随着大数据和人工智能的发展,人们可以通过网络搜索引擎、爬虫软件和纹理数据集获取大量的纹理样图素材。理想的纹理样图能够为艺术家提供丰富的创作灵感,为三维物体表面贴上栩栩如生的纹理材质,为纹理合成提供高质量的输入纹理样图等。然而,传统的纹理样图获取方式大多依赖人工的拍摄、裁剪和挑选,需要消耗大量的人力物力,同时也需要具备纹理相关的知识,这使得让计算机代替人工提取纹理样图的需求变得越来越迫切。大多数对纹理的研究集中于纹理特征分析、纹理合成、纹理分类、纹理分割和纹理映射等,较少关注如何去获取纹理。给定一张图片,如何从图中提取出合适的纹理样图是本文关注的重点,纹理样图表现为图中被截取的部分矩形区域,具有平稳性和局部性的纹理图像性质。本文运用目标检测相关技术可以将此类问题分为三个步骤,从而实现任意给定一张图片,就能自动从中提取出理想的纹理样图。这三个步骤包括从图中找出潜在的纹理候选区域、对这些候选区域进行纹理特征分析以及根据评分排序规则得出纹理样图分数。基于以上三个步骤,本文提出了两种纹理样图提取算法,分别是基于选择性搜索和纹理特征网络的纹理样图自动提取算法、基于区域候选网络和宽度学习的纹理样图自动提取算法。对于第一种方法,选择性搜索目标检测算法基于手工设计的图像特征,根据图像结构生成一系列子区域,通过计算相邻子区域的相似性,逐步合并最相似的区域。对比于穷举搜索,此方法能较快找到合适的纹理候选区域。这些候选区域有可能包含有缺陷的部分,需通过缺陷纹理过滤算法以排除这些含有杂质的纹理。此外,本文定义了一个基于纹理基元结构的理想纹理数据集,为卷积神经网络的纹理特征分析提供了训练数据。相比较于其它纹理分类网络,本文的纹理特征网络参数量较少,准确率有所提高。最后,根据分类网络得到的纹理样图准确度,综合考虑纹理样图的大小比例和纹理的分布性来确定最终的纹理样图排序结果。第二种方法调整了前两个步骤的顺序,先分析纹理特征再进行候选区域的获取。先通过特征金字塔网络提取出整张图片的特征,而不是上述方法分别对每个区域提取纹理特征,因为相邻的候选区域有很多重叠部分,对全图一次性提取减少了计算成本。然后运用区域候选网络从特征图上检测出潜在的纹理候选区域,相比较于选择性搜索算法手工设计的特征,区域候选网络从大量纹理数据集训练得到的特征有更好的鲁棒性,并且利用GPU的并行计算,提高了检测效率。最后,宽度学习分类算法不同于深度学习的训练算法,可以动态逐步更新网络权重。