随着互联网的发展,人们可以通过各种爬虫软件、搜索引擎获取大量的纹理素材。理想的纹理素材能够为艺术家提供丰富的创作灵感,帮助设计师绘制更加真实的场景,辅助医生进行科学诊断,为物体种类识别提供大量的依据等。然而传统的纹理样图获取方式都依赖于大量的人工投入,在采集大量的图像之后,需要具有一定经验的人员进行筛选、裁剪、编辑等操作。随着人工智能时代的到来,让计算机代替人工筛选变得越来越迫切。传统的纹理图像分析方法主要围绕图像的区域特征和信号处理方法。经过几十年的发展,这些分析方法在图像合成、分割和分类等领域都取得了理想的结果。随着人工智能和大数据时代的到来,卷积神经网络也被广泛应用于图像特征分析上。本文分别运用传统纹理分析方法与卷积神经网络特征分析方法进行网络纹理自动获取算法的研究与实现。通过设计与实现网络纹理自动获取系统,让计算机自动从网络上获取海量理想纹理样图,从传统的人工筛选方式中解放大量的劳动力。本文完成的研究工作主要有如下三个方面:首先,对于网络上获取到的图像素材,运用泊松采样方式均匀地从图像素材中截取出待测采样块。对于每一个待测采样块,通过传统纹理分析方法,对纹理图像进行同质性,即区域特征聚类分析,通过统计两块相同大小区域的类别数量而进行区域相似度评估。残缺纹理,小部分非纹理或杂纹理区域可能因为整体区域相似性高而体现出较高的同质性。本文结合残缺纹理的相关分析方法对同质性度量进行重定义,进而筛选出理想的纹理样图。然后,传统的纹理特征分析方法虽然能够从自然图像中自动获取理想纹理样图,但是其单一的特征表示方法不能得到细致的纹理样图种类划分。同时深度学习在网络纹理自动获取上的研究也是个全新的领域。网络纹理自动获取算法的研究与目标识别有一定相关性,但理想纹理图像没有明确的边界,不能用矩形框回归的方式进行准确定位。本文从目标识别中引入选择性搜索算法进行区域采样,使得候选区域更具推荐性。不同于现有公开纹理库的纹理属性分类方法,本文通过对纹理图像的规则性和稀疏性进行分类,进而得到范围更广、更全的纹理分类方法。最后,本文根据前面介绍的两种方法,设计了操作性强的网络纹理样图自动获取系统。通过输入一张网络图像,选择不同算法就能获取到理想的纹理样图。每个样图根据分值从高到低进行排序。同时,为了更直观的展示、更有力的验证本文提出的算法,本文挑选了大量多样纹理图像进行实验。