[发明专利]一种基于纹理优化的非同质图像合成方法

说明书

技术领域

本发明涉及图像合成技术，尤其是一种图像合成方法。

背景技术

基于样图的纹理合成旨在由小块样本纹理生成视觉上类似的大块纹理，能减少繁重的建模工作，提高绘制效率，是计算机图形学中一个热点研究方向。对于纹理，可大致分为同质纹理和非同质纹理两类。同质纹理满足Markov随机场中的局部和静止属性。而非同质纹理，也就是全局变化的纹理不满足静止属性，对于非同质纹理，通常在合成过程中加入一张控制图来约束合成过程。随着纹理合成工作的进展，同质纹理的合成质量和效率都大大提高。但是针对非同质纹理，研究者仍在寻找快速高效的合成方法。因为用户想合成的不仅是简单的周期性变化的纹理，而且希望生成具有真实感的图像，进行更多创造性的控制。图像类比框架借用了类比思想，提供了一种非常自然的方法定义图像间的转换，使用户可以处理非同质纹理，控制生成结果，但其合成速度很慢。Texture-by-Numbers(TBN)是图像类比框架中的一个应用，能优雅地合成具有真实感的非同质图像（TBN图像）。用户提供一张标签图A和对应的颜色图A’，指定一张新的标签图B，算法合成得到新的颜色图B’，使得从B到B’的变化和从A到A’的变化类似。

纹理合成方法大致可分为三大类：基于像素的合成、基于块的合成和基于优化的合成。基于像素的合成方法逐像素的合成纹理，合成效果在视觉上较为连续。但它合成时仅考虑局部邻域，难以保持纹理结构化信息。基于块的合成方法不是简单地拷贝样图中的像素，而是将样图中的整个小块拷贝到输出图中，能较好的保持纹理结构特征，但相邻纹理块的边界处会产生特征断裂现象。基于全局优化的纹理合成方法，结合了基于像素和基于块的合成方法的优势，合成质量较高。该方法把待合成纹理看作一个整体，用全局纹理能量来衡量目标纹理和样本纹理的相似程度，使用最大期望值算法（Expectation Maximization，EM）迭代求解全局纹理能量函数，E和M两个步骤交替计算，全局纹理能量在迭代中逐步降低，目标纹理逐渐逼近样本纹理。但传统的纹理优化框架只适用于同质纹理合成，且速度较慢。图像类比框架采用基于像素的纹理方法进行TBN合成，但基于像素的合成算法主要考虑纹理的局部性，不能捕获高层次的纹理布局。TBN合成不同于传统的同质纹理合成，在合成时必须考虑整张图像，而不是很小的一块纹理样图区域。有研究者用纹理优化框架合成TbN图像，把标签图作为一个软约束通道加入全局优化过程，迭代求解使能量函数值最小的输出纹理，比以往的TBN合成算法合成质量更高，但合成效率依旧不高。

随着图形硬件的发展，GPU（Graphics Processing Unit）已进化成一种通用图形处理器，能成倍地增加计算能力，并在各个领域获得了广泛应用。CUDA(Compute Unified Device Architecture)是Nvidia公司推出的编程模型，也是首次可以利用GPU作为C-编译器的开发环境，能更有效地把计算问题映射到硬件架构上。有研究者提出了基于GPU的并行可控纹理合成算法，在合成时对每个像素并行处理，大大加快合成速度。也有研究者对纹理优化框架进行加速，采用了一种离散优化的方法逐像素地计算目标纹理值，用k-coherence搜索算法和PCA降维技术在GPU上实现加速。但他们都主要针对同质纹理合成。

发明内容

为了克服已有非同质纹理合成方法的快速性较差、合成质量较差的不足，本发明提供一种快速性良好、合成质量较高、合成效率更快的一种基于纹理优化的非同质图像合成方法。

本发明解决其技术问题所采用的技术方案是：

一种基于纹理优化的非同质图像合成方法，所述图像合成方法包括以下步骤：

1)生成标签图A，颜色图A'，新标签图B的高斯金字塔，A_L，A′_L，B_L，B′_L表示对应金字塔的第L层；

2)设定初始层L，生成初始化样图；

3)对不同类型的图像定义不同的全局度量准则；

4)从最粗糙层L开始，对金字塔从粗糙层到精细层循环做：

4.1)对该层邻域窗口金字塔winSizePyr中的每个邻域大小做：

4.1.1)根据A_L，A′_L，B_L，B′_L执行M步骤，得到Match_L，具体过程如下：