CN108765510A - 一种基于遗传优化搜索策略的快速纹理合成方法 - Google Patents
一种基于遗传优化搜索策略的快速纹理合成方法 Download PDFInfo
- Publication number
- CN108765510A CN108765510A CN201810504312.4A CN201810504312A CN108765510A CN 108765510 A CN108765510 A CN 108765510A CN 201810504312 A CN201810504312 A CN 201810504312A CN 108765510 A CN108765510 A CN 108765510A
- Authority
- CN
- China
- Prior art keywords
- texture
- overlapping region
- search strategy
- image
- genetic
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于遗传优化搜索策略的快速纹理合成方法,包括以下步骤:1)从输入纹理中随机选取指定大小的样本块,产生样本块序列;2)从样本块序列中随机选取一块B1,放置到输出图像中;3)在每一个待合成块的位置,利用遗传搜索策略在样本图像中通过将模板匹配的相似度度量作为适应度函数来指导遗传搜索策略更加快速完成搜索纹理块B2,将B2拷贝到输出图像中,与B1有一定的重叠区域;4)计算B1、B2重叠区域的误差曲面;5)从4)计算的误差曲面中找到最佳分割路径作为新纹理块B2的边界,将B2拼贴到合成图中;6)执行上述步骤3)~5),直至纹理合成结束。
Description
技术领域
本发明涉及一种快速纹理合成方法,特别是关于一种适用于对结构纹理和自然随机纹理进行快速合成的纹理合成方法。
背景技术
随着科学技术的不断发展和进步,计算机网络的普及和人们对数字图像信息需求的增加,纹理合成技术受到人们越来越多的关注,在图像编辑、缺损图像的填充、数据压缩、大规模场景的生成以及真实感图像的绘制等方面都显示了广泛的应用前景,是计算机图形学、计算机视觉和图像处理等领域的研究热点之一。纹理合成基于给定的小区域纹理样本,按照表面的几何形状,拼合生成任意大小的纹理图像,它在视觉上是相似而连续的。纹理合成方法主要包括两大类:一类是特征匹配方法,把纹理当作一种特征集,通过在样图中进行特征匹配方法来生成新的纹理图像;另一类是MRF模型方法,把纹理图像描述成一个局部相关的、稳定的随机过程,目前大多数纹理合成方法都基于这一模型。基于样图的纹理合成的发展,经历了从基于点的纹理合成到基于块的纹理合成。现有技术中,基于块的纹理合成方法比基于点的纹理合成方法的合成速度更快,而且在一定程度上能够保持纹理结构的连贯性,通过逐块合成如下而不是逐点进行,但是仍然存在问题,即在搜索最佳匹配块的过程是采用逐点移动模板进行计算量很大且用时过长的问题。
发明内容
针对上述问题,本发明的目的是提供一种能对结构纹理和自然随机纹理快速合成的纹理合成方法。
为实现上述目的,本发明采取以下技术方案:一种基于遗传优化策略的快速纹理合成方法,包括以下步骤:
1)从输入纹理中随机选取指定大小的样本块,产生样本块序列;
2)从样本块序列中随机选取一块B1,放置到输出图像中;
3)在每一个待合成块的位置,利用遗传优化的搜索策略在样本图像中通过将模板匹配计算相似度作为适应度函数来指导遗传搜索策略更加快速完成搜索纹理块B2,将B2拷贝到输出图像中,与B1有一定的重叠区域;
4)计算B1、B2重叠区域的误差曲面;
5)从4)计算的误差曲面中找到最佳分割路径作为新纹理块B2的边界,将B2拼贴到合成图中;
6)执行上述步骤3)~5),直至纹理合成结束。
所述步骤3)在每一个待合成块的位置,利用遗传优化的搜索策略在样本图像中通过将模板匹配计算相似度作为适应度函数来指导遗传搜索策略更加快速完成搜索纹理块B2,包括以下内容:(1)确定参数空间和编码策略;(2)完成种群初始设置,也就是对个体进行赋予初始值;(3)通过计算得到所有个体的适应值,为下一步演变奠定基础;(4)经过选择、交叉与变异这些操作算子完成对目前种群的操作,从而出现新的个体;(5)种群是否已经符合设置的进化的最大值,当已经进化到设定的代数时算法终止且给出最佳染色体;否则回到步骤(3)继续进行。
所述参数空间和编码策略为:使用两个8位的二进制编码串来表示相关匹配的位
置参数 ,也就是染色体编码以16位二进制串代表。
所述计算得到所有个体的适应值公式为:
式中,代表图像像素点位置,是与模板重叠图像中点的坐标的灰度,表示模板图像某坐标的灰度。
所述经过选择、交叉与变异这些操作算子为:选择是根据每个个体的适应度值来进行的,由计算得到的目前个体的适应度值,适应度值越大保留下来的可能性越大;交叉是挑选用于繁衍后代的个体,随机的选取交叉点k,将其的k点之后的部分相互交换,由此来生成两个全新的个体,交叉算子Pc=0.8;变异能够加强算法搜索最优解的能力,变异操作是通过随机地选取个体中的某两个单元,将其中所包含的标号互换实现的,变异算子Pb=0.01。
所述步骤4)计算B1、B2重叠区域的误差曲面:
式中,B1ov、B2ov分别为重叠区域。
所述步骤5)从4)计算的误差曲面中找到最佳分割路径作为新纹理块B2的边界,将B2拼贴到合成图中,包括以下内容:通过计算求得重叠区域最后一行的各点误差,取误差最小的一点,反向跟踪获得最佳分割路径。
所述计算重叠区域最后一行各点误差公式为:
式中,i和j分别代表像素的行和列;Ei,j是坐标为(i,j)像素的切割代价;eij是重叠区域对应相素的误差曲面。
本发明由于采取以上技术方案,其具有以下优点:通过将模板匹配的相似度度量作为适应度函数来引导遗传搜索策略完成对最佳匹配块的查找,能够快速搜索到更优的匹配块,加速了算法的搜索进程且找到更优匹配块能够保证得到的合成结果质量。本发明可以广泛应用于纹理合成中。
附图说明
图1是本发明的纹理合成示意图。
图2是本发明的纹理合成流程示意图。
图3是本发明的利用遗传算法搜索最佳匹配块的流程示意图。
图4是未用本发明及使用本发明的纹理合成结果示意图。
图5是未用本发明及使用本发明的纹理合成计算时间示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,纹理合成就是按照从左到右,从上到下的顺序拼贴纹理块从而得到任意大小的新纹理图像,这就是纹理合成的基本原理示意图。
所述合成过程流程图如图2,包括以下步骤:
1、从输入纹理中随机选取指定大小的样本块,产生样本块序列。
2、从样本块序列中随机选取一块B1,放置到输出图像中。
3、在每一个待合成块的位置,利用遗传优化搜索策略,在样本图像中通过将模板匹配的相似度度量作为适应度函数来指导遗传搜索策略更加快速完成搜索纹理块B2,将B2拷贝到输出图像中,与B1有一定的重叠区域。包括以下步骤:
1)确定参数空间和编码策略;使用两个8位的二进制编码串来表示相关匹配的位置参
数,也就是染色体编码以16位二进制串代表;
2)完成种群初始设置,也就是对个体进行赋予初始值;
3)通过计算得到所有个体的适应值,为下一步演变奠定基础;适应度是评价个体适应能力并引导搜索进程的,该方法中适应度用于比较匹配程度,定义为相似性度量,计算适应度公式为:
(1)
上述式(1)中,代表图像像素点位置,是与模板重叠图像中点的
坐标的灰度,表示模板图像某坐标的灰度;
4)经过选择、交叉与变异这些操作算子完成对目前种群的操作,从而出现新的个体;选择是根据每个个体的适应度值来进行的,由计算得到的目前个体的适应度值,适应度值越大保留下来的可能性越大;交叉是挑选用于繁衍后代的个体,随机的选取交叉点k,将其的k点之后的部分相互交换,由此来生成两个全新的个体,交叉算子Pc=0.8;变异能够加强算法搜索最优解的能力,变异操作是通过随机地选取个体中的某两个单元,将其中所包含的标号互换实现的,变异算子Pb=0.01;
5)种群是否已经符合设置的进化的最大值,当已经进化到设定的代数时算法终止且给出最佳染色体;否则回到步骤(3)继续运行。利用遗传算法进行搜索最佳匹配块的流程如图3所示。
4、计算B1、B2重叠区域的误差曲面:
(2)
式(2)中,B1ov、B2ov分别为重叠区域。
5、根据上述步骤4计算的误差曲面找到最佳分割路径作为新纹理块B2的边界,将B2拼贴到合成图中。通过计算求得重叠区域最后一行的各点误差,取误差最小的一点,反向跟踪获得最佳分割路径。
其中,计算重叠区域最后一行各点误差公式为:
(3)
式(3)中,i和j分别代表像素的行和列;Ei,j是坐标为(i,j)像素的切割代价;eij是重叠区域对应像素的误差曲面。
6、执行上述步骤1~5,直至纹理合成结束(如图4中本发明处理结果所示为合成纹理的效果示意图)。
如图4~5所示,综上所述,经过本发明的处理,可以看出,经过本发明处理后所需时间较未处理前明显减少,效率显著提高,能够快速搜索到更优的匹配块,加速了搜索进程且找到更优匹配块能够保证得到的合成结果质量。
上述各实施例仅用于说明本发明,其中方法各个步骤等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (6)
1.一种基于遗传优化策略的快速纹理合成方法,包括以下步骤:
1)从输入纹理中随机选取指定大小的样本块,产生样本块序列;
2)从样本块序列中随机选取一块B1,放置到输出图像中;
3)在每一个待合成块的位置,利用遗传优化搜索策略在样本图像中通过将模板匹配的相似度度量作为适应度函数来指导遗传搜索策略更加快速完成搜索纹理块B2,将B2拷贝到输出图像中,与B1有一定的重叠区域;
4)计算B1、B2重叠区域的误差曲面;
5)从4)计算的误差曲面中找到最佳分割路径作为新纹理块B2的边界,将B2拼贴到合成图中;
6)执行上述步骤3)~5),直至纹理合成结束。
2.如权利要求1所述的一种基于遗传优化搜索策略的快速纹理合成方法,其特征在于:所述步骤3)在每一个待合成块的位置,利用遗传优化搜索策略在样本图像中通过将模板匹配的相似度度量作为适应度函数来指导遗传搜索策略更加快速完成搜索纹理块B2,将B2拷贝到输出图像中,与B1有一定的重叠区域,包括以下步骤:(1)确定参数空间和基因编码策略;(2)完成种群初始设置,也就是对个体进行赋予初始值;(3)通过计算得到所有个体的适应值,为下一步演变奠定基础;(4)经过选择、交叉与变异这些操作算子完成对目前种群的操作,从而出现新的个体;(5)种群是否已经符合设置的进化的最大值,当已经进化到设定的代数时算法终止且给出最佳染色体;否则回到步骤(3)继续运行。
3.如权利要求1所述的一种基于遗传优化策略的快速纹理合成方法,其特征在于:所述步骤4)计算B1、B2重叠区域的误差曲面:
式中,B1ov、B2ov分别为重叠区域。
4.如权利要求1所述的一种基于遗传优化搜索策略的快速纹理合成方法,其特征在于:所述步骤5)从4)计算的误差曲面中找到最佳分割路径作为新纹理块B2的边界,将B2拼贴到合成图中,包括以下步骤:通过计算求得重叠区域最后一行的各点误差,取误差最小的一点,反向跟踪获得最佳分割路径。
5.如权利要求2所述的一种基于遗传优化策略的快速纹理合成方法,其特征在于:计算个体适应值的误差平方公式为:
式中,代表图像像素点位置,是与模板重叠图像中点的坐标的灰度,表示模板图像某坐标的灰度。
6.如权利要求4所述的一种基于遗传优化搜索策略的快速纹理合成方法,其特征在于:计算求得重叠区域最后一行的各点误差的公式为:
式中,i和j分别代表像素的行和列;Ei,j是坐标为(i,j)像素的切割代价;eij是重叠区域对应相素的误差曲面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504312.4A CN108765510A (zh) | 2018-05-24 | 2018-05-24 | 一种基于遗传优化搜索策略的快速纹理合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504312.4A CN108765510A (zh) | 2018-05-24 | 2018-05-24 | 一种基于遗传优化搜索策略的快速纹理合成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765510A true CN108765510A (zh) | 2018-11-06 |
Family
ID=64005370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810504312.4A Pending CN108765510A (zh) | 2018-05-24 | 2018-05-24 | 一种基于遗传优化搜索策略的快速纹理合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765510A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111469125A (zh) * | 2020-04-01 | 2020-07-31 | 南京浦航机械科技开发有限公司 | 一种应用于曲面产品自动钻铆的孔位修正方法 |
CN111986284A (zh) * | 2020-08-14 | 2020-11-24 | 中国人民解放军战略支援部队信息工程大学 | 一种图像的纹理合成方法及装置 |
CN112672157A (zh) * | 2020-12-22 | 2021-04-16 | 广州博冠信息科技有限公司 | 视频编码方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060204107A1 (en) * | 2005-03-04 | 2006-09-14 | Lockheed Martin Corporation | Object recognition system using dynamic length genetic training |
CN101212681A (zh) * | 2007-12-25 | 2008-07-02 | 海信集团有限公司 | 一种快速运动搜索方法 |
CN101976429A (zh) * | 2010-10-27 | 2011-02-16 | 南京大学 | 基于游弋图像的水面鸟瞰图成像方法 |
CN107767411A (zh) * | 2017-11-24 | 2018-03-06 | 河南理工大学 | 一种基于样图的纹理合成方法 |
-
2018
- 2018-05-24 CN CN201810504312.4A patent/CN108765510A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060204107A1 (en) * | 2005-03-04 | 2006-09-14 | Lockheed Martin Corporation | Object recognition system using dynamic length genetic training |
CN101212681A (zh) * | 2007-12-25 | 2008-07-02 | 海信集团有限公司 | 一种快速运动搜索方法 |
CN101976429A (zh) * | 2010-10-27 | 2011-02-16 | 南京大学 | 基于游弋图像的水面鸟瞰图成像方法 |
CN107767411A (zh) * | 2017-11-24 | 2018-03-06 | 河南理工大学 | 一种基于样图的纹理合成方法 |
Non-Patent Citations (2)
Title |
---|
林定等: ""基于Image Quilting算法的纹理合成"", 《系统仿真学报》 * |
牟威: ""分层遗传算法在图像模板匹配中的应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111469125A (zh) * | 2020-04-01 | 2020-07-31 | 南京浦航机械科技开发有限公司 | 一种应用于曲面产品自动钻铆的孔位修正方法 |
CN111986284A (zh) * | 2020-08-14 | 2020-11-24 | 中国人民解放军战略支援部队信息工程大学 | 一种图像的纹理合成方法及装置 |
CN111986284B (zh) * | 2020-08-14 | 2024-04-05 | 中国人民解放军战略支援部队信息工程大学 | 一种图像的纹理合成方法及装置 |
CN112672157A (zh) * | 2020-12-22 | 2021-04-16 | 广州博冠信息科技有限公司 | 视频编码方法、装置、设备及存储介质 |
CN112672157B (zh) * | 2020-12-22 | 2022-08-05 | 广州博冠信息科技有限公司 | 视频编码方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Eva3d: Compositional 3d human generation from 2d image collections | |
Andriluka et al. | Fluid annotation: a human-machine collaboration interface for full image annotation | |
CN108765510A (zh) | 一种基于遗传优化搜索策略的快速纹理合成方法 | |
Deng | Enhancing image quality via style transfer for single image super-resolution | |
Wu et al. | Point cloud super resolution with adversarial residual graph networks | |
CN103207910B (zh) | 基于分层特征和遗传规划相关反馈的图像检索方法 | |
CN108009222B (zh) | 基于较优视图和深度卷积神经网络的三维模型检索方法 | |
CN110349159B (zh) | 基于权重能量自适应分布的三维形状分割方法及系统 | |
CN115049556A (zh) | 一种基于StyleGAN的人脸图像修复方法 | |
Guo et al. | Scale-robust deep-supervision network for mapping building footprints from high-resolution remote sensing images | |
WO2019073267A1 (en) | AUTOMATED IMAGE HANDLING USING ARTIFICIAL INTELLIGENCE | |
CN113705579A (zh) | 一种视觉显著性驱动的图像自动标注方法 | |
Zhou et al. | Attention transfer network for nature image matting | |
Gao et al. | Lab2Pix: label-adaptive generative adversarial network for unsupervised image synthesis | |
Cao et al. | Large-vocabulary 3d diffusion model with transformer | |
Gilbert et al. | Disentangling structure and aesthetics for style-aware image completion | |
Knott et al. | Towards mesh-based deep learning for semantic segmentation in photogrammetry | |
CN116805353A (zh) | 跨行业通用的智能机器视觉感知方法 | |
CN111612802A (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
CN109035318B (zh) | 一种图像风格的转换方法 | |
CN107045727B (zh) | 一种纹理合成方法及其装置 | |
Dong et al. | Optimized tile-based texture synthesis | |
JP2004272580A (ja) | 高次元テクスチャを合成する装置および方法およびプログラム | |
CN102426708A (zh) | 基于基元重组的纹理设计与合成方法 | |
Xiao et al. | Auto-Retoucher (ART)—A Framework for Background Replacement and Foreground Adjustment |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |
|
WD01 | Invention patent application deemed withdrawn after publication |