顏色的均值漂移 (Mean化if t)聚類算法，該算法最早由化kunaga等人于1975年在一篇關于概率密度梯度函 數的估計中提出，Comaniciu等人把MeanShift成功的運用的特征空間的分析中，在圖像平 滑和圖像分割中Mean Shift都得到了很好的應用。
[0138] 通過給出一組多維數據點，其維數是(x，y，r，g，b)，其中（x，y)為像素坐標，（r，g， b)為某像素點的顏色值，均值漂移可W用一個窗口掃描空間來找到密度最高的"聚塊"。由 于空間變量(x，y)的變化范圍與顏色變化范圍有極大的不同，所W，均值漂移對不同的維度 要用不同的窗口半徑。在運種情況下，我們要根據空間變量設定一個空間半徑 (spatialRadius)，根據顏色變量設定一個顏色半徑（ColorRadius)。當均值漂移窗口移動 時，經過窗口變換后收斂到數據峰值的所有點都會連通起來，并且屬于該峰值。運種所屬關 系，在比例金字塔的調解下，可W形成不同程度的顏色康，類似畫家繪畫時首先鋪設的畫面 顏色大體關系。
[0139] MeanShift算法在運圖像上的聚類應用如下：
[0140] -般一個圖像就是個矩陣，像素點均勻的分布在圖像上，就沒有點的稠密性，所W 怎樣來定義點的概率密度，運才是最關鍵的。
[0141 ]如果我們計算點X的概率密度，采用的方法如下：
[0142] Wx為圓屯、，Wh為半徑，落在球內的點為XI，定義二個模式規(guī)則：
[0143] (I)X像素點的顏色與Xi像素點顏色越相近，定義概率密度越高；
[0144] (2)離X的位置越近的像素點Xi，定義概率密度越高。
[0145] 所W定義總的概率密度，是二個規(guī)則概率密度乘積的結果，可用下式表示：
[0146]
[0147] 其中
代表空間位置的信息，離遠點越近，其值就越大
表示顏色信息，顏色越相似，其值越大。
[0148] 在運里，我們選取空間半徑（spat ialRadius)為40,顏色半徑(^colorRadius)為40， 金字塔層數為5,得到的顏色聚類效果如圖15所示。圖15為簡約圖中的顏色關系表達，（a)輸 入圖像，（b)圖像的顏色關系聚類。
[0149] 步驟2、服V空間轉換
[0150] 本算法與之前工作的最大不同在于考慮了圖像的顏色信息，而非灰度信息，因此 相比于RGB空間，HSV空間的色調更適合于進行圖像的分割。HSV即色相、飽和度、明度，色相 化)是色彩的基本屬性，就是平常所說的顏色名稱，如紅色、黃色等;飽和度(S)是指色彩的 純度，越高色彩越純，低則逐漸變灰，取0-100%的數值；明度(V)，取0-100% dRG昭化SV空間 的轉換公式為：
[0151]
[0152]
[0153]
[0154]
[0155] 步驟3、圖像分割
[0156] W上的顏色聚塊，最終是為圖像分割服務，進行顏色分割的目的是為了防止繪畫 紋理與圖像疊加時，不同物體之間采用同一紋理而導致生成結果過于單調，對于分割后的 圖像塊采用不同繪畫紋理，可W增加繪畫效果的隨機性，并且各個物體的邊緣也得W區(qū)分。
[0157] 在圖像分割中，我們嘗試了自動分水嶺分割算法、水漫算法等，結合過分割的約束 控制，對于H通道進行分割，均取得了不錯的效果。針對嵌入式忍片和移動操作系統(tǒng)，W上分 割算法過于占用CPU負載和內存空間，因此采用二值化分割，實驗證明也能取得不錯的畫面 效果。
[0158] 步驟4、紋理合成
[0159] 圖16圖像簡約圖生成結果，我們將圖像分割的結果與預先定義的繪畫紋理進行合 成，運些繪畫紋理可W由畫家事先通過畫筆、畫刀等各種工具在畫布、紙張、木板等材料上 制作完成，然后掃描到計算機中形成紋理圖庫，在合成中根據畫面內容可自適應選取合適 的紋理，例如平滑背景選擇大塊紋理，綠色樹木區(qū)域選擇細膩筆觸紋理，而后將分割結果 與繪畫紋理進行疊加，設A為繪畫紋理圖層，B為分割圖像層，生成結果為C，疊加公式為：
[0160]
[0161] 紋理合成后的圖像簡約圖處理結果如圖16所示。
[0162] 2.與或圖表達
[0163] 與或圖模型是一種層狀組合式模型，被廣泛用于AI捜索，與或圖中每個葉子化eaf node)節(jié)點代表了一個子模板，不同的葉子節(jié)點代表不同類別的子模板，它們繼承了父節(jié)點 的屬性和相互關系，并具有自身的特點，是與或圖自上而下捜索的終點。葉子節(jié)點W外的節(jié) 點被分為與節(jié)點(And node)和或節(jié)點(Or node),其中與節(jié)點是一種組合式節(jié)點，代表一種 組合式模板，基于分解的思想與節(jié)點被分解為一系列具有"與"關系的子節(jié)點，運些子節(jié)點 必須同時存在，與節(jié)點的存在使得與或圖的結構得到擴展;或節(jié)點的每個子節(jié)點對應一種 選擇性分支，各子節(jié)點之間存在"或"關系，每次只有一個分支被選中。通過自上而下對與節(jié) 點進行擴展，對或節(jié)點的分支進行選擇，我們得到物體的一個實例，稱為解析樹。與或圖可 W被看做一個母模板，通過根據目標物體屬性不斷分解節(jié)點和選擇節(jié)點，捜索的過程是不 斷逼近目標物體屬性的過程，最終得到一系列與目標物體屬性匹配的子模板，將運些子模 板按照分解過程中建立的關系組合起來，構成目標物體的組合式模板，運個過程也是建立 解析樹的過程。
[0164] W此為指導，我們不斷求解最優(yōu)迭代闊值，將W迭代最優(yōu)的區(qū)域設置為與節(jié)點，尚 未迭代最優(yōu)的區(qū)域設置為或節(jié)點，從而得到最優(yōu)化的繪畫細節(jié)層次表現效果，具體如下：
[0165] 對應某個圖像子區(qū)域，設輸入圖像矩陣為R，上層聚類結果集為P，本層聚類結果集 為Q，設顏色空間半徑為cr，像素空間半徑為pr，金字塔層級為pyr，均值漂移聚類函數為M， 對應步驟如下：
[0166] 1)求上層聚類結果P=M(R，cri，pri，pyri);
[0167] 2)求本層聚類結果 Q=M(R，cr2，pr2，pyr2);
[0168] 3)對兩層聚類結果求聚類距離d= I IQ-PlI ;
[0169] 4)通過深度學習算法來判斷d是否為最優(yōu)值，若為最優(yōu)解則該區(qū)域加入與節(jié)點；
[0170] 5)否則，求聚類結果差S = Q-P,并將該子區(qū)域設置為或節(jié)點，繼續(xù)參與迭代計算， 迭代過程如圖17所示。圖17圖像細節(jié)層次不斷細化為圖像細節(jié)解析樹圖。
[0171] 根據圖像細節(jié)解析樹應用紋理合成算法及筆觸生成算法后，得到最終的畫面細節(jié) 表現層，再將細節(jié)表現層覆蓋到簡約圖上，兩層疊加結果如圖18所示。圖18簡約圖與與或圖 生成結果的疊加。
[0172] 3.筆觸分布圖表達
[0173] 筆觸分布圖的生成方法可W采用【背景技術】中所提到的方法，如前所述，本框架兼 容現有方法。運里采用一種圖像輪廓檢測為主的筆觸分布圖生成算法，包括長直線輪廓檢 、短直線輪廓檢測及短曲線檢測=種輪廓線的檢測。在輪廓線檢測結果基礎上，應用基于 筆刷樣本的方法，將筆刷圖像根據輪廓路徑變形，在前兩層圖像上覆蓋一層繪畫筆觸效果。
[0174] 此外，用戶可W交互選取任意形狀的圖像區(qū)域，自定義筆觸尺寸，或者直接手動添 加筆觸，進行更加細微的細節(jié)刻畫。
[01巧]1)長直線輪廓檢測
[0176] 長直線輪廓檢測主要針對畫面中比較大的形體尋找其輪廓邊緣，例如樹干、房屋、 船身等，利用長直線可W很好描繪運些物體輪廓，從而使畫面更加生動，本算法中應用了 Hou曲變換算法。Hou曲變換是一種使用表決原理的參數估計技術，其原理是利用圖像空間 和化U曲參數空間的點一線對偶性，把圖像空間中的檢測問題轉換到參數空間。通過在參數 空間里進行簡單的累加統(tǒng)計，然后在化Ugh參數空間尋找累加器峰值的方法檢測直線， Hou曲變換的實質是將圖像空間內具有一定關系的像元進行聚類，尋找能把運些像元用某 一解析形式聯系起來的參數空間累積對應點，在參數空間不超過二維的情況下，運種變換 有著理想的效果。為了提高系統(tǒng)處理的實時性，算法中采用了隨機化U曲變換，長直線輪廓 檢測結果如圖19所示，圖19為長直線輪廓檢測結果圖。添加了長直線筆觸效果后結果如圖 20所示，圖20長直線筆觸疊加效果圖。
[0177] 2)短直線輪廓檢測或短曲線輪廓檢測
[0178] 在添加長直線輪廓效果后，為了進一步細化結果，可進一步添加短曲線或短直線 效果，例如可W采用LSD直線檢測算法來添加短直線邊緣，采用輪廓檢測算法添加曲線邊緣 等，如圖21所示。添加筆觸后效果如圖22所