第三章 研究方法與步驟
3.5 花紋特徵的生成
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
19
表格 3. 對應於圖 13 比對結果之分數排名。
Feature Input
Horn Eye
Rank Pattern Score Pattern Score
1st 0.37 0.32
2nd 0.25 0.34
3rd 0.17 0.13
3.5 花紋特徵的生成
第二部分為參考Evolving Mazes from Images[16]中以Cellular Neural Networks(CNN) 為架構的反應-擴散模擬公式，並且加入Control Map和Vector Field的資訊能讓我們進一 步的控制由輸入影像的前景花紋特徵生成為我們所期望的特徵紋理，而目的在於將利用 反應-擴散公式的特性將影像進行具線條和塊狀化的風格化轉換，並且轉為如獸面紋般 的黑白色彩，以及用以加強輸出影像的獨特風格。我們假定以每一個像素做為細胞，每 一個細胞的狀態是X，而它的反應為Y，在以下的反應-擴散模擬公式定義了細胞之間的 狀態與反應關係：
‧
3.5.1 Global Control
而在反應-擴散的模擬下，為求在生成的紋路有更多樣的變化，我們從輸入著手， 14所示意，將r1設定為0.369，r2為0.588。除此之外，在運算前為了運用CNN之架構計算，
我們再次將Pm透過f(x) = 2x - 1至[-1, 1]的區間裡。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
21
X
(0)= c
mP
m, I = P
m---(6)
(a) (b) (c) 圖 14. (a)輸入影像，參考於[16]，將灰階值區間映射至(b)中的[r1, r2]，
生成出全為線條結構(c)。
(a) (b) (c)
(d) (e) (f)
圖 15. (a)輸入影像，(b)w1 = 5.0，(c) w1 = 1.5，(d) w1 = 1.0 ，(e) w1 = 0，
(f) w1 = -1.0。
‧
3.5.2 Local Control
除了在控制全域的紋路變化外，我們利用了 Control Map 讓反應-擴散的核心能有不
下圖16為核心根據Control Map的灰階度取樣到不同的5x5細胞上之示意圖，左圖與 中圖顯示出不同Control Map的灰階值改變了反應-擴散核心中的數值對應到影像中像素
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
23
的位置，右圖則顯示出當sx > sy 對核心縱橫縮放的改變。實際結果如下圖17、圖19顯示，
輸入影像在配合Control Map中灰階層度越深暗區域的進行反應-擴散所生成的線條會變 寬，而越明亮的區域則相反，結果上只要有不同的Control Map的灰階影像輸入則能控制 區域，甚至是全域的生成變化以產生出相異結構的紋路，而若是在欲強調的特徵區域，
也能單純在此區塊給予較深顏色的Map以單純強化此區塊的特徵結構。另外，圖19顯示 出當sx = sy時產生出的線條紋路就沒有如sx > sy或sx < sy時所顯示比較偏往縱橫其一方 向。
圖 16. 反應-擴散核心根據 Control Map 和縱橫向的權重(sx、 sy)進行取樣範圍縮放。
圖 17. (a)輸入影像，(b)上下圖分別為灰階值不同的 Control Map，生成出(c)不同寬度之 線條結構。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
24
圖 18. (a)輸入影像，(b)上下圖分別為部分黑色區塊的 Control Map，生成出(c)強調不同 區域之線條結構。
(a) (b) (c) 圖 19. (a)sx = sy，(b)sx > sy，(c)sx < sy之相異生成結果。
3.5.3 紋路裝飾
在得到經由反應-擴散所生成的特徵線條風格影像後，目標則是針對應用在傳統獸 面紋圖樣裡最具豐富線條裝飾的中心-鼻樑之中。我們從文獻所收集到資料庫中得到鼻 樑的外觀形式，再利用選取特徵點的方式從反應-擴散方法所生成的影像中選取出要裝 飾於鼻樑內的紋路線條。如下圖 20 所示，在選取位置上，為求對應到傳統獸面紋的鼻 樑所表示的位置，我們會挑選動物鼻子至額頭之間的紋路做為鼻樑特徵內的裝飾。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
25
(a) (b) (c)
圖 20. (a)輸入影像，(b)選取反應-擴散生成的結果，(c)紋路與鼻樑外形結合。