[发明专利]一种基于图像的重光照方法

摘要

本发明公开了一种基于图像的重光照方法，属于计算机图形学领域。为了实现用尽可能少的样本尽可能准确地重光照，在图像样本和图像像素两个空间反复进行定量地随机采样，并用人工神经网络进行训练，直到所有像素点训练精度到设定阈值。考虑到人工神经网络在训练时有最小样本要求，因此在像素点训练样本不足时，利用集成学习的Bagging算法思想对其进行平均化处理。本发明在模拟的三维场景中进行测试，结果表明，与现有的技术相比，不仅训练时间少，健壮性强；在相同的相对误差精度下，重光照所需的图像样本更小，速度快实时性好，重构场景图像的PSNR值更高。

主权项

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，若相对均方误差达到预设第二阈值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。