图像抽象化的实时增强型绘制
使用深度学习进行图像增强的方法和技巧
使用深度学习进行图像增强的方法和技巧深度学习在计算机视觉领域中展现出了巨大的潜力，尤其是在图像增强方面。
图像增强旨在改善图像的视觉质量，使得图像更加清晰、锐利和易于理解。
在本文中，我们将探讨使用深度学习进行图像增强的方法和技巧。
首先，深度学习模型在图像增强中的应用主要包括超分辨率、去噪和对比度增强等方面。
这些任务可以通过构建卷积神经网络（Convolutional Neural Networks, CNNs）来实现。
CNNs是一种专门用于处理图像的深度学习模型，通过学习图像的特征和结构，可以有效地进行图像增强。
一种常见的图像增强任务是超分辨率（Super-Resolution, SR），即从低分辨率图像中恢复高分辨率图像。
为了实现这一目标，可以使用卷积神经网络来学习图像的上采样和重建过程。
例如，可以使用基于卷积的自动编码器（Convolutional Autoencoder）来重建高分辨率图像。
此外，还可以使用生成对抗网络（Generative Adversarial Networks, GANs）来实现超分辨率。
GANs由生成器和判别器组成，生成器负责生成高分辨率图像，而判别器则负责评估生成的图像与真实图像之间的差异，从而促使生成器生成更准确的图像。
另一个常见的图像增强任务是去噪（Denoising），即从噪声图像中恢复干净的图像。
类似于超分辨率，可以使用卷积神经网络来学习图像的去噪过程。
一个流行的方法是使用卷积神经网络作为图像的降噪函数，输入是有噪声的图像，输出是去噪后的图像。
通过训练网络使其能够学习如何准确地去除噪声，并恢复出干净的图像。
此外，对比度增强也是图像增强中一个重要的任务。
对比度是指图像中不同灰度级之间的差异程度。
通过增加图像的对比度，可以使得图像更加鲜明，细节更加清晰。
深度学习模型可以通过学习图像的特征来提高图像的对比度。
一种常见的方法是使用卷积神经网络来学习图像的直方图均衡化，从而增强图像的对比度。
图像增强的方法有哪些
图像增强的方法有哪些图像增强是指对图像进行处理，以改善其视觉质量或提取出更多的有用信息。
在数字图像处理领域，图像增强是一个重要的研究方向，它涉及到许多方法和技术。
本文将介绍几种常见的图像增强方法，包括灰度拉伸、直方图均衡化、滤波和锐化等。
这些方法可以应用于各种领域，如医学图像处理、遥感图像处理和计算机视觉等。
灰度拉伸是一种简单而有效的图像增强方法。
它通过拉伸图像的灰度范围，使得图像的对比度得到增强。
具体而言，灰度拉伸会将图像的最小灰度值映射到0，最大灰度值映射到255，中间的灰度值按比例进行映射。
这样可以使得图像的整体对比度得到提高，从而更容易观察和分析图像中的细节。
另一种常见的图像增强方法是直方图均衡化。
直方图均衡化通过重新分布图像的灰度级别，以使得图像的直方图更加均匀。
这样可以增强图像的对比度，使得图像中的细节更加清晰。
直方图均衡化在医学图像处理中得到了广泛的应用，可以帮助医生更准确地诊断疾病。
滤波是图像处理中常用的一种技术，它可以用来增强图像的特定特征或去除图像中的噪声。
常见的滤波方法包括均值滤波、中值滤波和高斯滤波等。
这些滤波方法可以根据图像的特点和需要进行选择，从而达到增强图像质量的目的。
除了滤波之外，锐化也是一种常见的图像增强方法。
锐化可以使图像中的边缘和细节更加清晰，从而提高图像的视觉质量。
常见的锐化方法包括拉普拉斯算子和Sobel算子等。
这些方法可以通过增强图像中的高频信息来使图像更加清晰。
综上所述，图像增强是图像处理中的一个重要环节，它可以帮助我们改善图像的质量，提取出更多的有用信息。
本文介绍了几种常见的图像增强方法，包括灰度拉伸、直方图均衡化、滤波和锐化等。
这些方法可以根据图像的特点和需求进行选择，从而达到增强图像质量的目的。
在实际应用中，我们可以根据具体的情况选择合适的图像增强方法，从而得到更加优质的图像结果。
第8章_图像增强
32
一、空间域图像增强（29）
对角线方向边缘增强示意图
33
一、空间域图像增强（30）
单方向一阶微分算子图像增强效果
34
一、空间域图像增强（31）
Roberts交叉微分算子
g x, y f x 1, y 1 f x, y f x 1, y f x, y 1
f
G x x
f
f
G
y
y
27
一、空间域图像增强（24）
一阶微分算子
单方向微分算子
（1）水平方向微分算子
Dlevel
1 2 1
0 0 0
1 2 1
g ( x, y ) [ f x 1, y 1 f x 1, y 1] 2[ f x 1, y f x 1, y ]
遥感数字图像处理
第8章
图像增强
背景知识
图像增强是通过一定手段对原图像进行变换或附加一些信息
，有选择地突出图像中感兴趣的特征或者抑制图像中某些不
需要的特征，使图像与视觉响应特性相匹配，从而加强图像
判读和识别效果，以满足某些特殊分析的需要。
目的：改善图像的视觉效果，帮助我们更好地发现或识别图
像中的某些特征。
作用：调整两幅图像的色调差异，使图像重叠区域的色调过渡柔和，改
善图像融合和图像镶嵌效果。
14
一、空间域图像增强（12）
直方图匹配的思想：
原图像中的任意一个灰度值ai 都可
以在参考图像上找到一个与之对应
的灰度值bi ，使得原图的灰度概率
第5章 图像的增强与变换
第五章图像的增强与变换§5.1 图像增强与变换§5.2 光谱增强§5.3 空间增强§5.4 多源信息的复合§5.1 图像增强与变换图像增强和变换为了突出相关的专题信息，提高图像的视觉效果，使分析者能更容易地识别图像内容，从图像中提取更有用的定量化信息。
按其作用的空间可分两种：光谱增强空间增强§5.2 光谱增强光谱增强对应于每个像元，与像元的空间排列和结构无关。
因此又叫点操作。
1. 彩色合成2. 对比度增强（直方图增强）3. 图像间运算为了充分利用色彩在遥感图像判读和信息提取中的优势，常常利用彩色合成的方法对多光谱图像进行处理，以得到彩色图像。
单波段彩色变换（密度分割）多波段彩色变换（真彩色，假彩色）HLS变换：色调(hue)、明度(lightness)和饱和度(saturation)的色彩模式。
即RGB模式ÆHLS模式。
1. 彩色合成单波段彩色变换(密度分割)（1）求图像的极大值dmax 和极小值d min ；（2）求图像的密度区间ΔD=dmax -d min +1；（3）求分割层的密度差Δd=ΔD／n，其中n为需分割的层数；（4）求各层的密度区间；（5）定出各密度层灰度值或颜色。
1.彩色合成1.彩色合成多波段彩色变换真彩色合成真彩色图像上影像的颜色与地物颜色基本一致。
把红色波段的影像作为合成图像中的红色分量、把绿色波段的影像作为合成图像中的绿色分量、把蓝色波段的影像作为合成图像中的蓝色分量进行合成的结果。
如TM321分别用RGB合成的图像。
假彩色合成假彩色图像是指图像上影像的色调与实际地物色调不一致的图像。
遥感中最常见的假彩色图像是彩色红外合成的标准假彩色图像。
它是在彩色合成时，把近红外波段的影像作为合成图像中的红色分量、把红色波段的影像作为合成图像中的绿色分量、把绿色波段的影像作为合成图像中的蓝色分量进行合成的结果。
如TM432用RGB合成的图像为标准假彩色图像。
计算机视觉中的图像增强技术
计算机视觉中的图像增强技术在当今数字化的时代，图像成为了我们获取信息和表达想法的重要方式之一。
然而，由于各种因素的影响，原始图像往往存在质量不佳、细节模糊、对比度低等问题，这就使得图像增强技术在计算机视觉领域中变得至关重要。
图像增强技术的目的在于改善图像的质量，使得图像中的信息更加清晰、易于理解和分析。
它就像是给一幅略显暗淡的画作添上了更鲜明的色彩，让其细节和魅力得以充分展现。
想象一下，我们在昏暗的光线下拍摄了一张照片，照片中的人物和景物都显得模糊不清。
这时候，图像增强技术就能够发挥作用，通过调整亮度、对比度和色彩等方面，让这张照片变得清晰明亮，原本被阴影掩盖的细节也能清晰可见。
在图像增强技术中，直方图均衡化是一种常见且有效的方法。
它通过重新分布图像的像素灰度值，使得图像的灰度直方图更加均匀，从而增强图像的对比度。
比如说，一张原本灰度分布集中在某个狭窄范围内的图像，经过直方图均衡化处理后，灰度值能够在更广泛的范围内分布，使得图像的明暗对比更加明显。
还有一种常用的技术是图像锐化。
它的作用就像是给图像加上了一层清晰的滤镜，突出图像的边缘和细节。
这对于那些需要清晰分辨物体轮廓的场景，如医学影像、工业检测等，具有重要的意义。
通过增强图像的高频成分，使得边缘部分更加锐利，我们能够更准确地识别和分析图像中的物体。
另外，色彩增强技术也是不容忽视的一部分。
有时候，图像的色彩可能不够鲜艳或者存在偏差。
通过调整色彩的饱和度、色调和亮度等参数，可以让图像的色彩更加生动逼真，给人更强烈的视觉冲击。
比如在风景照片中，增强蓝天和绿草的色彩，能够让整个画面更加美丽动人。
然而，图像增强技术并非是完美无缺的。
在增强图像的同时，也可能会引入一些不必要的噪声或者导致图像的某些部分过度增强。
这就需要我们在应用这些技术时，根据具体的图像特点和需求，谨慎选择合适的方法和参数。
为了更好地实现图像增强的效果，研究人员还在不断探索和创新。
例如，结合深度学习技术，利用神经网络强大的学习能力，自动学习到最适合的图像增强方式。
图像增强的方法有哪些
图像增强的方法有哪些
图像增强的方法包括以下几种：
1. 直方图均衡化（Histogram equalization）：通过调整图像的像素分布，增强图像的对比度。
2. 自适应直方图均衡化（Adaptive histogram equalization）：与直方图均衡化类似，但是对图像的小区域进行局部均衡化，可以更好地保留细节信息。
3. 均值滤波（Mean filter）：用图像中像素的平均值替代该像素的值，平滑图像的同时增强细节。
4. 中值滤波（Median filter）：用图像中像素的中值替代该像素的值，能够有效去除椒盐噪声，保留图像边缘。
5. 高斯滤波（Gaussian filter）：使用高斯函数对图像进行平滑，可以模糊图像的同时去除噪声。
6. 锐化增强（Sharpening）：利用锐化算子对图像进行卷积，突出图像的边缘和细节。
7. 退化与恢复（Degradation and restoration）：通过建立图像模糊模型和噪
声模型，对退化图像进行恢复。
8. 增强滤波（Enhancement filter）：通过设计特定的增强滤波器，对图像进行增强，如Sobel滤波器、Prewitt滤波器等。
9. 超分辨率（Super-resolution）：通过使用多帧图像或者其他方法，提高低分辨率图像的细节和清晰度。
以上仅是图像增强的一些常见方法，随着图像处理技术的不断发展，还有很多其他方法可以用于图像增强。
数字图像增强的几种常见方法
数字图像增强的几种常见方法数字图像增强是图像处理领域中的一项重要任务，它旨在改善图像的质量和可视化效果。
在数字图像增强中，有几种常见的方法被广泛应用，包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
直方图均衡化是一种常见的图像增强方法。
它通过对图像的像素值进行重新分布，以扩展图像的动态范围，从而增强图像的对比度和细节。
直方图均衡化的基本思想是通过将图像像素的累积分布函数映射为均匀分布来调整像素的亮度值。
这种方法特别适用于对比度较低的图像，能够使图像的细节更清晰，并提升图像的质量。
滤波和增强算法也是数字图像增强的常见方法之一。
滤波可以去除图像中的噪声，平滑图像并提高图像的质量。
常见的滤波算法包括均值滤波、中值滤波和高斯滤波等。
这些算法通过对图像进行空间域或频域的滤波处理来改善图像的质量。
增强算法也可以用于提高图像的可视化效果。
例如，锐化算法可以增强图像的边缘和细节，使图像更加清晰。
对比度拉伸算法可以扩展图像的动态范围，增强图像的对比度。
这些算法可以根据不同的图像特征和需求进行选择和组合，以实现更好的图像增强效果。
多尺度变换是另一种常见的图像增强方法。
多尺度变换将图像转换为不同尺度的表示形式，利用图像在不同尺度上的信息来增强图像的质量和对比度。
常见的多尺度变换方法包括小波变换和金字塔变换。
这些方法在图像增强中广泛应用，并在图像去噪、边缘检测等领域取得了良好的效果。
除了传统的增强方法，基于机器学习的方法也在数字图像增强中得到了广泛的应用。
这些方法利用机器学习算法从大量的图像数据中学习图像的增强模型，然后使用该模型对新的图像进行增强。
通过学习大量数据得到的模型可以更准确地理解图像中的内容和结构，并提供更好的增强效果。
综上所述，数字图像增强的几种常见方法包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
这些方法可以根据图像的特点和需求进行选择和组合，以实现图像的质量和可视化效果的改善。
图像处理中的图像增强方法对比与分析
图像处理中的图像增强方法对比与分析导语：在图像处理领域中，图像增强是一个重要的技术，用于改善图像的质量和清晰度。
随着计算机视觉和机器学习的发展，各种图像增强方法被提出和应用于不同领域，如医学影像、卫星图像等。
本文将对几种常见的图像增强方法进行对比与分析，包括直方图均衡化、灰度拉伸、滤波和深度学习。
一、直方图均衡化直方图均衡化是一种通过调整图像的像素灰度分布来增强图像对比度和亮度的方法。
该方法基于直方图的统计特性，可以将原始图像的像素值重新映射到更广泛的范围内，以获得更丰富的灰度级。
直方图均衡化对均匀分布和低对比度的图像效果较好，但对于具有极大动态范围和特定区域灰度差异的图像效果可能不理想。
并且，它也容易产生过度增强的效果，导致图像细节丢失。
二、灰度拉伸灰度拉伸是一种通过重新分配图像的像素灰度级以增加图像对比度的方法。
它基于简单的线性变换，将图像的最低灰度级映射到最小灰度值，将最高灰度级映射到最大灰度值，而中间的灰度级按比例进行映射。
灰度拉伸适用于具有低对比度的图像，可以有效增强图像的细节和边缘。
然而，灰度拉伸方法需要手动选择合适的灰度级范围，并且无法处理非线性关系和部分区域的对比度差异。
三、滤波滤波是一种基于图像频谱的增强方法，通过去除图像中的噪声和模糊以提高图像质量。
滤波方法包括低通滤波和高通滤波。
低通滤波可以平滑图像并去除高频噪声，常用的滤波器包括均值滤波和高斯滤波。
高通滤波可以增强图像的边缘和细节，常用的滤波器包括拉普拉斯滤波和Sobel滤波器。
滤波方法可以较好地增强图像的细节和对比度，但也可能导致图像的细节损失和边缘模糊。
四、深度学习深度学习是一种基于人工神经网络的图像增强方法，它通过训练模型学习图像的特征和映射关系，以生成更高质量的图像。
深度学习方法可以根据不同任务和需求进行适应性调整和优化，具有较强的非线性建模和适应能力。
随着深度学习算法的不断发展和硬件计算能力的提升，该方法在图像增强方面取得了许多重要的突破。
计算机视觉中的图像增强技术
计算机视觉中的图像增强技术图像增强技术是计算机视觉领域中的重要研究方向之一，旨在提高图像质量和增强图像的细节。
通过使用各种算法和技术，图像增强能够改善图像的亮度、对比度、清晰度等方面，使图像更加逼真和易于分析处理。
本文将介绍几种常见的计算机视觉中的图像增强技术。
一、直方图均衡化直方图均衡化是一种常见的图像增强技术，通过调整图像的像素值分布，使得图像在亮度和对比度上得到改善。
该技术基于直方图的分析，将图像的像素值映射到较广的范围内，使得亮度水平更加均衡。
直方图均衡化可以应用于灰度图像和彩色图像，并且对于各种类型的图像效果良好。
二、模糊和锐化模糊和锐化是图像增强中常用的技术。
模糊技术可以减少图像的噪声和细节，使得图像更加平滑。
常见的模糊技术包括高斯模糊、均值模糊等。
锐化技术则相反，可以增强图像的边缘和细节，使得图像更加清晰。
锐化技术常用的方法有拉普拉斯锐化、边缘增强等。
三、增强滤波增强滤波是一种基于图像频域分析的增强技术。
该技术通过对图像进行频域变换，提取频域信息，然后根据图像的特点进行相应的增强处理。
常见的增强滤波技术包括快速傅里叶变换（FFT）、小波变换等。
增强滤波可以有效地去除图像的噪声和模糊，提高图像的品质。
四、对比度增强对比度增强是一种提高图像亮度差异的技术。
该技术通过调整图像的像素值，使得图像中的亮部和暗部之间的差异更加明显，提高图像的视觉效果。
对比度增强常用的方法有直方图拉伸、对比度增强函数等。
对比度增强可以使图像中的细节更加鲜明，提高图像的可视化效果。
五、超分辨率重建超分辨率重建是一种特殊的图像增强技术，旨在提高图像的分辨率和细节。
该技术可以通过多帧图像的融合、插值和恢复等方法，使得图像的细节更加清晰，增强图像的可见细节。
超分辨率重建常用的算法包括基于插值的方法、最小二乘法等。
总结：计算机视觉中的图像增强技术是提高图像质量和增强图像细节的重要手段。
本文介绍了几种常见的图像增强技术，包括直方图均衡化、模糊和锐化、增强滤波、对比度增强和超分辨率重建。
《图像增强技术》课件
三、新兴的图像增强技术
SRGAN
具备超分辨率图像生成能力的生成对抗网络，可提 高图像细节和清晰度。
ESRGAN
在SRGAN基础上进一步改进的超分辨率图像生成 算法，提供更高质量的图像增强效果。
StyleGAN
基于神经网络的图像生成算法，能够生成高质量、 更具艺术风格的图像。
CycleG一种图像风格 转化为另一种图像风格。
二、传统图像增强技术
直方图均衡化
通过重新分配图像的 像素值来改善图像对 比度和亮度，从而增 强图像细节。
滤波器增强
利用滤波器进行图像 平滑、边缘增强或噪 声去除，以提高图像 质量。
空间域增强
基于图像的空间域特 征，如边缘和纹理等， 对图像进行局部增强。
频率域增强
利用傅里叶变换将图 像转换到频率域，在 频率域进行增强处理， 如降噪和图像恢复。
四、应用
人脸识别
图像增强技术可提高人脸图像 质量、对比度和细节，以提升 人脸识别的准确性和可靠性。
视频增强
通过图像增强技术，可以改善 视频的清晰度、稳定性和色彩 表现，提供更好的观看体验。
医学图像分析
图像增强技术在医学领域的应 用可以帮助医生更准确地诊断 和分析医学图像，提高医疗质 量。
五、总结
《图像增强技术》PPT课 件
欢迎来到《图像增强技术》PPT课件！在本课件中，我们将探索图像增强的 概念、传统与新兴的增强技术，以及应用领域和发展趋势。准备好了吗？让 我们开始吧！
一、介绍
图像增强的概念
图像增强是通过处理技术改善图像质量，使其更具视觉吸引力和可用性。
增强的目的和意义
图像增强的目的是提高图像的视觉效果、清晰度、对比度和颜色等特征，以便更好地满足人 类视觉需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像 抽 象 化 的 实 时增 强型 绘 制
王山东 。 。 ’ ， 李晓生 ， 刘学慧 ” ， 吴恩华 ｈ
”（ 中 国科 学 院 软 件 研 究 所 计 算 机 科 学 国家 重 点 实 验 室 ｚ （ 澳 门大 学 科 技 学 院 电脑 与 资 讯 科 学 系 澳 门） 。 （ 中 国科 学 院 研 究 生 院 北 京 １ ０ ０ １ ９ ０ ） 北 京 １ ０ Ｏ １ ９ Ｏ ）
（ ｓ ｄ ｗａ ｎ ｇ ｌ Ｏ ＠ｇ ｍａ ｉ ｌ ． ｃ ｏ ｎ） ｒ
摘
要： 现 有 的 图像 抽 象 化 绘 制算 法 主 要 采 用 基 于 图像 分 割或 边 缘 保 持 的 平 滑 滤 波 技 术 ， 导 致所 生 成 的 抽 象 化 图 像
经 常存 在 明 暗 对 比度 较 低 、 画 质 昏暗 模 糊 、 画面色彩 表现 力不强 等问题 ， 为 此 提 出 一 种 增 强 对 比 度 的 图 像 抽 象 化 绘 制算法 ． 首 先 利 用 结 构 张量 平 滑 技 术 生 成 光 滑 连 续 、 显著 特征保 持的特 征流场 ， 然 后 基 于 该 流 场 对 图像 进 行 沿 边 缘
ｗａ ｓ ｈ ｅ ｄ ｏ ｕｔ ｂｅ ｃ ａ ｕ ｓ ｅ ｏ ｆ ｍｉ ｓ ｓ ｉ ｎｇ ｃ ｏ ｎｔ ｒ ａ ｓ ｔ ，ｔ ｈｉ ｓ ｐ ａ ｐｅ ｒ ｐｒ ｅ ｓ ｅ ｎｔ ｓ ａ ｎ ｉ ｍｐｒ ｏ ｖｅ ｄ ｎｏ ｎ — ｐｈ ｏｔ ｏ ｒ ｅ ａ ｌ ｉ ｓ ｔ ｉ ｃ ｒ ｅ ｎ ｄｅ ｒ ｉ ｎｇ
（ Ｇｒ ａ ｄ ｕ ａ ｔ ｅ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆ ｏ Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａｃ ａ ｄ ｅ ｍｙ ｆ ｏ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ， Ｂｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ １ ９ ０ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｏ ａ ｄ ｄ ｒ ｅ ｓ ｓ ｔ ｈ ｅ ｌ ｉ ｍｉ ｔ ａ ｔ ｉ ｏ ｎ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｇ ｅ ｎ ｅ ｒ ａ ｔ ｅ ｄ ｂ ｙ ｅ ｘ ｉ ｓ ｔ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｓ ｌ ｏ ｏ ｋ ｓ ｓ ｏ ｍｅ ｗｈ ａ ｔ
第２ ５卷 第 ２期
２ ０ １ ３年 ２月
计算 机辅 助设 计 与 图形学 学报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ — Ａｉ ｄ ｅ ｄ Ｄｅ ｓ ｉ ｇ ｎ ＆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｇｒ ａ ｐ ｈ ｉ ｃ ｓ
Ｖｏ Ｉ ． ２ ５ Ｎｏ ． ２ Ｆｅ ｂ ．２ Ｏ １ ３
”（ Ｓ ｔ ａ ｔ ｅ Ｋｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ，Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｓ ｏ ｆ ｔ ｗａ ｒ ｅ ， Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａｃ ａ ｄ ｅ ｍｙ ｆ ｏ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ，Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ １ ９ ０ ） （ Ｄｅ ｐ ａ ｒ ｔ ｍｅ ｎ ｔ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ．Ｆ ａ ｃ ｕ ｌ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆ ｏ Ｍａ ｃ ａ ｕ， Ｍａ ｃ ａ ｏ ）
切 向流 方 向 的 自适 应 平 滑 和 沿 梯 度 方 向 的对 比 度 增 强 处 理 ， 最 后 使 用 改 进 的基 于 流 场 的 双 边 滤 波 或 者 Ｋｕ ｗ ａ ｈ ａ ｒ ａ滤
波算法 实现图像抽象化的实时绘制 ． 实验结果 表明 ， 该 算 法 可 显 著 改 善 已 有 抽 象 化 方 法 的绘 制 质 量 ， 抽 象 化 图像 的 边界特 征明显增强 ， 画质 更 清 晰 、 层次感更分 明．
关键 词 ： 非真实感绘制 ； 图像 抽 象 化 ； 边 缘 切 向流 ； 双边滤波 ； Ｋｕ ｗａ ｈ ａ ｒ ａ 滤 波
中图法分类号 ： ＴＰ ３ ９ １
Ｒｅ ａ ｌ — Ｔｉ ｍｅ Ｅｎｈａ ｎｃ ｉ ｎｇ Ｉ ｍａ ｇ ｅ Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ
Ｗａ ｎｇ Ｓｈ ａ ｎｄ ｏｎ ｇ ・ 。 ＇ ”，Ｌｉ Ｘｉ ａ ｏ ｓ ｈ ｎｇ ＇ ∞ ，Ｌｉ ｕ Ｘｕ ｅ ｈｕ ｉ ” ，ａ ｎｄ Ｗ ｕ Ｅｎ ｈｕａ ’ ’ 。
ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｐ ｅ ｒ ｆ ｏ ｒ ｍｅ ｄ ａ ｌ ｏ ｎ ｇ ｔ ｈ ｅ ｓ ｔ ｒ ｅ ａ ｍ ｌ ｉ ｎ ｅ ｓ ｄ ｅ ｆ ｉ ｎ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｅ ｄ ｇ ｅ ｔ ａ ｎ ｇ ｅ ｎ ｔ ｆ ｌ ｏ ｗ，ａ ｎ ｄ ａ ｆ ｔ ｅ ｒ ｔ ｈ ａ ｔ ｔ ｈ ｅ
ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｆ ｏ ｒ ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｓ ． Ａ ｓ ｍｏ ｏ ｔ ｈ ａ ｎ ｄ ｆ ｅ ａ ｔ ｕ ｒ ｅ ＿ ｐ ｒ ｅ ｓ ｅ ｒ ｖ ｉ ｎ ｇ ｅ ｄ ｇ ｅ ｔ ａ ｎ ｇ ｅ ｎ ｔ ｆ ｌ ｏ ｗ ｆ ｉ ｅ ｌ ｄ ｉ ｓ ｆ ｉ ｒ ｓ ｔ ｌ ｙ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄ ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｅ ｉ ｇ ｅ ｎ ｖ ｅ ｃ ｔ ｏ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ｓ ｍｏ ｏ ｔ ｈ ｅ ｄ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｔ ｅ ｎ ｓ ｏ ｒ ． Ｔｈ ｅ ｎ ａ ｎ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｓ ｍｏ ｏ ｔ ｈ ｉ ｎ ｇ