[论文解读] Image Triangulation Using the Sobel Operator for Vertex Selection (Media Exposition)

Olivia Laske, Lori Ziegelmeier|arXiv (Cornell University)|Jan 1, 2024

Image Retrieval and Classification Techniques被引用 2

一句话总结

本文提出一种基于Python的图像三角剖分算法，利用Sobel边缘检测算子与点云稀疏化技术，选取Delaunay三角剖分的顶点，生成视觉上令人愉悦的艺术构图。通过应用灰度化、图像锐化、Sobel边缘检测（带阈值）以及基于密度的采样，该方法在保留图像特征的同时减少顶点数量，从而生成具有原始像素值色彩填充的风格化、抽象化三角剖分图像。

ABSTRACT

Image triangulation, the practice of decomposing images into triangles, deliberately employs simplification to create an abstracted representation. While triangulating an image is a relatively simple process, difficulties arise when determining which vertices produce recognizable and visually pleasing output images. With the goal of producing art, we discuss an image triangulation algorithm in Python that utilizes Sobel edge detection and point cloud sparsification to determine final vertices for a triangulation, resulting in the creation of artistic triangulated compositions.

研究动机与目标

• 开发一种可复现的、基于计算几何与图像处理的艺术化图像三角剖分流程。
• 解决在减少复杂度的同时，选择能保留图像特征的视觉有意义顶点以进行三角剖分的挑战。
• 通过阈值与密度参数，使用户能够控制抽象化程度，以获得理想的美学效果。
• 证明基于边缘感知的顶点选择优于随机点采样，在保留图像完整性方面表现更优。
• 提供一种可自定义的开源实现，用于艺术化图像三角剖分。

提出的方法

• 使用标准亮度公式将输入图像转换为灰度图：c = 0.299R + 0.587G + 0.114B。
• 通过二维卷积应用拉普拉斯锐化核（L），增强边缘对比度，生成更小的(n−2)×(n−2)图像。
• 使用Sobel算子的x和y核计算梯度幅值：G = √(G²ₓ + G²ᵧ)，以识别边缘像素。
• 过滤高于用户定义阈值t（设为50）的像素，仅保留强边缘特征。
• 通过从阈值化边缘集合中均匀采样|S|/d个点，降低顶点密度，其中d为密度参数（设为60）。
• 在采样点上计算Delaunay三角剖分，并将每个三角形的颜色设为其质心的平均颜色，映射至原始图像的RGB值。

实验结果

研究问题

• RQ1 与随机点放置相比，Sobel边缘检测在艺术化图像三角剖分中的顶点选择方面有何改进？
• RQ2 阈值t的变化对生成三角形的数量和视觉质量有何影响？
• RQ3 密度参数d如何影响三角剖分的复杂度、运行时间与视觉清晰度？
• RQ4 基于边缘感知的顶点采样是否能在使用更少顶点的情况下比随机采样更好地保留图像特征？
• RQ5 在三角剖分输出中，图像保真度与艺术抽象化之间存在何种权衡？

主要发现

• 将Sobel阈值t从25提高到75，显著减少了顶点与三角形的数量，生成更加抽象、简化的构图。
• 将密度参数d从35提高到85，减少了顶点数量，消除了小三角形的聚集现象，提升了视觉清晰度并降低了计算时间。
• 当t = 50且d = 60时，算法生成约1000个顶点，既能保留关键图像特征，又保持了良好的艺术美感。
• 使用约1000个顶点的随机点采样无法保留图像完整性，导致结构特征丢失；而基于边缘的采样则保持了图像的底层骨架。
• 最终的三角剖分图像采用原始图像中质心的颜色分配，确保每个三角形内的颜色近似准确。
• 该方法使用户能够控制抽象化程度：更高的t或d值产生更抽象的结果，而更低的值则生成更忠实于原图的表达。