基于卷积神经网络(CNN)的VGG-19(Visual Geometry Group)模型,研究了卷积神经网络对输入纹理进行卷积时,输入纹理特征图的边缘信息对生成自然纹理效果的影响。在使用卷积神经网络的VGG对输入图像进行卷积时,为了防止过拟合现象,采用平均池化的方式对特征图进行处理,在一定程度上保护了特征图的边缘信息,相对采用最大池化处理特征图取得了更好的生成效果。同时,提取各层特征图的边缘信息并将其叠加到特征图中,能很好地保留纹理图像的边缘结构信息。实验结果表明,改进后的方法能取得较为理想的纹理生成效果。

EL99，texture synthesis by non-parametric sampling,为记事本文件，但是思想都有，稍加修改即可。。

matlab图片灰色化代码纹理合成器 这是Efros-Leung算法的Matlab实现，用于通过非参数采样进行纹理合成。 有关该算法的详细信息，请参见。 用法 以下是如何使用synthesize_texture函数的示例（来自synthesize_texture_test.m ）： input_image = im2double(imread( ' 161.png ' )); output_image = synthesize_texture(input_image, 256 , 256 , 9 ); imwrite(output_image, ' result.png ' ); synthesize_texture的参数如下： function output_image = synthesize_texture ( input_image , output_rows , output_cols , window_size ) 输入项 input_image ：包含要合成的纹理样本的图像 output_rows ：合成图像中所需的行数 output_cols ：合成图像中所需的列数 w

matlab说话代码可控金字塔 适用于MATLAB的可控金字塔生成器，可视化器和纹理合成器 我为我的MSc创建了此代码。 我需要了解油藏图像数据处理的论文，以了解Portilla等人提出的工作流程是如何工作的。 尽管Portilla的原始代码（请参见此处：）运行良好，但要完全理解构建可操纵金字塔，表征纹理并进行合成的不同过程中的每个步骤非常困难，因为几乎没有注释或可理解的变量名被使用。编码。 我研究了几周的代码，并独自实现了所有流程。 我评论了所有步骤，并尝试尽可能多地引用原始文件。 因此，如果有人希望/需要了解这段代码的工作原理，那将稍微容易一些。 我从头开始实现了所有功能，并且仅使用Portilla的原始代码之一（扩展功能）。 我还包括了另一个函数（“ dispPyramid”），该函数以更友好的方式显示可操纵的金字塔（给人以真实金字塔的印象），因此，如果您需要在任何纸质或作品中显示金字塔，则可以简单地使用此功能几乎是开箱即用的。 我已经使用相同的输入图像和相同的初始条件（开始出现白噪声）测试了我的代码和Portilla的原始代码，并且它们提供了完全相同的结果（我检查了每个值的此值

卷积神经网络的纹理合成 Tensorflow实现的论文-“使用卷积神经网络进行纹理合成” 在此笔记本中，我们将基于给定的纹理生成新的纹理。 输出将从刮擦噪声图像生成。 该过程的步骤如下。 同样，创建笔记本是为了便于自学。 步骤1：预处理输入图像 步骤2：计算输入图像所有图层的输出。 步骤3：什么是损失函数，并计算损失函数。 步骤4：运行Tensorflow模型以最小化损耗并优化输入噪声变量。 步骤5：后期处理并显示图像。 第6步：自动化处理流程 步骤7：绘制成功结果。 结果： 档案： helper.py-用于预处理图像和后处理图像 tf_helper.py-用于计算给定纹理样本图像

基于卷积神经网络的肺表面纹理合成.pdf

Javier Portilla和Eero Simoncelli提出的纹理合成和分析算法,Matlab实现

为了避免网格重建过程，提高大量三维采样数据的快速重新处理速度，提出一种有效的三维纹理合成算法该算法为点模型上每一点建立邻域关系，并在点模型上建立方向场，将初始化纹理值作为基础纹理;建立模型上的点与样图的映射关系，并依次在样图中为点模型上每一点选取合适的纹理值；用点的预测方法，完成纹理合成实验结果表明，该算法能在三维模型上生成平滑连续的纹理，算法纹理合成质量更好。

数字纹理框架（TBN）通过直观的用户控制来合成全局变化模式的图像。 以前的TBN合成方法难以同时获得高质量的合成结果和效率。 提出了一种基于纹理优化的快速TBN合成方法，该方法利用全局优化来解决可控的非均匀纹理合成问题。 我们的算法通过将纹理优化结合到TBN框架中并进行了两项改进，从而产生了高质量的合成结果。 采用初始化过程生成全局优化算法的初始输出，从而加快了算法的收敛速度，提高了合成质量。 除了用于度量图像相似性的距离度量标准还专门针对不同图像设计，以更好地匹配人类视觉对结构模式的感知，并进行了用户研究，以验证度量标准的有效性。 为了进一步提高合成速度，该算法完全在基于CUDA架构的GPU上实现。 优化的TBN方法不仅适用于传统的TBN应用，而且还适用于图像绘画和基于纹理的流可视化等各种视觉应用。 实验结果表明，与其他现有技术的合成方法相比，我们的方法能够以更高的效率合成更高质量或相当质量的图像。

基于流式风格化绘画的视频纹理合成