🎨 Эволюционное Генеративное Искусство: Имитация живописи мазками (BrushStrokeEA)

Обзор проекта

Этот проект представляет собой реализацию Эволюционного Алгоритма (ЭА) для генерации стилизованных изображений, имитирующих ручную живопись с помощью дискретных мазков. В отличие от традиционных моделей переноса стиля (Style Transfer), данный подход генерирует изображение с нуля, используя популяцию «художников» (наборов мазков), которые эволюционируют для минимизации ошибки относительно целевого изображения.

Проект демонстрирует применение методов Биоинспирированных вычислений и Компьютерного зрения для решения задач генеративного дизайна.

---

Работа Эволюционного Алгоритма

---

---

🧠 Техническая реализация и архитектура

Решение построено на архитектуре Multi-Resolution Evolutionary Algorithm (MREA), сочетающей глобальную оптимизацию на низком разрешении с последующей детализацией.

1. Хромосома и Мазок (Индивид)

Каждая хромосома в популяции представляет собой набор мазков (np.ndarray). Каждый мазок (ген) параметризован 8 ключевыми характеристиками:

Индекс	Параметр	Диапазон	Назначение
0, 1	X, Y	[0, Resolution]	Координаты центра мазка
2, 3, 4	R, G, B	[0, 255]	Цвет мазка
5	Size	[0.5, Max Size]	Размер мазка
6	Rotation	[0, 360]	Угол поворота мазка
7	Alpha	[50, 255]	Прозрачность мазка

2. Multi-Resolution Pipeline (Конвейер многоуровневого разрешения)

Процесс генерации делится на фазы, что значительно повышает скорость сходимости и качество результата, последовательно создавая:

1. Фаза 1 (128x128): Формирование общей цветовой гаммы и базовой формы.

2. Фаза 2 (256x256): Проработка основной структуры и композиции.

3. Фаза 3 (512x512): Добавление мелких деталей и финишная доводка.

На каждой новой фазе все существующие мазки автоматически масштабируются (upscale_strokes) к новому разрешению, сохраняя относительное положение.

3. Адаптивная Функция Приспособленности (Fitness Function)

Для оценки качества сгенерированного изображения использована комплексная функция приспособленности, включающая несколько метрик для обеспечения как цветового соответствия, так и структурного сходства:

$$\text{Fitness} = w_{\text{MSE}} \cdot \text{MSE} + w_{\text{Hist}} \cdot \text{HistDiff} + w_{\text{Edge}} \cdot \text{EdgeDiff} + w_{\text{SSIM}} \cdot \text{SSIMDissim}$$

• $\text{MSE}$ (Среднеквадратичная ошибка): Базовое цветовое отличие.

• $\text{HistDiff}$ (Разница гистограмм): Оценка общей цветовой гаммы (с помощью cv2.HISTCMP_CHISQR).

• $\text{EdgeDiff}$ (Разница градиентов): Сравнение карт градиентов Собеля (cv2.Sobel) для сохранения контуров и резких переходов.

• $\text{SSIMDissim}$ (1 - SSIM): Оценка структурного сходства (skimage.metrics.structural_similarity).

4. "Умная" Инициализация и Мутация

Для ускорения сходимости применены эвристики Computer Vision в эволюционном процессе:

• Умная Инициализация: В начале эволюции мазки размещаются на основе определения контуров (cv2.Canny) и направления градиента (np.arctan2) на целевом изображении.

  • Цвет мазка выбирается как средний цвет в области нанесения (sample_color_from_region).

  • Угол поворота мазка согласован с локальным направлением градиента (get_gradient_angle), что имитирует естественные линии кисти.

• Адаптивная Мутация: Вероятность мутации снижается с течением поколений, а мутация угла поворота чаще происходит в соответствии с градиентом в области мазка.

---

🚀 Ключевые достижения и особенности

• Интеграция CV и ЭА: Успешное сочетание методов обработки изображений (Canny, Sobel, SSIM, гистограммы) с эволюционными вычислениями (кроссовер, мутация, элитизм).

• Эффективность MREA: Доказанная эффективность многоуровневого подхода в снижении вычислительной сложности.

• Гибкость: Проект позволяет легко менять форму кисти (brush.png), параметры ЭА и веса функции приспособленности.

• Greedy Refinement (Опционально): Реализован механизм жадной доводки (greedy_refinement), который ищет области с максимальной ошибкой (error_map) и добавляет в них целевые мазки.

---

🛠️ Стек технологий

• Основной язык: Python

• Обработка изображений: OpenCV (cv2), Pillow (PIL), scikit-image (skimage)

• Вычисления: NumPy

• Эволюционный Алгоритм: Собственная реализация (без внешних фреймворков, таких как DEAP)

---

⚙️ Запуск проекта

1. Клонировать репозиторий:

   Bash

   git clone [ВАША_ССЫЛКА_НА_РЕПО]
   cd [НАЗВАНИЕ_ПАПКИ]
   

2. Установить зависимости:

   Bash

   pip install numpy pillow opencv-python scikit-image
   

3. Подготовка:

   • Поместите целевое изображение (inputN.jpg) в папку.

   • Поместите файл кисти (brush.png) в папку.

4. Запуск:

   Bash

   python BrushStrokeEA.py