The invention discloses a method of image based on light illumination, which belongs to the field of computer graphics. In order to achieve the least possible sample as accurately as possible relighting, repeated in the sample image and the image pixel two spatial quantitative random sampling, and trained by artificial neural network, until all the pixels of the training accuracy to the set threshold. Considering that the artificial neural network has the minimum sample requirement in training, the training algorithm of ensemble learning is used to deal with the problem when the training samples are insufficient. The present invention is tested in the 3D scene simulation results show that compared with the existing technology, not only the training time less robust; the relative error in the same precision, smaller sample image relighting the required speed, good real-time reconstruction of scene images with higher PSNR.
【技术实现步骤摘要】
本专利技术涉及一种基于图像的重光照方法,属于机器学习与图形学领域。
技术介绍
基于图像的重光照(Image-basedRelighting,IBR),也称基于图像的绘制(Image-basedRendering),其目的是从捕获的图像出发,计算获得光传输矩阵并绘制出新的光源条件下的场景图像。它的最大优势是无需场景的几何信息,渲染不受场景复杂度影响,并且也能表现反射、折射、散射等各种光照效果。因此,IBR自提出以来,立刻成为图形学领域关注的焦点。IBR往往需要通过密集采样获取图像样本,大大增加了工作强度和存储空间。能否利用机器学习方法,通过小样本的采样,尽可能准确的实现基于图像的重光照,是亟需解决的问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于图像的重光照方法。通过图像样本逐渐增加、像素空间随机采样、三层神经网络进行训练以及Bagging集成学习思想的综合运用,从而实现了小样本、高精度的重光照效果。本专利技术为解决上述技术问题采用以下技术方案:本专利技术提供一种基于图像的重光照方法,其特征在于,包括以下具体步骤:步骤1:采集一组三维场景数据,包括点光源的LigX、LigY坐标及其对应的在固定视点输出的图像集ImageSet,计算得到图像集ImageSet在R、G、B三个通道的平均值ImgAvg_R、ImgAvg_G、ImgAvg_B;步骤2:在图像集ImageSet中随机采样,构成图像样本数为ImageNum的图像子集ImageSubset;步骤3:在图像子集ImageSubset的像素空间中随机采样,获取人工神经网络的训练样本集,具体为:( ...
【技术保护点】
一种基于图像的重光照方法,其特征在于,包括以下具体步骤:步骤1:采集一组三维场景数据,包括点光源的LigX、LigY坐标及其对应的在固定视点输出的图像集ImageSet,计算得到图像集ImageSet在R、G、B三个通道的平均值ImgAvg_R、ImgAvg_G、ImgAvg_B;步骤2:在图像集ImageSet中随机采样,构成图像样本数为ImageNum的图像子集ImageSubset;步骤3:在图像子集ImageSubset的像素空间中随机采样,获取人工神经网络的训练样本集,具体为:(1)在图像子集ImageSubset的像素空间中随机采样,构成像素点集,其中,采样数为PixNum,像素点的坐标为[Px,Py];(2)训练样本集包括分别对应人工神经网络的输入和输出的两个部分,其中,输入部分包括Px、Py、LigX、LigY、ImgAvg_R、ImgAvg_G、ImgAvg_B,输出部分为[LigX,LigY]与[Px,Py]相应处的图像RGB值;步骤4:利用步骤3的训练样本集对人工神经网络进行训练,训练完成后,将相对平方误差小于等于预设第一阈值δ1的像素点标记为该训练完成的人工神经 ...
【技术特征摘要】
1.一种基于图像的重光照方法,其特征在于,包括以下具体步骤:步骤1:采集一组三维场景数据,包括点光源的LigX、LigY坐标及其对应的在固定视点输出的图像集ImageSet,计算得到图像集ImageSet在R、G、B三个通道的平均值ImgAvg_R、ImgAvg_G、ImgAvg_B;步骤2:在图像集ImageSet中随机采样,构成图像样本数为ImageNum的图像子集ImageSubset;步骤3:在图像子集ImageSubset的像素空间中随机采样,获取人工神经网络的训练样本集,具体为:(1)在图像子集ImageSubset的像素空间中随机采样,构成像素点集,其中,采样数为PixNum,像素点的坐标为[Px,Py];(2)训练样本集包括分别对应人工神经网络的输入和输出的两个部分,其中,输入部分包括Px、Py、LigX、LigY、ImgAvg_R、ImgAvg_G、ImgAvg_B,输出部分为[LigX,LigY]与[Px,Py]相应处的图像RGB值;步骤4:利用步骤3的训练样本集对人工神经网络进行训练,训练完成后,将相对平方误差小于等于预设第一阈值δ1的像素点标记为该训练完成的人工神经网络;步骤5,在步骤4中未标记的像素点中重新随机采样,再次训练人工神经网络,直至训练样本集中的像素点全部被标记或未标记的像素点不满足人工神经网络训练的最小样本要求;当未标记的像素点不满足人工神经网络训练的最小样本要求时,利用Bagging集成学习的思想,未标记的像素点由所有神经网络共同决定其输出;步骤6:用训练好的人工神经网络测试图像集ImageSet,若测试精度达到预设第二阈值δ2,则保存训练好的人工神经网络,执行步骤7;否则,增加图像样本数ImageNum,返回2;步骤7:用训练好的神经网络重构光源在任意位置下的场景。2.根据权利要求1所述的一种基于图像的重光照方法,其特征在于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。