基于图像的卡通画扫描线渲染方法

为了模拟艺术家的卡通风格绘画,提出了一种基于图像的卡通画扫描线渲染方法,对用户输入的用数码相机拍摄的图像首先提取轮廓,然后进行颜色处理,最后合并得到具有卡通风格的图像。同时,给出了基于直方图的边缘参数的计算和基于扫描线的颜色处理两个算法,自动实时地完成了渲染过程。实验结果表明,该方法的渲染效果更接近于手绘风格,适合于卡通动画和个性化照片等领域的应用。     

基于分段函数的中国画风格渲染新方法

通过结合物理模拟中随机浓度的思想和分段处理方法,对中远距离分段的扩散浓度采取随机处理,从而提出一种新的分段水墨扩散函数,用于模拟水墨扩散效果,根据其实现要点选取适当算法设计了中国画风格绘制的总体算法框图。该算法首先对图像用均值滤波进行平滑预处理;然后应用K means聚类算法进行图像分割,用以模拟中国画用水墨浓淡表达色调层次的效果;接着,算法采用形态学方法检测图像的边缘点,对检测出来的边缘点应用自定义的分段处理函数模拟水墨边缘扩散的效果,得出中国画风格渲染图像;最后,用HTML5实现了该算法。该算法所生成的中国画风格在用墨模拟和水墨扩散上都能够得到较逼真的效果。     

基于Mean Shift和FDoG的图像卡通化渲染

针对现有图像卡通化渲染算法区域划分不明显或提取的边界不够连贯的问题,提出了一种基于Mean Shift和FDoG的图像卡通化渲染方法。该方法通过区域分割与边界处理相融合的手段,获取区域明晰、边界光滑连贯的卡通对象,同时结合亮度量化策略等后处理技术净化对象,最终获得具有卡通效果的图像。渲染算法采用Mean Shift技术对图像进行分割,通过设置合适的参数获取若干有意义的区域;引入FDoG算法思想对图像边界进行分析和提取;最后去除或合并视觉上的干扰区域,并参考卡通画的亮度分布特点对图像进行亮度量化,得到最终的卡通风格图像。方法实现简单,自动化程度较高,实验结果较理想。     

基于UE4引擎的飞行器试验态势交互演示系统

以业内领先的Unreal Engine 4(UE4)游戏引擎为主要开发工具,构建精细三维模型,生成超大三维地形,制作烟火特效。通过UE4蓝图脚本实现装备展示选定、航区设定、航路规划、态势展示等功能。应用结果表明,系统有出色的流畅性、逼真性和交互性,提高了飞行器试验态势交互演示的可视化水平。     

基于冲击滤波器的视频图像卡通化算法

传统二维卡通绘制的专业性和复杂性导致普通用户参与性较低。为此,提出一种基于冲击滤波器的视频图像卡通化算法。应用改进的冲击滤波器对彩色视频图像进行颜色聚类和噪声消除,对冲击滤波后的图像使用高斯差分算子进行边缘检测,并做颜色量化处理,融合边缘曲线和量化图像生成个性化的卡通图像。实验结果表明,与基于双边滤波器、Osher冲击滤波器、Alvarez冲击滤波器以及改进Osher冲击滤波器的图像卡通化算法相比,该算法能够获得更清晰、完整、光滑和连续的边缘曲线,风格化图像的视觉显著性更强,保真度更高,并能通过系列图像的风格化转换自动生成个性化的卡通视频。     

基于Canny优化的卡通视频分割与矢量化

矢量化的视频图像相对于光栅化的视频图像具有储存容量小、缩放不失真等诸多优点。相对于真实视频,卡通视频因色块明显、线条清晰等特点更适合于进行矢量化处理。基于卡通的特性提出了一种基于Canny边缘检测的优化分割算法。主要针对Canny边缘提取不封闭的特点进行优化,并将其用于图像分割。提出了一种算法来提取卡通动画的素材,并为卡通动画构建素材库。通过素材重用的方式大大地缩小了卡通视频的储存空间,并且很好地解决了卡通视频矢量化问题中极易产生的帧间不一致的问题。实现了一个全自动地进行卡通视频矢量化的系统,其中包括卡通视频的镜头分割、素材库的构建等过程。该系统能够适应多种卡通视频,并能对视频中的细节区域产生较好的效果。     

基于显著性分割的图像抽象化

图像抽象化的目的是增加具有特定目标的信息,并过滤掉一些不相关或不重要的信息。为进一步提高图像的卡通风格化效果,提出一种基于显著性分割的图像抽象化算法,增强前景物体区域的可视特征,同时去除背景区域的无关细节。采用频率调谐算法获得显著度图,利用Mean-Shift分割算法检测出整个前景区域,与双边滤波和基于流场的边缘检测结合获得抽象化图形,通过软量化方法使产生的风格化图像更具有层次感,并以此为基础对图像进行非均匀的抽象化处理。实验结果表明,该算法能够有效地产生前景特征增强的非真实感图像,使结果图像的前景主题更加突出。     

基于可编程流水线的水墨画效果实时绘制

为了提高对三维模型进行实时水墨渲染的效率,同时扩展水墨效果在计算机动画中的应用,利用先进的可编程图形流水线技术,结合多种纹理贴图技术,边缘评估算法,多种图像空间内的后期处理算法,实现了水墨风格生物动画的高效率实时渲染.用户可根据需要对场景和系统进行配置并实时调整视角和缩放.实验结果表明,运算速度能够满足交互系统的实时性需求.     

LTE-M系统切换点上行干扰优化方法

针对LTE-M系统多UE切换场景下,切换点上行干扰影响小区边缘UE数据传输时延的问题,对上行干扰的产生原理进行了介绍,提出了一种多UE联动切换的上行干扰优化方法.新型上行干扰优化方法可以使多个信号质量变化相似的UE同时进行切换,从而达到降低上行干扰的目的.仿真结果表明,提出的新型上行干扰优化方法可有效降低切换点上行干扰对数据传输的影响.     

真实图像转换的水墨图像绘制模拟

目的：中国水墨风格模拟是非真实感图像模拟的重要研究课题,现有的模拟算法对于边缘绘制的连贯性不足、颜色汇聚不平滑,导致效果生硬、色彩表现力不强。为此本文提出一种真实图像转换的方法来对图像进行水墨风格化处理。方法：首先利用改进的基于流的高斯差分滤波来生成边缘轮廓;接着运用了各向异性Kuwahara滤波实现了墨色的汇聚以及自然过渡;最后引入Perlin噪声模拟背景宣纸的褶皱感。结果：实验表明,本文方法能够实现真实图像输入到水墨画风格图像输出的转换,处理速度快。结论：本文提出一种真实图像转换的水墨图像风格化处理方法,实验结果表明,该方法可以在不破坏原图像结构的基础上获得很好的水墨模拟效果。     

一种基于形态成分分析的唐卡图像修复算法

基于形态成分分析的图像修复算法,通过增加全变分的方式,使得有毛糙边缘的分段光滑图像恢复效果较好,但易产生阶梯效应。针对该问题,将p-Laplace算子引入到基于形态成分分析的图像修复算法中,既保证图像在边缘的良好扩散能力,又避免在图像平滑区易产生虚假边缘的缺陷,同时对噪声有更好的抑制作用。实验结果表明,该算法对于唐卡图像中出现的折痕或划痕、斑块状破损有较好的修复能力。     

基于UE4的塔防射击游戏设计

本系统主要使用UE4(Unreal Engine 4)游戏引擎的各项游戏开发技术来实现。游戏主要通过3D MAX建模与动画技术来实现角色的动画,通过UE4蓝图编程来实现游戏的逻辑,与模型的物理碰撞、碰撞事件触发等构建一个完整的游戏体系。游戏模式融合了塔防游戏以及射击游戏元素,玩家可以使用枪械来抵御野兽的攻击保卫自己的基地。     

基于UE4的Anylogic行人模拟数据可视化软件的设计与实现

行人模拟在园区的运行管理中具有重要的指导意义，但行人模拟计算复杂，难以在数字底座基础上建立科学可信的模拟算法。借助Anylogic进行仿真计算，并使用数字底座实时引擎弥补其可视化上的不足，能够在保证科学严谨的基础上高质量呈现行人模拟，结合数字底座中其他功能模块为智慧园区数字底座使用者提供决策辅助。文章提出一种使用UE4对Anylogic模拟结果可视化的方式，并针对数据导入、呈现、仿真3方面的关键问题，提出大体量数据流式传输、行人几何体合批渲染、C++和蓝图混合编程3项解决方案。将Anylogic科学可信和数字底座真实多维的优势进行结合，实现了对Anylogic行人模拟的高效可视化，为智慧园区运维管理提供支持。     

曲线笔触渲染的图像风格迁移

目的 针对GANILLA、Paint Transformer、StrokeNet等已有的风格迁移算法存在生成图像笔触丢失、线条灵活度低以及训练时间长等问题,提出一种基于曲线笔触渲染的图像风格迁移算法。方法 首先按照自定义的超像素数量将图像前景分割为小区域的子图像,保留更多图像细节,背景分割为较大区域的子图像,再对分割后的每个子区域选取控制点,采用Bezier方程对控制点进行多尺度笔触生成,最后采用风格迁移算法将渲染后的图像与风格图像进行风格迁移。结果 与AST （arbitrary style transfer）方法相比,本文方法在欺骗率指标上提升了0.13,测试者欺骗率提升了0.13。与Paint Transformer等基于笔触渲染的算法对比,本文能够在纹理丰富的前景区域生成细粒度笔触,在背景区域生成粗粒度笔触,保存更多的图像细节。结论 与GANILLA、AdaIN （adaptive instance normalization）等风格迁移算法相比,本文采用图像分割算法取点生成笔触参数,无需训练,不仅提高了算法效率,而且生成的多风格图像保留风格化图像的笔触绘制痕迹,图像色彩鲜明。     

神经风格迁移模型综述

神经风格迁移技术主要用于对图像、视频等进行风格化,使其具有艺术美感,该领域极具应用价值,是人工智能的热门研究领域之一。为推动神经风格迁移领域的研究发展,对神经风格迁移技术进行了全面概述。简述了非真实感渲染技术和传统的纹理迁移技术。对现有神经风格迁移模型进行了分类整理,并详细探讨了各类代表性模型的算法原理及后续改进,分析了神经风格迁移技术的应用市场。提出对风格迁移模型质量的评判应该从定性评估和定量评估两个方面来考虑,并从各个角度讨论了现阶段风格迁移技术存在的问题以及未来研究方向。最后强调应提高模型的综合能力,在保证生成质量的情况下提升生成速度以及泛化能力。     

基于深度神经网络的图像风格化方法综述

图像风格化旨在通过风格化模型,将一幅图像在保持语义内容不变的同时从一种风格转换到另一种风格.鉴于深度神经网络强大的特征提取和表达能力,学者们先后提出各种基于深度神经网络的图像风格化方法.文中根据风格的定义方式,将基于深度神经网络的图像风格化方法划分为基于参考的图像风格化方法和基于域的图像风格化方法,并对相关文献进行归纳...     

实时图像素描风格化

提出了一种实时的图像素描风格化算法.根据素描以及人眼视觉的特点,利用人眼对颜色差异的敏感程度来勾勒图像的轮廓,并依据图像光感强度产生的重要性图来控制渲染素描风格画的阴影纹理,使得生成的素描风格画具有良好的艺术效果.与已有方法相比,该文算法不需要人工交互,生成的素描视觉效果更好,在速度上能达到实时.     

基于枚举四叉树的多分辨率几何图像绘制方法

为提高多分辨率几何图像的实时绘制效率,将枚举四叉树思想引入到传统四叉树的设计中,提出以单个枚举四叉树节点作为独立渲染单元的方法,极大地减少了绘制函数的调度次数.针对实时绘制时几何图像不同层次边缘易产生裂缝的现象,采用枚举四叉树的结构,在数据预处理阶段构造基础渲染节点时用分段函数消除节点内部的裂缝;实时绘制阶段在GPU上使用反正切函数控制顶点偏移,消除节点间的裂缝.实验结果证明,枚举四叉树结构能充分利用GPU的批量处理能力,有效地提高了绘制效率;裂缝处理算法易于GPU实现,获得了较高的帧率和较好的绘制效果.     

基于深度学习的图像风格化算法研究综述

随着"人工智能"时代的到来,"深度学习"一词也逐渐走进大众的视野,一些基于深度学习神经网络的图像处理方法也随之产生,图像风格化作为其中一个重要的分支也获得了广泛的关注。目前,研究学者提出了很多基于深度学习的图像风格化算法,而且都能较好地完成风格化任务。全面概述了深度学习在图像风格化领域的进展,对比了不同算法之间的优劣,最后探讨了当前基于深度学习的图像风格化研究的局限性及未来的研究方向。     

基于三维模型的风格化线条渲染方法

3D模型风格化线条绘制[1]中的一个最大问题是可见性的计算,当前在以复杂的模型计算线条可见性的算法中,不是交互式渲染速度太慢就是渲染后的动画不连贯,由此提出一种在GPU下快速、高质量地计算线条可见性的算法,其利用先进的可编程图形流水线技术,可以支持线条可见性和广泛的风格化选项.实验结果表明,该算法运算速度能够满足交互系统的实时性需求.