CN108364276A - 基于标签数据库的纹理图像合成方法 - Google Patents

基于标签数据库的纹理图像合成方法 Download PDF

Info

Publication number
CN108364276A
CN108364276A CN201810206346.5A CN201810206346A CN108364276A CN 108364276 A CN108364276 A CN 108364276A CN 201810206346 A CN201810206346 A CN 201810206346A CN 108364276 A CN108364276 A CN 108364276A
Authority
CN
China
Prior art keywords
image
texture block
block
image texture
texture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810206346.5A
Other languages
English (en)
Other versions
CN108364276B (zh
Inventor
张翔
杨为
唐小林
张书晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201810206346.5A priority Critical patent/CN108364276B/zh
Publication of CN108364276A publication Critical patent/CN108364276A/zh
Application granted granted Critical
Publication of CN108364276B publication Critical patent/CN108364276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于标签数据库的纹理图像合成方法，其特征在于：第一步，建立标签数据库L，所述标签数据库L用于存储图像纹理块的图像数据及其标签数据I；第二步，利用标签数据I查找边缘匹配的图像纹理块，并对图像纹理块进行缝合，获得完整的纹理图像。有益效果：每个图像纹理块的边区域和角区域的信息都被提取，并根据不同区域所在图像纹理块中的位置分类，形成一个图像纹理块的综合的标签数据，查找时只需筛选对应的位置标签就能减少大量的计算数据，同时每个图像纹理块的时间信息也被存入标签数据，在查找时可以查找时间相同的图像纹理块，也可以在相同时间内找不到清晰的图像时查找时间临近的图像纹理块，保证图像的清晰度。

Description

基于标签数据库的纹理图像合成方法
技术领域
本发明涉及纹理块图像合成技术领域，具体的说，涉及一种基于标签数据库的纹理图像合成方法。
背景技术
纹理图像合成是图像处理中重要的一环，其合成效果直接影响图像处理的精度，尤其在随时间不断更新的动态图像中，纹理图像的合成速度和准确度决定实时图像分析，比如汽车行驶过程的车况图像识别。
现有纹理图像合成技术通常采用离散的图像纹理块缝合得完成，而每一个图像纹理块的选取则成为合成速度和准确度的关键，图像纹理块为较小的方块，其包含有四条边和四个角，在现有的选取图像纹理块的方法中即通过提取每个图像纹理块的边信息，则选取缝合时只对这些边信息进行筛选确认，选择最符合条件的图像纹理块进行缝合。但现有技术通常忽略了图像纹理块的匹配方式在缝合位置具有特殊性，比如待缝合区域为左区域图像，则只能选择左侧的边信息符合的图像纹理块进行缝合，即只需考虑左侧的边信息是否符合缝合条件就能满足纹理图像合成，这样可以省略大量其他边信息的数据，提高合成速度；同时，现有技术中常常忽略的角信息也能够作为匹配的信息源，因为角的信息量比边的信息量小很多，因此在提取速度上能更省时间；再有，动态图像还包含时间顺序，则其图像纹理块也必须按照时间顺序进行搭配组合，这是现有技术中忽略的另一要素。
因此，图像纹理块的匹配类型以及信息类型需要随图像数据一起保存并筛选，这样对图像处理的速度和精度上有很大提升。
发明内容
本发明的目的是提供一种基于标签数据库的纹理图像合成方法，将图像纹理块的边区域或角区域的特征信息同图像的创建时间作为标签数据存入标签数据库，当选取图像纹理块时从标签数据库中筛选符合匹配类型的图像纹理块，提高纹理图像合成的速度和精度。
为达到上述目的，本发明采用的具体技术方案如下：
一种基于标签数据库的纹理图像合成方法，第一步，建立标签数据库L，所述标签数据库L用于存储图像纹理块，存储内容包括每个图像纹理块的图像数据及其标签数据I；第二步，利用标签数据I查找边缘匹配的图像纹理块，并对图像纹理块进行缝合，获得完整的纹理图像；
所述建立标签数据库L的具体步骤如下：
S1.1，提取图像纹理块每个边区域和每个角区域的特征信息info(N)，结合每个特征信息info(N)及其所在图像纹理块中的位置建立该图像纹理块的标签数据I，所述标签数据I还包括所述图像纹理块的创建时间信息；
S1.2，建立标签数据库L，并根据所述标签数据I将图像纹理块存入标签数据库L。
通过上述设计，每个图像纹理块的边区域和角区域的信息都被提取，并根据不同区域所在图像纹理块中的位置分类，形成一个图像纹理块的综合的标签数据，查找时只需筛选对应的位置标签就能减少大量的计算数据，同时每个图像纹理块的时间信息也被存入标签数据，在查找时可以查找时间相同的图像纹理块，也可以在相同时间内找不到清晰的图像时查找时间临近的图像纹理块，保证图像的清晰度。
进一步地，所述特征信息info(N)为图像纹理块的边区域信息，所述标签数据I包括该图像纹理块每个边区域的特征信息info(N)及其所在图像纹理块中的位置，所述位置为左、右、上、下；
所述特征信息info(N)的匹配类型M为左边区域匹配右边区域，上边区域匹配下边区域，且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块。
上述特征信息为仅包含边区域信息的情况，此时只需对应左边区域匹配右边区域、上边区域匹配下边区域进行查找，查找速度十分快捷。
进一步地，所述特征信息info(N)为图像纹理块的角区域信息，所述标签数据I包括该图像纹理块每个角区域的特征信息info(N)及其所在图像纹理块中的位置，所述位置为左上、右上、左下、右下；
所述特征信息info(N)的匹配类型M为左上角区域与左下角区域匹配右上角区域与右下角区域，左上角区域与右上角区域匹配左下角区域与右下角区域，且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块。
上述特征信息为仅包含角区域信息的情况，此时需要至少2个角的位置进行联合匹配，角区域信息的数据量较小，因此查找时的计算量小，计算速度快。
进一步地，所述特征信息info(N)同时包括图像纹理块的边区域特征信息info(N1)和角区域特征信息info(N2)，所述标签数据I包括该图像纹理块每个边区域的边区域特征信息info(N1)及其所在图像纹理块中的位置1和每个角区域的角区域特征信息info(N2)及其所在图像纹理块中的位置2，所述位置1为左、右、上、下，所述位置2为左上、右上、左下、右下；
所述特征信息info(N)的匹配类型M为左边区域匹配右边区域，上边区域匹配下边区域，左上角区域与左下角区域匹配右上角区域与右下角区域，左上角区域与右上角区域匹配左下角区域与右下角区域，且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块；
查找图像纹理块时为2次筛选，先在标签数据库L中根据角区域特征信息info(N2)的匹配类型筛选出一次中间块集C1，再在一次中间块集C1中根据边区域特征信息info(N1)的匹配类型筛选出二次中间块集C2。
上述特征信息同时包含有边区域和角区域的信息，而因为角区域的数据量更小，因此优选匹配角区域，当仅筛选角区域不能满足图像合成精度时，再匹配边区域的信息，这样大大提高图像合成的准确度。
更进一步描述，根据所述标签数据库L查找图像纹理块的具体步骤如下：
S2.1，根据合成图像区域A的待合成位置获取匹配类型M；
S2.2，根据所述匹配类型M筛选标签数据库L中全部图像纹理块，得到中间块集C；
S2.3，提取合成图像区域A的合成重叠区域A’的特征信息info(A′)；
S2.4，设定查找区间[λ1|info(A′)|，λ2|info(A′)|]，其中，λ1、λ2分别为相似度上限、相似度下限；
S2.5，从中间块集C中查找匹配区域的特征信息info(N)位于查找区间[λ1|info(A′)|，λ2|info(A′)|]的所有图像纹理块组成纹理块集D，并选取该纹理块集D中的一个为待合成块b；
若所述纹理块集D为空，则选取中间块集C中相似度λ最大的图像纹理块为待合成块b，
其中，info(B′)为待合成块b的合成重叠区域b’的特征信息。
由于图像纹理块在一定大小时相同或相似的图像纹理块就很多，因此只需要筛选出一定相似度的图像纹理块即可，再根据合成精度要求对这些相似的图像纹理块进行筛选，保证查找速度的同时也提高了合成精度。
更进一步描述，S2.5中所述待合成块b为随机选取纹理块集D中的图像纹理块。
当纹理图像精度要求较低时，仅需找出相似的图像纹理块进行缝合即可。
更进一步地，S2.5中所述待合成块b为纹理块集D中相似度λ最大的图像纹理块，其中
当纹理图像精度要求较高时，则需要对相似的图像纹理块再一次选择，获取相似度最高的图像纹理块进行缝合，使纹理图像的精度极大提高。
更进一步描述，所述特征信息info(N)根据图像纹理块的梯度与色彩信息生成，具体步骤如下：
I1.1，选取图像纹理块；
I1.2，获取该图像纹理块的边或/和角区域N；
I1.3，逐一计算每个区域N的特征信息，所述特征信息为梯度与色彩信息：
其中，R(p)、G(p)、B(p)分别为区域N上点p的三基色的值，grad(p)为该点p的梯度值，α、β分别为色彩、梯度的比重且α+β＝1。
图像纹理块的信息提取最常见的为三基色值，但色彩变化的梯度其实对纹理有一定影响，因此通过上述设计，将梯度值加入特征信息中，使特征信息具有三基色和梯度的四维数据，则区域的信息更准确。
更进一步描述，所述特征信息info(N)为卷积神经网络提取生成，具体步骤如下：
I2.1，选取图像纹理块；
I2.2，输入图像纹理块到卷积神经网络；
I2.3，提取卷积神经网络中第一个全连接层的信息为纹理块信息；
I2.4，筛选出纹理块信息中边或/和角区域N的信息为特征信息info(N)。
卷积神经网络是一种快速获取信息的方法模型，而卷积神经网络中第一个全连接层的信息往往最丰富，因此通过上述设计，提取卷积神经网络中第一个全连接层的信息为纹理块的信息，进而筛选出特征信息，使图像纹理块的信息足够多。
更进一步描述，所述卷积神经网络为八层结构，前五层为卷积层，第六层为全连接层，步骤I2.3即为提取第六层的信息为纹理块信息。
本发明的有益效果：每个图像纹理块的边区域和角区域的信息都被提取，并根据不同区域所在图像纹理块中的位置分类，形成一个图像纹理块的综合的标签数据，查找时只需筛选对应的位置标签就能减少大量的计算数据，同时每个图像纹理块的时间信息也被存入标签数据，在查找时可以查找时间相同的图像纹理块，也可以在相同时间内找不到清晰的图像时查找时间临近的图像纹理块，保证图像的清晰度。
附图说明
图1是本发明的流程示意图
图2是实施例一的标签数据I获取步骤示意图
图3是实施例二的标签数据I获取步骤示意图
图4是实施例一的缝合示意图
图5是实施例二的缝合示意图
图6是实施例三的缝合示意图
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明：
实施例一：
如图1所示，一种基于标签数据库的纹理图像合成方法，第一步，建立标签数据库L：
S1.1，提取图像纹理块每个边区域的特征信息info(N)，结合每个特征信息info(N)及其所在图像纹理块中的位置建立该图像纹理块的标签数据I，所述标签数据I还包括所述图像纹理块的创建时间信息；
所述标签数据I包括该图像纹理块每个边区域的特征信息info(N)及其所在图像纹理块中的位置，所述位置为左、右、上、下；
所述特征信息info(N)的匹配类型M为左边区域匹配右边区域，上边区域匹配下边区域，如图4所示，本实施例中为右边区域匹配左边区域；
且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块。
S1.2，建立标签数据库L，并根据所述标签数据I将图像纹理块存入标签数据库L。
第二步，利用标签数据I查找边缘匹配的图像纹理块，并对图像纹理块进行缝合，获得完整的纹理图像；
根据所述标签数据库L查找图像纹理块的具体步骤如下：
S2.1，根据合成图像区域A的待合成位置获取匹配类型M；
S2.2，根据所述匹配类型M筛选标签数据库L中全部图像纹理块，得到中间块集C；
S2.3，提取合成图像区域A的合成重叠区域A’的特征信息info(A′)；
S2.4，设定查找区间[λ1|info(A′)|，λ2|info(A′)|]，其中，λ1、λ2分别为相似度上限、相似度下限；
S2.5，从中间块集C中查找匹配区域的特征信息info(N)位于查找区间[λ1|info(A′)|，λ2|info(A′)|]的所有图像纹理块组成纹理块集D，并随机选取该纹理块集D中的一个为待合成块b；
若所述纹理块集D为空，则选取中间块集C中相似度λ最大的图像纹理块为待合成块b，
其中，info(B′)为待合成块b的合成重叠区域b’的特征信息。
所述特征信息info(N)根据图像纹理块的梯度与色彩信息生成，如图2所示，具体步骤如下：
I1.1，选取图像纹理块；
I1.2，获取该图像纹理块的边或/和角区域N；
I1.3，逐一计算每个区域N的特征信息，所述特征信息为梯度与色彩信息：
其中，R(p)、G(p)、B(p)分别为区域N上点p的三基色的值，grad(p)为该点p的梯度值，α、β分别为色彩、梯度的比重且α+β＝1。
实施例二：
如图1所示，一种基于标签数据库的纹理图像合成方法，第一步，建立标签数据库L：
S1.1，提取图像纹理块每个角区域的特征信息info(N)，结合每个特征信息info(N)及其所在图像纹理块中的位置建立该图像纹理块的标签数据I，所述标签数据I还包括所述图像纹理块的创建时间信息；
所述标签数据I包括该图像纹理块每个角区域的特征信息info(N)及其所在图像纹理块中的位置，所述位置为左上、右上、左下、右下；
所述特征信息info(N)的匹配类型M为左上角区域与左下角区域匹配右上角区域与右下角区域，左上角区域与右上角区域匹配左下角区域与右下角区域，如图5所示，本实施例中为右上角区域与右下角区域匹配左上角区域与左下角区域；
且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块。
S1.2，建立标签数据库L，并根据所述标签数据I将图像纹理块存入标签数据库L。
第二步，利用标签数据I查找边缘匹配的图像纹理块，并对图像纹理块进行缝合，获得完整的纹理图像；
根据所述标签数据库L查找图像纹理块的具体步骤如下：
S2.1，根据合成图像区域A的待合成位置获取匹配类型M；
S2.2，根据所述匹配类型M筛选标签数据库L中全部图像纹理块，得到中间块集C；
S2.3，提取合成图像区域A的合成重叠区域A’的特征信息info(A′)；
S2.4，设定查找区间[λ1|info(A′)|，λ2|info(A′)|]，其中，λ1、λ2分别为相似度上限、相似度下限；
S2.5，从中间块集C中查找匹配区域的特征信息info(N)位于查找区间[λ1|info(A′)|，λ2|info(A′)|]的所有图像纹理块组成纹理块集D，并选取该纹理块集D中相似度λ最大的一个为待合成块b；
若所述纹理块集D为空，则选取中间块集C中相似度λ最大的图像纹理块为待合成块b，
其中，info(B′)为待合成块b的合成重叠区域b’的特征信息。
所述特征信息info(N)为卷积神经网络提取生成，如图3所示，具体步骤如下：
I2.1，选取图像纹理块；
I2.2，输入图像纹理块到卷积神经网络；
I2.3，提取卷积神经网络中第一个全连接层的信息为纹理块信息；
I2.4，筛选出纹理块信息中边或/和角区域N的信息为特征信息info(N)。
作为优选，所述卷积神经网络为八层结构，前五层为卷积层，第六层为全连接层，步骤I2.3即为提取第六层的信息为纹理块信息。
实施例三：
如图1所示，一种基于标签数据库的纹理图像合成方法，第一步，建立标签数据库L：
S1.1，提取图像纹理块每个边区域和角区域的特征信息info(N)，结合每个特征信息info(N)及其所在图像纹理块中的位置建立该图像纹理块的标签数据I，所述标签数据I还包括所述图像纹理块的创建时间信息；
所述特征信息info(N)同时包括图像纹理块的边区域特征信息info(N1)和角区域特征信息info(N2)，所述标签数据I包括该图像纹理块每个边区域的边区域特征信息info(N1)及其所在图像纹理块中的位置1和每个角区域的角区域特征信息info(N2)及其所在图像纹理块中的位置2，所述位置1为左、右、上、下，所述位置2为左上、右上、左下、右下；
如图6所示，所述特征信息info(N)的匹配类型M为左边区域匹配右边区域，上边区域匹配下边区域，左上角区域与左下角区域匹配右上角区域与右下角区域，左上角区域与右上角区域匹配左下角区域与右下角区域，且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块；
查找图像纹理块时为2次筛选，先在标签数据库L中根据角区域特征信息info(N2)的匹配类型筛选出一次中间块集C1，再在一次中间块集C1中根据边区域特征信息info(N1)的匹配类型筛选出二次中间块集C2。

Claims (10)

1.一种基于标签数据库的纹理图像合成方法，其特征在于：第一步，建立标签数据库L，所述标签数据库L用于存储图像纹理块，存储内容包括每个图像纹理块的图像数据及其标签数据I；第二步，利用标签数据I查找边缘匹配的图像纹理块，并对图像纹理块进行缝合，获得完整的纹理图像；
所述建立标签数据库L的具体步骤如下：
S1.1，提取图像纹理块每个边区域和每个角区域的特征信息info(N)，结合每个特征信息info(N)及其所在图像纹理块中的位置建立该图像纹理块的标签数据I，所述标签数据I还包括所述图像纹理块的创建时间信息；
S1.2，建立标签数据库L，并根据所述标签数据I将图像纹理块存入标签数据库L。
2.根据权利要求1所述的基于标签数据库的纹理图像合成方法，其特征在于：所述特征信息info(N)为图像纹理块的边区域信息，所述标签数据I包括该图像纹理块每个边区域的特征信息info(N)及其所在图像纹理块中的位置，所述位置为左、右、上、下；
所述特征信息info(N)的匹配类型M为左边区域匹配右边区域，上边区域匹配下边区域，且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块。
3.根据权利要求1所述的基于标签数据库的纹理图像合成方法，其特征在于：所述特征信息info(N)为图像纹理块的角区域信息，所述标签数据I包括该图像纹理块每个角区域的特征信息info(N)及其所在图像纹理块中的位置，所述位置为左上、右上、左下、右下；
所述特征信息info(N)的匹配类型M为左上角区域与左下角区域匹配右上角区域与右下角区域，左上角区域与右上角区域匹配左下角区域与右下角区域，且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块。
4.根据权利要求1所述的基于标签数据库的纹理图像合成方法，其特征在于：所述特征信息info(N)同时包括图像纹理块的边区域特征信息info(N1)和角区域特征信息info(N2)，所述标签数据I包括该图像纹理块每个边区域的边区域特征信息info(N1)及其所在图像纹理块中的位置1和每个角区域的角区域特征信息info(N2)及其所在图像纹理块中的位置2，所述位置1为左、右、上、下，所述位置2为左上、右上、左下、右下；
所述特征信息info(N)的匹配类型M为左边区域匹配右边区域，上边区域匹配下边区域，左上角区域与左下角区域匹配右上角区域与右下角区域，左上角区域与右上角区域匹配左下角区域与右下角区域，且创建时间相同或相近的相匹配，确定相互匹配的图像纹理块；
查找图像纹理块时为2次筛选，先在标签数据库L中根据角区域特征信息info(N2)的匹配类型筛选出一次中间块集C1，再在一次中间块集C1中根据边区域特征信息info(N1)的匹配类型筛选出二次中间块集C2。
5.根据权利要求1-4所述的基于标签数据库的纹理图像合成方法，其特征在于：根据所述标签数据库L查找图像纹理块的具体步骤如下：
S2.1，根据合成图像区域A的待合成位置获取匹配类型M；
S2.2，根据所述匹配类型M筛选标签数据库L中全部图像纹理块，得到中间块集C；
S2.3，提取合成图像区域A的合成重叠区域A’的特征信息info(A′)；
S2.4，设定查找区间[λ1|info(A′)|，λ2|info(A′)|]，其中，λ1、λ2分别为相似度上限、相似度下限；
S2.5，从中间块集C中查找匹配区域的特征信息info(N)位于查找区间[λ1|info(A′)|，λ2|info(A′)|]的所有图像纹理块组成纹理块集D，并选取该纹理块集D中的一个为待合成块b；
若所述纹理块集D为空，则选取中间块集C中相似度λ最大的图像纹理块为待合成块b，
其中，info(B′)为待合成块b的合成重叠区域b’的特征信息。
6.根据权利要求5所述的基于标签数据库的纹理图像合成方法，其特征在于：S2.5中所述待合成块b为随机选取纹理块集D中的图像纹理块。
7.根据权利要求5所述的基于标签数据库的纹理图像合成方法，其特征在于：S2.5中所述待合成块b为纹理块集D中相似度λ最大的图像纹理块，其中
8.根据权利要求1-4所述的基于标签数据库的纹理图像合成方法，其特征在于所述特征信息info(N)根据图像纹理块的梯度与色彩信息生成，具体步骤如下：
I1.1，选取图像纹理块；
I1.2，获取该图像纹理块的边或/和角区域N；
I1.3，逐一计算每个区域N的特征信息，所述特征信息为梯度与色彩信息：
其中，R(p)、G(p)、B(p)分别为区域N上点p的三基色的值，grad(p)为该点p的梯度值，α、β分别为色彩、梯度的比重且α+β＝1。
9.根据权利要求1-4所述的基于标签数据库的纹理图像合成方法，其特征在于：所述特征信息info(N)为卷积神经网络提取生成，具体步骤如下：
I2.1，选取图像纹理块；
I2.2，输入图像纹理块到卷积神经网络；
I2.3，提取卷积神经网络中第一个全连接层的信息为纹理块信息；
I2.4，筛选出纹理块信息中边或/和角区域N的信息为特征信息info(N)。
10.根据权利要求9所述的基于标签数据库的纹理图像合成方法，其特征在于：所述卷积神经网络为八层结构，前五层为卷积层，第六层为全连接层，步骤I2.3即为提取第六层的信息为纹理块信息。
CN201810206346.5A 2018-03-13 2018-03-13 基于标签数据库的纹理图像合成方法 Active CN108364276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810206346.5A CN108364276B (zh) 2018-03-13 2018-03-13 基于标签数据库的纹理图像合成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810206346.5A CN108364276B (zh) 2018-03-13 2018-03-13 基于标签数据库的纹理图像合成方法

Publications (2)

Publication Number Publication Date
CN108364276A true CN108364276A (zh) 2018-08-03
CN108364276B CN108364276B (zh) 2021-12-03

Family

ID=63004088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810206346.5A Active CN108364276B (zh) 2018-03-13 2018-03-13 基于标签数据库的纹理图像合成方法

Country Status (1)

Country Link
CN (1) CN108364276B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915702A (zh) * 2019-05-10 2020-11-10 浙江大学 一种图像处理方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441775A (zh) * 2008-12-09 2009-05-27 中国科学院软件研究所 一种基于匹配相容性的纹理合成方法
CN102324102A (zh) * 2011-10-08 2012-01-18 北京航空航天大学 一种图像场景空洞区域结构和纹理信息自动填补方法
CN102509327A (zh) * 2011-09-30 2012-06-20 北京航空航天大学 一种图像空洞填补的多尺度全局采样方法
CN102867290A (zh) * 2012-08-28 2013-01-09 浙江工业大学 一种基于纹理优化的非同质图像合成方法
CN103714561A (zh) * 2013-12-27 2014-04-09 浙江工业大学 基于Chamfer距离的保结构纹理合成方法
CN104091333A (zh) * 2014-07-01 2014-10-08 黄河科技学院 基于区域可信融合的多类无监督彩色纹理图像分割方法
CN106127221A (zh) * 2016-06-12 2016-11-16 西安电子科技大学 基于极化‑纹理特征与dpl的极化sar图像分类方法
US20170109900A1 (en) * 2015-05-28 2017-04-20 Adobe Systems Incorporated Example-based Edge-aware Directional Texture Painting
CN107492082A (zh) * 2017-09-29 2017-12-19 西南石油大学 一种利用边缘统计特征的mrf样本块图像修复方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441775A (zh) * 2008-12-09 2009-05-27 中国科学院软件研究所 一种基于匹配相容性的纹理合成方法
CN102509327A (zh) * 2011-09-30 2012-06-20 北京航空航天大学 一种图像空洞填补的多尺度全局采样方法
CN102324102A (zh) * 2011-10-08 2012-01-18 北京航空航天大学 一种图像场景空洞区域结构和纹理信息自动填补方法
CN102867290A (zh) * 2012-08-28 2013-01-09 浙江工业大学 一种基于纹理优化的非同质图像合成方法
CN103714561A (zh) * 2013-12-27 2014-04-09 浙江工业大学 基于Chamfer距离的保结构纹理合成方法
CN104091333A (zh) * 2014-07-01 2014-10-08 黄河科技学院 基于区域可信融合的多类无监督彩色纹理图像分割方法
US20170109900A1 (en) * 2015-05-28 2017-04-20 Adobe Systems Incorporated Example-based Edge-aware Directional Texture Painting
CN106127221A (zh) * 2016-06-12 2016-11-16 西安电子科技大学 基于极化‑纹理特征与dpl的极化sar图像分类方法
CN107492082A (zh) * 2017-09-29 2017-12-19 西南石油大学 一种利用边缘统计特征的mrf样本块图像修复方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEXEI A. EFROS 等: "Texture Synthesis by Non-parametric Sampling", 《IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
张岩 等: "应用PSO的快速纹理合成算法", 《计算机研究与发展》 *
熊昌镇 等: "基于不规则块的纹理合成方法", 《计算机研究与发展》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915702A (zh) * 2019-05-10 2020-11-10 浙江大学 一种图像处理方法和装置

Also Published As

Publication number Publication date
CN108364276B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN106709568B (zh) 基于深层卷积网络的rgb-d图像的物体检测和语义分割方法
CN104346370B (zh) 图像搜索、获取图像文本信息的方法及装置
CN100591100C (zh) 图像处理装置、图像处理方法和计算机程序
JP4234378B2 (ja) 画像中で素材の領域を検出する方法
KR101995294B1 (ko) 영상 분석 장치 및 방법
CN102194241B (zh) 基于互联网的艺术拼图系统设计方法
CN103714181B (zh) 一种层级化的特定人物检索方法
CN107451607A (zh) 一种基于深度学习的典型人物的身份识别方法
CN108629800A (zh) 平面确定方法及增强现实显示信息的显示方法、相应装置
CN103856727A (zh) 一种多路实时视频拼接处理系统
CN111738318A (zh) 一种基于图神经网络的超大图像分类方法
CN108829711A (zh) 一种基于多特征融合的图像检索方法
CN109740537A (zh) 人群视频图像中行人图像属性的精确标注方法及系统
CN113673541B (zh) 一种用于目标检测的图像样本生成方法及应用
CN107564032A (zh) 一种基于外观网络的视频跟踪对象分割方法
CN114241372A (zh) 一种应用于扇扫拼接的目标识别方法
CN110008900A (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
Syeda-Mahmood Data and model-driven selection using color regions
CN103247038A (zh) 一种视觉认知模型驱动的全局图像信息合成方法
Zhou et al. Stratified Object‐Oriented Image Classification Based on Remote Sensing Image Scene Division
CN108364276A (zh) 基于标签数据库的纹理图像合成方法
US8520980B2 (en) Image searching method and apparatus
Tian et al. Multi-color space rock shin-section image classification with SVM
CN115359442A (zh) 基于部件表征学习和个性化属性结构的车辆重识别方法
CN107423318A (zh) 一种图片标注的方法及移动终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant