应用PSO的快速纹理合成算法

应用PSO的快速纹理合成算法是一种高效的纹理合成算法,应用粒子群优化(PSO)算法对基于块采样的纹理合成算法的搜索匹配过程进行了改进,改变了原算法的全遍历搜索过程,在不影响合成质量的前提下加快了合成速度．本算法对于按序和随机的各种应用都能在一台中等的PC机上几秒内合成高质量的纹理．并对算法执行中的粒子数、迭代次数对合成速度和合成效果的影响进行了详细的分析．     

螺旋状匹配搜索的块拼贴纹理合成

基于样图的纹理合成方法是继纹理映射、过程纹理合成等方法后发展起来的一种纹理拼贴方法。该文在Efros块拼贴算法和徐晓刚的螺旋状点匹配搜索算法基础上,提出了一种螺旋状匹配搜索的块拼贴算法。该算法利用纹理块的连惯性,在搜索待合成纹理块时,在已合成纹理块在样本图像中位置的邻域进行搜索,找到匹配纹理块后进行输出。该方法大大加快了纹理合成的速度,与Efros块拼贴算法相比,在合成质量不变的基础上,合成速度平均提高了10倍。对于不同的纹理进行实验,其结果也令人满意。     

利用相关性的快速块拼贴纹理合成

通过总结已有的纹理合成算法,采用基于样图的纹理合成方式提出了一种快速块拼贴纹理合成算法。该算法基于纹理的相关性,在搜索最佳目标纹理块时,通过相关位置偏移技术在样图中映射出已合成块的地址,适时加入螺旋搜索方法,利用块边界匹配算法将搜索到的地址块进行匹配,直到找到符合误差阈值的纹理块然后进行输出合成。通过实验发现,算法在处理随机性纹理和结构性纹理时都能取得比原先算法更好的合成效果,合成时间也大大加快。     

螺旋线状搜索的快速块匹配纹理合成

为了避免纹理映射技术可能带来接缝走样的缺陷和过程纹理合成中复杂参数的调试,采用基于样图的纹理合成方法提出了一种新算法.该算法基于纹理的连贯性,在采用徐晓刚螺旋线状搜索算法的同时,结合了梁林的块拼贴纹理合成算法,即利用连贯性在样图中已合成纹理块位置向邻域扩展进行螺旋搜索,直到搜索到最佳匹配纹理块,然后进行纹理合成.大量实验结果表明,该算法与上述两种算法相比在合成效果上更加理想,合成时间也大大提高.     

基于PSO的Wang Tiles纹理合成

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。     

基于混洗蛙跳和粒子群优化算法的块自增纹理合成

针对基于样图的纹理合成技术,提出了一种基于混洗蛙跳和粒子群优化算法的块自增纹理合成方法。该方法在纹理合成过程中,通过选取尺寸按2的倍数不断增大的纹理块来提高纹理合成的速度,将混洗蛙跳算法和粒子群算法相结合,作为纹理块匹配的寻优策略,以提高纹理块的查找速度和全局搜索性能。实验结果表明,该方法在保证纹理合成质量的前提下,能够显著地提高基于样图的纹理合成速度,并能克服粒子群算法易陷入局部最优解的缺陷。     

基于QPSO的纹理合成算法

针对PSO算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种以块算法为基础,量子粒子群优化算法（QPSO）为优化策略的纹理合成方法。实验结果表明,与标准PSO算法相比,由于量子粒子群优化算法（QPSO）显著的全局收敛性,这种新型的纹理合成方法,使最后的合成图像中采样块结合处更流畅,纹理更细腻。     

基于纹理方向的图像修复算法

在使用基于样本的纹理合成技术的图像修复算法中,搜索纹理的匹配块时,利用纹理的方向特性,可以将搜索过程约束到沿着纹理的方向进行。在Criminisi A的算法基础上,加入了确定纹理方向过程,优化了纹理块的优先权和大小的计算方法。实验结果表明,该方法在处理强方向性的纹理图像的修复时有很好的效果,明显地提高了计算效率。     

一种基于曲面纹理合成的改进方法

舒恒等人在2007年提出一种新的纹理合成算法,虽然对大部分曲面纹理合成有不错的效果,但合成时会出现大量的约束面,搜索匹配约束面会耗费很多的时间,本文采用人工智能中的粒子群算法（PSO）搜索约束面,在保证合成质量的基础上,大大提高了合成速度,达到实时的效果。     

自相似性匹配的纹理合成

基于Image Quilting算法,基于块匹配的误差提出了一种基于自相似匹配的改进方法,其有效提高了缝合速度及合成质量,对不同纹理样本都能取得较好的合成效果。该算法首先根据样本图像大小动态确定匹配块的大小;之后通过自相似匹配的原理设置了缝合块的边界匹配误差,保留了缝合块的边界信息;在缝合过程中使用贪心算法选取相似性最高的块作为下一个待缝合的块,通过局部最优合成效果合成最终纹理图像。实验结果表明,改进后的算法减少了合成时间,消除了匹配块之间的不连续性,提高了合成质量。     

基于粒子群优化算法的航空影像纹理分类

粒子群优化算法是基于群智能的随机全局优化技术,将它引入航空影像纹理分类,在提取纹理样本小波、分形等特征的基础上,提出了针对分类问题的粒子表达方法和群体寻优策略,实现了基于粒子群算法的纹理分类。将其与基于遗传算法的纹理分类法作比较,结果表明粒子群优化算法具有较好的寻优性能,基于该算法的纹理分类法分类精度较高且计算时间较少。     

PSO-SVM算法在肝脏B超图像识别中的应用

为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vec-tor Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO-SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO-SVM算法适用于对肝脏B超图像的识别。     

应用粒子群优化算法的混合纹理合成*

应用粒子群优化算法作为像素寻优策略,应用于多样图纹理合成算法中,将群智能中经典的粒子群优化算法引入到纹理合成领域。应用粒子群优化多样图纹理合成方法是传统的基于像素纹理合成方法和基于块的纹理合成方法的折中,除能大大提高多样图纹理合成的速度,样图的质量也得到了很大改善。实验证明,该算法有效解决了徐晓刚混合纹理合成中输出纹理出现的条痕问题。     

结合MRF模型与粒子群优化算法的遥感影像纹理分割

影像纹理的马尔可夫随机场(MRF)模型是一种分析纹理较为经典的方法,已被广泛用于影像纹理的模拟和分割。由于传统的模拟退火算法在计算全局最优解时,处理效率较低,无法满足纹理分析与处理的性能要求。设计了一种判定纹理类别的适应度函数,提出了利用粒子群优化算法计算适应度函数的最优解,应用该算法对遥感影像数据进行了纹理分割实验。实验结果表明,该算法与模拟退火算法比较,具有寻优速度快的优点,是一种有效的图像分割优化方法。     

混沌粒子群优化的纹理合成算法研究

粒子群算法在搜索后期由于搜索空间有限,容易陷入局部极值,过早地进入早熟状态。针对这种情况,将混沌优化搜索技术用于粒子群算法,利用混沌运动的通历性、随机性等特点,提出了一种混沌粒子群优化的块采样纹理合成算法。实验结果表明,混沌粒子群算法比粒子群算法具有更好的全局寻优能力,克服了粒子群算法的缺点,得到了较高质量的纹理合成图像。