本文選題：過程紋理　切入點：紋理生成　出處：《中國海洋大學(xué)》2015年博士論文

【摘要】：基于過程紋理模型產(chǎn)生和表示紋理是一個重要的研究課題,已經(jīng)廣泛的應(yīng)用于計算機游戲,動畫,藝術(shù)設(shè)計等領(lǐng)域。通過變化數(shù)學(xué)模型的輸入?yún)?shù)可以有效的產(chǎn)生不同外觀的紋理表面,然而,如何選擇合適的過程紋理模型及其參數(shù)產(chǎn)生符合感知一致性的紋理一直是一個具有挑戰(zhàn)性的問題。本文將視覺感知與機器學(xué)習(xí)相結(jié)合,從紋理感知研究入手,提出符合感知一致性的過程紋理生成框架,根據(jù)輸入紋理,自動確定過程紋理模型及對應(yīng)參數(shù),以產(chǎn)生與輸入紋理外觀相似但是具有不同感知量的新紋理。論文主要的工作包括：一、構(gòu)建了過程紋理數(shù)據(jù)庫,數(shù)據(jù)庫中包含23種過程紋理模型產(chǎn)生的450幅紋理高度圖,以及在相同光照條件和視角下進行渲染得到的具有真實感的三維紋理圖像。通過心理物理學(xué)實驗獲取了庫中樣本的感知數(shù)據(jù),包括人對紋理樣本的相似性判斷及12種視覺感知特征的量化值。二、確定了過程紋理生成模型的感知特征及過程紋理的主要感知維度。通過構(gòu)建紋理感知空間,確定了過程紋理的三個主要維度,每個維度是不同的特征組合。實驗表明對于不同的感知維度,組合特征的權(quán)重根據(jù)紋理上下文環(huán)境發(fā)生變化,然而,感知維度卻是不變的。另外,實驗驗證了構(gòu)建的紋理感知空間的感知一致性,在紋理感知空間中的相似性度量是與人的感知相符的。三、提出了基于主成分分析(PCA)的深層卷積網(wǎng)絡(luò)結(jié)構(gòu)(PCN)的特征提取方法。PCN中包括級聯(lián)的特征提取階段和非線性輸出階段。卷積層中通過PCA學(xué)習(xí)濾波器組,低層卷積層輸出的特征圖根據(jù)不同的規(guī)則進行組合,下一層的濾波器基于組合的特征圖學(xué)習(xí)得到。同時,利用間隔的圖像塊采樣和特征池化單元加快了特征學(xué)習(xí)的速度。實驗證明,該算法可以有效的提取出圖像魯棒特征表示,在不同的圖像分類任務(wù)中都能達到與現(xiàn)有水平相當(dāng)或者更優(yōu)的性能。使用PCN算法提取紋理特征,可以準確地估計出紋理的感知特征量化值及對應(yīng)的產(chǎn)生模型。四、提出了符合感知一致性的過程紋理生成算法框架,實現(xiàn)了基于紋理樣例感知特征量化值的過程紋理生成。算法通過提取輸入紋理的計算特征,估計其感知特征量化值和能夠產(chǎn)生類似紋理的過程紋理模型。當(dāng)用戶在估計出的感知特征量化值基礎(chǔ)上做相應(yīng)變化時,通過在紋理感知空間中的感知相似性度量,確定參數(shù)最終產(chǎn)生符合用戶提出的感知特征的新紋理。實驗驗證了算法可以適用于多種類型的紋理,能夠有效的根據(jù)感知特征找到模型及對應(yīng)的參數(shù)產(chǎn)生紋理。
[Abstract]:The process of texture model generation and texture is an important research topic based on, has been widely used in computer games, animation, art design field. The texture surface, through the input parameters of mathematical model can effectively produce different appearance however, such as how to choose the appropriate parameters of the process model and texture which conform with the perceptual consistency the texture is always a challenging problem. The visual perception combined with machine learning, starting from the study of texture perception, perception of the consistency of the process of texture generation frame, according to the input texture, texture model and the corresponding automatic process parameters, a new texture similar to produce with the input texture appearance but with different amount of perception. The main work includes: firstly, construct the process texture database contains 23 texture database process model The 450 texture height map, and realistic 3D texture image rendering in the same light conditions and perspective. Through psychophysical experiments to get the sensor data base samples, including quantification of the similarity of texture samples and 12 kinds of visual perception feature value. Two, the the main dimensions of texture perception characteristics and the process of texture model. By constructing texture perception space, identified three main dimensions of texture, each dimension is different combinations of features. The experimental results show that the different dimensions of the perceived weight, the combination of characteristics of the texture according to the context changes, however, the perception dimension is unchanged. In addition, experiments verify the consistency of the perception of texture perception space, similarity in texture perception in space is metric and the perception of the people are provided. Three. The principal component analysis (PCA) based on the deep convolutional network structure (PCN) feature extraction method in.PCN includes cascaded nonlinear feature extraction stage and output stage. Through the study of the PCA layer convolution filter, low layer convolution layer output feature map are combined according to different rules, the next layer of filter characteristics map based on the combination of learning. At the same time, the use of image block interval sampling and the characteristic of unit pool speed of feature learning speed. The experimental results show that this algorithm can effectively extract the robust image feature representation, in different image classification tasks to achieve the equivalent current level or better performance. The extraction the texture features using PCN algorithm can accurately estimate the quantitative texture perception feature value and corresponding model. Four, put forward with the process of texture generation algorithm of perceptual consistency of frame, solid The sample texture perception features quantized texture is generated based on the process by calculating the input texture feature extraction, texture feature estimation process model of the perception and quantitative values can produce similar texture. When the perceived characteristics of users in the quantitative estimate the value of the basis of the corresponding change, the texture perception in space the perception of similarity measure, determine the parameters eventually produce new texture with perceptual features presented by the user. Experiments show that the algorithm can be applied to many types of texture, can effectively according to the perceptual feature model and find the corresponding generated texture parameters.

【學(xué)位授予單位】：中國海洋大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 丁偉杰;周國民;金弟;;基于小波分解的紋理分割的農(nóng)機化應(yīng)用研究[J];農(nóng)機化研究;2008年11期

2 才德;洪文;吳一戎;;基于概率紋理模型的紋理分割方法分析[J];計算機應(yīng)用與軟件;2008年12期

3 謝興;謝玉波;秦前清;;有限混合紋理模式及其紋理分割框架[J];計算機工程與應(yīng)用;2009年30期

4 孫楓;賀錦鵬;劉利強;;基于濾波器陣列和小波域圖割的紋理分割[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2011年05期

5 李欣亮，廖孟揚，，覃家美;利用自適應(yīng)算法的快速估計參數(shù)進行圖像紋理分割[J];電子學(xué)報;1995年01期

6 王永銘,劉宏,王積分;分形模型用于菌落圖象的紋理分割[J];天津大學(xué)學(xué)報;1997年06期

7 談?wù)?劉輝,周軍;旋轉(zhuǎn)及伸縮不變紋理分割算法[J];西安交通大學(xué)學(xué)報;1997年01期

8 任仙怡,張桂林,陳朝陽;基于紋理譜的紋理分割方法[J];中國圖象圖形學(xué)報;1998年12期

9 朱立;基于圖象紋理頻譜的海上小目標(biāo)自動檢測[J];電子技術(shù)應(yīng)用;1999年10期

10 舒遠,胡釗政,談?wù)?基于多信息融合的紋理分割新方法[J];計算機工程;2005年11期

相關(guān)會議論文 前7條

1 郝芳;劉長江;;紋理分離加工中的注意機制[A];Proceedings of Conference on Psychology and Social Harmony(CPSH2011)[C];2011年

2 劉泓;莫玉龍;;基于多分辨模型的有監(jiān)督紋理圖象的魯棒分割[A];第九屆全國信號處理學(xué)術(shù)年會（CCSP-99）論文集[C];1999年

3 趙鋒;趙榮椿;;基于多特征圖象、模糊聚類的分層分塊的紋理分割方法[A];中國圖象圖形科學(xué)技術(shù)新進展——第九屆全國圖象圖形科技大會論文集[C];1998年

4 章小平;范九倫;裴繼紅;;基于空間信息與模糊聚類的紋理分割方法[A];中國系統(tǒng)工程學(xué)會模糊數(shù)學(xué)與模糊系統(tǒng)委員會第十一屆年會論文選集[C];2002年

5 畢篤彥;毛柏鑫;馬林華;;基于灰度秩數(shù)的非監(jiān)控紋理圖象分割[A];中國圖象圖形科學(xué)技術(shù)新進展——第九屆全國圖象圖形科技大會論文集[C];1998年

6 王曉丹;趙榮椿;;一種基于視覺感知特性及改進的模糊Kohonen聚類網(wǎng)絡(luò)的圖象紋理分割方法[A];中國體視學(xué)學(xué)會圖像分析專業(yè)、中國體視學(xué)學(xué)會仿真與虛擬現(xiàn)實專業(yè)、中國航空學(xué)會信號與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會議論文集[C];2000年

7 趙鋒;趙榮椿;;紋理分割及特征提取方法綜述[A];1998年中國智能自動化學(xué)術(shù)會議論文集（下冊）[C];1998年

相關(guān)重要報紙文章 前1條

1 北京 childe;虛擬紋理 紋理壓縮與隱面消除[N];中國電腦教育報;2001年

相關(guān)博士學(xué)位論文 前8條

1 劉君;基于感知一致性的過程紋理生成研究[D];中國海洋大學(xué);2015年

2 劉泓;紋理圖象的分析與識別研究[D];上海大學(xué);1999年

3 徐琪;一種新的紋理描述方法及其應(yīng)用[D];復(fù)旦大學(xué);2011年

4 孟宇;多維紋理合成及視頻時域分割技術(shù)的研究[D];吉林大學(xué);2007年

5 畢曉君;基于智能信息技術(shù)的紋理圖象識別與生成研究[D];哈爾濱工程大學(xué);2006年

6 王曉丹;基于模糊聚類及神經(jīng)網(wǎng)絡(luò)的紋理分割方法研究[D];西北工業(yè)大學(xué);2000年

7 韓建偉;基于樣本的三維表面紋理快速合成技術(shù)[D];浙江大學(xué);2009年

8 幸銳;基于紋理的圖像聚類研究[D];浙江大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 楊超;Sharpness在紋理檢索中的應(yīng)用[D];蘭州大學(xué);2015年

2 王磊;動漫紋理的交互式合算法的研究與實現(xiàn)[D];深圳大學(xué);2015年

3 矯林濤;基于藍噪聲理論的多特征遙感圖像森林植被紋理分割[D];遼寧師范大學(xué);2015年

4 王堅;紋理合成及其在場景類推編輯中應(yīng)用研究[D];福州大學(xué);2013年

5 文慧;基于紋理合成的類推式畫作設(shè)計的研究[D];福州大學(xué);2014年

6 陳海旭;圖像紋理分割與紋理替換研究[D];吉林大學(xué);2006年

7 周暉;紋理分割方法及其應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2005年

8 朱旭陽;視頻紋理研究與實現(xiàn)[D];國防科學(xué)技術(shù)大學(xué);2002年

9 柏建新;織物模擬中紋理問題的研究[D];浙江大學(xué);2003年

10 安志娟;紋理模擬及分析[D];西安電子科技大學(xué);2001年

本文編號：1729042