张岩[1]2006年在《纹理合成技术的研究及其应用》文中进行了进一步梳理纹理在计算机视觉和真实感绘制技术中具有十分重要的作用。其中为了解决纹理映射存在的走样问题而提出的纹理合成技术应用范围更为广泛。在纹理合成研究领域,合成速度与合成质量是检验一个纹理合成算法是否有效的基本标准,本文从这两方面入手对纹理合成技术进行研究,并对纹理合成的一些应用进行了研究。在纹理合成中,影响纹理合成速度有很多种因素,其中最主要的是搜索匹配策略的选取,本文将群智能中经典的粒子群优化算法引入到纹理合成领域,提出了应用粒子群优化算法的快速纹理合成算法,使在不影响质量的情况下,合成速度有了很大提高。基于方向经验模型分解的纹理合成算法,是本文从纹理合成质量入手所提出的另一种新的纹理合成算法,该算法与其他算法比较,既保留了样本纹理特征,又更进一步的从细节出发,在多尺度下完成纹理合成,使合成质量更高。同时该算法还具备简单、高效、适用范围广等优点。本文就纹理合成在图像处理中的应用提出了几种新算法:一是提出了基于块的快速纹理传输方法,可以方便的使用参数控制各种纹理在合成中所占的比例,来完成纹理的传输;二是提出了快速的图像类比方法,采用本文提出的纹理合成算法,进行图像类比处理,提高了类比速度,而且本算法只要一个输入的艺术风格样图就能生成和该样图风格类似的艺术绘画效果。还提出了两种基于约束的纹理合成算法,一种是单样本约束纹理合成算法,对本文提出的纹理合成算法进行扩展,用其实现对单幅照片的修复。另一种是双样本约束纹理合成,用户可以根据自己的需求设计获得新的效果图,实现从图像到图像的变换。另外还将二维纹理合成搜索匹配思想,引入到图像拼接领域中,结合多分辨率、模式识别等技术提出一种基于粒子群优化算法的多分辨率拼接算法,并将视频纹理引入到静态全景图中,实现了动态全景图系统。
马丽丽[2]2006年在《基于PSO的快速图像类推及其应用》文中研究指明类推是人类最常用的基本推理过程。图像类推思想是一种基于学习的思想，阐述的是计算机学习人类的类推过程，分析并学习源图像对中两幅图片的关系，将此关系应用到目标图像对中。 图像类推算法是由Hertzmann等人受人类推理过程的启发而提出的。该算法很好地解决了从数字艺术渲染中学习“艺术滤镜”的问题，在艺术滤镜、纹理合成、纹理传输、纹理数字化等典型图像处理方法中的应用取得了很好的效果。同时其提出的图像类推思想也启发了广大的专家学者，拓展了图像类推思想在其它相关领域的研究。但是，在图像类推算法中，最佳匹配像素搜索算法效率较低也一直是影响图像类推合成效率的因素。 本文在Hertzmann图像类推算法的基础上，提出了一种基于粒子群优化(PSO)算法的快速图像类推算法。粒子群优化算法(PSO)是由Kenndey和Eberhart在1995年提出一种基于群智能(Swarm Intelligence)的新的全局优化进化算法。PSO算法本质上属于迭代的随机搜索算法，其主要优点在于收敛速度快、能以较大的概率找到优化问题的全局最优解等。 本文应用粒子群优化(PSO)算法对Hertzmann图像类推算法的最佳匹配像素搜索算法进行了改进，将粒子群优化(PSO)算法引入到图像类推领域，取代了Hertzmann图像类推算法中使用的相似最近邻域(ANN)搜索。在合成效果与Hertzmann图像类推算法相差无几的前提下，合成速度有了数倍的提升。同时本文采用粒子群优化算法具有参数少，易实现，收敛快等优点，可以很方便地调节粒子群优化算法的相关参数来达到最佳合成效果。 本文提出的基于PSO的快速图像类推算法在艺术滤镜、纹理合成、纹理传输、纹理数字化等方面具有广泛的应用前景。
孟宇[3]2004年在《基于PSO的纹理合成及其应用》文中认为纹理合成是当前计算机图形学、计算机视觉和图像处理领域的研究热点之一。纹理合成大体上可以分为纹理映射（Texture Mapping）、过程纹理合成（Procedural Texture Synthesis）和基于采样的纹理合成（Texture Synthesis from Samples）叁类。纹理映射存在表面纹理接缝走样等问题。过程纹理合成在每合成一种新的纹理时，都要调整参数反复实验，非常不方便。而基于采样的纹理合成技术对给定的小区域纹理样本，根据其自相似性，即一小块纹理就能反映整体纹理特点来生成大面积的纹理，可以避免过程纹理合成的缺点，从而日渐成为计算机视觉和图像处理领域研究的热点。Simoncelli&Portilla利用统计的方法，通过可控金字塔进行纹理合成，对多种纹理都取得了很好的效果。Heeger&Bergen利用拉普拉斯和可控金字塔进行纹理合成，使合成纹理的质量得到了提高。De Bonet利用多分辨率金字塔进行纹理合成，采用两个拉普拉斯金字塔及滤波器处理纹理，在查找匹配的时候，考虑已合成的父层的点，从符合条件的待选点中随机的选一个点来填充。Efros&Leung提出了一种更直接方法，在输出的纹理中设置一些种子，通过给定的邻域在输入样本纹理中选择匹配点，然后选择一点随机填充，效果也很好。Wei&Levoy提出了一种类似的算法，并采用多分辨率模型进行匹配，利用矢量量化方法对算法进行了加速。以后又有很多文章提出了各自的纹理合成算法，其中包括Ashikhmin提出的一种对Wei&Levoy算法改进的算法，可应用到自然纹理中。Battiato用Antipole聚类改进了Wei&Levoy算法，使合成速度和质量都有了很大的提高。在以往的纹理合成算法中，一般都是采用穷尽法在输入样本纹理中进行搜索寻找匹配点，在符合条件的点中随机选取进行填充，逐点填充很浪费时间，计算一个很小块的纹理都需要耗费数小时。以Wei&Levoy的算法为代表的一类算法对合成速度有了很大的提高，而Xu等提出的随机块拼接的快速合成方法则使得纹理合成的合成速度与合成质量都得到了很大的提高。如Efros在2001年的SIGGRAPH会议上提出一个简单便捷的基于块缝合的纹理合成算法，通过查找误差最小路径实现各块的拼接，对各种类型的纹理合成的效果都很好。微软亚洲研究院的基于块采样的实时纹理合成算法与其类似，他们在块拼接处使用羽化的方法产生很好的效果，并对算法进行了加速。本文提出一种应用粒子群优化（PSO）的快速纹理合成算法，它也是基于块的一种纹理合成算法，与基于块的缝合纹理算法和基于块采样的实时纹理合成算
王一卜[4]2017年在《基于PSO和FOA的图像修复算法》文中研究指明近些年,图像修复已成为图像处理当中的一个研究热点。在众多图像修复算法中,Criminisi算法及其改进算法以易实现、修复快和效果好的优点,成为了该研究领域当中最热门的算法。本文主要通过介绍原始Criminisi算法的叁大步骤:优先权的确定、最佳匹配块的搜索和复制,说明原算法当中存在的一些不足,对其进行改进,并且将粒子群算法和果蝇优化算法分别引入到算法当中。首先,简单介绍了图像修复的研究背景、当前国内外的研究现状和应用前景,以此来引出Criminisi算法,并且对其进行全面介绍。其次,分析了原算法在计算优先权时存在的一些不足。在原算法中,置信度C(p)和数据项D(p)为乘积关系,当图像逐渐被修复后,置信度C(p)会很快下降为0,此时数据项D(p)对优先权几乎没有影响作用,会导致优先权的计算不准确。为了消除原算法当中置信度和数据项相互影响的问题,将二者的几何关系变为相加,使得二者之间不会相互影响。通过分析等照度线的曲率能够反映出图像的一些局部特征,将其引入到优先权的计算当中,使得优先权的计算更加准确。在相似性度量函数的计算中间,我们也引入了等照度线的曲率。实验结果表明,改进后算法的修复效果较好,PSNR值也比原算法有所提高。随后,由于原算法在搜索最佳匹配时使用的是全局搜索,这个搜索方法在搜索时花费时间较长,因此,考虑到粒子群算法和果蝇优化算法的优点,我们分别将两种算法应用到搜索最佳匹配块当中,并且对这两种改进的算法进行了比较,仿真结果表明,这两种改进方式对于算法的修复效率都有所提高。最后,对所做的工作进行总结,并且对所研究的课题做了进一步的展望。
孟宇[5]2007年在《多维纹理合成及视频时域分割技术的研究》文中提出本文围绕纹理合成与视频时域分割两种技术,对与之相关的二维纹理合成、视频纹理合成、镜头边界检测算法及其在视频水印方面的应用等问题展开研究。提出一种应用粒子群优化算法基于像素的纹理合成方法,能够快速地在输入纹理中搜索到合适的像素复制到结果纹理,提出该方法旨在提高传统的基于像素纹理合成方法的速度,克服基于块的纹理合成方法对非矩形样本纹理无法完全采样的缺陷。提出一种应用遗传算法的视频纹理合成算法,在视频纹理合成过程中引入遗传算法,对有限长度的源视频进行加工,得到可无限播放的连续视频序列。该算法只需设定一个适当的适应度函数即可省去大量复杂的对源视频的预处理。为提高上述方法的合成质量和速度,本文还对多种相似性尺度和测量准则进行实验比较,选取一种χ2直方图法来衡量视频帧间差异度,并采用分段遗传算法合成视频纹理。提出一种基于粒子群优化分类器的镜头边界检测算法,该算法以YUV模型中的U分量直方图差异曲线来反映视频帧间差异度,能够避免检测算法对镜头运动及镜头内物体运动的敏感,同时对渐变具有更好的识别效果。接着采用滑窗均值滤波的方法对差异曲线滤波,在镜头转换部分形成具有显着特征的曲线图形。然后使用一种应用粒子群优化算法的近邻学习方法对这些曲线图形进行分类,最终实现对镜头转换的位置检测与类型识别。该算法能够在同一步骤内完成对切变和渐变的检测。提出一种应用方向经验模式分解的镜头边界检测算法,并结合独立分量分析技术实现视频水印的嵌入。应用方向经验模式分解的镜头边界检测算法除去视频帧中反映图像内光照分布与能量的最低频率固有模态函数分量,并选择一种基于块跟踪的运动补偿方法,能够解决传统的基于直方图的方法对光照突变、镜头内物体运动和镜头运动的敏感问题,减少镜头边界识别的误检率,在保证召回率不受影响的前提下提高了视频分割的精确度。使用这种视频分割方法与独立分量分析技术结合,对分割出的每个视频段进行独立分量分析得到一系列独立分量帧,以这些独立分量帧为载体,采用一种改进的基于小波域量化的图像水印技术嵌入水印,实现对视频加入水印的过程。
高孟琦[6]2010年在《基于样图的纹理合成算法研究》文中研究说明纹理合成是图像处理、计算机图形学研究的重点领域之一,其目的是利用计算机通过算法产生高质量的纹理。基于样图的纹理合成是最受关注的合成技术之一,它克服了传统纹理合成过程中出现的种种缺点,利用小块纹理样本就能输出大分辨率的纹理图像,可广泛应用于计算机叁维可视化、虚拟现实、高仿真游戏以及电影特技中。提高纹理合成的速度和质量一直是基于样图的纹理合成研究的两个最基本的问题,近年来纹理合成的质量有很大提高。因此,本文在保证纹理合成质量的前提下,将如何提高纹理合成的效率和速度作为重点的研究内容。本文的主要工作和创新点如下:1.在研究基于MRF理论的纹理合成方法的基础上,提出了一种基于SFLA-PSO混合算法的纹理合成方法,以加速纹理合成过程中最耗时的邻域搜索匹配。实验结果表明,SFLA-PSO算法有PSO算法的简洁高效、搜索速度快的特点,同时又兼具SFLA全局搜索能力强,不易陷入局部最优的优点,应用到纹理合成中效果显着,性能稳定。2.提出了一种块自增的纹理合成方法,通过在新合成的纹理中选取尺寸不断增加的纹理块来分步加速合成图像。由于纹理块的尺寸不断增加,合成的速度相较之固定尺寸的合成方法大幅提高,使得合成算法对于图片分辨率的时间复杂度降低了一个函数阶次。3.针对彩色纹理的合成,根据HVS理论进一步改进了灰度辅助合成的方法,使得算法更为方便简洁;对于纹理块接缝处理,采取了权值融合的接缝平滑技术,相对于Efros的经典缝合方法更加易于实现,计算量也相对较少;将上述各种加速手段结合起来,综合运用到纹理合成过程中,使得合成速度显着提高。
刘骥, 朱庆生, 曾令秋, 李松阳[7]2010年在《基于PSO的Wang Tiles纹理合成》文中进行了进一步梳理如何在纹理样图中选择组成Wang Tiles的图像块决定着纹理的合成质量。基于PSO的Wang Tiles纹理合成通过粒子群优化算法在纹理样图中快速搜索边界差异最小的图像块,并用选取的图像块构建Wang Tiles,最后用Wang Tiles纹理合成算法合成纹理。实验表明,该算法合成的纹理具有较少的接缝,比随机选择图像块具有更好的合成效果。
周焘[8]2008年在《基于QPSO的纹理合成算法》文中研究指明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合成任意大的同类纹理,并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。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叁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。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,提出了若干有效的解决方法。主要研究工作和创新之处如下:首先,在分析MRF模型优缺点的基础上,为了接近全局意义上的MRF最优,首次将QPSO搜索算法引入一般的基于块拼贴的纹理合成算法中,减少了陷入局部最优值的概率,提高了纹理合成的质量。实验表明,无论对于结构性纹理,随机性纹理,还是半结构半随机性纹理,其合成质量都有明显改善。其次,分析了现有纹理合成技术中相似性测度的优缺点,为了降低噪声干扰和数据缺失等因素造成的纹理误配,在以QPSO作为搜索算法的基础上,本文将概率论中的互信息作为相似性测度引入纹理合成过程,提高了纹理合成的稳定性。最后,详细分析了特征点识别与定位对整个纹理合成的作用,并提出了一种用多边形近似来分析纹理图像中特征点分布的结构模式分析方法。该方法可以提取结构性及半结构性半随机性纹理中的特征点分布规律,并在此基础上定位纹理的全局特性。将纹理特征点全局定位要素加入基于QPSO的块拼贴纹理合成的框架中,提出一种新的使用特征点定位的块拼贴纹理合成算法。
孙劲光, 刘双九[9]2016年在《块尺寸自适应的Tile纹理合成算法》文中研究指明针对Wang Tiles纹理合成算法中样图信息利用不完全、所制作的Tile中心处有明显接缝,以及Tile拼接时拐角处不完全匹配等问题提出了一种改进的纹理合成算法。分析给定的纹理样图,得到适当的纹理块长度,按照该长度从纹理样图中提取4个菱形纹理块,生成Tile初始框架;从样图中选择与Tile初始框架尺寸相同的纹理块作为替代纹理块,与Tile初始框架重迭放置,求取最佳缝合路径,从而制作Tile;通过一系列Tile拼接生成最终的输出纹理。实验结果表明,该算法制作的Tile有很好的视觉效果,同时对各类型纹理该算法都能取得一个较好的纹理合成效果。
刘骥[10]2009年在《植物生长模拟与可视化研究》文中指出虚拟植物是利用计算机模拟植物的生长发育,并用可视化技术将该过程进行展现的技术。它的研究涉及到计算机、数学、植物学、农业、林业以及生态学等多个学科,并在农业、大型自然场景仿真系统、娱乐、科研、教育等诸多领域具有很高的应用价值。植物生长模拟与可视化是虚拟植物研究中最重要的两个关键技术,也是虚拟植物研究的核心问题。论文主要针对这两个问题进行了研究。其中植物生长模拟是根据植物生长的初始信息、环境因素和植物的生长规律,计算出植物生长过程中各个生理阶段的生理和形态特征;可视化是在植物生长模拟的基础之上,用计算机图形学技术将植物生长过程中的形态变化在计算机屏幕上以二维或者叁维图形的方式展现,从而直观的再现植物的生长。论文完成的工作主要包括以下几个方面:(1)提出了基于虚拟器官的植物生长模拟方法。该方法将真实植物器官的生理和形态属性抽象为虚拟器官的属性,以虚拟器官间的关系构成虚拟植物的形态,并通过对虚拟器官属性的变化来实现整个植物生长过程的模拟。其中虚拟环境通过环境变化规则来模拟环境的改变。生长规则依据虚拟器官的属性和当前的环境属性来决定下一生长周期虚拟器官属性的变化。3D引擎通过读取各个虚拟器官的属性来展现植物的3D形态。该方法能够模拟环境影响下植物的生长,并且解决了L系统存在的不足。(2)提出了基于Bezier曲线的植物果实建模方法。该方法通过Bezier曲线构造果实主轴线和截面曲线参数方程,从而计算出果实的叁维形态,可用于茄子、香蕉、西瓜等植物果实的建模。为解决果实的形变问题,提出了在曲线方程上迭加扰动函数的方法。并通过应用叁维Morphing技术,将植物果实模型应用于“基于虚拟器官的植物生长模拟方法”中,实现了果实生长中的形态渐变。(3)提出了基于PSO的Wang Tiles纹理合成算法。该方法通过粒子群优化算法在纹理样图中搜索边界差异最小的图像块,并用选取的图像块构建Wang Tiles,改进了Wang Tiles纹理合成算法的合成效果。论文将纹理合成算法应用于植物器官纹理的合成,解决了植物器官表面的纹理不易于获取,植物器官纹理不足的问题。通过纹理映射技术将合成的纹理应用到植物器官模型上,使得植物器官模型的真实程度得到提高,展现效果更为逼真。实验证明论文算法合成的纹理能够改善植物器官的展现效果。(4)在论文提出的“基于虚拟器官的植物生长模拟方法”的基础上,设计并实现了用于植物生长模拟的软件框架。应用该框架对辣椒花的开花过程、辣椒和茄子的生长过程以及环境影响下辣椒的生长过程进行了模拟。这些模拟证明论文的研究成果不仅能够模拟植物的生长,而且能够产生更好的展现效果。
参考文献：
[1]. 纹理合成技术的研究及其应用[D]. 张岩. 吉林大学. 2006
[2]. 基于PSO的快速图像类推及其应用[D]. 马丽丽. 大连理工大学. 2006
[3]. 基于PSO的纹理合成及其应用[D]. 孟宇. 吉林大学. 2004
[4]. 基于PSO和FOA的图像修复算法[D]. 王一卜. 中北大学. 2017
[5]. 多维纹理合成及视频时域分割技术的研究[D]. 孟宇. 吉林大学. 2007
[6]. 基于样图的纹理合成算法研究[D]. 高孟琦. 江苏科技大学. 2010
[7]. 基于PSO的Wang Tiles纹理合成[J]. 刘骥, 朱庆生, 曾令秋, 李松阳. 计算机工程与应用. 2010
[8]. 基于QPSO的纹理合成算法[D]. 周焘. 江南大学. 2008
[9]. 块尺寸自适应的Tile纹理合成算法[J]. 孙劲光, 刘双九. 计算机工程与应用. 2016
[10]. 植物生长模拟与可视化研究[D]. 刘骥. 重庆大学. 2009
标签：计算机软件及计算机应用论文; 粒子群优化算法论文; 图像融合论文; 虚拟技术论文; 算法论文;