以通过u和v通道对灰色素描图
上色生成彩色素描图。rgb颜色空间转换到yuv颜色空间的计算公式如下：
15.y＝r*0.299+g*0.587+b*0.114
16.u＝-r*0.169-g*0.331+b*0.5+128
17.v＝r*0.5-g*0.419-b*0.081+128
18.然后提取出yuv图像的y通道，即原始rgb图像的灰度图，该灰度图将用于生成一张灰度素描图，其主要过程包括用高斯滤波生成不同程度的模糊图、合成边缘特征图、合成最终模糊图、除法混合生成灰度素描图等，其详细过程如下文。
19.对y通道进行高斯滤波处理，生成一张轻度模糊图和一张中度模糊图。高斯滤波是一种线性平滑滤波器，通过高斯内核与图像进行卷积运算可以得到图像的模糊效果。高斯内核模糊图像的实质是对图像中每个像素点与其邻域内的像素点求带权重和的平均值。高斯内核的计算公式如下：
[0020][0021]
r表示点(x,y)到内核中心点(0,0)的欧式距离，σ表示高斯分布中的标准差，由输入给定。m、σ越大，图像模糊效果越好。
[0022]
实际使用的时候，需要对高斯内核做归一化处理。假设通过高斯公式生成了一个g
′m×m的高斯内核，则归一化后的高斯内核gm×m为：
[0023][0024]
得到高斯内核gm×m后，对灰度图y进行卷积计算，即可得到模糊图像。正如前文所述，高斯模糊的实质就是求图像中每一个点与其邻域点带权重和的平均值，那么对于灰度图y中的每一个点y(x,y)与邻域点组成的一个矩阵ym×m，我们只需计算ym×m与gm×m中每个点对应相乘的和然后对结果取整，计算公式如下：
[0025][0026]
由于gm×m已经做过归一化处理，因此我们无需对y
′
(x,y)再求均值。对于灰度图y的边缘点，在其周围以边缘值填充行(列)后进行计算。
[0027]
通过以上方法，我们可以用两个不同的高斯内核生成一张轻度模糊图ys和一张中度模糊图ym，用灰度图y减去轻度模糊图ys即可得到边缘特征图yc：
[0028]
yc＝max(y-ys,0)
[0029]
用中度模糊图ym减去边缘特征图yc可得到最终模糊图yf，计算公式如下：
[0030]
yf＝max(y
m-yc,0)
[0031]
经过如此处理后的最终模糊图的优势在于：由于边缘特征图的介入，最终模糊图在图像边缘细节处理部分更加精细，使得最后生成的素描图像物体轮廓更加清晰，细节表现也更加丰富。
[0032]
将灰度图y与最终模糊图yf进行除法混合，即可得到灰度素描图y
gs
，计算公式如下：
[0033][0034]
最后，用灰度素描图y
gs
替换yuv图像中的y通道，并转换回rgb空间，即可得到彩色
素描图像，计算公式如下：
[0035]rcs
＝y
gs
+1.408*(v-128)
[0036]gcs
＝y
gs-0.346*(u-128)-0.717*(u-128)
[0037]bcs
＝y
gs
+1.779*(u-128)
附图说明
[0038]
图1为本技术实施例提供的一种快速的彩色素描图像生成算法的流程示意图；
[0039]
图2为本技术实施例提供的模糊图像示意图，从左到右分别为中度模糊图、轻度模糊图、边缘特征图、最终模糊图；
[0040]
图3为本技术实施例提供的素描图像示意图，从左到右分别为输入原图、灰色素描生成图、彩色素描生成图。
具体实施方式
[0041]
下面结合本技术具体实施例及相应的附图对本技术技术方案进行详细描述。
[0042]
如图1所示，本实施例提供了一种快速的彩色素描图像生成算法，包括：将输入的rgb图像转换到yuv空间，提取出y通道图像(即灰度图)，用不同程度的高斯内核对灰度图进行卷积运算，生成一张中度模糊图和一张轻度模糊图，用灰度图与轻度模糊图合成一张边缘特征图，再用中度模糊图和边缘特征图合成最终模糊图，然后将灰度图与最终模糊图进行除法混合得到灰度素描图，最后用灰度素描图替换yuv空间的y通道再转换回rgb空间，即可生成彩色素描图。针对以上每一个步骤，将在下文进行详细论述。
[0043]
对于一张输入的rgb彩色图像，先通过颜色空间转换公式将其转换到yuv空间。转换公式如下：
[0044]
y＝r*0.299+g*0.587+b*0.114
[0045]
u＝-r*0.169-g*0.331+b*0.5+128
[0046]
v＝r*0.5-g*0.419-b*0.081+128
[0047]
然后提取出y通道图像(即rgb图像的灰度图)进行处理得到一张灰度素描图，具体操作如下文。
[0048]
首先用高斯滤波对灰度图进行模糊化处理，即用高斯内核与灰度图进行卷积运算。对于一个m
×
m的矩阵，用高斯内核计算公式生成一个高斯内核g
′m×m，高斯内核计算公式为：
[0049][0050]
r表示点(x,y)到内核中心点(0,0)的欧式距离，σ表示高斯分布中的标准差，由输入给定。m、σ越大，图像模糊效果越好。由于高斯内核的衰减性质，如果m取值过大，高斯内核外围的点对卷积运算带来的影响将变得微乎其微，一般会取且m取值必须为奇数。
[0051]
然后对计算结果做归一化处理，得到一个高斯内核gm×m：
[0052]
[0053]
得到高斯内核gm×m后，对灰度图y进行卷积计算，即可得到模糊图像。正如前文所述，高斯模糊的实质就是求图像中每一个点与其邻域点带权重和的平均值，那么对于灰度图y中的每一个点y(x,y)，该点与其邻阈点组成了一个矩阵ym×m，我们只需计算ym×m与gm×m中每个点相乘的和并对结果取整，计算公式如下：
[0054][0055]
由于gm×m已经做过归一化处理，因此我们无需再对y
′
(x,y)求均值。对于灰度图y的边缘点，在其周围以边缘值填充行(列)后进行计算。
[0056]
本实施例分别取σ值为4.5和7.5，生成了两个不同的高斯内核，并对灰度图y进行卷积运算得到了一张轻度模糊图ys和一张中度模糊图ym。
[0057]
用灰度图y减去轻度模糊图ys得到边缘特征图yc，计算公式如下：
[0058]
yc＝max(y-ys,0)
[0059]
用中度模糊图ym减去边缘特征图yc得到最终模糊图yf，计算公式如下：
[0060]
yf＝max(y
m-yc,0)
[0061]
如图2所示，从左至右分别为本实施例生成的中度模糊图、轻度模糊图、边缘特征图、最终模糊图。
[0062]
将灰度图y与最终模糊图yf进行除法混合，即可得到灰度素描图y
gs
，计算公式如下：
[0063][0064]
最后，用灰度素描图y
gs
替换yuv图像中的y通道，并转换回rgb空间，即可得到彩色素描图像，计算公式如下：
[0065]rcs
＝y
gs
+1.408*(v-128)
[0066]gcs
＝y
gs-0.346*(u-128)-0.717*(v-128)
[0067]bcs
＝y
gs
+1.779*(u-128)
[0068]
如图3所示，从左至右分别为本实施例的输入原图、灰色素描图、彩色素描图。
[0069]
本实施例所述方法纠正了以往灰度合成素描图像需要生成负片的冗余过程，并通过引入边缘特征图使得生成的素描图细节更加丰富，物体轮廓更加清晰，同时通过颜色空间转换的方法生成了彩色的素描图像。该方法实现简单，运算快速，特别适合工业实践。
[0070]
以上所述仅为本技术的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、同等替换、改进等，均应包含在本发明的保护范围之内。