[发明专利]3D全局自由变形方法及装置

权利要求书

1.一种3D全局自由变形方法，其特征在于，所述3D全局自由变形方法包括：

获取一3D影像；

将所述3D影像与一预存影像库匹配，预存影像库中每一预存影像上设有用于调节预存影像的影像点形状的张量模型，所述张量模型为预存影像上设置的表示影像点之间关系的函数式；

通过人工智能深度学习算法利用所述预存影像上张量模型生成影像点上设有张量模型的3D影像；

所述影像点上设有张量模型的3D影像上影像点通过张量模型进行变形。

2.如权利要求1所述的3D全局自由变形方法，其特征在于，所述3D全局自由变形方法包括：

通过人工智能深度学习算法利用所述预存影像上函数式来设置所述3D影像上影像点之间的函数式。

3.如权利要求2所述的3D全局自由变形方法，其特征在于，预存影像库中每一预存影像划分为若干区域，每一区域内设有表示同一区域内影像点之间关系的函数式，所述3D全局自由变形方法包括：

通过人工智能深度学习算法利用所述预存影像上的区域位置在所述3D影像上划分区域；

对于所述3D影像上的一目标区域，通过人工智能深度学习算法利用所述预存影像上函数式来设置所述3D影像上所述目标区域内的影像点之间的函数式。

4.如权利要求3所述的3D全局自由变形方法，其特征在于，所述3D全局自由变形方法包括：

对于预存影像库中一目标预存影像，获取目标预存影像中相邻影像点之间的函数式，所述函数式为多项式函数；

通过人工智能深度学习获取若干穿过相邻影像点之间的分割线，并计算分割线穿过的全部相邻影像点之间的多项式函数的最高次项的次数总和，以次数总和低于预设值的分割线划分目标预存影像的区域。

5.如权利要求1所述的3D全局自由变形方法，其特征在于，所述通过人工智能深度学习算法利用所述预存影像上张量模型生成影像点上设有张量模型的3D影像包括：

将所述3D影像与所述预存影像库中的一目标影像匹配；

通过人工智能深度学习算法按所述3D影像的空间形状调节目标影像的空间形状；

将调节空间形状后的目标影像作为所述影像点上设有张量模型的3D影像。

6.如权利要求5所述的3D全局自由变形方法，其特征在于，所述通过人工智能深度学习算法按所述3D影像的空间形状调节目标影像的空间形状包括：

将3D影像与目标影像重叠放置以获取目标影像上影像点到3D影像的距离；

获取所述距离最大的影像点为控制点，并将所述控制点向3D影像所在方向移动目标长度；

利用所述目标影像的张量模型将控制点周围的周围控制点向3D影像所在方向移动计算长度，每一周围控制点的计算长度大小与周围控制点到控制点的距离成反比，所述计算长度小于所述目标长度。

7.如权利要求1所述的3D全局自由变形方法，其特征在于，所述影像点上设有张量模型的3D影像上影像点通过张量模型进行变形包括：

获取一用于调节所述3D影像上目标影像点的调节指令；

按照调节指令将所述目标影像点向目标方向移动指令长度；

利用所述3D影像的张量模型将目标影像点周围的周围影像点向目标方向移动计算长度，每一周围影像点的计算长度大小与周围影像点到目标影像点的距离成反比，所述计算长度小于所述目标长度。

8.一种3D全局自由变形装置，其特征在于，所述3D全局自由变形装置用于实现如权利要求1至7中任意一项所述的3D全局自由变形方法。