基于卷积神经网络的纹理识别算法（含代码）

提取图片纹理特征，再用分类器分类，提取图片纹理特征的方法是卷积神经网络，分类器是soft max分类器

卷积神经网络－高级篇.pdf

传统的目标检测任务主要通过人工提取特征模型建立，常用的特征包括：HOG、SIFT、Haar等，特征提取模型之后进行支持向量机或者Adaboost的分类任务，进而得到我们所关注的目标结果。由于特征模型的局限性，我们引入卷积特征，也就是经过卷积神经网络得到的特征信息，包括浅层信息和深层信息，浅层信息指的是：前级的卷积层得到的特征图，感受野更加关注的是图像细节纹理等特征。深层信息包括：后级的卷积层卷积得到的特征图信息，在语义语境方面更加抽象的高层信息。人工神经网络是根据大脑神经突触联接的结构进行信息处理的数学模型，视觉模拟系统通过稀疏编码的方式组合成为合理并且高效的图像处理系统。

卷积神经网络－目标探测

传统的目标检测任务主要通过人工提取特征模型建立，常用的特征包括：HOG、SIFT、Haar等，特征提取模型之后进行支持向量机或者Adaboost的分类任务，进而得到我们所关注的目标结果。由于特征模型的局限性，我们引入卷积特征，也就是经过卷积神经网络得到的特征信息，包括浅层信息和深层信息，浅层信息指的是：前级的卷积层得到的特征图，感受野更加关注的是图像细节纹理等特征。深层信息包括：后级的卷积层卷积得到的特征图信息，在语义语境方面更加抽象的高层信息。人工神经网络是根据大脑神经突触联接的结构进行信息处理的数学模型，视觉模拟系统通过稀疏编码的方式组合成为合理并且高效的图像处理系统

ISO 4287:1997/AMD 1:2009 几何产品规格(GPS)--表面纹理：剖面方法 - 术语、定义和表面纹理参数 - 修订案1：峰值计数

完整英文版ISO 4287:1997/AMD 1:2009 Geometrical Product Specifications (GPS) — Surface texture: Profile method — Terms, definitions and surface texture parameters — Amendment 1: Peak count number（表面纹理：剖面方法 - 术语、定义和表面纹理参数 - 修订案1：峰值计数）。

改进的基于卷积神经网络的图像超分辨率算法

针对现有的基于卷积神经网络的图像超分辨率算法参数较多、计算量较大、训练时间较长、图像纹理模糊等 问题，结合现有的图像分类网络模型和视觉识别算法对其提出了改进。在原有的三层卷积神经网络中，调整卷积 核大小，减少参数；加入池化层，降低维度，减少计算复杂度；提高学习率和输入子块的尺寸，减少训练消耗的时间； 扩大图像训练库，使训练库提供的特征更加广泛和全面。实验结果表明，改进算法生成的网络模型取得了更佳的 超分辨率结果，主观视觉效果和客观评价指标明显改善，图像清晰度和边缘锐度明显提高。

论文研究-卷积神经网络在车牌分类器中的应用.pdf

传统的基于边缘、颜色、纹理及机器学习等方法进行的车牌定位，需要对车牌图像进行复杂的特征提取，不但训练过程容易造成过拟合或者维数灾难，而且识别结果也易受光照、道路环境及图像质量等因素的影响，虽然漏识别率低，但误识别率高。针对车牌分类问题，利用深度学习中的卷积神经网络，避免了传统模式分类算法在前期对图像复杂的预处理，降低了设计提取特征算法时对丰富经验的依赖。综合对比了BP神经网络、支持向量机、卷积神经网络三种算法，实验结果表明，卷积神经网络在车牌分类中具有较好的表现，识别率高达98.25%，也证明了深度学习在智能交通领域具有较大的应用前景。

论文研究-改进LeNet-5网络在图像分类中的应用.pdf

LeNet-5卷积神经网络（CNN）虽然在手写数字识别上取得很好的分类效果，但在具有复杂纹理特征的数据集上分类精度不高。为提高网络在复杂纹理特征图像上分类的正确率，提出一种改进的LeNet-5网络结构。引入跨连思想，充分利用网络提取的低层次特征；把Inception V1模块嵌入LeNet-5卷积神经网络，提取图像的多尺度特征；输出层使用softmax函数对图像进行分类。在Cifar-10和Fashion MNIST数据集上进行的实验结果表明，改进的卷积神经网络在复杂纹理特征数据集上具有很好的分类能力。

OpenGl教学视频

12 如何提高自我学习能力.flv 61.3M2017-09-16 11:30 11 阴影.flv 64.9M2017-09-16 11:30 10 照相机.flv 98.6M2017-09-16 11:30 09 3维移动.flv 118.9M2017-09-16 11:30 08 纹理.flv 94.8M2017-09-16 11:30 07 着色器.flv 51M2017-09-16 11:30 06 网格.flv 7.7M2017-09-16 11:30 05 渲染管道.flv 81.9M2017-09-16 11:30 04 创建OpenGL窗口.flv 51M2017-09-16

基于类卷积神经网络的可见光虹膜识别方法.pdf

基于类卷积神经网络的可见光虹膜识别方法.pdf,针对应用于智能移动设备的虹膜识别系统在可见光采集条件下虹膜图像受干扰严重使得识别率正确率降低和算法鲁棒性变差的问题，提出一种类卷积神经网络结合局部特征提取的虹膜识别方法。首先，采用暗通道图像去雾算法对归一化虹膜图像进行增强处理以减弱光干扰；然后，利用类卷积神经网络对图像进行降维，获得虹膜的二值化纹理信息；再经分块处理方法提取降维图像各区域局部虹膜纹理信息以构建特征向量；最后用欧氏距离分类器进行匹配识别。为验证算法性能，采用MICHE I虹膜图库中由iPhone5拍摄所得的30人240张（每人4张室内和4张室外）虹膜图像进行测试，并与Gabor变换

Python-实现使用GAN进行纹理合成的代码

实现使用GAN进行纹理合成的代码

纹理指标 单片空间后方交会[C#]2007-10-16 来自：Gier.Lu [收藏到我的网摘] 原要求用C++或C,本程序采C#编写。编写过程中参考了一些网友的文章，在此表示感谢。本人才疏学浅，所写程序还有诸多不足,热烈欢迎各位批评指证。

计算纹理指标单片空间后方交会[C#]2007-10-16 来自：Gier.Lu [收藏到我的网摘] 原要求用C++或C,本程序采C#编写。编写过程中参考了一些网友的文章，在此表示感谢。本人才疏学浅，所写程序还有诸多不足,热烈欢迎各位批评指证。

TextureSynthesis：来自示例的纹理合成-源码

这些算法是： 和以及全邻域搜索算法可能是可以想到的最简单的纹理合成算法。 和K相干邻域搜索从合成到分析部分都需要计算量，因此更适合于合成大纹理。 再合成算法是尺度不变的，快速的，支持约束的，并且几乎不会产生完全不令人满意的结果。 请注意，我的实现并不完全符合原始论文。 在YouTube上观看PF Harrison算法的视频演示： : 。 Guilherme Rossato编写了。

基于多通道稀疏卷积神经网络的行人检测算法

针对传统卷积神经网络(CNN)的输入是原始图像，冗余信息多，对局部边缘和纹理的刻画不明显的问题，提出了一种基于多通道输入的稀疏卷积神经网络(MCS — CNN)检测算法。将图像方向梯度直方图(HOG)特征构成的 HOG 特征图和色差(YUV)颜色空间组成 3 个通道，通过卷积层提取特征，并采用稀疏自动编码器稀疏化;使用 Softmax 分类器进行行人检测。模型充分利用图像的像素级特征，同时还融合HOG 对于行人轮廓显著描述的优点。实验结果表明:与 CNN，HOG 结合支持向量机(HOG — SVM)检测算法相比，MCS — CNN 模型检测准确度和检测速度均明显提高。

react-native-gl-model-view：:television:以60fps的速度显示和动画带纹理的Wavefront .OBJ 3D模型-GLView（iOS）和jPCT-AE（Android）的固有桥梁-源码

react-native-gl-model-view 用于<ModelView>组件，使您可以显示和设置任何Wavefront .OBJ 3D对象的动画。 通过与iOS的的本机桥接和对于Android的的本机桥接实现。 主要特点： 显示，旋转，缩放和平移带纹理的3D模型！ 通过使用本机驱动程序以高达60 fps的速度进行 支持和GLEssentials模型格式（iOS） 支持 ， ， ， 和GLEssentials模型格式（Android） 支持支持的所有纹理图像格式 入门 由于React Native 0.60及更高版本，自动链接使安装过程更加简单。 $ yarn add

论文研究-基于多层特征融合可调监督函数卷积神经网络的人脸性别识别.pdf

为了进一步提高性别识别的准确率，提出了一种基于多层特征融合与可调监督函数机制结合的卷积神经网络（L-MFCNN）模型，并将之用于人脸性别识别。与传统卷积神经网络（CNN）不同，L-MFCNN将多个浅层中间卷积层特征输出与最后卷积层特征输出相结合，融合多层卷积层的特征，不仅利用了深层卷积的整体语义信息，还考虑了浅层卷积的细节局部纹理信息，使得性别识别更加准确。此外L-MFCNN还引入具有可调目标监督函数机制的large-margin softmax loss作为输出层，利用其调节不同的间隔（margin）的机制来有效引导深层卷积网络学习，使得同种性别间的类内间距更小，不同性别间的类间距更大，获得更好的性别识别效果。在多个人脸数据集上的性别识别实验结果表明，L-MFCNN的识别准确率要高于其他传统的卷积网络模型。L-MFCNN模型也为将来的人脸性别识别研究提供了新的思路与方向。

论文研究-基于纹理合成和视觉显著度的视频编码方法.pdf

针对现有基于纹理分析合成的视频编码方法难以对纹理实现自动分割的问题，提出基于纹理合成和视觉显著度的视频编码方法，将编码可移除的纹理宏块定义为宏块内图像信息包含在周围宏块中的宏块，被移除宏块移除后，能够使用周围宏块信息进行重建，同时，为了保证重建图像的主观质量，对视觉显著的图像区域，强制地不被标记为纹理移除块。在解码端，采用了全局运动补偿和纹理优化的组合方式对纹理移除宏块进行重建，以确保连续帧之间的纹理时空一致性。与H.264/AVC编码方法相比，在相同主观质量的情况下，本编码方法能够降低码率5%到20%，与Njiki-Nya Patrick等人提出的基于纹理分析合成的编码方法相比，本编码方法不但能够实现自动的纹理提取，在低码率端，编码效率提高一倍以上。

基于卷积神经网络和边缘检测的自然纹理合成算法

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。

纹理合成论文报告

How to better achieve non-stationary texture synthesis. Extending an image of a smaller object in nature to obtain a larger image, and retaining the overall structure and texture of the original image more completely in the generated image, the visual effect is basically the same as the original image. No more synthetic traces are visible.

基于样图的纹理合成技术研究

本文首先介绍基于样图的纹理合成技术的国内外研究现状，对TSFS的基本 模型、原理和经典算法进行了详细地介绍和讨论。在此基础上，本文对TSFS技 术中若干关键问题展开了深入的研究