学位论文 > 优秀研究生学位论文题录展示

基于样图的纹理合成技术研究

作　者: 李一哲
导　师: 陈国良
学　校: 中国科学技术大学
专　业: 计算机软件与理论
关键词: 纹理合成中国科学技术大学纹理特性合成算法特征点匹配像素随机度样图特征点定位图像质量
分类号: TP391.41
类　型: 博士论文
年　份: 2006年
下　载: 524次
引　用: 7次
阅　读: 论文下载

内容摘要

纹理合成以人工生成纹理为目的，是计算机图形学与图像处理的重要研究领域。基于样图的纹理合成是近些年来出现的一种新技术，它以小块纹理图像作为输入而合成任意大的同类纹理。该技术大量用于制作虚拟现实中的场景，在电影、游戏娱乐等产业中有着巨大的应用需求。随着近些年来计算机三维绘图能力的飞速提高和对大尺寸高质量纹理的强烈需求，基于样图的纹理合成成为热门研究领域之一。基于样图的纹理合成以高质量的输出图像、满足实时需要的合成速度与全自动的合成过程为目标。随着近些年来研究者们的大量工作，基于样图的纹理合成技术取得了很大进展。目前该领域的难点主要体现在纹理合成的速度与合成图像的质量上。针对以上两点，本论文以高质量快速纹理合成算法为目标，所作的工作主要内容包括以下4个方面。(1)结构性纹理全局特性的识别和提取。本文首次提出一种用于识别结构化纹理中特征点分布的结构模式分析方法。该方法首先以邻域相似性为准则，对纹理中的像素进行聚类，然后以像素邻域差别为依据选择一组像素作为特征像素组，并分析该组中像素的分布，最终识别整个特征点网格，以其为基础，可以很方便地对纹理中的全局特性进行捕捉，对纹理合成相关应用起到很大的辅助作用。大量实验证明，该方法对周期及伪周期结构性纹理具有强大的通用性，能准确识别高随机度纹理中的特征点网格，并根据网格的统计数据对纹理的宏观随机度进行量化，量化后的随机度指数准确反映了纹理图像宏观结构的整齐程度。(2)基于特征点定位的纹理合成算法。本文以传统的基于块的纹理合成框架为基础，提出一种使用特征点定位的纹理合成算法。该算法在预处理阶段对样图进行结构模式分析，根据得到的统计数据对输出图像进行特征点全局模糊定位；在块匹配阶段，将特征点分布与邻域相似性一起作为匹配标准；在块边界修复阶段，基于传统的块边界切割技术，提出和使用一种强化的边界修复算法，对图像中的高频与低频分量进行分离处理，以获得更加平滑的过渡效果，从而提升输出图像的质量。理论及实验证明，使用特征点定位可以保证输出图像不会出现大的结构性错误，同时块匹配时的搜索空间根据纹理随机度的差别有不同程度的缩小，对大多数结构化纹理，搜索空间至少可以减小一到两个数量级，直接加速了纹理合成的过程。(3)基于结构坐标的纹理合成算法。本文以传统的基于像素的纹理合成框架为基础，给出一种基于结构坐标匹配的纹理合成算法。该算法在结构模式分析的基础上首次提出纹理结构坐标的概念。在像素合成阶段，结构坐标差异与像素邻域色彩差异一起作为匹配准则。通过对结构坐标匹配时的阈值进行设置，该算法还可以对输出纹理的随机度进行控制。理论及实验证明，使用结构坐标匹配明显改善了合成纹理的结构，有效弥补了传统的基于像素的合成难以再现纹理大范围特性的不足。同时，像素全局匹配时的搜索空间根据纹理随机度的差别有不同程度的缩小，有效加速了纹理合成的过程。(4)使用动态特征点匹配的纹理优化算法。本文以基于优化的纹理合成算法为基础，提出一种加入特征点匹配要素的纹理合成算法。该算法在预处理阶段以特征点周期位置为准则，生成一组经过优化的初始块集合。在块匹配阶段中，算法随时检查和保证不同块中特征点之间应有的相对位置，并对特征点网格进行动态调整。理论及实验证明，使用特征点匹配生成的初始块集合可以大大加快算法的收敛速度，而块匹配时对特征点相对位置的检查则可以有效保证输出图像结构的正确性。本研究工作的主要创新点为：(1)首次所提出的一种用于分析纹理中特征点分布的结构模式分析方法，可以有效识别和定位纹理中的全局特性，对传统的纹理合成算法是一个有力的辅助工具。(2)所提出的基于特征点定位的纹理合成算法，通过特征点定位直接排除了会导致输出图像结构性错误的匹配位置，在确保了输出图像结构正确的同时，也大幅度减少了块匹配时的搜索空间，直接提升了合成速度。(3)为了定位纹理中的全局特征，首次提出了结构坐标的概念，并将其应用于基于像素的纹理合成框架中。通过结构坐标的匹配，将纹理全局结构信息准确传递给合成算法，有效改善了输出图像的结构，同时大幅度减少了像素匹配时的搜索空间，提升了合成速度。

全文目录

摘要  4-6
Abstract  6-9
目录  9-11
图表目录  11-13
第一章绪论  13-26
  1.1 研究背景及意义  13-14
    1.1.1 纹理合成综述  13-14
    1.1.2 基于样图纹理合成的提出  14
  1.2 问题描述  14-18
    1.2.1 纹理的定义  14-15
    1.2.2 基于样图纹理合成的定义  15
    1.2.3 基于样图纹理合成的分类  15-16
    1.2.4 面向特定应用的合成  16-18
  1.3 基本方法与数学模型  18-19
  1.4 纹理合成的研究进展  19-21
  1.5 本文的主要工作  21-23
  1.6 本文的内容安排  23-24
  1.7 本章小结  24-26
第二章纹理分析与预处理  26-46
  2.1 纹理分析的必要性  26-28
  2.2 基于统计与MRF模型的分析  28-33
    2.2.1 早期的纹理模型  28
    2.2.2 MRF模型的优点和不足  28-30
    2.2.3 基于MRF的分析  30-33
  2.3 基于特征的分析  33-35
  2.4 纹理结构模式分析  35-44
    2.4.1 算法的流程及理论依据  35-37
    2.4.2 像素聚类  37-38
    2.4.3 特征点集合选择  38
    2.4.4 网格方向识别  38-40
    2.4.5 网格点识别  40-41
    2.4.6 网格数据分析  41-42
    2.4.7 实验结果  42-43
    2.4.8 算法加速与一致性分析  43-44
  2.5 本章小结  44-46
第三章基于块的纹理合成  46-66
  3.1 基于块的纹理合成综述  46-47
  3.2 基于规则块的合成  47-50
  3.3 基于不规则块的合成  50-53
  3.4 基于特征点定位的纹理合成  53-63
    3.4.1 规则块合成中的纹理结构问题  53-54
    3.4.2 特征点定位  54-55
    3.4.3 块匹配与特征点匹配  55-58
    3.4.4 边界处理  58-60
    3.4.5 实验结果  60-63
  3.5 本章小结  63-66
第四章基于像素的纹理合成  66-84
  4.1 基于像素的纹理合成综述  66-68
  4.2 图像金字塔加速  68-70
  4.3 基于纹理连贯性的加速  70-72
  4.4 合成图像特性控制  72-74
  4.5 基于结构坐标的纹理合成  74-83
    4.5.1 纹理的结构坐标定义  74-75
    4.5.2 结构坐标的计算  75-77
    4.5.3 结构坐标匹配  77-78
    4.5.4 算法流程  78-79
    4.5.5 实验结果  79-83
  4.6 本章小结  83-84
第五章基于优化的纹理合成  84-96
  5.1 基于优化的纹理合成综述  84-85
  5.2 使用图像金字塔的纹理优化  85-87
  5.3 使用能量最小化策略的纹理优化  87-89
  5.4 使用动态特征匹配的纹理优化  89-94
    5.4.1 K.Vivek算法的不足  89-90
    5.4.2 算法的基本思想  90
    5.4.3 初始图像生成及像素邻域匹配  90-91
    5.4.4 特征点网格动态调整  91
    5.4.5 算法流程  91-92
    5.4.6 实验结果  92-94
  5.5 本章小结  94-96
第六章总结与展望  96-102
  6.1 本文工作  96-99
    6.1.1 研究内容  96-97
    6.1.2 研究方法  97-98
    6.1.3 研究结果  98-99
  6.2 进一步的研究  99-102
参考文献  102-111
致谢  111-112
在读期间完成的学术论文  112

基于样图的纹理合成技术研究

内容摘要

全文目录

相似论文