摘 要：NPR技術(shù)是計(jì)算機(jī)領(lǐng)域的研究熱點(diǎn)，其中彩色素描算法已有許多研究成果，但是存在算法復(fù)雜以及主體不突出等問(wèn)題。本文針對(duì)這些問(wèn)題提出一種基于YOLOv8對(duì)圖片進(jìn)行預(yù)處理的算法，該算法識(shí)別主體后定義為重要區(qū)域，分別生成線條圖圖層和紋理圖圖層，使用梯度計(jì)算得到線條圖，再卷積不同方向的短線，生成具有手繪特點(diǎn)的素描線條，紋理圖是將手繪紋理映射至圖案中進(jìn)行填充。進(jìn)行分區(qū)域、分圖層的參數(shù)設(shè)置后合成2個(gè)圖層，得到主體突出的彩色素描畫(huà)。生成的彩色素描畫(huà)主體突出且具有手繪風(fēng)格，更加符合NPR定義，能夠在計(jì)算機(jī)視覺(jué)領(lǐng)域得到廣泛應(yīng)用。

關(guān)鍵詞：NPR技術(shù)；彩色素描畫(huà)；YOLOv8；線條圖；紋理圖

中圖分類號(hào)：TP 31 " " " " " 文獻(xiàn)標(biāo)志碼：A

1 彩色素描畫(huà)相關(guān)算法

將自然圖像轉(zhuǎn)化為彩色素描是非真實(shí)感渲染（Non-Photorealistic Rendering，NPR）領(lǐng)域的重要分支，NPR技術(shù)采用計(jì)算機(jī)技術(shù)使圖像更具有藝術(shù)性[1]，例如將圖像轉(zhuǎn)換為彩色素描畫(huà)、水墨畫(huà)、水粉畫(huà)、鋼筆畫(huà)和木刻畫(huà)等。

其中，將自然圖像生成彩色素描是NPR技術(shù)領(lǐng)域的熱點(diǎn)，已有許多學(xué)者研究并得到成果。本文改進(jìn)已有的彩色素描算法，突破性地在素描畫(huà)生成過(guò)程中使用YOLOv8算法檢測(cè)原始圖像目標(biāo)，將檢測(cè)結(jié)果確定為主體區(qū)域，分區(qū)域設(shè)置參數(shù)，達(dá)到強(qiáng)化重要區(qū)域的目的。除檢測(cè)主體外，本文模擬人類繪制彩色素描的過(guò)程，將圖片分成2個(gè)圖層，分別為素描畫(huà)的線條圖層和填充的彩色紋理圖層。分區(qū)域、分圖層進(jìn)行參數(shù)設(shè)置，使生成的彩色素描主體突出。

1.1 彩色素描仿真算法

自動(dòng)生成彩色素描是藝術(shù)以及科研領(lǐng)域的研究熱點(diǎn)，已有許多成熟的算法。文獻(xiàn)[2]提供了一種利用形體特征的方法，使生成的鉛筆素描中的物體具有立體幾何感。文獻(xiàn)[3]的方法使用局部回歸模型獲得輸入圖片與生成的素描之間的映射關(guān)系，并將映射關(guān)系投射至輸出圖像中，使生成的鉛筆素描同時(shí)具有藝術(shù)特征。文獻(xiàn)[4]對(duì)提取的線條進(jìn)行膨脹和腐蝕操作后去并集，得到雙邊輪廓，生成素描輪廓圖，再與運(yùn)動(dòng)模糊（Motion Blur）得到的紋理融合仿真成為鉛筆畫(huà)。文獻(xiàn)[5]使用的鉛筆畫(huà)方法的筆畫(huà)基于梯度信息，填充區(qū)域基于色調(diào)信息，圖像整體具備手繪風(fēng)格。文獻(xiàn)[6]的筆畫(huà)圖和紋理圖使用線積分卷積（Line Integral Convolution，LIC）、模糊掩蓋銳化處理（Unsharp Mask，USM）和基于點(diǎn)向量場(chǎng)的3種方法。文獻(xiàn)[7]提出的彩色素描自動(dòng)生成算法將輸入圖片中的純黑和純白像素點(diǎn)顏色重置為圖片的平均灰度值，作者認(rèn)為這樣操作能夠解決彩色素描顏色失真的問(wèn)題。

有一些生成彩色鉛筆畫(huà)算法[8]的思路與人類手工繪制素描一致，分階段生成素描畫(huà)，第一階段先用線條確定物體輪廓和形狀，第二階段用密集的筆畫(huà)填充形狀，表示所繪物體的紋理、顏色和明暗等特征。文獻(xiàn)[9]在生成線條圖階段對(duì)生成彩色素描算法進(jìn)行改進(jìn)，作者利用提取的線條進(jìn)行形態(tài)學(xué)操作，將4個(gè)方向的探頭遍歷線條像素點(diǎn)，修復(fù)了線條之間的斷點(diǎn)，使生成的線條更連貫。

1.2 目標(biāo)檢測(cè)算法

目標(biāo)檢測(cè)（Object Detection）確定并定位圖片中的目標(biāo)物體，目標(biāo)檢測(cè)算法分為使用傳統(tǒng)方法檢測(cè)階段和使用基于深度學(xué)習(xí)的方法檢測(cè)階段，傳統(tǒng)方法模仿人類鎖定視覺(jué)中心的方法確定主體，由于技術(shù)限制，傳統(tǒng)方法存在準(zhǔn)確率低的缺點(diǎn)，因此更多學(xué)者采用基于深度學(xué)習(xí)的方法，以計(jì)算步驟為劃分依據(jù)?；谏疃葘W(xué)習(xí)的方法分為二階段目標(biāo)檢測(cè)算法和一階段目標(biāo)檢測(cè)算法。

在二階段算法中，第一階段生成粗略候選框以及對(duì)應(yīng)標(biāo)簽，第二階段使用卷積神經(jīng)網(wǎng)絡(luò)確定目標(biāo)候選框，是一個(gè)由粗到細(xì)的確定過(guò)程。最早的二階段目標(biāo)檢測(cè)算法是R-CNN算法，該算法繼承傳統(tǒng)目標(biāo)檢測(cè)算法的思路。首先，生成候選框；其次，對(duì)候選框進(jìn)行訓(xùn)練，生成標(biāo)簽；再次，分類；最后，進(jìn)行非極大值抑制等一系列操作來(lái)確定目標(biāo)。R-CNN算法首次將深度學(xué)習(xí)運(yùn)用于目標(biāo)檢測(cè)中，意義重大，但是存在計(jì)算復(fù)雜的缺點(diǎn)。后來(lái)提出的SPP-Net算法利用空間金字塔池化層在不同層次中收集并生成具有固定長(zhǎng)度的特征圖，以減少在檢測(cè)過(guò)程中由于多次縮放造成的影響，但是SPP-Net存在在池化過(guò)程中參數(shù)不可更改的缺點(diǎn)。Fast R-CNN算法對(duì)上述算法進(jìn)行了改進(jìn)，整合了R-CNN算法的思路和SPP-Net空間金字塔池化層模型，創(chuàng)新地引入ROI池化層，使算法在計(jì)算速率方面明顯提升。

一階段算法中最典型的模型是由YOLOv1發(fā)展至如今YOLOv8的YOLO（You Only Look Once）系列算法。YOLO算法使用一個(gè)CNN將目標(biāo)檢測(cè)算法優(yōu)化為一個(gè)單一回歸問(wèn)題，不需要對(duì)圖片進(jìn)行訓(xùn)練或預(yù)測(cè)，不僅簡(jiǎn)化了檢測(cè)過(guò)程，還提高了檢測(cè)精度，具有即時(shí)性?；谶@個(gè)特點(diǎn)，本文使用改進(jìn)后的的YOLO算法，即現(xiàn)在已經(jīng)發(fā)展成熟的YOLOv8算法來(lái)確定彩色素描畫(huà)的主體。

2 基于YOLOv8的彩色素描畫(huà)生成過(guò)程

本文對(duì)傳統(tǒng)生成素描的方法進(jìn)行改進(jìn)，創(chuàng)新地使用YOLOv8確定原圖主體，在繪制鉛筆畫(huà)的過(guò)程中采用分圖層生成方法。首先，繪制素描線條圖層，其次，繪制填充的紋理圖層，最后，進(jìn)行融合，達(dá)到彩色素描效果。

2.1 改進(jìn)的YOLOv8目標(biāo)檢測(cè)算法

YOLOv8創(chuàng)新地引入SOTA模型，YOLO系列算法的最新技術(shù)是將原系列的C3模塊改進(jìn)為C2f模塊，其借鑒了YOLOv5和YOLOv6等算法的思路，保留了YOLO算法過(guò)程簡(jiǎn)潔這個(gè)優(yōu)點(diǎn)，進(jìn)一步壓縮了算法的時(shí)間開(kāi)銷，提高了準(zhǔn)確率。YOLOv8 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)對(duì)比如圖1所示，由圖1可知YOLOv8改進(jìn)有以下5個(gè)部分。

2.1.1 改進(jìn)一

YOLOv8骨干網(wǎng)絡(luò)部分使用C2f模塊替換了YOLOv5中的C3模塊，具體改動(dòng)內(nèi)容包括以下3個(gè)部分。1）將YOLOv5第一個(gè)卷積層的內(nèi)核大小由6×6改為YOLOv8的3×3，簡(jiǎn)化了卷積計(jì)算。2）增加Split層，提高了精度。3）Block數(shù)由YOLOv5中C3模塊的3-6-9-3改為YOLOv8中C2f模塊的3-6-6-3，降低了計(jì)算開(kāi)銷。

2.1.2 改進(jìn)二

與YOLOv5相比，YOLOv8的Neck區(qū)域減少了1×1采樣層，在優(yōu)化計(jì)算復(fù)雜度方面有所改進(jìn)。

2.1.3 改進(jìn)三

Head區(qū)域中YOLOv8采用Decoupled-Head，Decoupled-Head最典型特征即分類頭和檢測(cè)頭互不影響。同時(shí)Anchor-Free替換為Anchor-Based。

2.1.4 改進(jìn)四

分類損失采用改進(jìn)交叉熵?fù)p失函數(shù)（VFL Loss）。回歸損失使用的是DFL Loss與CIoU Loss結(jié)合的損失函數(shù)。

2.1.5 改進(jìn)五

標(biāo)簽分類過(guò)程使用了個(gè)性化分配（Task-Aligned Assigner）方法，未使用YOLO系列的交并比或單邊比方法。

2.2 彩色素描畫(huà)線條圖的生成

素描畫(huà)的線條具有交叉且不連貫的特點(diǎn)，因此需要將提取的邊緣進(jìn)行卷積運(yùn)算，生成具有人工手繪素描特點(diǎn)的線條。

采用梯度計(jì)算提取圖像中的邊緣，如公式（1）所示。

（1）

式中：df/dx為變化率的值；ε為極小距離值；f（x）為點(diǎn)x處的函數(shù)值；f（x+ε）為與x處距離為ε的點(diǎn)的函數(shù)值。

根據(jù)坐標(biāo)值x、y確定像素點(diǎn)，因此梯度計(jì)算的公式也應(yīng)對(duì)x和y 2個(gè)坐標(biāo)值進(jìn)行二階求導(dǎo)，由于在圖片中相鄰像素點(diǎn)的距離是1，因此應(yīng)將二階求導(dǎo)中的ε替換為固定值1，求導(dǎo)化簡(jiǎn)過(guò)程如公式（2）所示。

（2）

式中：gx為像素點(diǎn)在水平方向的梯度值；f（x+1，y）為點(diǎn)（x，y）在水平方向上的變化值；f（x，y）為點(diǎn)（x，y）的RGB值；f（x，y+1）為點(diǎn)（x，y）在豎直方向上的變化值；gy為像素點(diǎn)在豎直方向的梯度值。

得到點(diǎn)（x，y）處梯度值為g（x，y）=（gx2+gy2）1/2，至此已經(jīng)提取輸入圖片的邊緣信息，為生成具有手繪風(fēng)格的素描畫(huà)線條，將提取的邊緣進(jìn)行進(jìn)一步操作。操作方法如下：對(duì)邊緣信息進(jìn)行反向運(yùn)算，設(shè)置不同方向的短線條，與邊緣圖進(jìn)行卷積運(yùn)算，使用卷積運(yùn)算將同一個(gè)方向相應(yīng)的邊緣與短線條進(jìn)行置換，使原本連貫的邊緣置換為由短線條交叉連接的素描線條圖，素描畫(huà)線條圖生成過(guò)程如圖2所示。

2.3 彩色素描畫(huà)填充圖生成

觀察發(fā)現(xiàn)素描畫(huà)的圖案空白部分由1組密集、平行的短線填充而成?；谶@個(gè)特點(diǎn)，本文將手繪好的紋理轉(zhuǎn)化為素描畫(huà)，預(yù)設(shè)的填充紋理如圖3所示。

填充圖案的映射過(guò)程如公式（3）所示。

T=Hβ* （3）

式中：T為映射后的紋理；β*為涂抹密度；H為圖3中預(yù)先繪制的紋理圖。生成的素描畫(huà)中的填充圖為彩色紋理，顏色由對(duì)應(yīng)像素點(diǎn)的RGB值確定。

3 彩色素描畫(huà)合成效果以及試驗(yàn)結(jié)果分析

為生成主次分明的彩色素描畫(huà)，本文基于目標(biāo)檢測(cè)提取的主體將輸入圖片分為主體區(qū)域與非主體區(qū)域，利用不同區(qū)域的參數(shù)設(shè)置進(jìn)行區(qū)分，突出繪制提取的主體。

3.1 基于不同區(qū)域的參數(shù)設(shè)置

在繪制線條的過(guò)程中，線條長(zhǎng)度為輸入圖片長(zhǎng)度的1/8，經(jīng)驗(yàn)證將目標(biāo)物體線條寬度設(shè)為2，非目標(biāo)物體線條寬度設(shè)為1，在視覺(jué)上可以達(dá)到突出主體的效果。由公式（3）可知，根據(jù)β*確定填充紋理的密度。為突出目標(biāo)區(qū)域，非主體區(qū)域的β*值等于原值的0.8倍。

3.2 試驗(yàn)結(jié)果與分析

確定不同區(qū)域的參數(shù)后將線條圖層和填充紋理圖層進(jìn)行合成，得到基于YOLOv8預(yù)處理后的彩色素描畫(huà)，素描畫(huà)生成效果如圖4所示。

對(duì)原圖細(xì)節(jié)信息進(jìn)行篩選，確定需要突出表示的區(qū)域，對(duì)不重要的區(qū)域進(jìn)行削弱，使原圖轉(zhuǎn)換的彩色素描畫(huà)的主體獲得更多的視覺(jué)關(guān)注，生成效果如圖5所示。文獻(xiàn)[8]基于同樣的思路對(duì)非重要區(qū)域進(jìn)行抑制，文獻(xiàn)[8]生成的素描畫(huà)紋理不自然且非主體區(qū)域信息全部丟失。本文不僅突出了目標(biāo)主體，而且沒(méi)有完全剔除背景區(qū)域的信息，生成的畫(huà)面自然、完整。本文預(yù)設(shè)紋理筆畫(huà)，產(chǎn)生素描鉛筆畫(huà)紋理效果，生成的紋理在顏色方面與原圖一致，效果與人工手繪無(wú)異，生動(dòng)自然。

4 結(jié)語(yǔ)

本文提出一種分圖層、分區(qū)域合成彩色素描畫(huà)的算法，創(chuàng)新地在素描生成算法中使用YOLOv8目標(biāo)檢測(cè)算法提取原圖中的目標(biāo)主體，不同圖層設(shè)置不同參數(shù)，對(duì)主體進(jìn)行加強(qiáng)繪制，對(duì)非主體區(qū)域進(jìn)行削弱處理，使生成的素描圖案主次分明。由于線條是卷積生成，因此效果接近手繪風(fēng)格。填充的紋理是事先預(yù)設(shè)的手繪紋理，降低紋理計(jì)算的時(shí)間開(kāi)銷。

試驗(yàn)結(jié)果表明，該算法在目標(biāo)檢測(cè)準(zhǔn)確率、素描畫(huà)生成和生成速率方面均表現(xiàn)較好，將該技術(shù)運(yùn)用于動(dòng)態(tài)視頻中是未來(lái)的研究方向。該算法的缺點(diǎn)是參數(shù)設(shè)置復(fù)雜，這是未來(lái)研究致力于解決的問(wèn)題。

參考文獻(xiàn)

[1]錢文華，曹進(jìn)德，徐丹，等.非真實(shí)感繪制技術(shù)研究現(xiàn)狀與展望[J].中國(guó)圖象圖形學(xué)報(bào)，2020，25（7）：13.

[2] 莫曉斐，丁友東 . 利用形體特征的鉛筆素描畫(huà)生成 [J]. 中國(guó)圖象圖形學(xué)報(bào)，2013，18（2）：6.

[3]吉娜燁，柴秀娟，山世光，等.局部回歸模型驅(qū)動(dòng)的人臉?biāo)孛枳詣?dòng)生成[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26（12）：2232-2243.

[4]李智慧，范鐵生，唐春鴿，等.具有層次素描紋理的素描畫(huà)繪制方法[J].計(jì)算機(jī)應(yīng)用，2012，32（10）：4.

[5]王瑜，羅廣征，田恒屹.一種全自動(dòng)鉛筆畫(huà)生成方法研究[J].計(jì)算機(jī)應(yīng)用與軟件，2023，40（9）：184-187.

[6]孫丹丹，唐棣.一種鉛筆畫(huà)仿真新方法[J].計(jì)算機(jī)工程與應(yīng)用， 2010，46（11）：3.

[7]謝黨恩，張志立，徐丹.一種改進(jìn)的二維彩色鉛筆畫(huà)自動(dòng)繪制算法[J].計(jì)算機(jī)應(yīng)用與軟件，2013（8）：28-31.

[8]李瑞瑞，孫世豪，楊孝輝，等.基于多層次顯著圖的自動(dòng)鉛筆畫(huà)生成[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2018，30（1）：9.

[9]ZHOU H， ZHOU C， WANG X.Pencil drawing generation algorithm based on GMED[J].IEEE Access，2021（9）：41275-41282.