文摘
人们的精神需求越来越高,纤维艺术是更常见的在人们的生活中。从普通纤维材料工艺品和日用品,有纤维艺术的影子。本文旨在研究二维图像的应用程序的视觉和触觉纤维艺术设计的维度。提出了一种三维模拟的二维图像艺术基于深度学习技术实现的目的也方便的显示和分析特征提取的纤维艺术。为了全面比较算法的性能,本文比较了四类:性能的重建速度,重建点云,reconstructable类别的多样性,和重建的稳定性。实验结果表明,该算法获得的点云的数量提出了远远超过其他两个重建过程,和平均时间是34.4分钟。这也表明,这类算法流程更健壮的服装的多样性。
1。介绍
日益多元化和开放的现代文明,布作为研究对象,和视觉纹理和布的触觉感知特征研究对纤维材料的基本属性,如颜色、质地、纹理和图案。研究人员讨论织物纤维的表达技巧和表达艺术设计和创造现代文明和时代的潮流下,打破了传统面料的设计思维方式。具有重要意义,研究二维图像在纤维艺术中的应用。
对纤维艺术的研究,本文有以下两个创新:(1)第一视角的创新。本文的内容是应用纤维艺术的视觉和触觉。这样一个角度更关注纤维艺术的艺术方面,而不是过多的关注纤维艺术的材料本身。(2)其次是创新方法。本文提出了一种特征提取算法和二维图像的三维重建算法的纤维艺术。这种算法可以将二维图像转换成三维图像,从而更直观地显示了纤维艺术的视觉和触觉的维度。
2。相关工作
对于今天的纤维艺术,许多学者进行了深入的研究,特别是到纤维艺术的创新。弗斯分析数字纤维艺术结合数字化技术和分析越来越多的数码照片的问题与用户不想删除它们(1]。赵和小王介绍了福尔斯得到消息的应用程序识别颜料和染料,分析粘合剂、保存和研究成果和保护环境。他们讨论检测范围、重现性和信号特征的方法和总结福尔斯得到消息的未来发展研究的文物(2]。金和夏认为图像分析和计算机艺术前沿热点领域的可视化应用程序。他们发现的逐步深化,数字技术的应用为代表的人工智能领域的艺术,艺术与数字技术的集成将提供一个更宽广的发展空间和艺术的发展前景3]。刘分析计算机图像识别技术的原理和特点,分析了存在的问题和解决方案,并讨论了计算机智能图像识别技术在各领域中的应用(4]。李等人发现之前提出图像席子算法产生有利的结果可能会失败,因为他们中的大多数集中在相邻像素之间的相似度,而忽视了相应的空间关系。为了解决这个问题,一个结束~结束形象席子框架通过利用深度学习机制和图论提出了(5]。王分析传统手工技艺的发展到现代三维作品,对人们的生活产生积极的影响,例如,纤维艺术在特定产品的应用6]。张引入新的测试方法和典型仪器纤维和纺织品在国内外开发,包括纤维长度、细度、卷曲、热收缩,成熟,不规则,和纤维结构分析和测试;纱线细度、力量、扭曲、毛羽不均匀,缺陷检测;纺织颜色、光泽、抗弯刚度、褶皱、抗皱性、传热传湿,透气性,阻燃性,色牢度,混合比例,和紫外线和辐射防护;、抗静电、抗菌、anti-mite anti-moth-eaten、生态、和安全性能测试。此外,研究讨论了纤维结构分析的相关技术,包括电子显微镜分析、红外光谱分析技术、x射线衍射分析、热分析技术。研究专门提到,计算机图像处理技术广泛应用于纺织行业和特定的应用程序主要包括纤维检测、纺织纱线检测和纺织布料检测(7]。然而,它也可以从相关研究发现许多学者缺乏相应技术支持研究纤维艺术,他们更关心分析艺术的审美意义。
3所示。纤维艺术设计的视觉和触觉
3.1。纤维艺术在中国
“纤维艺术”一词最早出现在美国在1970年代。在中国,人们习惯称之为“染色和纺织艺术”,“编织艺术,”和“织物艺术。“在国外,字如“织锦”(英语)和“纺织”(法国)大多是使用。随着历史的发展,艺术形式以编织为主要技术已经开始一个新的转换和扩展。艺术家开始探索新型纤维材料和制造技术,创造新的作品。
要理解中国纤维艺术的发展历史,我们不得不提到另一个历史悠久的纤维艺术汉语的地毯。在中国,羊毛面料没有出现早在丝绸面料。少数民族生活在古代西北地区是善于利用动物毛旋转成毛线,织毛织物或毯子。早在周朝在中国,有记录的制造和使用感受。羊毛面料在哈密Wubao网站出土,新疆,追溯到2300年前,已经精致。有两种平纹,斜纹编织提花细羊毛织物编织和彩色的线程。在遣隋使、遣唐使,编织的地毯有一个高水平的技能,并在本地挂毯也发达和繁荣。在中国唐代的kesi挂毯是传递给日本。新疆羊毛面料的古墓出土Zhahong卢克Qiemo县包括印刷羊毛面料,画羊毛织物,羊毛片段,丝绸织物碎片,和羊毛织物。敦煌石窟,有大量的地毯图片在唐宋时期的壁画,精湛的工艺,极具观赏性和装饰性。 It can be seen from this that China’s fiber art has a long history of development and is very prosperous. In addition to Chinese silk and carpets, Chinese kesi, embroidery, and other techniques also have a long history. They have developed in all dynasties and generations and are also an important part of the history of Chinese fiber art [8,9]。
随着时代的进步,现代纤维艺术在中国取得了快速发展。在1980年代早期,纺织这一时期的作品主要是挂毯。他们是由传统的聚集过程。作品的设计主要是基于照片和名画的复制品,和目标是现实的,现实的效果。此外,大部分的纤维艺术设计师在这个时期是那些用来从事地毯行业,所以他们仍然主要平面形式。直到1981年春,美国纤维艺术学生来到中央美术学院工业出国留学。通过学习和交流,中国现代纤维艺术的研究和发展开始国际化(10,11]。
在20世纪的艺术趋势的影响,纤维艺术已经属于一个新的现代艺术形式的表达式。传统图书已经难以准确地介绍这一艺术。无论是传统还是现代,这种艺术的决定性因素是纤维材料。作品由纤维属于艺术的范畴。因此合理称之为艺术”纤维艺术。”
3.2。视觉亲和力
视觉是最直接的沟通方式和感知信息。人们用眼睛作为媒介来观察和检查织物。这种形式直观的印象和心理感觉的面料,这是视觉质感的面料。视觉纹理效果的影响因素主要包括织物的外观图案设计,织物的结构和纤维的内部结构元素。面料的外观模式是指附着在织物表面的外观模式通过印刷、刮、喷漆等在面料加工。不同的附件图纸技术和模式不同的颜色,形状,颜色,厚度,密度给观众带来不同的心理感受。例如,“在1990年代,附着在织物的模式主要是印刷。常见的模式是重绘的自然特性,如动物、花卉、风景等。这现实和自然的外观模式是生动的绘画技术下打印。其完整和丰富的模仿再现了自然生态环境的活力和灵活性。”
织物的组织结构是指组织法律交织形成的织物的经纱和纬纱线程根据一定的规则。织物系统的组件,编织技术,纱形状、织物的纱线质地、光泽等将影响到织物的视觉艺术效果。例如,在平纹布,经纱和纬纱交替编织(如图1)。它形成一个密集的安排的经纬纱线,平纹布下的织物是点状组成表面从视觉的角度来看。织物的表面是光滑和有规律的,风格是僵硬的。如果使用了深色的纱线,织物的光泽和视觉感知平纹布方法下细度不高。光与暗的光线下,织物表面的不均匀将一个三维的感觉和空间层次结构。
3.3。触觉质感
布,材质是布的联系。人体表面皮肤是中风布作为交换媒介来使用,和人体之间的相互接触和摩擦表面纹理和布表面纹理。里面感觉纤维成分和组织结构的布触觉神经。这引起了直观的心理感觉一触即发的织物,形成直观印象的织物纹理的效果。这是进一步深化布的艺术观念,进一步呈现艺术吸引力。
织物的纹理是一个重要的自然属性和独特的审美形式的织物,织物构成的独特艺术魅力。不同的面料有不同材质的触觉,和纹理效果和心理感受触摸也是不同的。一般来说,面料光滑的表面纹理,没有明显的突然材质摸起来光滑的感觉。例如,条纹纹理表面的布料摸起来会有一种流动性和规律性。的棉布是柔软而微妙的触觉,丝绸是光和摸起来光滑,这将带来摸起来柔软和舒适。他们触摸者感到宁静的自然快乐,和平,宁静,通常用于夏季凉爽的棉被或亲密的服装设计。虽然与粗糙表面纹理和沉重的羊毛织物纹理缺乏联系,它可以带来温暖和满足。例如,肿块表面将一触即发横生,和不规则。灯光映射下,会有明显的空间层次和方向性。大麻织物质量很轻,但有粗糙表面,可以感动时刺痛。 It has a poor affinity with the skin and is mainly used to design clothing for hot seasons. The cloth mainly made of animal fur has a rough surface texture and touch, but it can give people a warm feeling and spiritual comfort like hugging and soothing pets.
因此,织物的质地不仅是内部纤维元素的组合,也是“人性化的情感特征。“现代人在选择面料时,不仅考虑视觉亲和力,也感知织物的纹理给联系。他们寻找合适的面料,满足现代人的追求纹理和符合现代人的心理情绪。
4所示。基于二维图像特征提取的纤维艺术
4.1。特征检测与提取
运动结构恢复过程的第一步是特征提取,提取和特征匹配在后续步骤中需要使用和推理的深度和摄像机的位置。本文所需的特征提取算法可以尽可能不变的缩放和旋转,以及照明和相机的角度。它维护的稳定性和一致性特征点在不同视角。尺度不变特征变换的匹配算法(12)是最广泛使用和传播特性匹配算法。它是用于大多数运动恢复结构组件。
筛选算法被用来在不同的尺度空间找到关键点,和图像的尺度空间可以通过高斯模糊的图像。本文将这一过程定义为函数 ,可获得的原始图像卷积 用高斯滤波器 ,如以下公式所示:
二维过滤表达式 定义如下:
稳定的特征点来执行的有效检测端点检测的差异由相邻构造高斯尺度空间差异与图像高斯卷积后(13]。空间因素不同的尺度不同k次,金字塔的微分公式表示如下:
高斯金字塔的构成如图2。金字塔有多个组(八度),每组有多个层。多层鳞片的一组是不同的;也就是说,参数是不同的。两层之间的尺度相差一个比例因子k(14]。如果每组包含年代层,有以下公式之间的关系:
当参数的值规模翻倍,图像2是downsampled 2倍作为下一组的最下的形象。
为了找到狗的极端点尺度空间,每个点的狗比较周围8分和9分上下两层。只有最大值或最小值的点27分的15)将被视为一个特征点,如图3。
在图中,X代表当前点,蓝色的云代表周围的点。
区别金字塔构造根据前面的步骤可以搜索当地极端点的离散空间。所谓的离散空间指的是由抽样结果从一个三维的连续空间。极端点搜索在离散空间可能不是最终的极点。它还需要过滤搜索特征点在随后的步骤和消除点不符合约束(16]。选择特征点后,可以执行适当的滤波处理以适应附近的数据找到位置,规模、主曲率,等等。这一步可以过滤掉与低对比度特征点和不稳定的边缘响应。这个过程的实现进行泰勒级数展开对原高斯差异,如以下公式所示:
的在(6)代表样本点的偏移量。自x是一个极端点 ,推导上述公式,让它的导数是0,并得到以下公式:
然后它将获得的泰勒展开式获得以下公式:
它设置对比阈值T,通常是0.5。如果 ,保留特征点;否则,它就被消除了。
筛选算法强烈反应图像边缘地区。因此,消除这些特征点在图像的边缘也需要提高算法的稳定性。主曲率的边缘梯度方向远远大于主曲率沿边缘方向,这可以被看作是一个劣质的特征点,这也是一个点,摘要必须删除17]。的候选特征点与二阶海赛矩阵可以简单计算H,因为海赛矩阵的特征值与主曲率成正比 。H定义如下:
其中, , ,和得到从相应的候选点附近的位置不同,分别。本文并不关心特征值的特定的值只侧重于特征值的比值。
在 , 和代表特征值在不同的方向。特征值的总和可以表示为矩阵的跟踪(18]。产品的特征值可以表示为矩阵的行列式的值,所以有以下的关系公式:
其中,矩阵的迹,矩阵的行列式。特征值在不同的方向是相等的,这个公式的数值结果是最小的,有正相关的比率(19]。因此,只有通过以下公式来判断,它可以得出主曲率是否小于阈值 。
如果(11)成立,这意味着主曲率大于阈值,即上面提到的劣质特征点。这一系列的过滤后,本文从不同的角度可以得到相同的特征点。现在,本文可以恢复场景的三维信息通过特征点匹配多个视图。这里应该指出,筛选算法找到特征点并不是唯一的方法。
筛选算法也分配特征点的缩放和旋转。它使用尺度空间图像的梯度大小和方向特性所在地来确定相关参数。这些值被用于后续的特征描述符的计算。这是有利于本文计算对应的特性在不同的图像20.]。
为了确保旋转矢量的旋转不变性,原来需要旋转坐标轴在特征点。在定义旋转角大小θ,新图像像素点的坐标可以表示形式的矩阵乘法,如以下公式所示:
当坐标轴旋转是与特征点的主方向一致,它以特征点为中心的窗口长度8像素,左边的图所示4。窗口的中心代表了关键的位置,和每个方块都代表一个像素指定规模的社区空间。广场的箭头代表像素梯度的方向,和长度表示像素的梯度的大小。然后执行一个像素梯度加权操作通过高斯滤波,最后一个正方形的长度4像素可计入一个梯度直方图的8个维度。计算每个维度的累积值后,种子点可以形成8个方向,是显示在右边的图4。以这种方式获得的结果结合特征点周围的像素的信息。它可以有效地提高算法的抗噪声能力和更健壮的匹配对定位错误。
本文前面匹配阶段发现常见的点对应的图像对。然而,本文不能保证3 d对应点的匹配对发现真实的场景,也有可能是离群值。有必要找到一个几何变换,可以映射足够常见的点在两幅图像。如果存在这样一个几何变换,这两个图像被认为是几何验证。这意味着这些点的几何场景中也需要有这两个图形之间的一一对应。根据空间信息获取的图像,可以使用不同的方法来描述它们之间的几何关系。单应性变换可以用来描述两个摄像机的图像之间的变换,获得平坦的场景。其对极几何用于表示存在于同一空间点之间的几何关系,不同的相机位置,预测摄像机的图像平面上。图5展示了空间点之间的空间关系和投影平面。点代表一个点在三维空间中,和代表相机的光学中心的位置在不同的拍摄角度,和和被称为纵向线条。基本矩阵E是一个3×3包含对极几何尺寸的矩阵。如果相机内部参数标定,对极几何允许摄像机的运动被描述的基本矩阵E,之间的关系两个纵向的双目图像。基本矩阵解决如下。
R和T代表了旋转矩阵和翻译的摄像机矩阵来 ,分别。它定义了一个斜对称矩阵,如以下公式:
在图5向量,和代表各自的相机坐标系的位置,和关系如下公式所示:
相乘的左右(16)收益率以下公式:
它通常定义公式(18)作为基本矩阵,导致以下公式:
由于功能通讯功能匹配阶段总是包含异常值,有必要使用稳健估计方法筛选特征点在几何验证,如随机样本的共识。这个阶段的输出是指场景图,此图的节点代表图像。图的边缘连接图像对几何验证。
4.2。特征提取的影响
为了获得更好的3 d模型重建效果,本文比较了三种主流的重建算法的基准。运动结构的三种方法恢复和多视点重建VisualSFM + pmv, COLMAP + OpenMVS OpenMVG + OpenMVS,如表所示1。
如表所示2,为了全面比较算法的性能,本文比较了四个表演的重建速度,重建点云数,reconstructable类别多样性,和重建的稳定性。本文选择四种不同的衣服在这个实验中,模型和60图像被均匀。本文使用的图像输入模式结合不同的重建过程比较重建的效果。
统计结果的密集点云在图的数量6,包括四种类型的服装,结果OpenMVG + OpenMVS重建进程的最大数量的点云。其中,无论重建进程,纯黑的点云重建长袖远远低于其他三种类型的衣服。结合上面的重建效果的分析,对纯色服装或服装缺乏纹理信息,使用二维图像重建三维模型更容易丢失的点云模型的问题。休闲西装,虽然颜色是单一的,衣服是粗糙的表面比黑色的长袖。有很多粗糙的纤维附着在其表面,哪个更有利于找到特征点。这意味着服装与丰富的纹理或颜色信息重建三维模型更适合这样的衣服。仔细观察图中的数据6显示,休闲套装,有不同数量的点云重建获得的三个过程。然而,点云的数量可以达到数百万的顺序,差距并不明显。然而,当重建服装类型以更少的纹理信息,如运动夹克或条纹t恤,OpenMVG + OpenMVS获得的点云的数量远远超过其他两个的重建过程。这也表明,这类算法流程更健壮的服装的多样性。
在这个实验中使用的硬件处理器配置为英特尔酷睿i5 - 6600 k。图7表明,重建时间的增加的趋势与点云的数量是一致的。为了探索各种重建过程的重建效率,本文运用统计数据重建的时间花在每个百万点云各种服装模型,然后比较了平均值。计算表明,重建进程OpenMVG + OpenMVS需要平均34.4分钟一百万点云重建,这是三者中最短的。探索重建稳定性能,在这个实验中,各种各样的实验重复三次,和重建时间几乎是一样的点云重建效果。这表明没有显著差异的重建过程的重建稳定三个,他们都是相对稳定的,并分别给出的数据结果不再。
5。纤维艺术设计的发展与创新
5.1。伪3 d显示技术基于2 d图像
显示纤维艺术以其二维图像缺乏真实性。产品只能从一个固定的角度观察,和用户之间的交互艺术设计无法实现。使用2 d图像建立三维模型可以有效地弥补这些缺点。但这种方法有许多步骤从拍摄到三维重建。这不能满足快速部署的要求,更适合离线建模应用程序场景。
基于图像的产品显示照片流已经被学者研究早在十年前。这种方法是基于对象显示和旋转360度的对象。根据不同的精度,需要多个图像,通过图像分析和处理和添加交互功能,实现商品的伪三维显示效果。事实上,如果《阿凡达》在这张照片流可以替换用户的《阿凡达》,拟合效果会更接近用户的真实的照片流效应。针对这一点,本节首先介绍了服装展示的实现基于照片流。然后,它描述了如何实现个性化的显示人体穿着的“交换”的技术。
在这个实验中,一个移动设备是用于收集目标图像,所以本文首先捕获的图像导入电脑,然后使用GraphCut去除图像的背景。只保留了人体模特穿衣服和调整细节,如颜色和光线来避免贫穷显示效果在拍摄由于光线的变化。这种展示方法可以很容易地嵌入到HTML文件,实现与用户的交互。具体的实现过程如图8。
5.2。培训和转换分析
通常,在这样的编码和解码过程,神经网络训练,以减少预测值和真实值之间的误差。这导致权重矩阵满足转换需求,培训的过程如图所示9。
与传统神经网络的评价指标不同,“转换”任务不能简单地使用损失值的大小来确定模型的质量。因此,它是常见的定义编码器,编码器B分别损失。的值都代表了网络采样输入图像。细节如下,功能和分别代表了编码器和译码器;x是图像编码器的输入;和h是中间向量通过编码器。代表输出解码得到的h作为输入,autoencoder损失的定义是不同的之间的输入x的模型和输出。的计算公式如下:
转换任务,模型需要恢复图像B从矢量编码的图像答:因为没有所谓的真实的标签,这个实验不能定义一个数值损失转换结果是多好。它只能判断模型的质量培训,不断观察转换的效果。也就是说,它是判断模型是否已经学会有效的体重矩阵通过观察值。图10在培训过程中损失曲线显示这个实验。可以看出,当迭代的数量超过20000,损失函数的值没有显著下降。在这一点上,梯度下降已基本停止,这意味着训练可以终止。
在大量的实验基础上,mini-batch用于训练终于设置为64。最初的学习速率设置为0.001,和学习速率将衰减到10%的学习速率本身每10时代。
6。结论
艺术的设计创新,纤维艺术也是如此。今天,随着网络技术的发展,纤维艺术设计的创新也应该结合时代的技术。纤维艺术从当前的研究背景,提出本文的研究意义,从视觉和触觉纤维艺术的维度。之后,全面分析纤维艺术的视觉和触觉的维度。此外,一个相关的特征选择算法基于纤维艺术的设计,并证明了算法的有效性。最后,对纤维艺术设计展,显示二维图像提出了一个三维的模拟。实验结果表明,本文的算法是有效的。然而,在研究还有改进的余地;即纤维艺术可以分为不同时期的艺术,结果会更普遍。
数据可用性
数据可以通过联系合理要求下的通讯作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是由2021年辽宁省教育部基础科学研究项目(青年项目)、“可回收+ Cocreation模型,研究低碳经济的实现School-Enterprise联合创建纤维艺术设计(没有。LJKQR2021033)。