發(fā)布時間：2021-08-20 04:30

　　如何高效逼真地動態(tài)重現(xiàn)書法作品的創(chuàng)作過程日益成為亟需解決的問題,因此文中提出基于主曲線的書法字動態(tài)重現(xiàn)方法,解決當(dāng)前細(xì)化算法在提取骨架時存在的無效分支較多、不能保證筆畫的連續(xù)性和準(zhǔn)確性的問題.結(jié)合書法字自身結(jié)構(gòu)對主曲線算法進(jìn)行改進(jìn)和優(yōu)化.對書法圖像進(jìn)行骨架提取、骨架追蹤、筆順獲取等處理,結(jié)合骨架信息和二值圖像實現(xiàn)筆畫寬度復(fù)原,針對筆畫寬度存在的"腫瘤"問題,提出"角點剔除法"進(jìn)行修正,結(jié)合HTML5的Canvas繪圖技術(shù)進(jìn)行書法字動態(tài)書寫過程.在模擬數(shù)據(jù)集上的實驗表明,文中算法的書法動態(tài)重現(xiàn)取得較好效果. 

【文章來源】：模式識別與人工智能. 2019,32(09)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

種方法生成字體對比

種В?枰??徊醬?恚?飫鍤褂肎VS表示初始書法骨架圖，由端點V和線段S構(gòu)成，其中V={v1，v2，…，vm}，S={si1j1，si2j2，…，sikjk}，sikjk=(vik，vjk)，1≤i1≤m，1≤i2≤m，…，1≤ik≤m，1≤j1≤m，1≤j2≤m，…，1≤jk≤m．2)數(shù)據(jù)粒化．使用KNN聚類方法進(jìn)行數(shù)據(jù)�；褂昧�(shù)據(jù)替代原始數(shù)據(jù)．這里初始骨架圖中原有數(shù)據(jù)點Xn={x1，x2，…，xm}，聚類后的粒數(shù)據(jù)點Xn'={x1'，x2'，…，xc'}，具體聚類過程如圖1所示．圖1數(shù)據(jù)�；^程Fig．1Processofdatagranulation3)擬合－光滑．通過對所有數(shù)據(jù)點的投影和端點的優(yōu)化反復(fù)增強書法骨架光滑性和自相合性，同時近似保持它與輪廓線等距離，直至收斂．主要包括投638模式識別與人工智能(PＲ＆AI)第32卷

?咚惴ǖ哪夂蝦凸饣?枷敫慕?交?頂點位置，通過迭代構(gòu)建主圖．本文根據(jù)書法字骨架點8鄰域的鄰居點情況對骨架點中的特征點進(jìn)行分類，包括端點、普通點、交叉點［17］．同一書法字中的筆畫段往往存在相交的情況，書法字筆畫段通�？梢詣澐譃楠毩⒐P畫和非獨立筆畫［18］．獨立筆畫段通過遍歷骨架點的方式可獲取骨架筆畫信息，非獨立筆畫存在筆畫交叉處路徑選擇的問題．本文采用文獻(xiàn)［19］中的爬蟲法，初步提取書法字的骨架筆畫信息．爬蟲法基于骨架點的8鄰域方向編碼(如圖3)表征兩個骨架點的位置坐標(biāo)關(guān)系．圖3P點的8鄰域方向編碼Fig．3Eight-neighbordirectioncodingofpointP第9期楊晨旭等:基于主曲線的書法字動態(tài)重現(xiàn)算法738

【參考文獻(xiàn)】：
期刊論文
[1]用爬蟲法提取書法筆畫[J]. 章夏芬,劉佳巖.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2016(02)
[2]基于書寫規(guī)則的書法字筆畫及筆順提取[J]. 劉佳巖,章夏芬.  微型機與應(yīng)用. 2015(15)
[3]書法臨摹過程的交互式動畫建模方法[J]. 張俊松,張悠苗,周昌樂.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2014(06)
[4]基于復(fù)雜形態(tài)數(shù)據(jù)的主曲線提取算法及其在圖像骨架提取中的應(yīng)用[J]. 吳德,張紅云,苗奪謙,高迎.  小型微型計算機系統(tǒng). 2010(04)
[5]一種新的改進(jìn)OPTA細(xì)化算法[J]. 趙磊,陳瓊,陳中.  計算機應(yīng)用. 2008(10)
[6]基于改進(jìn)的GPL主曲線算法的指紋特征分析與提取[J]. 張紅云,苗奪謙,傅文杰.  模式識別與人工智能. 2007(06)
[7]一種對文字圖像細(xì)化的改進(jìn)Hilditch算法研究[J]. 賈瑜,饒建輝.  武漢工業(yè)學(xué)院學(xué)報. 2006(03)
[8]一個計算機書法系統(tǒng)CCCS[J]. 王鉦旋,龐云階.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 1991(01)

博士論文
[1]書法重現(xiàn)及其在數(shù)字化圖書館中的應(yīng)用[D]. 吳英飛.浙江大學(xué) 2008



本文編號：3352817