1 贵州电子信息职业技术学院电子信息工程系, 贵州 凯里 556000
2 凯里学院大数据工程学院, 贵州 凯里 556011
基于卷积神经网络(CNN)的VGG-19(Visual Geometry Group)模型,研究了卷积神经网络对输入纹理进行卷积时,输入纹理特征图的边缘信息对生成自然纹理效果的影响。在使用卷积神经网络的VGG对输入图像进行卷积时,为了防止过拟合现象,采用平均池化的方式对特征图进行处理,在一定程度上保护了特征图的边缘信息,相对采用最大池化处理特征图取得了更好的生成效果。同时,提取各层特征图的边缘信息并将其叠加到特征图中,能很好地保留纹理图像的边缘结构信息。实验结果表明,改进后的方法能取得较为理想的纹理生成效果。
图像处理 纹理合成 卷积神经网络 边缘信息 池化 激光与光电子学进展
2019, 56(13): 131001
1 东北大学 信息科学与工程学院, 辽宁 沈阳 110000
2 中国科学院沈阳自动化研究所 机器人学国家重点实验室, 辽宁 沈阳 110000
纹理合成是计算机图形学、计算机视觉和图像处理领域的研究热点之一。传统的纹理合成方法往往通过提取有效的特征样式或统计量并在该特征信息的约束下生成随机图像来实现。对抗生成网络作为一种较新的深度网络形式, 通过生成器和判别器的对抗训练能够随机生成与观测数据具有相同分布的新数据。鉴于此, 提出了一种基于对抗生成网络的纹理合成方法。该算法的优点是不需要经过多次迭代就能够生成更真实纹理图像, 且生成图像在视觉上与观测纹理图像一致的同时具有一定随机性。一系列针对随机纹理和结构性纹理的合成实验验证了该算法的有效性。
纹理合成 深度学习 生成模型 对抗生成网络 texture synthesis deep learning generative model generative adversarial networks 红外与激光工程
2018, 47(2): 0203005
凯里学院物理与电子工程学院, 贵州 凯里 556011
基于Wang Tiles纹理合成算法原理, 研究纹理图像梯度结构信息、纹理块自适应尺寸以及Tiles集合制作方法对纹理合成质量及合成时间的影响。在判断两纹理块相似程度时, 将纹理块的颜色误差和梯度信息同时作为纹理块相似程度的度量标准, 其合成效果优于只考虑颜色误差的传统纹理合成算法。同时, 使用优化后的纹理块尺寸进行纹理合成, 能缩短纹理合成时间。另外, 采用改进后的Tiles集合能取得比传统方法更好的合成效果。实验证明, 与基于Wang Tiles的传统算法相比, 改进算法在取得较好合成质量的同时, 能提高纹理合成的速度。
图像处理 纹理合成 纹理块尺寸 梯度结构信息 激光与光电子学进展
2017, 54(5): 051001
