專利名稱：一種基于紋理優(yōu)化的非同質(zhì)圖像合成方法
技術領域：
本發(fā)明涉及圖像合成技術，尤其是一種圖像合成方法。
背景技術：
基于樣圖的紋理合成旨在由小塊樣本紋理生成視覺上類似的大塊紋理，能減少繁重的建模工作，提高繪制效率，是計算機圖形學中一個熱點研究方向。對于紋理，可大致分為同質(zhì)紋理和非同質(zhì)紋理兩類。同質(zhì)紋理滿足Markov隨機場中的局部和靜止屬性。而非同質(zhì)紋理，也就是全局變化的紋理不滿足靜止屬性，對于非同質(zhì)紋理，通常在合成過程中加入一張控制圖來約束合成過程。隨著紋理合成工作的進展，同質(zhì)紋理的合成質(zhì)量和效率都大大提高。但是針對非同質(zhì)紋理，研究者仍在尋找快速高效的合成方法。因為用戶想合成的不僅是簡單的周期性變化的紋理，而且希望生成具有真實感的圖像，進行更多創(chuàng)造性的 控制。圖像類比框架借用了類比思想，提供了一種非常自然的方法定義圖像間的轉(zhuǎn)換，使用戶可以處理非同質(zhì)紋理，控制生成結果，但其合成速度很慢。Texture-by-Numbers (TBN)是圖像類比框架中的一個應用，能優(yōu)雅地合成具有真實感的非同質(zhì)圖像(TBN圖像)。用戶提供一張標簽圖A和對應的顏色圖A’，指定一張新的標簽圖B，算法合成得到新的顏色圖B’，使得從B到B’的變化和從A到A’的變化類似。紋理合成方法大致可分為三大類基于像素的合成、基于塊的合成和基于優(yōu)化的合成?；谙袼氐暮铣煞椒ㄖ鹣袼氐暮铣杉y理，合成效果在視覺上較為連續(xù)。但它合成時僅考慮局部鄰域，難以保持紋理結構化信息。基于塊的合成方法不是簡單地拷貝樣圖中的像素，而是將樣圖中的整個小塊拷貝到輸出圖中，能較好的保持紋理結構特征，但相鄰紋理塊的邊界處會產(chǎn)生特征斷裂現(xiàn)象。基于全局優(yōu)化的紋理合成方法，結合了基于像素和基于塊的合成方法的優(yōu)勢，合成質(zhì)量較高。該方法把待合成紋理看作一個整體，用全局紋理能量來衡量目標紋理和樣本紋理的相似程度，使用最大期望值算法(Expectation Maximization,EM)迭代求解全局紋理能量函數(shù)，E和M兩個步驟交替計算，全局紋理能量在迭代中逐步降低，目標紋理逐漸逼近樣本紋理。但傳統(tǒng)的紋理優(yōu)化框架只適用于同質(zhì)紋理合成，且速度較慢。圖像類比框架采用基于像素的紋理方法進行TBN合成，但基于像素的合成算法主要考慮紋理的局部性，不能捕獲高層次的紋理布局。TBN合成不同于傳統(tǒng)的同質(zhì)紋理合成，在合成時必須考慮整張圖像，而不是很小的一塊紋理樣圖區(qū)域。有研究者用紋理優(yōu)化框架合成TbN圖像，把標簽圖作為一個軟約束通道加入全局優(yōu)化過程，迭代求解使能量函數(shù)值最小的輸出紋理，比以往的TBN合成算法合成質(zhì)量更高，但合成效率依舊不高。隨著圖形硬件的發(fā)展，GPU (Graphics Processing Unit)已進化成一種通用圖形處理器，能成倍地增加計算能力，并在各個領域獲得了廣泛應用。CUDA(Compute UnifiedDevice Architecture)是Nvidia公司推出的編程模型,也是首次可以利用GPU作為C-編譯器的開發(fā)環(huán)境，能更有效地把計算問題映射到硬件架構上。有研究者提出了基于GPU的并行可控紋理合成算法，在合成時對每個像素并行處理，大大加快合成速度。也有研究者對紋理優(yōu)化框架進行加速，采用了一種離散優(yōu)化的方法逐像素地計算目標紋理值，用k-coherence搜索算法和PCA降維技術在GPU上實現(xiàn)加速。但他們都主要針對同質(zhì)紋理合成。

發(fā)明內(nèi)容
為了克服已有非同質(zhì)紋理合成方法的快速性較差、合成質(zhì)量較差的不足，本發(fā)明提供一種快速性良好、合成質(zhì)量較高、合成效率更快的一種基于紋理優(yōu)化的非同質(zhì)圖像合成方法。本發(fā)明解決其技術問題所采用的技術方案是—種基于紋理優(yōu)化的非同質(zhì)圖像合成方法，所述圖像合成方法包括以下步驟I)生成標簽圖A，顏色圖A’，新標簽圖B的高斯金字塔，Ay A' L, Bl, l表示對應金字塔的第L層；2)設定初始層L，生成初始化樣圖；3)對不同類型的圖像定義不同的全局度量準則；4)從最粗糙層L開始，對金字塔從粗糙層到精細層循環(huán)做4. I)對該層鄰域窗口金字塔WinSizePyr中的每個鄰域大小做4. I. I)根據(jù)Al，A'l執(zhí)行M步驟,得到Matclv具體過程如下保持目標紋理B，B’不變，根據(jù)特征F對目標紋理B，B’中的點q在樣圖紋理A，A’中找到最佳匹配點V，存在紋理Matctk中，形式化的表示如下Matchl <= argmini_(|pw —+|&,⑷—&,“)『)(7)采用基于k-coherence的離散求解器進行TBN紋理優(yōu)化，其中M步驟用k-coherence搜索進行最相似鄰域查找，k-coherence搜索分為預處理和搜索合成兩個階段；在預處理階段，對于樣圖A，A’中的點p，在A，A’中查找和其最相似的點，并將查找得到的點坐標值存在紋理中；在搜索階段，對B’中的每個點q，從q的鄰域中收集k-coherence候選集c (q),在候選集中查找和q鄰域最相似的點，存在Matchlj中；用CUDA(Compute Unified Device Architecture)架構實現(xiàn)時,Block 的個數(shù)與圖像像素點個數(shù)一致，線程個數(shù)為候選點個數(shù)，一個block的任務是對一個像素點查找最相似點；首先收集k-coherence的候選集存放在塊內(nèi)共享內(nèi)存中，然后每個線程并行地計算一個候選集點和當前點的距離，計算結果也存放于共享內(nèi)存中，當一個block內(nèi)的所有線程都計算得到距離后，從塊內(nèi)共享內(nèi)存中讀取所有點的距離，查找距離最小的最相似點；4. I. 2)根據(jù)Al，A' l,Bl,B/ l，Matck執(zhí)行E步驟，得到優(yōu)化后的新的B' l，具體過程如下E步驟保持目標紋理B，B’中點在樣圖紋理A，A’中的最佳匹配Matctk不變，根據(jù)當前目標紋理和M步驟計算得到的最佳匹配，最小化下一個目標紋理B' L,形式化的表示如下B'l^ argminrieD( )(Etbn); (8)采用離散優(yōu)化的方法逐像素的計算目標紋理值，根據(jù)當前q點在Matctk圖中的鄰域計算平均顏色值，平均顏色值的通道數(shù)與特征選取有關；根據(jù)B’的鄰域建立候選集D(q), D(q)中和平均顏色值最相似的點被設置為B' L(q)的值，實現(xiàn)最小化能量函數(shù)Etbn ;D(q)由k-coherence搜索得到,和步驟4. I. I)采用的方法一樣；另外在每個block中，先計算平均顏色值，然后拿候選點與平均顏色值相比較，得到優(yōu)化后的點坐標；4.2)對B' L超采樣得到K H，具體過程如下對已有的坐標圖B' L超采樣得到& H，在超采樣過程中，將圖像劃分為N塊，每個block處理一個圖像塊，B' ^和紋理內(nèi)存相綁定，每個線程依次執(zhí)行如下操作獲得B' L-! (p)的坐標(u,v),在B' L中取坐標為(u/2,v/2)點的顏色值color,B' (p)點的值即為 color*2+(u% 2，v% 2)。本發(fā)明的技術構思為定義了同時考慮標簽圖和顏色圖的全局能量函數(shù)，利用紋理優(yōu)化框架，迭代優(yōu)化該能量函數(shù)。采用基于k-coherence的離散求解器在GPU上高速實現(xiàn)迭代優(yōu)化。傳統(tǒng)的紋理優(yōu)化框架采用隨機化方法進行初始化，但隨機初始圖的質(zhì)量將影響合成結果和優(yōu)化算法的收斂速度。本發(fā)明引入一個基于chamfer準則和區(qū)域生長的初始化過程，得到一幅與標簽圖B具有大致結構的初始化樣圖，作為全局優(yōu)化算法的輸入，在合成前就對待合成圖放置了位置正確的紋理塊。另外，本發(fā)明針對不同的TBN紋理類型——自然紋理和結構性紋理，選擇不同的特征進行度量。對自然紋理采用鄰域顏色的L2距離度 量。對結構性紋理，首先提取顏色圖A’的特征圖，計算對應的特征距離(feature distance)圖來表示紋理的細節(jié)特征，將其作為結構信息加入到全局優(yōu)化的度量準則中，解決合成圖像中細節(jié)特征丟失的問題。和以往的TBN合成方法相比，本發(fā)明方法速度更快、質(zhì)量更高?？焖俑哔|(zhì)量的基于紋理優(yōu)化的非同質(zhì)圖像合成方法利用圖像金字塔從粗糙層合成精細層，輸入為三張圖一組對應的標簽圖A和顏色圖A’，新的標簽圖B，輸出為合成得到的新顏色圖B’。\，A' L, Bl, Bi L表示對應金字塔的第L層。在合成時，B’為坐標圖。建立索引結構s(q)=p。B’中點q存放的是在A’中查找得到的最匹配點P的坐標值，因此B' (q)=A' (S(q))。首先用基于chamfer準則和區(qū)域生長的方法得到一張初始化樣圖，作為金字塔初始層的值。合成的每一層中依次執(zhí)行超采樣(upsample)和迭代優(yōu)化(correction)二個步驟。超采樣過程獲得更高分辨率的圖像。迭代優(yōu)化采用最大期望值算法(Expectation Maximization, EM)求解全局紋理能量函數(shù),分為M步驟和E步驟。假設P為A, A’中相同坐標位置的一點，q為B, B’中相同坐標位置的一點。M步驟對B, B’中點q在A，A’中找到最相似的點。E步驟計算使全局能量最小的目標紋理值。在優(yōu)化過程中，對金字塔的每一層，先用大鄰域進行優(yōu)化，然后逐漸減小鄰域大小。因此維護一個鄰域窗口金字塔winSizePyr,指定優(yōu)化過程中金字塔每一層的鄰域窗口大小變化。針對不同類型的圖像，選取不同的特征，使合成結果符合人類視覺感知。本發(fā)明的有益效果主要表現(xiàn)在把非同質(zhì)紋理的可控合成問題通過解一個全局優(yōu)化問題來實現(xiàn)，把紋理優(yōu)化框架合成質(zhì)量高的優(yōu)勢結合到TBN合成中。為了給優(yōu)化過程提供好的初始值，引入一個基于chamfer準則和區(qū)域生長的初始化過程，生成一幅與標簽圖B具有大致結構的初始化樣圖，作為全局優(yōu)化算法的輸入，使得在合成前就對待合成圖放置了位置正確的紋理塊，既加快了優(yōu)化算法的收斂速度，又保證了合成質(zhì)量。另外，針對不同類型的TBN圖像——自然圖像和結構性圖像，選取不同的特征，定義相應的全局能量度量準貝U，使合成結果能更好的滿足人類視覺感知。本發(fā)明還設計了針對GPU的快速合成算法，利用CUDA編程模型實現(xiàn)，大大提高了合成速度，使合成趨于實時。與以往的TBN合成方法相t匕，本發(fā)明方法具有更高的合成質(zhì)量及更快的合成效率。該方法的主要優(yōu)點如下
(I)思路新穎。利用紋理優(yōu)化框架進行非同質(zhì)紋理的合成，比以往方法具有更高的合成質(zhì)量。初始圖的加入可以加快算法的收斂速度，保證質(zhì)量。針對不同類型圖像選取不同的特征，定義符合人類視覺感知的全局度量準則，具有較大的創(chuàng)新意義。(2)實現(xiàn)簡單。對于全局紋理優(yōu)化，采用類EM算法進行迭代優(yōu)化求解能量最小值，只需對E步驟和M步驟進行簡單的設計。同時本發(fā)明采用的CUDA編程模型使研究人員使用C語言就可以方便地編寫GPU程序。(3)運行速度快，質(zhì)量高。紋理優(yōu)化是目前紋理合成質(zhì)量最好的算法之一。將該框架用于TBN合成，能大大提高合成質(zhì)量。利用CUDA架構設計的基于離散求解器的快速合成算法，能充分利用GPU的并行性，突破傳統(tǒng)方法的時間限制，使合成圖像速度趨于實時。(4)方便易行。用戶只需提供一張圖像和其對應的紋理分塊圖，當給出一張新的紋理分塊圖時，執(zhí)行算法即能生成新的具有真實感的圖像。
(5)可控性好用戶對算法的控制無法復雜的輸入?yún)?shù)，只需改變紋理分塊圖，即能得到各種不一樣的所期望的結果。


圖I為初始化過程流程圖。圖2為算法執(zhí)行流程圖。
具體實施例方式下面結合附圖對本發(fā)明作進一步描述。參照圖I和圖2，一種基于紋理優(yōu)化的非同質(zhì)圖像合成方法，包括以下步驟I)生成標簽圖A，顏色圖A’，新標簽圖B的高斯金字塔2)設定初始層L，生成初始化樣圖3)對不同類型的圖像定義不同的全局度量準則4)從最粗糙層L開始，對金字塔從粗糙層到精細層循環(huán)做4. I)對該層鄰域窗口金字塔winSizePyr中的每個鄰域大小做4. I. I)根據(jù) Al，A1 L，Bl，B' L 執(zhí)行 M 步驟，得到 MatchL4. I. 2)根據(jù)kL，K' L, Bl, B' L, MatchL執(zhí)行E步驟，得到優(yōu)化后的新的B' L4.2)對B' L超采樣得到B'本算法利用CUDA編程模型加速實現(xiàn)。在CUDA中，任務以block和線程為單位分兩級并行執(zhí)行。各塊間并行執(zhí)行,線程間的計算也獨立地并行執(zhí)行。GPU擁有大容量的顯存(global memory),具有高帶寬訪問延遲的特點。而每個block有共享內(nèi)存(share memory),存儲容量小但訪問速度快。因此算法設計時要合理劃分block和線程，合理分配存儲空間以減少內(nèi)存訪問時間。所述步驟2)中，初始化過程分以下三步(1)生成離散的紋理標簽圖IDA、IDB。
(2)提取邊緣，進行chamfer距離變換，得到距離圖像DA、DB。(3)利用區(qū)域生長法生成初始化樣圖。IDA, IDB為對A，B進行色彩范圍劃分后得到的紋理標簽圖，A，B中具有相似顏色的區(qū)域用同一個標簽(灰度值)來表示，便于計算chamfer距離。Chamfer距離匹配被廣泛應用于形狀匹配中，它能較好地捕獲圖像中的邊緣形狀特征。TBN合成中的標簽圖表示了紋理的大致分塊，可以提取標簽圖的邊緣并利用這些邊緣信息。采用3-4DT方法對IDA，IDB做chamfer距離變換，得到距離圖像DA，DB。距離圖像中每個像素的灰度值表示其與最近邊界像素的距離，可以用于邊緣匹配。定義如下的度量準則d (pA，pB) = w* | | N (pA)皿-N (pB)
IDB I I chamfer+ I I N (Pa) da-N (Pb) db I IL2 (w=90 ) (I)該度量準則根據(jù)離散紋理標簽圖和距離圖像來比較標簽圖A和B的邊緣信息。其中 N(pA)IDA, N(pB)IDB 代表 pA，pB 點在 IDA, IDB 圖中的鄰域。N(pA)DA, N(Pb)db 代表 pA，pB 在DA, DB圖中的鄰域。I I I Iehamfw為鄰域的chamfer距離。| | | | 2為鄰域的L2距離。兩個鄰域Na、Nb間的chamfer距離定義如下I Lmfer = Σ 雜 Li(M) + Σ 雜 li^D( 2 )
peNaqeNbLI (p，q)為兩點的LI距離即曼哈頓距離。鄰域chamfer距離的求法為對鄰域Na中的每個點P，在Nb中找到和它具有相同標簽值的q，且q和P之間的LI距離最小，如果在Nb中找不到和P點具有相同標簽值的點，則LI (p，q)賦值為兩倍的鄰域大小，將所有點的LI距離相加。對Nb中的點q做同樣操作。將兩部分的結果相加?；诠?I)，可以用區(qū)域生長方法在IDA，DA中查找和IDB，DB中pB點邊緣特征最相似的PA點，生成一張和IDB具有相似區(qū)域劃分的初始化樣圖initB。具體過程如下。首先新建initB圖，隨機地在initB圖中選取一個種子點pB進行生長，在各個方向的生長區(qū)域中，當其鄰近點Pb'滿足檢測準則就并入小塊區(qū)域，當新的點被合并后，再用新的區(qū)域重復這一過程。結束條件為(l)d(pB，p^ )〈閾值。(2)initB中所有像素都被處理。PB和PB'點處于同一區(qū)域的判斷條件如下基于公式⑴在IDA、DA中找到和pB最相似的pA點，該區(qū)域的閾值為(d (pA,pB)+5)*1.25。若(KPpPb')的值小于閾值,則Pb和Pb'屬于同一區(qū)域，同時把Pa點坐標賦值給initB圖中pB'點。為了便于在GPU上合成，initB存儲的是對應點的坐標值。根據(jù)A’圖可把initB還原成顏色圖colorlnitB。它既和IDB有類似的紋理分塊，又具有一定的顏色信息，能為紋理優(yōu)化提供較好的初始值。初始化過程流程圖如圖I所示。所述步驟3)中，紋理優(yōu)化算法的核心是能量函數(shù)的定義。TBN圖像合成的目標是使標簽圖A和B盡可能匹配，同時使合成顏色圖B’和原有的A’盡可能接近?？紤]兩者，定義同時度量標簽圖和顏色圖的全局能量函數(shù)
label(p.q) + Σ color(p,g)⑶
g€X+q€X+其中P 為 A, A，中一點，q 為 B, B’ 中一點。label (p, q)和 color(p，q)分別捕獲了標簽圖和顏色圖之間的匹配程度，w為權重，通常取I。X+為B，B’中像素點的一個子集。對于B’中的點q (q e X+)，在樣圖對A，A’中找到最相似點P，使得w*| FA(p)-FB(q) | |2+| Fa,(P)-FB, ω| I2最小，F(xiàn)代表某點的特征，能量函數(shù)Etbn可以進一步表示為eTBN ='W* Y, ||F4(p) - .FJ + Σ ||F4'(p, — & J (4)
9 云-Y"*"q 云 X+TBN圖像大致可分為自然圖像和結構性圖像兩類。針對不同類型的圖像，選取不同的特征F，使合成結果符合人類視覺感知。
對于自然紋理，簡單地采用鄰域顏色的L2距離作為相似性度量準則即能獲得較好的結果，能量函數(shù)定義如下，N表示對應點的鄰域,其中Nb, (q)=NA- (s((j))。
權利要求
1.一種基于紋理優(yōu)化的非同質(zhì)圖像合成方法，其特征在于所述圖像合成方法包括以下步驟 1)生成標簽圖A，顏色圖A’，新標簽圖B的高斯金字塔，Al,A1 l, Bl, B' l表示對應金字塔的第L層； 2)設定初始層L，生成初始化樣圖； 3)對不同類型的圖像定義不同的全局度量準則； 4)從最粗糙層L開始，對金字塔從粗糙層到精細層循環(huán)做 4. I)對該層鄰域窗口金字塔WinSizePyr中的每個鄰域大小做 4. I. I)根據(jù)Al，K' l，Bl，B' L執(zhí)行M步驟，得到Match^具體過程如下 保持目標紋理B，B’不變，根據(jù)特征F對目標紋理B，B’中的點q在樣圖紋理A，A’中找到最佳匹配點V，存在紋理Matctk中，形式化的表示如下 Match>- ^, w(|Fw — %')『+ \FBl w — (、|| ) (7) 采用基于k-coherence的離散求解器進行TBN紋理優(yōu)化,其中M步驟用k_coherence搜索進行最相似鄰域查找，k-coherence搜索分為預處理和搜索合成兩個階段；在預處理階段，對于樣圖A，A’中的點p，在A，A’中查找和其最相似的點，并將查找得到的點坐標值存在紋理中；在搜索階段，對B’中的每個點q，從q的鄰域中收集k-coherence候選集c (q),在候選集中查找和q鄰域最相似的點，存在Matctk中； 用 CUDA (Compute Unified Device Architecture)架構實現(xiàn)時，Block 的個數(shù)與圖像像素點個數(shù)一致，線程個數(shù)為候選點個數(shù)，一個block的任務是對一個像素點查找最相似點；首先收集k-coherence的候選集存放在塊內(nèi)共享內(nèi)存中，然后每個線程并行地計算一個候選集點和當前點的距離，計算結果也存放于共享內(nèi)存中，當一個block內(nèi)的所有線程都計算得到距離后，從塊內(nèi)共享內(nèi)存中讀取所有點的距離，查找距離最小的最相似點； 4.1.2)根據(jù)\，A' l,Bl,B/ ^Matctk執(zhí)行E步驟，得到優(yōu)化后的新的B' ^具體過程如下 E步驟保持目標紋理B，B’中點在樣圖紋理A，A’中的最佳匹配Matctk不變，根據(jù)當前目行漢埋和M步驟計算得到的最佳匹配，最小化下一個目標紋理B' y形式化的表示如下 B - arS(Erav); (8) 采用離散優(yōu)化的方法逐像素的計算目標紋理值，根據(jù)當前q點在Matctk圖中的鄰域計算平均顏色值，平均顏色值的通道數(shù)與特征選取有關；根據(jù)B’的鄰域建立候選集D (q)，D(q)中和平均顏色值最相似的點被設置為B' L(q)的值，實現(xiàn)最小化能量函數(shù)Etbn ；D(q)由k-coherence搜索得到,和步驟4. I. I)采用的方法一樣；另外在每個block中,先計算平均顏色值，然后拿候選點與平均顏色值相比較，得到優(yōu)化后的點坐標； 4.2)對B' ^超采樣得到B' H，具體過程如下 對已有的坐標圖B' ^超采樣得到B' H，在超采樣過程中，將圖像劃分為N塊，每個block處理一個圖像塊，B' ^和紋理內(nèi)存相綁定，每個線程依次執(zhí)行如下操作獲得B' L-! (p)的坐標(u,v),在B' L中取坐標為(u/2,v/2)點的顏色值color,B' (p)點的值即為 color*2+(u% 2，v% 2)。
2.如權利要求I所述的非同質(zhì)圖像合成方法，其特征在于所述步驟2)中，初始化過程分以下三步首先，生成離散的紋理標簽圖IDA、IDB ;接著，提取邊緣，進行chamfer距離變換，得到距離圖像DA、DB ;然后，利用區(qū)域生長法生成初始化樣圖； IDA, IDB為對A，B進行色彩范圍劃分后得到的紋理標簽圖，A，B中具有相似顏色的區(qū)域用同一個標簽來表示，距離圖像中每個像素的灰度值表示其與最近邊界像素的距離，可以用于邊緣匹配；定義如下的度量準則 d (Pa，Pb) =w* I IN (pA) IDA_N (pB) IDB | | chamfer+1 IN (pA) DA_N (pB) DB | | L2 (w=90 )(1) 該度量準則根據(jù)離散紋理標簽圖和距離圖像來比較標簽圖A和B的邊緣信息，其中N (pA)皿，N (pB) idb 代表 pA，pB 點在 IDA, IDB 圖中的鄰域，N (pA) DA，N (pB) DB 代表 pA, pB 在 DA,DB圖中的鄰域，I I I Iehamte為鄰域的chamfer距離，| | | L2為鄰域的L2距離； 兩個鄰域Na、Nb間的chamfer距離定義如下
3.如權利要求I或2所述的非同質(zhì)圖像合成方法，其特征在于所述步驟3)中，定義同時度量標簽圖和顏色圖的全局能量函數(shù)
全文摘要
一種基于紋理優(yōu)化的非同質(zhì)圖像合成方法，所述圖像合成方法包括以下步驟1)生成標簽圖A，顏色圖A'，新標簽圖B的高斯金字塔，AL，A′L，BL，B′L表示對應金字塔的第L層；2)設定初始層L，生成初始化樣圖；3)對不同類型的圖像定義不同的全局度量準則；4)從最粗糙層L開始，對金字塔從粗糙層到精細層循環(huán)做4.1)對該層鄰域窗口金字塔winSizePyr中的每個鄰域大小做4.1.1)根據(jù)AL，A′L，BL，B′L執(zhí)行M步驟，得到MatchL；4.1.2)根據(jù)AL，A′L，BL，B′L，MatchL執(zhí)行E步驟，得到優(yōu)化后的新的B′L；4.2)對B′L超采樣得到B′L-1。本發(fā)明快速性良好、合成質(zhì)量較高、合成效率更快。
文檔編號G06T5/00GK102867290SQ20121030939
公開日2013年1月9日 申請日期2012年8月28日 優(yōu)先權日2012年8月28日
發(fā)明者范菁, 史曉穎, 湯穎, 董天陽 申請人:浙江工業(yè)大學