文献综述（或调研报告）：
本次设计是根据人脸照片来合成面部素描，采用MRF模型对研究对象建模，BP算法对模型求解。
近几年一些基于电脑的人脸照片合成素描技术被提出,但是他们中的大部分都是得到一种线条画的结果。【8】，【9】，【15】，【16】都是针对面部形状的提取和处理，得到的结果也是线条画。这几项研究都是使用人脸定位算法中的ASM或者AAM模型来提取面部形状。心理学的研究表明，人类在识别线条画的速度和准确度上不比识别灰度图差。从人脸灰度图像中提取出来线条画在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好，且相比于素描，这种画法可以体现形状却无法传递阴影部分明暗的信息。
后期Tang等【3】对明暗信息作了处理，得到的素描具备了明暗的对比，与手绘的素描更加接近，该研究对整张脸采用特征转化法。特征脸（PCA）是将高维的图像空间经过变化得到由新的正交基，扩张的低维线性空间，人脸在这个低维空间的投影被当作特征矢量。这个图像是基于灰度图像统计特性的。【4】进一步并将形状和明暗信息分别进行了特征转化，再将二者融合。但是该算法只在两个条件满足时才有较好的效果：
1）目标人脸照片可以从训练样本中被较好地重建；
2）照片素描转化过程大致是线性的；
而结果发现当头发被包含时，该算法通常无法得到较好的结果。
Liu等【5】采用了一种非线性的算法LGP，对图像分块并在局部小块上使用特征转化法。虽然非线性的算法更加符合手绘素描的真实情况，但是由于只是针对各个局部小块进行处理，没有对更大面积得到的结果不能很好的体现整体的形状。
【6】采用多尺度马尔可夫随机域模型建模，置信传播算法对模型求解。MRF模型被提出后广泛应用于图像去噪，图像分割，纹理合成领域。Tang等假设若两个照片块相似，那么相应的素描块之间也存在相似的关系，并要求一个素描块与周围的素描块在重合位置能很好地拼接。那么基于这两点一个分割后的素描小块只与相应位置的照片块和周围的素描块有关系，与其他块的值没有关系，这样的该简化后的问题便可以由MRF模型较好地表示。但是该模型在考虑某个素描块与其周围素描块的关系时只考虑了重合部分的匹配程度，而忽略了手绘素描过程中每个局部的绘画都需要在明暗和形状上参照整体，因此作者采用了改进的MRF模型来更好地对该问题建模。然而由于【6】只是从训练集中选取一个最有可能的素描块作为目标的估计，则在训练集中样本数目不足的情况下，结果可能产生失真。Zhou等【7】提出一种带有权重的MRF模型，由若干个训练集中的素描块加权平均，这样产生的结果就不同于训练集中所有素描块。
以上的所有研究都是基于归纳式学习，对测试样本的浪费比较严重。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
