[发明专利]一种基于图像与集成学习的重光照方法

说明书

本发明公开了一种基于图像与集成学习的重光照方法，该方法在图像空间把像素点分成“容易训练”和“困难训练”两类，即Pixel_Easy和Pixel_Hard，然后分而治之。对于像素点Pixel_Hard，利用集成学习的AdaBoost方法和神经网络进行学习，对于像素点Pixel_Easy，又进一步分成两类，Pixel_EasyI和Pixel_EasyII。对Pixel_EasyI类像素点，利用集成学习的Bagging方法和神经网络进行学习；对于Pixel_EasyII，利用人眼特性进行赋值。该方法基于图像的重光照是指在新的光照条件下，利用采样图像恢复或重构场景的光照信息，其中基图像的采集和光照重构的方法是本发明的关键。基于上述方法，对虚拟和真实的四个场景进行测试，在相同的相对重构误差精度控制下，重光照所需的图像样本数更少，效果更优。

技术领域

本发明属于计算机图形学领域，尤其涉及一种基于图像与集成学习的重光照方法。

背景技术

基于图像的重光照(Image-based Relighting，IBR)技术是把连续的光传输空间看成离散的光传输空间，通过捕获的图像近似计算光传输矩阵，然后利用得到的光传输矩阵重构在新光源条件下的场景。其最大优点是无需场景模型的几何信息，不受模型复杂度的影响，并且能重构高光、散射、焦散、硬阴影等特殊光照效果。因此，自IBR提出以来，一直是计算机图形学领域研究的热点。

在IBR技术中，基图像的采集和光照重构的方法是关键。一般来说，采集到的基图像越多，重构的场景光照信息越准确，但往往需要密集采样，采集量非常大，普适性不强。因此，有必要提出新的方法，在尽可能少的采样图像基础上，更真实地重光照场景，这是目前急需解决的问题。

发明内容

发明目的：本发明所要解决的技术问题是提供一种基于图像与集成学习的重光照方法。首先把图像空间的像素点划分成3类：Pixel_Hard、Pixel_Easy I、Pixel_Easy II；然后分而治之，分别利用AdaBoost算法、Bagging算法和人眼特性对3类像素点进行拟合计算，从而实现小样本、高精度的重光照效果。

技术方案：为了实现上述发明目的，本发明采用如下的技术方案：一种基于图像与集成学习的重光照方法，包括以下具体步骤：

(1)采集三维场景数据，包括获得的图像集ImageSet以及对应的光源坐标集，并对像素点的RGB值进行归一化处理；

(2)设计用于处理图像的神经网络模型；

(3)在图像的像素空间把像素点集合Pixel划分成3类：Pixel_Hard、Pixel_Easy I、Pixel_Easy II；

(4)随机采集样本图像，样本数为ImageNum；

(5)根据3种不同类型的像素点集合Pixel_Hard、Pixel_Easy I、Pixel_Easy II，采取不同方法计算不同光源条件下像素点的像素值；其中，Pixel_Hard集合用AdaBoost算法和神经网络进行训练，Pixel_Easy I集合用Bagging算法和神经网络进行训练，Pixel_Easy II进行随机化处理；

(6)使用步骤(5)训练好的神经网络集成和随机化处理方法对图像集ImageSet拟合生成新的图像集，并与原图像集ImageSet进行比较，若相对重构均方误差小于阈值ε，执行步骤(7)；否则增加图像样本数ImageNum，返回步骤(4)；