[发明专利]一种基于神经网络的图像光照估计方法

权利要求书

1.一种基于神经网络的图像光照估计方法，其特征在于，包括以下步骤：

S1：采用随机方式生成一系列光照参数，光照参数为光源能量、光照距离、光源方位角、光源仰角；

S2：三维模型渲染，在渲染通道加入光照参数生成二维图像，形成带有光照标签的合成图像集；

S3：将合成图像集中的每张图像进行裁剪，形成已知光照值的训练数据集；

S4：利用训练数据集训练深度卷积神经网络，其中带有光照标签的图像是神经网络的输入，光照值是神经网络的输出，对任意一幅图像，输入到训练好的神经网络中，可以得到其光照值。

2.根据权利要求1所述的基于神经网络的图像光照估计方法，其特征在于，所述步骤S1中：

所述光照参数中光源能量e和光照距离d的变化范围是(1,20)，光源方位角θ的变换范围是(0,360°)，光源仰角γ的变化范围是(-90°,90°)。

3.根据权利要求1所述的基于神经网络的图像光照估计方法，其特征在于，所述步骤S2中：

三维模型集来自ShapeNet数据集，渲染工具选用Blender，基于不同材料的表面对光照的反射和散射程度不同，故所选类别的表面属于不同材质，共14类进行合成。

4.根据权利要求1所述的基于神经网络的图像光照估计方法，其特征在于，所述步骤S4中在训练神经网络估计光照时，提出深度卷积神经网络里所有的分类器都可以共享卷积层和全连接层。

5.根据权利要求1所述的基于神经网络的图像光照估计方法，其特征在于，所述步骤S4中在训练深度卷积神经网络过程所用损失函数为：

Lvp({s})=-Σ{s}Σv∈Vl-d(v,vs)/σlog Pv(s;cs)]]>

其中，P_v(s；c_s)是光源方位角和光源仰角的采样概率，样本s来自类别c_s的soft-max分类器，d(v,v_s)是光源方位角θ和光源仰角γ之间的欧式距离，使用随机梯度下降法求出损失函数L_vp({s})的最小值就得到训练好的神经网络。