基于卷积神经网络的纹理合成方法

摘要

纹理合成作为计算机图形学领域比较有意义的一个分支，一直以来都是科研人员关注的重点。纹理合成技术不仅在图像编辑与修复领域有较大的应用价值，而且在大规模景象生成和图像绘制等领域也有很好的应用前景。卷积神经网络(Convolutional Neural Network,CNN)根据视觉认知机制提出，由于具有局部连接和权值共享特性以及空间下采样思想带来的局部平移不变特性，近年来在计算机视觉、语音识别等多个领域取得了突出成绩，运用卷积神经网络实现纹理合成也成为目前研究热点之一。 本论文主要研究了基于卷积神经网络的纹理合成方法。重点研究了纹理特征提取技术的主要方法，涉及到比较传统的基于灰度共生矩阵和Gabor滤波器的纹理特征提取方法，以及较为新颖的基于克莱姆矩阵的纹理特征表达的方法。在上述工作基础上，提出了一种改进的VGG-19网络模型，以提高纹理图像合成的速度和合成图像的质量。本论文的主要研究内容为： (1)为了改善网络层级结构过多导致的训练时间过长以及梯度消失的问题，提出了一种改进方法。通过使用卷积神经网络中VGG-19网络模型，并在网络每层卷积层后增加批量归一化(Batch Normalization，BN)层的方法，提高网络训练速度。实验结果表明，本文所提出的改进卷积神经网络在训练速度上有了明显的提升。 (2)基于改进后的卷积神经网络合成纹理图像。本文中纹理合成模型只使用了VGG-19网络模型中的卷积层和池化层，没有使用后面的全连接层和分类层。首先将源纹理图像和一幅白噪声初始化的图像分别输入卷积神经网络，经过前向传播过程提取图像的纹理特征，构建损失函数，然后训练网络更新合成图像。实验结果表明，本文所使用的方法比其它一些纹理合成方法，在主观评价和客观评价上都有明显的优势，图像合成质量有很大的提升。

目录

声明

第1章 绪 论

1.1 选题背景和研究意义

1.2 纹理合成技术研究现状

1.2.1 纹理映射方法

1.2.2 过程纹理合成方法

1.2.3 基于样图的纹理合成方法

1.3 卷积神经网络的发展

1.3.1 卷积神经网络的研究现状

1.3.2 基于卷积神经网络的纹理合成技术研究现状

1.4 论文的主要研究内容和章节安排

1.4.1 论文主要研究内容

1.4.2 论文章节安排

第2章 纹理合成关键技术及评价标准

2.1 引言

2.2 纹理的相关概念

2.2.1 纹理的定义

2.2.2 纹理的分类

2.3 纹理特征提取技术

2.3.1 基于灰度共生矩阵的纹理特征提取技术

2.3.2 基于Gabor滤波器的纹理特征提取技术

2.3.3 基于克莱姆矩阵的纹理特征提取技术

2.4 纹理合成结果评价标准

2.4.1 主观评价方法

2.4.2 客观评价方法

2.5 本章小结

第3章 卷积神经网络原理分析

3.1 引言

3.2 人工神经网络

3.2.1 人工神经元

3.2.1 人工神经网络的结构

3.3 卷积神经网络

3.3.1 生物机理

3.3.2 卷积神经网络典型结构

3.3.3 卷积层的卷积操作及其特性

3.3.4 降采样层

3.4 本章小结

第4章 基于改进VGG-19网络的纹理合成方法

4.1 引言

4.2 VGG-19网络模型与结构改进

4.2.1 VGG-19网络模型

4.2.2 改进VGG-19网络结构

4.3 基于改进VGG-19网络的纹理合成方法

4.3.1 纹理合成网络模型设计

4.3.2 计算损失函数

4.3.3 选择优化算法

4.4 实验结果与分析

4.4.1 实验环境

4.4.2 网络性能分析

4.4.3 主观评价

4.4.4 客观评价

4.5 本章小结

第5章 总结与展望

5.1 论文工作总结

5.2 论文研究展望

参考文献

攻读硕士学位期间发表的学术论文

致谢