基于隐函数的三维纹理网格重建

目前,面向实景图像的单图三维重建算法大多无法重建或者只能重建出已知拓扑结构类型的带纹理三维网格.文章结合目标检测网络,构建了基于隐函数的纹理推断网络"ColorNet",用于预测三维网格顶点的RGB值,并且为Pix3D数据集的三维模型添加UV纹理映射,并进行渲染、颜色采样.网络在经预处理后的数据集上训练并测试.实验表明,"ColorNet"可以预测出三维网格顶点的RGB值,并通过与三维重建网络"IM-RCNN"相结合,实现从单张实景图像中自动地重建接近真实纹理的三维模型.     

基于纹理合成算法在恢复污损牌照中的应用

车牌识别系统是现在智能交通系统中信息采集的一种手段,但是由于图像模糊、字符污损、粘连等实际问题导致识别的瓶颈.文中提出了一种基于纹理合成的图像修补算法--二维表面纹理填洞算法.该算法是根据区域生长得到车牌字符污损部分的边界,即算法中的"洞",再基于纹理片合成与Quilting算法相结合提出了一种二维表面纹理填洞算法,针对"洞"进行图像纹理修补.实验结果表明,该算法对恢复字符的完整性和修复纹理具有很强的自适应能力.极大地提高了后续的车牌字符分割和识别率.     

纹理混合与纹理传输

基于样本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 ,而在已有的算法中 ,绝大多数只能处理单纹理样本的合成 .提出一种新颖的可处理两个纹理样本的纹理混合方法 ,通过调整参数可以控制纹理在合成结果中所占的比例 ,利用之字形双向扫描提高合成纹理的质量 ,即第一行先按扫描线顺序 ,第二行从行尾点开始按反方向进行扫描 ,第三行又按扫描线顺序 ,如此往复 ,直至图像结尾 ;还提出一种简单的纹理传输方法 ,用户可以根据实际需求进行设计和调整 ,获得各种结果 .计算一幅 3 0 0× 3 0 0的图片可在几秒内完成 .     

一种局部曲面纹理合成的改进方法

在局部纹理映射加速曲面纹理合成的算法的基础上,提出通过方向经验模型分解算法对其进行改进.方向经验模型分解算法利用纹理固有方向,在局部纹理的合成区和映射区实现了无缝接的纹理合成。实验结果表明,该算法合成质量高、算法简单、运行快速,能够达到令人满意的合成效果。     

结合分水岭的纹理梯度各向异性图像分割

目的 目前,许多图像分割算法对含有丰富纹理信息的图像的分割效果并不理想,尤其是在不同纹理的边缘信息的保持方面。为了解决这一问题,提出一种基于连续纹理梯度信息的各向异性图像分割算法。方法 在分水岭算法的基础上,引入纹理梯度各向异性算法,能够在避免纹理信息影响分割效果的前提下,最大限度地保证纹理边缘信息的完整。针对纹理特征数据敏感的特性,本文将离散的图像高度信息映射到连续的纹理梯度空间,能够有效减少由细小差异造成的过分割现象。结果 本文方法在BSD500 Dataset和Stanford Background Dataset中选择了大量的纹理信息丰富的图片与最新的分割算法进行了实验与对比。本文方法在分割效果（降低过分割现象）、保持边缘信息和分割准确率等方面均获得明显改进,并在图像分割的平均准确率方面与最新算法进行比较发现,本文算法的平均分割准确率达到90.9%,明显超过了其他最新算法,验证了本文方法的有效性。结论 本文提出的基于分水岭的纹理梯度各向异性算法对纹理图像的分割具有保边和准确的特点,采用连续梯度空间的方法能够有效地减少传统分水岭算法的过分割现象。本文方法主要适用于纹理信息丰富（自然纹理和人工纹理）的图片。     

一种有效的多尺度纹理识别方法

局部二值模式(local binary patterns,简称LBP)是一种有效的纹理描述算子,具有算法复杂度低、消耗内存、原理清晰的优点.Damper-Shafter的证据理论满足比贝叶斯概率论更弱的条件,具有直接表达"不确定"和"不知道"的能力.提出了一种结合二者优势的纹理识别方法.该方法首先计算图像金字塔,并利用多尺度LBP去测量两个纹理图像之间的相似度;然后,通过融合每个测试样本的信息来组合测试纹理与每个训练样本相似性度量;最后,识别结果由不同纹理之间的最大证据类决定.实验结果表明,该方法对给定的图像数据集1和数据集2分别取得了96.43%和91.67%的正确率,优于最初基于LBP的纹理识别方法.     

一种结合细节点和纹理信息的指纹匹配算法

提出了一种新的指纹联合匹配算法.该算法基于细节点周围的纹理结构信息和细节点构造出指纹特征向量.对指纹纹理进行滤波平滑,提取纹理方向信息,进而利用指纹块的纹理信息简化数据处理过程,从而提高匹配速度.该算法计算速度快,具有较高的识别率,且能较好的正确识别偏移、信息残缺等质量较差的指纹图像,具有很强的鲁棒性,在实际应用中取得了良好的效果.     

GPU适用的并行纹理合成算法

基于样图的纹理合成是一个大计算量过程,为了利用GPU的并行计算能力进行大规模纹理合成,我们提出一种并行纹理合成算法.该算法综合块查找和全局纹理优化算法分多遍进行纹理的合成和优化,其中每一遍分为串行纹理块定位和并行最优块匹配2个阶段.纹理块定位阶段在CPU端按照扫描线顺序确定待合成的邻域,并将邻域位置传入GPU;最优块匹配阶段在GPU端并行计算待合成邻域与对应样本邻域的全局距离,并查找出最优解得到匹配块.最后根据匹配过程统计数据自适应调整优化规模,在全局范围内对纹理进行迭代优化.实验结果表明,文中算法在保证大规模纹理合成效果的基础上减少了计算时间,能够满足交互式纹理合成的应用.     

三维地形中多分辨率影像模型建模方法①

使用高分辨率纹理是增强地形真实性最常用的有效方法,但由于其数据量的庞大需要对纹理影像进行分块处理。为了解决常规手工纹理分块的不足,给出了影像纹理的自动分块原则和方法,提出了一种基于视点的动态多分辨纹理模型和确定纹理分辨率的算法,设计了管理纹理数据的数据结构和数据库存储方案。试验表明,该方法在不降低显示质量的同时,能有效减少纹理的渲染量和较好的可视化效果。     

基于图像分割的自适应窗口双目立体匹配算法研究

针对传统双目立体匹配算法采用固定窗口导致弱纹理区域匹配精度较低的问题,提出了一种基于图像分割的自适应窗口立体匹配算法.首先,采用Mean-shift算法对图像进行分割,之后对分割图像进行局部子区灰度标准差统计,在此基础上提出了一种根据纹理丰富程度进行窗口大小自适应设定的算子.基于自适应窗口大小设定,组合使用Census变换和梯度值计算匹配代价,并分别通过自适应权重代价聚合及"胜者为王"策略进行初始视差计算,最后利用左右视差一致性原则和加权中值滤波得到稠密视差图.采用提出的自适应窗口匹配算法与固定窗口匹配算法对Middlebury数据集上的标准图片进行匹配实验,实验结果表明,所提算法的平均匹配错误率为2.04％,相比对比算法,所提方法的匹配错误率分别降低了4.5％和7.9％.     

应用纹理分析的纸张计数算法

针对生产和生活中大量应用的机械纸张计数装置存在体积大、功耗高、笨重和不易保养维护等缺点，提出了一种基于纹理分析的纸张计数算法，试图从机器视觉的角度来解决这一问题。该方法是将规律排列的纸张叠层图像的边棱看作条纹纹理，同时认为原图纸张排列的规律性必将造成频域内存在着大量的相关资源，并试图分别从二维Gabor滤波和一维逐行频率分析处理的角度人手，通过这些资源的滤出来得到用于确定纸张数目的纸张边棱信息，实验结果显示，虽然用二维Gabor滤波器进行纸张边棱提取速度较快，但由于该算法受纸张叠层图像的质量影响较大，因而适用范围有限；而用逐行分析处理的手段来进行纸张边棱提取，虽然速度较慢，但由于该算法能够很好地对实验中用到的纸张叠层图像进行处理，因而能够得到精确的计数结果。     

基于图像纹理自适应的边缘检测算法

通过对图像进行Fourier分析,获取能够表达图像纹理的能量谱,进而定义能量谱的环特征和楔特征.环特征可以描述纹理的粗细,楔特征可以描述纹理的方向,以这两个特征值作为边缘检测模板选择的依据,使边缘检测具有纹理自适应能力.实验表明,该算法边缘检测精确,抗干扰能力强.     

多参数加权的无缝纹理映射算法

目的 针对基于图像3维重建中纹理映射存在缝隙的问题,提出一种多参数加权的无缝纹理映射算法。方法 算法根据图像的标定信息对三角格网进行聚类分割,将重建模型聚类成不同参考图像的网格贴片,并对贴片排序生成纹理图像,加权融合重建顶点的法线角度、图像视点、模型深度等信息生成纹理贴片像素,最后采用多分辨率分解融合技术消除纹理贴片缝隙,实现无缝的纹理映射。结果 对不同的测试数据进行了验证,本文算法在保持一定清晰度的前提下消除了纹理的缝隙,即使对于构网误差较大的区域也能得到较为满意的结果,同时本文算法支持大数据的3维纹理映射。结论 提出了一种无缝的纹理映射算法,算法通过构造一个平滑的加权方程融合多源信息消除纹理的接缝,实验结果表明了本文算法的有效性及实用性,得到了高保真的无缝纹理映射效果,可应用到城市级别的大场景3维重建领域。     

基于融合细分的纹理图像重构模型

针对分段迭代曲线拟合存在的重建区域轮廓不连续、重建区域尺寸有误差等问题,提出了一种基于融合细分的纹理图像重构模型.首先提取原始图像的分割区域,经过轮廓跟踪与下采样得到区域形状的特征向量;然后利用三重逼近与三重插值统一的融合细分方法,重建区域轮廓曲线;最后合成区域纹理,得到纹理图像重构结果.在多幅自然场景图像上进行实验验证,并给出相应的实验结果和分析.实验结果表明,所提模型正确有效,具有和人类视觉特性相符合的重构结果; 所提算法能够减少图像重建时的处理时间,并在图像质量主观评价指标上明显优于多区域图像重建算法.     

基于综合特征的纹理分割方法

针对灰度共生矩阵只能在单一尺度对纹理进行分析的不足,结合离散框架小波变换产生的尺度共生矩阵与梯度变换图像的灰度共生矩阵,提出了一种具有多尺度分析特性的综合纹理特征提取算法,并利用该特征对纹理图像进行分割.仿真实验结果表明:与基于单一尺度特征的纹理分割方法相比,本文提出的算法能够提高纹理边界定位准确性,减少区域内像素错分,取得了较好的分割效果.     

基于贝叶斯网络模型的纹理分析及分类

用贝叶斯网络对纹理图像建模,并基于此模型给出了一种纹理分类的方法.把纹理图像在一个窗口内各个像素的灰度值看作贝叶斯网络的一次实现,通过训练得到各类纹理所对应贝叶斯网络的结构和参数,用纹理图像像素点在网络中的条件概率分布作为特征进行纹理分类.实验结果证明了该方法的有效性.     

基于特征加权的自然纹理FCM聚类分割算法

为了实现自然材质的纹理分割,根据自然纹理的弱规则性特点,提出一种由图像灰度值、灰度分布统计及图像纹理能量统计作为纹理表征的特征参数,并组成三维特征矢量以实现自然纹理分割的算法。考虑到样本不同特征值对分类的不同影响,算法中引入了特征加权的FCM模糊聚类方法以提高各特征参数在聚类约束力上的可控制性,从而实现纹理图像的更有效分割效果。实验证明,该方法简单高效、可控性强,对各种自然纹理图像具有较好的纹理分割效果。     

一种基于边缘检测及纹理分析的水坝图像分割算法

针对边缘检测算法的局限性及灰度水坝图像的特点,提出了一种基于边缘检测及纹理分析相结合的灰度图像分割算法,首先利用边缘检测算法对待处理图像进行边缘检测得到图像的粗分割,然后在原灰度图像中对得到的边缘位置点进行纹理分析,去除检测到的非目标对象的边缘从而得到分割图像,即细分割。将该算法应用到河坝监测系统中,实验证明该算法达到了很好的分割效果。     

基于轮廓模板和自学习的图像纹理增强超采样算法

提出一种以轮廓模板插值和局部自学习相结合的图像纹理增强超采样算法,有效地恢复了插值图像丢失的细节纹理,抑制了插值图像边缘的扩散.该方法通过局部自相似性在原始低分辨图像中估计高频信息,对轮廓模板插值图像的细节纹理进行了恢复.其中,为了弥补轮廓模板插值缺少先验知识的缺陷,将原始低分辨率图像的高频信息作为先验知识.为了保证估计的高频信息最优,匹配的过程中采用双匹配,相比较于全局搜索和小窗搜索,提高了效率并保证了匹配精度.此外,使用高斯模糊代替了传统提取高频信息的方法,简化了算法的复杂度,提高了准确性和效率.对估计得到的高频信息采用高斯函数加窗,以减小估计出错和重叠区的混叠影响.本文算法的训练库由原始低分辨图像自身和插值图像构成,节省了生成训练库所需的时间和空间.训练库的简化使得高频信息的估计可以多尺度进行,算法效率得到进一步优化.理论分析和实验结果表明,相比传统的基于插值、基于自学习的图像超分辨率方法,本文方法获得更好的实验结果,主观效果得到明显改善,有效地恢复了图像的纹理细节,提高了图像边缘锐度,避免了产生锯齿等人工效应,客观指标得到提高.