一种基于特征的实时的视频和图像抽象化方法

摘要

本发明公开了一种基于特征的实时的视频图像抽象化方法，该方法包括将实时的视频和图像的红绿蓝颜色空间转换到CIE-Lab颜色空间、采用双边网格对亮度通道进行快速双边滤波、伪量子化亮度值、采用基于特征流的各向异性的高斯差分线条抽取算法抽取线条区域并对抽取的线条区域和近似亮度值进行组合操作使线条区域的线条增强、将实时的视频和图像由CIE-Lab颜色空间重新转换回红绿蓝颜色空间五个步骤。本发明每一个步骤都可以在家用电脑的图形卡硬件中并行处理，有效地解决了现有多实时的视频和图像抽象化方法存在的抽取线条生硬，不连贯的问题，为非专业人员提供了一种简便直观的实时的视频和图像的抽象化方法。

主权项

1.一种基于特征的实时的视频和图像抽象化方法，该方法包括以下五个步骤：(1)实时的视频和图像读取后，按照下面的公式由红绿蓝颜色空间转换到CIE-Lab颜色空间，使实时的视频和图像的亮度通道和彩色通道相分离；$\left\{\begin{array}{c}L=0.299*R+0.587*G+0.114*B\\ a=0.713*(R-L)\\ b=0.564*(B-L)\end{array}\right.$式中R，G，B分别表示红绿蓝颜色值，L是亮度通道值，a和b是两个彩色通道值；(2)采用双边网格对亮度通道进行快速双边滤波，得到实时的视频和图像的近似亮度值，方法如下：创建双边网格，用三维坐标来定义一个双边网格的数据结构Γ，其中前两维为图像上的二维坐标(x，y)，第三维是图像的亮度，对每个双边网格(i，j，k)先初始化为：Γ(i，j，k)＝(0，0)，将实时的视频和图像的所有象素置入对应的网格中，对Γ按公式Γ([x/s_s]，[y/s_s]，[I(x，y)/s_r])+＝(I(x，y)，1)进行累加，式中s_s和s_r分别表示空间域和亮度域的采样率，[·]为最接近的整数值操作符，(I(x，y)，1)是齐次值的表示方法，第二项是齐次项，双边网格创建完成后，对双边网格的齐次值相对于三维方向分别进行高斯卷积操作，并将所得结果除去齐次项，再将该三维网格切片，重构出二维图像结果，然后利用图形硬件的双线性插值功能取得双边网格中位于坐标(x/s_s，y/s_s，I(x，y)/s_r)的值，即实时的视频和图像的近似亮度值；(3)伪量子化实时的视频和图像的近似亮度值，方法如下：按照公式计算每一层的亮度值，式中Q为所计算的伪量子化亮度值，Δq是离散化宽度，q_nearest是最接近I(x，y)的离散值，用来控制相邻两个离散值之间变化的快慢程度；(4)采用基于特征流的各向异性的高斯差分线条抽取算法抽取线条区域并对抽取的线条区域和近似亮度值进行组合操作使线条区域的线条增强；其中，所述的线条增强的方法如下：创建一个特征流场V(x，y)，初始值垂直于输入图像的梯度场对该特征流场进行滤波操作并计算出流场方向的高斯卷积值和垂直于流场方向的卷积值，再进行差分计算，最后利用各向异性的高斯差分算法抽取线条区域并对抽取的线条区域和近似亮度值进行组合操作使线条区域的线条增强；所述的滤波操作中采用如下特征流滤波器：$V^{{\mathrm{new}}^{\prime }}\left(X\right)=\frac{1}{k_h}\underset{Y\in {\Omega }_h\left(X\right)}{\Sigma }{w}_m(X,Y)w_d(X,Y)V^{\mathrm{cur}}\left(Y\right)$$V^{\mathrm{new}}\left(X\right)=\frac{1}{k_v}\underset{Y\in {\Omega }_v\left(X\right)}{\Sigma }{w}_m(X,Y)w_d(X,Y)V^{{\mathrm{new}}^{\prime }}\left(Y\right)$式中，Ω_h(X)和Ω_v(X)分别表示象素X在水平方向及竖直方向上的邻域，k_h和k_v为相应的归一化项；强度权因子函数w_m为：$w_m=\frac{1}{2}(1+\tanh \left(\eta (\hat{g}\left(Y\right)-\hat{g}\left(X\right))\right))$式中，表示梯度的强度值，参数η用来控制双曲正切函数的下降率；方向权因子函数w_d定义为：w_d(X，Y)＝dot_product(V(X)，V(Y))，w_d(X，Y)表示(V(X)，V(Y))的点积；V(X)表示之前计算得出的X象素的特征流向量；所述的线条区域如下：$F\left(X\right)=\underset{s\in c\left(X\right)}{\Sigma }G\left(\right||s-X||,{\sigma }_m)W\left(s\right)$$W\left(s\right)=\underset{Y\in l\left(s\right)}{\Sigma }(G\left(\right||Y-X||,{\sigma }_c)-\rho ·G\left(\right||Y-X||,{\sigma }_s))I\left(Y\right)$式中c(X)，l(s)分别表示沿着象素X∈I的流切线方向和垂直象素s∈c(X)流方向的邻域，因此W(s)是沿着垂直于V(s)并与s相交的线l_s进行卷积操作的；阈值参数ρ影响该边缘检测器的敏感度；(5)实时的视频和图像由CIE-Lab颜色空间重新转换回红绿蓝颜色空间，按照下面的公式进行：$\left\{\begin{array}{c}R=L+1.403*a\\ G=L-0.714*a-0.334*b\\ B=L+1.773*a\end{array}\right.$式中R，G，B分别表示红绿蓝颜色值，L是亮度通道值，a和b是两个彩色通道值。