一種基于隨機(jī)采樣的貼片圖像自動(dòng)生成算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種圖像自動(dòng)生成的方法，具體是一種基于因子圖、局部對(duì)稱(chēng)性 和隨機(jī)采樣的圖像生成優(yōu)化方法。
【背景技術(shù)】
[0002] 在許多國(guó)家的文化中都存在通過(guò)重復(fù)排列一些顏色相對(duì)較為單調(diào)的圖案而產(chǎn)生 的藝術(shù)作品。例如中國(guó)古代的木質(zhì)窗戶(hù)、屋梁雕花、絲綢布匹，印第安人傳統(tǒng)的陶器、籃筐， 都包含有大量重復(fù)的圖案，這些圖案數(shù)量較少但是形狀及樣式相對(duì)較為規(guī)則。馬賽克、刺花 和其他的一些視覺(jué)類(lèi)藝術(shù)品都具有這個(gè)共同的特點(diǎn)?，F(xiàn)在，可以選擇一些新的方法通過(guò)重 新排列較少離散的圖案塊來(lái)生成更有用處的設(shè)計(jì)。例如在窗戶(hù)和門(mén)等建筑元素都可以通過(guò) 這種方法來(lái)進(jìn)行建模并進(jìn)行排列重建。在虛擬世界中這種基于網(wǎng)格的圖案設(shè)計(jì)往往更加流 行，應(yīng)為這樣在保證較好的視覺(jué)效果的同時(shí)可以使虛擬世界環(huán)境包含相應(yīng)的語(yǔ)義，例如比 較著名的沙盒游戲《我的世界》即采用這種設(shè)計(jì)。
[0003] 對(duì)于這種通過(guò)貼片拼合生成新設(shè)計(jì)的方法，有較多相關(guān)研宄。如：Cohen等人在 2003年發(fā)表的論文Wang tiles for image and texture generation使用掃描線算法來(lái)進(jìn) 行非周期性圖案的生成。Bokeloh等人在2010年發(fā)表的論文Aconnection between partial symmetry and inverse procedural modeling通過(guò)輸入的模型推導(dǎo)出對(duì)稱(chēng)規(guī)則并提出制 定有效形狀文法的困難。Merrell在2007年發(fā)表的論文Example-based model synthesis 描述了通過(guò)解析輸入樣本而生成新模型的方法。
[0004] YEH 等人在 2013 發(fā)表于 SIGGRAPH 的論文 Synthesis of Tiled Patterns using Factor Graphs中提出一種通過(guò)使用因子圖作為概率圖模型對(duì)圖案進(jìn)行建模的方法。使用 因子分別表示貼片之間的不可松弛邏輯約束以及可松弛的統(tǒng)計(jì)關(guān)系。同時(shí)YEH根據(jù)MC-SAT 采樣算法的原理，提出了一種稱(chēng)為BlockSS的針對(duì)因子圖和小規(guī)模樣本輸入的隨機(jī)采樣方 式，這種隨機(jī)采樣方法的復(fù)雜度對(duì)輸入的貼片呈線性增長(zhǎng)，具有較好的尺度擴(kuò)展性。然而這 一方法存在單一方向采樣匹配不可回溯的問(wèn)題，容易陷入局部最優(yōu)解，對(duì)于較為復(fù)雜的設(shè) 計(jì)需求極易產(chǎn)生算法不收斂的情況。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問(wèn)題就是針對(duì)現(xiàn)有方法存在的上述不足，提供了一種基于 隨機(jī)采樣的貼片圖像自動(dòng)生成算法，
[0006] 為解決上述技術(shù)問(wèn)題，本發(fā)明采用如下技術(shù)方案：一種基于隨機(jī)采樣的貼片圖像 自動(dòng)生成算法，包括如下步驟：
[0007] 第一步，讀入設(shè)計(jì)樣本序列，對(duì)樣本進(jìn)行解析，提取兩類(lèi)信息，第一類(lèi)為符合因子 形狀的可松弛及不可松弛約束條件，根據(jù)統(tǒng)計(jì)的因子計(jì)算因子的概率分布函數(shù)，第二類(lèi)為 樣本輸入中的各種區(qū)塊信息；
[0008] 第二步，根據(jù)因子的概率分布函數(shù)及切片采樣方法隨機(jī)生成一組輔助變量；
[0009] 第三步，進(jìn)行大量隨機(jī)采樣，形成新的設(shè)計(jì)方案；
[0010] 第四步，對(duì)設(shè)計(jì)方案計(jì)算KL散度和局部對(duì)稱(chēng)性參數(shù)，并根據(jù)設(shè)計(jì)方案的滿(mǎn)足度調(diào) 整參數(shù)，判斷是否為局部最優(yōu)解或全局最優(yōu)解，有限步重復(fù)第二、三、四步生成多個(gè)設(shè)計(jì)方 案；
[0011] 第五步，根據(jù)KL散度、局部相似性和滿(mǎn)足度對(duì)產(chǎn)生的設(shè)計(jì)方案進(jìn)行排序，選出最 佳結(jié)果。
[0012] 優(yōu)選的，第一步中，由因子圖形成的概率圖模型將概率模型表達(dá)成以下形式：
【主權(quán)項(xiàng)】
1. 一種基于隨機(jī)采樣的貼片圖像自動(dòng)生成算法，其特征在于包括如下步驟： 第一步，讀入設(shè)計(jì)樣本序列，對(duì)樣本進(jìn)行解析，提取兩類(lèi)信息，第一類(lèi)為符合因子形狀 的可松弛及不可松弛約束條件，根據(jù)統(tǒng)計(jì)的因子計(jì)算因子的概率分布函數(shù)，第二類(lèi)為樣本 輸入中的各種區(qū)塊信息； 第二步，根據(jù)因子的概率分布函數(shù)及切片采樣方法隨機(jī)生成一組輔助變量； 第三步，進(jìn)行大量隨機(jī)采樣，形成新的設(shè)計(jì)方案； 第四步，對(duì)設(shè)計(jì)方案計(jì)算KL散度和局部對(duì)稱(chēng)性參數(shù)，并根據(jù)設(shè)計(jì)方案的滿(mǎn)足度調(diào)整參 數(shù)，判斷是否為局部最優(yōu)解或全局最優(yōu)解，有限步重復(fù)第二、三、四步生成多個(gè)設(shè)計(jì)方案； 第五步，根據(jù)KL散度、局部相似性和滿(mǎn)足度對(duì)產(chǎn)生的設(shè)計(jì)方案進(jìn)行排序，選出最佳結(jié) 果。
2. 根據(jù)權(quán)利要求1所述的一種基于隨機(jī)采樣的貼片圖像自動(dòng)生成算法，其特征在于： 第一步中，由因子圖形成的概率圖模型將概率模型表達(dá)成以下形式：
其中x為設(shè)計(jì)方案，Z為歸一化系數(shù)，為因子函數(shù)，dy為局部鄰接關(guān)系，s為因子 形狀，i為銷(xiāo)點(diǎn)位置。
3. 根據(jù)權(quán)利要求1所述的一種基于隨機(jī)采樣的貼片圖像自動(dòng)生成算法，其特征在于： 在第二步中，根據(jù)隨機(jī)生成的設(shè)計(jì)樣本，通過(guò)均勻分布uSj~U[0,巾u(ds，p]在每個(gè)因子上 生成一個(gè)隨機(jī)變量。
4. 根據(jù)權(quán)利要求1所述的一種基于隨機(jī)采樣的貼片圖像自動(dòng)生成算法，其特征在于： KL散度的計(jì)算方法表示為：
概率分布P、Q分別表示輸入樣本和生成設(shè)計(jì)方案的貼片頻率直方圖，計(jì)算方法為：
其中2s表示針對(duì)因子形狀s的所有因子集合，F(xiàn)(〇表示某個(gè)因子在當(dāng)前設(shè)計(jì)中出現(xiàn) 的次數(shù)； 局部對(duì)稱(chēng)性首先計(jì)算出任意兩個(gè)貼片之間的對(duì)稱(chēng)程度，然后窮舉設(shè)計(jì)方案中的所有矩 形區(qū)域，根據(jù)貼片間對(duì)稱(chēng)關(guān)系判斷其是否對(duì)稱(chēng)，最后計(jì)算出對(duì)稱(chēng)參數(shù)。
5. 根據(jù)權(quán)利要求1所述的一種基于隨機(jī)采樣的貼片圖像自動(dòng)生成算法，其特征在于： 第五步中，首先對(duì)KL散度和局部對(duì)稱(chēng)性參數(shù)進(jìn)行標(biāo)準(zhǔn)化融合獲得排序因子：排序因子= [(KL散度-E(KL散度））/Var(KL散度）]* [(對(duì)稱(chēng)性參數(shù)-E(對(duì)稱(chēng)性參數(shù)））/Var(對(duì)稱(chēng)性 參數(shù)）];然后依據(jù)滿(mǎn)足度對(duì)方案排序，對(duì)于滿(mǎn)足度相同的方案再依據(jù)排序因子進(jìn)行排序， 獲得最終方案排序和最佳結(jié)果。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于隨機(jī)采樣的貼片圖像自動(dòng)生成算法，將原始單純的采樣過(guò)程看做一個(gè)優(yōu)化過(guò)程，將設(shè)計(jì)方案的不滿(mǎn)足度，即不滿(mǎn)足隨機(jī)采樣條件的因子個(gè)數(shù)，作為優(yōu)化目標(biāo)，將每一次隨機(jī)采樣產(chǎn)生的設(shè)計(jì)作為待優(yōu)化變量。如此整個(gè)采樣過(guò)程便可視為通過(guò)搜索合適的設(shè)計(jì)方案使得不滿(mǎn)足條件的因子個(gè)數(shù)最小的最優(yōu)化問(wèn)題。同時(shí)該方法改進(jìn)了原始的采樣算法，使得采樣匹配可一階回溯，一定程度上減少了陷入局部最優(yōu)的可能性。本發(fā)明還在該算法基礎(chǔ)上提出了一種局部相似性參數(shù)，通過(guò)該參數(shù)與KL散度結(jié)合將采樣結(jié)果進(jìn)行排序，在最優(yōu)解中選出更具有實(shí)際參考意義的結(jié)果。
【IPC分類(lèi)】G06T11-00, G06F17-50
【公開(kāi)號(hào)】CN104778311
【申請(qǐng)?zhí)枴緾N201510139851
【發(fā)明人】盛斌, 周旭楚, 張?jiān)角? 王偉鋒, 蔣斌
【申請(qǐng)人】浙江慧谷信息技術(shù)有限公司
【公開(kāi)日】2015年7月15日
【申請(qǐng)日】2015年3月27日