CN119810227A - 一种基于元胞自动机的纹样自动生成方法及其系统 - Google Patents

Abstract

本发明公开了一种基于元胞自动机的纹样自动生成方法及其系统，采集现有纹样，将现有纹样划分为最小纹样单元，针对所有最小纹样单元进行整理分类得到不同的基础纹样；对每个基础纹样进行基因编码标注，获取基因序列，将所有的基因序列集合后形成基因库；设置初始时刻t₀下每个细胞的细胞存活状态；根据t_q‑1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态；选定任意时刻下的细胞存活状态，从基因库中调取基因序列并对其进行解码得到对应的基础纹样，并将基础纹样根据选定的细胞存活状态填充至单元格内，形成新的纹样。

Description

一种基于元胞自动机的纹样自动生成方法及其系统

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于元胞自动机的纹样自动生成方法。

背景技术

传统纹样蕴含着丰富的文化内涵与强大的艺术创造力。进入到数智时代，计算机生成技术的迅速发展为传统纹样的创新与发展提供新机遇。

在现有的纹样生成方法中，多采用机器学习的方式对现有纹样进行风格学习从而通过平移复制等方式来生成规则性较强新的图案，具有一定局限性，难以得到复杂且更具随机性的纹样；

另外，在现有的技术研究中易忽略其纹样独特文化内涵与风格特性，过多关注于结构层面，导致纹样传承过程中文化属性的削弱。

发明内容

有鉴于此，本发明提供了一种基于元胞自动机的纹样自动生成方法，用以至少解决现有技术中难以生成复杂且更具随机性纹样的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于元胞自动机的纹样自动生成方法，包括以下步骤：

S1.采集现有纹样，自现有纹样构形中提取最小纹样单元，根据图元、构图和色彩三个维度针对所有最小纹样单元进行整理分类得到不同的基础纹样；

S2.对每个基础纹样分别进行基因编码标注，获取每个基础纹样对应的基因序列，将所有的基因序列集合后形成基因库；

S3.对待生成纹样画布进行网格划分，将所划分出的每个单元格作为一个细胞，设置初始时刻t₀下每个细胞的细胞存活状态；根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态；其中，细胞存活状态包括：若当前细胞存活则表示当前单元格内填充有纹样，若当前细胞死亡则表示当前单元格内不填充纹样；q＝1,2,3……f，f为预设自动生成时间段内时刻的个数；

S4.选定任意时刻下的细胞存活状态，从基因库中调取基因序列并对其进行解码得到对应的基础纹样，并将解码后所得到的基础纹样根据S3选定的细胞存活状态填充至单元格内，形成新的纹样。

优选的，S1中，采集到现有纹样后对质量差或是重复的纹样进行剔除，并对剩余的现有纹样进行构图分析，划分出最小纹样单元。

优选的，S3中根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态的具体内容包括：

在每个3*3网格中，分别进行以下步骤：

获取初始时刻t₀下每个细胞的细胞存活状态C_ij，并将存活状态的细胞记为1，死亡状态的细胞记为0；其中i为细胞所在行数，j为细胞所在列数；

分别获取每个细胞周围其他细胞的存活和死亡状态记数的总量，根据以下规则获取下一时刻的细胞存活概率：

(1)若当前细胞存活，且其周围的存活状态细胞为2个或3个，则当前细胞在下一时刻仍然存活的概率为90％，死亡的概率为10％；

(2)若当前细胞存活，且其周围存活状态细胞少于2个或超过3个，则当前细胞在下一时刻仍然存活的概率为5％，死亡的概率为95％；

(3)若当前细胞死亡，且其周围的生存状态细胞为3个，则当前细胞在下一时刻仍然存活的概率为90％，死亡的概率为10％；

根据细胞存活概率结合随机数随机更新下一时刻的细胞存活状态。

优选的，还包括风格迁移，具体内容包括：

将S2中构成的基因库作为训练样本导入风格迁移模型中完成样本画风和色彩的学习；

将S4中自动生成的纹样输入至训练后的风格迁移模型中，生成风格迁移后的纹样。

优选的，风格迁移的具体内容包括：

通过优化总损失函数来最小化目标生成图像与待迁移风格图像之间的差异，从而实现风格迁移；

其中，总损失函数为：

L_total＝α_m,nL_content+(1-α_m,n)L_style+γL_tv

其中，α_m,n、(1-α_m,n)和γ分别是内容损失函数、风格损失函数和平滑度损失函数的权重系数；D_m,n为像素点(m，n)处的复杂度；

通过内容损失函数来保持图像内容不变：

其中，是目标生成图像在卷积神经网络第l层中(m，n)处的激活值，是待迁移风格图像在卷积神经网络第l层中(m，n)处的激活值；

风格损失函数为：

其中，表示Frobenius范数，w_k为卷积神经网络第l层的风格损失权重，用于平衡不同层的风格迁移效果，用于平衡不同区域的风格迁移效果，为目标生成图像在卷积神经网络第l层的格拉姆矩阵，为待迁移风格图像在卷积神经网络第l层的格拉姆矩阵；

其中通过格拉姆矩阵捕获待迁移风格图像的风格信息，格拉姆矩阵为：

其中，表示第l层第m行第n列个像素点的格拉姆矩阵，和分别是第l层的激活值；格拉姆矩阵通过计算给定层内所有特征图之间的内积，捕获图像的风格信息；

通过平滑度损失函数来优化图像的平滑度：

其中，x_m,n为像素点(m，n)处的像素值。

一种基于元胞自动机的纹样自动生成系统，包括：数据处理模块、基因库构建模块、细胞更新模块和纹样填充模块；

数据处理模块，用于采集现有纹样，自现有纹样构形中提取最小纹样单元，根据图元、构图和色彩三个维度针对所有最小纹样单元进行整理分类得到不同的基础纹样；

基因库构建模块，用于对每个基础纹样分别进行基因编码标注，获取每个基础纹样对应的基因序列，将所有的基因序列集合后形成基因库；

细胞更新模块，用于对待生成纹样画布进行网格划分，将所划分出的每个单元格作为一个细胞，设置初始时刻t₀下每个细胞的细胞存活状态；根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态；其中，细胞存活状态包括：若当前细胞存活则表示当前单元格内填充有纹样，若当前细胞死亡则表示当前单元格内不填充纹样；q＝1,2,3……f，f为预设自动生成时间段内时刻的个数；

纹样填充模块，用于选定任意时刻下的细胞存活状态，从基因库中调取基因序列并对其进行解码得到对应的基础纹样，并将解码后所得到的基础纹样根据选定的细胞存活状态填充至单元格内，形成新的纹样。

优选的，还包括风格迁移模块；

风格迁移模块，用于将基因库构建模块构成的基因库作为训练样本导入风格迁移模型中完成样本画风和色彩的学习；将纹样填充模块中自动生成的纹样输入至训练后的风格迁移模型中，生成风格迁移后的纹样。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于元胞自动机的纹样自动生成方法，具有以下有益效果：

本发明基于元胞自动机技术提供了一种自动生成纹样的方法，通过设定的局部规则，如一个细胞的生死状态取决于其周围细胞的状态，模拟出复杂且具有形式美的图案生成过程，为纹样在构图中的分布提供了一种可控而又存在随机性的生成方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明公开的一种基于元胞自动机的纹样自动生成方法的流程图；

图2为本发明实施例公开的任意时刻下每个细胞的细胞存活状态；

图3为本发明实施例公开的根据元胞自动机概率性更新机制得到下一时刻每个细胞的细胞存活状态；

图4为本发明实施例公开的基础纹样填充后形成的图样；

图5为本发明实施例公开的基础纹样填充后形成的图样；

图6为本发明实施例公开的增加单个基础纹样后形成的图样。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种基于元胞自动机的纹样自动生成方法，如图1所示，包括以下步骤：

S1.采集现有纹样，自现有纹样构形中提取最小纹样单元，根据图元、构图和色彩三个维度针对所有最小纹样单元进行整理分类得到不同的基础纹样；

S2.对每个基础纹样分别进行基因编码标注，获取每个基础纹样对应的基因序列，将所有的基因序列集合后形成基因库；

S3.对待生成纹样画布进行网格划分，将所划分出的每个单元格作为一个细胞，设置初始时刻t₀下每个细胞的细胞存活状态；根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态；其中，细胞存活状态包括：若当前细胞存活则表示当前单元格内填充有纹样，若当前细胞死亡则表示当前单元格内不填充纹样；q＝1,2,3……f，f为预设自动生成时间段内时刻的个数；

S4.选定任意时刻下的细胞存活状态，从基因库中调取基因序列并对其进行解码得到对应的基础纹样，并将解码后所得到的基础纹样根据S3选定的细胞存活状态填充至单元格内，形成新的纹样。

需要说明的是：

在本实施例中，以瑶族传统图案作为现有纹样构形，进而自动生成以瑶族纹样为基础的新纹样。

对瑶族传统图案和符号进行详细的分类和分析后，从瑶族传统图案中提取最小纹样单元，从图元、构图和色彩三个维度分别分析各最小纹样单元，将其中存在的错误、重复或质量低下的纹样进行剔除，得到应用性高的基础纹样，并对基础纹样进行分类；

在本实施例中，将基础纹样归纳为条状和圆形两大主要类别。条状纹样主要包括直线、波浪线、Z形线等，用于表达自然界的山水、云雾等元素；圆形纹样则主要包括完整圆形、半圆形、点状等，象征着太阳、月亮、星星等天体。

由于计算机图像生成领域对于纹样数据的格式要求较为严格，因此对基础纹样进行基因处理为矢量图格式，以满足计算机系统生成格式需求，保证纹样基因能够被生成算法有效识别和重组处理，即对每个基础纹样分别进行基因编码标注，使每个基础纹样分别对应一组基因序列，获取每个基础纹样对应的基因序列即可对应生成相应的基础纹样。

本实施例利用元胞自动机(CellularAutomata,CA)理论来生成纹样位置空间，通过设定简单的局部规则，如一个细胞的生死状态取决于其周围细胞的状态，可以模拟出复杂的图案生成过程。这一步骤为纹样在图案中的分布提供了一种可控而又具有一定随机性的方法。

元胞自动机是一种数学模型，用于模拟复杂系统的动态行为。它由一组细胞组成，这些细胞根据一系列规则在离散的时间步长内更新自己的状态。最著名的元胞自动机例子是康威的“生命游戏”，它展示了如何从简单的规则中产生复杂的模式。

在基于元胞自动机的纹样位置空间生成纹样位置空间之后，根据之前的分组逻辑，将不同类别的基础纹样加载到指定的位置。这一过程本实施例考虑纹样间的相互作用和整体图案的和谐性，确保最终图案的美观和意义的完整传达。在实际的应用过程中，可以根据需要设置初始纹样位置空间，也即初始时刻t₀下每个细胞的细胞存活状态，细胞则开始根据其初始的存活状态以及通过元胞自动机概率性更新机制进行随机变化，暂停变化后则可以得到随机生成的纹样位置空间。

为了进一步实施上述技术方案，S1中，采集到现有纹样后对质量差或是重复的纹样进行剔除，并对剩余的现有纹样进行构图分析，划分出最小纹样单元。

为了进一步实施上述技术方案，S3中根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态的具体内容包括：

在每个3*3网格中，分别进行以下步骤：

获取初始时刻t₀下每个细胞的细胞存活状态C_ij，并将存活状态的细胞记为1，死亡状态的细胞记为0；其中i为细胞所在行数，j为细胞所在列数；

分别获取每个细胞周围其他细胞的存活和死亡状态记数的总量，根据以下规则获取下一时刻的细胞存活概率：

(1)若当前细胞存活，且其周围的存活状态细胞为2个或3个，则当前细胞在下一时刻仍然存活的概率为90％，死亡的概率为10％；

(2)若当前细胞存活，且其周围存活状态细胞少于2个或超过3个，则当前细胞在下一时刻仍然存活的概率为5％，死亡的概率为95％；

(3)若当前细胞死亡，且其周围的生存状态细胞为3个，则当前细胞在下一时刻仍然存活的概率为90％，死亡的概率为10％；

根据细胞存活概率结合随机数随机更新下一时刻的细胞存活状态。

需要说明的是：

在原有的经典元胞自动机规则的基础上，本发明加入了概率因素，使细胞的生死状态不再是确定性的，而是根据一定的概率进行随机更新，这种增强模型将使生成的纹样更加不可预测且具有随机性，同时保留一定的控制性。

在本实施例中，设置任意时刻下每个细胞的细胞存活状态如图2所示，其中任意时刻下每个细胞的细胞存活状态的设置方式是在上文所提到的“繁而不乱”、“动感韵律”和“节奏有序”三个预设构图模式下进行的，在每个模式下分别预设有多种符合其风格的基础构图方式，即细胞存活状态。

根据元胞自动机概率性更新机制得到下一时刻每个细胞的细胞存活状态如图3所示，根据图3所示的细胞存活状态，选择不同的基础纹样填充至存活的细胞中，如图4或图5所示，图中每个细胞中的基础纹样可以进行单独调整方向、删除或增加，如图6所示。

为了进一步实施上述技术方案，还包括风格迁移，具体内容包括：

将S2中构成的基因库作为训练样本导入风格迁移模型中完成样本画风和色彩的学习；

将S4中自动生成的纹样输入至训练后的风格迁移模型中，生成风格迁移后的纹样。

本实施例中采用了迁移风格的方法，将瑶族传统服饰和工艺品中的色彩风格迁移到图案设计中。通过分析瑶族文化的色彩使用习惯，选择能够表达特定情感色彩的颜色方案，使得设计的图案既保留了瑶族文化的传统特色，又适应了现代审美需求。本实施例采用了画风迁移技术，通过对卷积神经网络的改进和优化，实现了瑶族色彩风格到现代图案设计的迁移。首先，通过分析瑶族文化的色彩使用习惯，本实施例选择了能够表达特定情感和文化特征的色彩方案作为目标风格。随后，参考了开源项目(NeuralStyle)，该项目通过优化一个损失函数来最小化内容图像与风格图像之间的差异，从而实现风格迁移。本实施例对该项目进行了必要的修改和优化，以适应瑶族风格纹样的特点。

为了进一步实施上述技术方案，风格迁移的具体内容包括：

通过优化总损失函数来最小化目标生成图像与待迁移风格图像之间的差异，从而实现风格迁移；

其中，总损失函数为：

L_total＝α_m,nL_content+(1-α_m,n)L_style+γL_tv

其中，α_m,n、(1-α_m,n)和γ分别是内容损失函数、风格损失函数和平滑度损失函数的权重系数；D_m,n为像素点(m，n)处的复杂度；

通过内容损失函数来保持图像内容不变：

其中，是目标生成图像在卷积神经网络第l层中(m，n)处的激活值，是待迁移风格图像在卷积神经网络第l层中(m，n)处的激活值；

风格损失函数为：

其中，表示Frobenius范数，w_k为卷积神经网络第l层的风格损失权重，用于平衡不同层的风格迁移效果，用于平衡不同区域的风格迁移效果，为目标生成图像在卷积神经网络第l层的格拉姆矩阵，为待迁移风格图像在卷积神经网络第l层的格拉姆矩阵；

其中通过格拉姆矩阵捕获待迁移风格图像的风格信息，格拉姆矩阵为：

其中，表示第l层第m行第n列个像素点的格拉姆矩阵，和分别是第l层的激活值；格拉姆矩阵通过计算给定层内所有特征图之间的内积，捕获图像的风格信息；

通过平滑度损失函数来优化图像的平滑度：

其中，x_m,n为像素点(m，n)处的像素值。

一种基于元胞自动机的纹样自动生成系统，包括：数据处理模块、基因库构建模块、细胞更新模块和纹样填充模块；

数据处理模块，用于采集现有纹样，自现有纹样构形中提取最小纹样单元，根据图元、构图和色彩三个维度针对所有最小纹样单元进行整理分类得到不同的基础纹样；

基因库构建模块，用于对每个基础纹样分别进行基因编码标注，获取每个基础纹样对应的基因序列，将所有的基因序列集合后形成基因库；

细胞更新模块，用于对待生成纹样画布进行网格划分，将所划分出的每个单元格作为一个细胞，设置初始时刻t₀下每个细胞的细胞存活状态；根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态；其中，细胞存活状态包括：若当前细胞存活则表示当前单元格内填充有纹样，若当前细胞死亡则表示当前单元格内不填充纹样；q＝1,2,3……f，f为预设自动生成时间段内时刻的个数；

纹样填充模块，用于选定任意时刻下的细胞存活状态，从基因库中调取基因序列并对其进行解码得到对应的基础纹样，并将解码后所得到的基础纹样根据选定的细胞存活状态填充至单元格内，形成新的纹样。

为了进一步实施上述技术方案，还包括风格迁移模块；

风格迁移模块，用于将基因库构建模块构成的基因库作为训练样本导入风格迁移模型中完成样本画风和色彩的学习；将纹样填充模块中自动生成的纹样输入至训练后的风格迁移模型中，生成风格迁移后的纹样。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于元胞自动机的纹样自动生成方法，其特征在于，包括以下步骤：

S1.采集现有纹样，自现有纹样构形中提取最小纹样单元，根据图元、构图和色彩三个维度针对所有最小纹样单元进行整理分类得到不同的基础纹样；

S2.对每个基础纹样分别进行基因编码标注，获取每个基础纹样对应的基因序列，将所有的基因序列集合后形成基因库；

S3.对待生成纹样画布进行网格划分，将所划分出的每个单元格作为一个细胞，设置初始时刻t₀下每个细胞的细胞存活状态；根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态；其中，细胞存活状态包括：若当前细胞存活则表示当前单元格内填充有纹样，若当前细胞死亡则表示当前单元格内不填充纹样；q＝1,2,3……f，f为预设自动生成时间段内时刻的个数；

S4.选定任意时刻下的细胞存活状态，从基因库中调取基因序列并对其进行解码得到对应的基础纹样，并将解码后所得到的基础纹样根据S3选定的细胞存活状态填充至单元格内，形成新的纹样。

2.根据权利要求1所述的一种基于元胞自动机的纹样自动生成方法，其特征在于，S1中，采集到现有纹样后对质量差或是重复的纹样进行剔除，并对剩余的现有纹样进行构图分析，划分出最小纹样单元。

3.根据权利要求1所述的一种基于元胞自动机的纹样自动生成方法，其特征在于，S3中根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态的具体内容包括：

在每个3*3网格中，分别进行以下步骤：

获取初始时刻t₀下每个细胞的细胞存活状态C_ij，并将存活状态的细胞记为1，死亡状态的细胞记为0；其中i为细胞所在行数，j为细胞所在列数；

分别获取每个细胞周围其他细胞的存活和死亡状态记数的总量，根据以下规则获取下一时刻的细胞存活概率：

(1)若当前细胞存活，且其周围的存活状态细胞为2个或3个，则当前细胞在下一时刻仍然存活的概率为90％，死亡的概率为10％；

(2)若当前细胞存活，且其周围存活状态细胞少于2个或超过3个，则当前细胞在下一时刻仍然存活的概率为5％，死亡的概率为95％；

(3)若当前细胞死亡，且其周围的生存状态细胞为3个，则当前细胞在下一时刻仍然存活的概率为90％，死亡的概率为10％；

根据细胞存活概率结合随机数随机更新下一时刻的细胞存活状态。

4.根据权利要求1所述的一种基于元胞自动机的纹样自动生成方法，其特征在于，还包括风格迁移，具体内容包括：

将S2中构成的基因库作为训练样本导入风格迁移模型中完成样本画风和色彩的学习；

将S4中自动生成的纹样输入至训练后的风格迁移模型中，生成风格迁移后的纹样。

5.根据权利要求4所述的一种基于元胞自动机的纹样自动生成方法，其特征在于，风格迁移的具体内容包括：

通过优化总损失函数来最小化目标生成图像与待迁移风格图像之间的差异，从而实现风格迁移；

其中，总损失函数为：

L_total＝α_m,nL_content+(1-α_m,n)L_style+γL_tv

其中，α_m,n、(1-α_m,n)和γ分别是内容损失函数、风格损失函数和平滑度损失函数的权重系数；D_m,n为像素点(m，n)处的复杂度；

通过内容损失函数来保持图像内容不变：

其中，是目标生成图像在卷积神经网络第l层中(m，n)处的激活值，是待迁移风格图像在卷积神经网络第l层中(m，n)处的激活值；

风格损失函数为：

其中，表示Frobenius范数，w_k为卷积神经网络第l层的风格损失权重，用于平衡不同层的风格迁移效果，用于平衡不同区域的风格迁移效果，为目标生成图像在卷积神经网络第l层的格拉姆矩阵，为待迁移风格图像在卷积神经网络第l层的格拉姆矩阵；

其中通过格拉姆矩阵捕获待迁移风格图像的风格信息，格拉姆矩阵为：

其中，表示第l层第m行第n列个像素点的格拉姆矩阵，和分别是第l层的激活值；格拉姆矩阵通过计算给定层内所有特征图之间的内积，捕获图像的风格信息；

通过平滑度损失函数来优化图像的平滑度：

其中，x_m,n为像素点(m，n)处的像素值。

6.一种基于元胞自动机的纹样自动生成系统，基于权利要求1-5任意一项所述的一种基于元胞自动机的纹样自动生成方法，其特征在于，包括：数据处理模块、基因库构建模块、细胞更新模块和纹样填充模块；

数据处理模块，用于采集现有纹样，自现有纹样构形中提取最小纹样单元，根据图元、构图和色彩三个维度针对所有最小纹样单元进行整理分类得到不同的基础纹样；

基因库构建模块，用于对每个基础纹样分别进行基因编码标注，获取每个基础纹样对应的基因序列，将所有的基因序列集合后形成基因库；

细胞更新模块，用于对待生成纹样画布进行网格划分，将所划分出的每个单元格作为一个细胞，设置初始时刻t₀下每个细胞的细胞存活状态；根据t_q-1时刻下的细胞存活状态结合元胞自动机概率性更新机制自动更新t_q时刻下的细胞存活概率，根据细胞存活概率随机生成细胞存活状态；其中，细胞存活状态包括：若当前细胞存活则表示当前单元格内填充有纹样，若当前细胞死亡则表示当前单元格内不填充纹样；q＝1,2,3……f，f为预设自动生成时间段内时刻的个数；

纹样填充模块，用于选定任意时刻下的细胞存活状态，从基因库中调取基因序列并对其进行解码得到对应的基础纹样，并将解码后所得到的基础纹样根据选定的细胞存活状态填充至单元格内，形成新的纹样。

7.根据权利要求4所述的一种基于元胞自动机的纹样自动生成系统，其特征在于，还包括风格迁移模块；

风格迁移模块，用于将基因库构建模块构成的基因库作为训练样本导入风格迁移模型中完成样本画风和色彩的学习；将纹样填充模块中自动生成的纹样输入至训练后的风格迁移模型中，生成风格迁移后的纹样。