梁瑋蕾 周翔宇
【摘 要】圖像風格化是平面設計中的一個重要手段,它能將不同圖像上的藝術風格形象表現(xiàn)在普通圖像上,從而改變圖像的視覺效果。近幾年來人工智能備受關注,基于機器學習的計算機視覺領域得到了迅猛發(fā)展,將機器學習方法運用到平面設計中,不僅可以豐富平面設計圖像風格化技術,還可以方便普通用戶進行圖像風格的設計。
【關鍵詞】圖像風格化;平面設計;機器學習
中圖分類號:J045? ? ? 文獻標志碼:A? ? ? ? ? ? ? 文章編號:1007-0125(2020)23-0162-01
目前,用于平面設計中圖像藝術風格設計的工具主要有PhotoShop、coreldraw、美圖等圖像處理專業(yè)軟件。但對于不懂藝術風格的非專業(yè)人士來說,使用這些軟件將圖像創(chuàng)作成自己喜歡的藝術風格圖像將是一項相當復雜的工作。然而,隨著機器學習在圖像風格化技術研究的發(fā)展,將機器學習方法應用于平面設計圖像風格化,可以使普通用戶自由創(chuàng)作出任意藝術風格的圖像。
一、平面設計圖像風格化
圖像風格是特定的、抽象的藝術派系特征表示,主要包含了圖像紋理和圖像顏色。不同的圖像風格針對同樣的圖像內容,可以展示出不同的文化內涵和藝術特效。平面設計中圖像風格化又稱圖像風格遷移,是指將一張普通圖像在內容不變的情況下,生成具有另一張或多張圖像上藝術風格的圖像,使原普通圖像內容不變而融合其他圖片獨特的藝術風格。
二、機器學習在平面設計中的運用
隨著近幾年機器學習的風靡,給平面設計中圖像風格化帶來了更多的新思路和好結果。基于機器學習方法的平面設計圖像風格化方法可分為:基于圖像筆觸生成的方法,基于圖像紋理合成的方法,基于物理建模的方法與基于深度神經網絡生成模型的圖像風格化方法[1]。前三類為傳統(tǒng)的進行藝術圖像風格化的機器學習方法,其無法提取藝術圖像的內在高層次特征,因此導致藝術圖像風格化的效果不是很好[2]。而深度學習作為機器學習的一個分支,它源于人工神經網絡,模擬大腦神經感知外部世界,能夠提取藝術圖像樣本的語義信息和內在特征。因此在平面設計中,將深度學習的卷積神經網絡方法運用到平面設計圖像風格化上,可以提取藝術圖像在神經網絡各個層面的特征信息,對圖像藝術風格特征進行很好地識別與表達,然后再將提取的風格特征信息與原普通圖片進行圖像融合,即可實現(xiàn)平面設計中圖像的風格化。
目前,運用機器學習卷積神經網絡的方法進行圖像藝術風格化的研究吸引了廣泛的關注,并且也得到了一定的運用。2015年,Gatys等人率先提出運用深度學習卷積神經網絡方法對藝術圖像風格進行紋理特征提取,實現(xiàn)平面設計中藝術圖像風格化[3]。2016年,Alexey Moiseenkoy基于深度學習卷積神經網絡創(chuàng)建Prisma圖像風格化應用軟件,但該款軟件存在受特定種類的不同藝術風格的濾鏡限制的局限;同年,Sergey Morugin 基于深度學習Deep Dream算法創(chuàng)建Ostagram圖像風格化軟件,它不需再受限于給定的濾鏡模板,能識別任意兩張圖片的內容,將其中一張的圖像的藝術風格遷移到另一張圖像上。基于卷積神經網絡的深度學習方法從一張有名的藝術圖像中提取出它的藝術風格、識別用戶上傳的藝術圖像里面的各種元素,用指定藝術圖像的格調對普通圖片進行風格化等操作后的圖像效果良好,但是由于深度學習神經網絡的算法相對比較復雜,需要占用較大的內存資源和較長的運行時間。
為了給用戶帶來良好的用戶體驗,需要在后臺服務器上同時運行處理,才能滿足圖像風格化處理速度比較實時的要求,這使得深度學習算法在平面設計圖像風格化的運用,在移動端受到一定的限制。最近有研究人員提出了對多張圖像藝術風格遷移到一張普通圖像上的算法[4],又有學者也提出了大量基于生成對抗網絡的圖像多風格化的方法[5],這些算法的改進對圖像風格化的速度也有了一定的提高。我們可以將這些最新的深度學習算法運用到平面設計圖像風格化中來,實現(xiàn)一張圖像中能同時融合多張藝術圖像的藝術風格。
三、結語
平面設計圖像風格化的發(fā)展,離不開機器學習算法的不斷優(yōu)化與更新??焖佟蚀_的深度學習算法應用到平面設計中,不僅能夠減少平面設計圖像風格化的創(chuàng)作時間,而且可以幫助普通用戶自由任意創(chuàng)作自己想要的藝術風格作品,給用戶帶來良好的體驗。
參考文獻:
[1]鄧盈盈, 唐帆, 董未名. 圖像藝術風格化的研究現(xiàn)狀[J]. 南京信息工程大學學報(自然科學版), 2017, 9(06): 593-598.
[2]黃海新, 梁志旭, 張東. 基于深度學習的圖像風格化算法研究綜述[J]. 電子技術應用, 2019, 45(07): 27-31.
[3]GATYS L A,ECKER A S,BETHGE M. Texture synthesis using convolutional neural networks[C]. International Conference on Neural Information Processing Systems. MIT Press, 2015.
[4]SHEN F.L, YAN S.C, ZENG G. Neural Style Transfer Via Meta Networks[C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, 2018: 8061-8069.
[5]Y. Jing, Y. Yang, Z. Feng, et al. Neural Style Transfer: A Review[J]. IEEE Transactions on Visualization and Computer Graphics, 2019.