一种数字化图像水墨风格渲染技术.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108305311A(43)申请公布日2018.07.20(21)申请号201710029952.X(22)申请日2017.01.12(71)申请人南京大学地址210023江苏省南京市栖霞区仙林大道163号南京大学电子学院(72)发明人李盛超陈颖葛云(51)Int.Cl.G06T15/00(2011.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书3页附图4页(54)发明名称一种数字化图像水墨风格渲染技术(57)摘要本发明公布了一种基于深度学习以及卷积神经网络的数字化图像水墨风格渲染技术。由于现有的图像处理软件只能简单的改变图片背景颜色及场景，只有几种固定的简单风格供选择。本发明公布的方法通过水墨图片集训练卷积神经网络模型，利用训练好的模型对水墨图片进行处理，通过格莱玛矩阵量化水墨图片特征，利用反向传播算法，梯度下降算法由计算机迭代训练减小损失，提取出水墨画的特征。最终将水墨画的风格渲染到任意的图片中，生成了精美的水墨画。CN108305311ACN108305311A权利要求书1/1页1.一种数字化图像水墨风格渲染的技术，其特征在于这种渲染技术基于深度学习相关算法，利用水墨图片集训练了卷积神经网络模型，能够对内容图片渲染任意的水墨风格。2.根据权利要求1所述的数字化图像水墨风格渲染技术，其特征是：通过深度学习算法提取了水墨画的纹理特征，并且用Python语言描述了具体提取过程，算法是基于Tensorflow框架的，算法中包括反向传播算法和梯度下降算法。3.根据权利要求1所述的数字化图像水墨风格渲染技术，其特征是：利用水墨图片集训练的水墨风格卷积神经网络模型，包括16个卷积层和5个池化层，激励函数采用的是ReLu函数。2CN108305311A说明书1/3页一种数字化图像水墨风格渲染技术技术领域[0001]本发明涉及数字图像处理和深度学习在图像方面的应用，以及卷积神经网络的应用。背景技术[0002]2016年3月，谷歌的人工智能AlphaGo战胜人类围棋冠军，标志着以机器学习和深度学习为代表的人工智能技术进入了新的发展阶段。随着人工智能的发展，艺术创作这一长久以来一直是人类所特有的天赋，计算机也在慢慢掌握，并且能够进行简单的艺术创作。[0003]目前，西方的油画被越来越多的中国人欣赏接受，中华民族的传统水墨画渐显颓势，相对于油画的写实风格，水墨画的意境创作对于普通人来说难以掌握。现有的一些图像处理软件，只能简单机械的改变图片的背景颜色，背景图像，不能够像人一样学习图片的风格，包括纹理，笔触等细节特征。当今社会需要更多的水墨画作品供人们欣赏，人们也可以从自己创作大师般的水墨艺术作品中获得乐趣。发明内容[0004]本发明的目的在于克服水墨画创作中意境难以模仿，笔触独特，创作成本高，普通人学习困难的特点，提出了一种基于深度学习的数字化图像渲染方法，使任意图像能够通过构建的神经网络模型渲染出水墨画风格。[0005]本发明解决问题所采用的方案是：构建卷积神经网络模型(包括16个卷积层和5个池化层)，以水墨图片库作为训练集，利用深度学习相关算法，通过大量数据迭代更新得到卷积层滤波器的权重参数(W1，W2，W3……Wn)，训练出适用于水墨画的卷积神经网络模型。将任意的水墨画图片和拍摄的内容图片输入水墨风格卷积神经网络模型中，图片在卷积神经网络中运算提取了不同的特征矩阵，以及表示关联度的格莱玛矩阵，运用反向传播算法和梯度下降算法，提取水墨图片的纹理特征，迭代更新生成图片的像素值，使内容图片融合了纹理的特征，最终经过电脑的运算处理后生成一幅相应风格的水墨画。[0006]本发明的有益效果是：将深度学习应用于数字化图像的水墨风格渲染，相对于人工创作水墨画，成本低，速度快，并且电脑渲染的水墨画作品质量高，满足了大多数人们对于水墨画的审美需求。深度学习未见用于中国水墨画风格的渲染，因此本技术方案具有新颖性。附图说明[0007]图1是本发明的整体流程图[0008]图2是硬件架构及硬件加速图[0009]图3是软件架构图[0010]图4是水墨图片集预处理图及神经网络模型具体训练图[0011]图5是内容图片渲染水墨风格示意图3CN108305311A说明书2/3页[0012]图6是内容图片和不同风格图片生成图具体实施方式[0013]为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。[0014]参考图2，图3，构建整体软件，硬件运行环境，硬件环境的运行需要高性能GPU的支持，搭载英伟达并行运算平台CUDA8.0，相关操作库Cudnn5.0，使GPU具有大规模数据加速运算能力。软件运行基于Linux系统