CN107527378A - 一种Metropolis光线追踪自适应两阶段采样方法 - Google Patents
一种Metropolis光线追踪自适应两阶段采样方法 Download PDFInfo
- Publication number
- CN107527378A CN107527378A CN201710749597.3A CN201710749597A CN107527378A CN 107527378 A CN107527378 A CN 107527378A CN 201710749597 A CN201710749597 A CN 201710749597A CN 107527378 A CN107527378 A CN 107527378A
- Authority
- CN
- China
- Prior art keywords
- mrow
- sample
- value
- sampling
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/06—Ray-tracing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种Metropolis光线追踪自适应两阶段采样方法。其包括场景参数解析设置；确定初始样本过程；一阶段采样过程；二阶段采样过程；生成渲染结果图像等步骤。本发明提供的Metropolis光线追踪自适应两阶段采样方法能够有效减少生成图像的噪声，并对间接光照场景有较好的适应性。
Description
技术领域
本发明属于真实感图形渲染技术领域，尤其涉及一种Metropolis光线追踪自适应两阶段采样方法。
背景技术
在复杂光照情况下，用不同模型完成真实感图形渲染是计算机图形学的主要目标。照片级真实感渲染的快速发展为电影和游戏等应用带来了与真实世界相同的效果，同时其在民航飞行模拟的视景仿真中也有重要应用。Metropolis光线追踪算法(MetropolisLight Transport，MLT)在具有复杂光照场景的全局光照渲染中具有高效性和鲁棒性。但是，由于其采样分布受到以场景中辐射亮度为评判标准的马尔可夫链过程的影响，在间接光照场景中的较暗区域易产生随机噪声，从而影响生成图像的质量。
有鉴于此，如何设计一种能够更快速更清晰地将场景渲染出来的技术，既保证场景的真实感效果，又可以有效消除方法带来的随机噪声问题，是业内技术人员亟需解决的一项课题。
发明内容
为了解决上述问题，本发明的目的在于提供一种Metropolis光线追踪自适应两阶段采样方法。
为了达到上述目的，本发明提供的Metropolis光线追踪自适应两阶段采样方法包括按顺序进行的下列步骤：
步骤1：解析场景文件，构建场景模型并对渲染过程中需要的预设参数进行读取和设定；
步骤2：对上述构建完整的场景模型进行确定初始样本过程采样，获得当前样本；
步骤3：开始一阶段采样，首先对上述当前样本进行随机突变或小范围扰动突变，从而获得提议样本；根据提议样本对应像素位置，找到上述预设参数中的采样矩阵中的相应位置，并对采样矩阵中的计数值进行累加，从而获得一阶段采样矩阵；
步骤4：将上述当前样本的标量亮度函数与提议样本的标量亮度函数的比值作为接收概率值，并将接收概率值与随机产生的0-1分布的随机值进行比较，若随机值小于接收概率值，则设置提议样本为当前样本；否则保持当前样本不变；随后，计算当前样本和提议样本的辐射亮度值，然后使用标量因子和这两个样本的辐射亮度值计算路径积分并将结果累加至在这一步骤生成的结果图像中；
步骤5：在一阶段采样过程中，当采样数量为上述预设参数中倍数值的第一个整数倍时，将对应的一阶段采样矩阵存储为一次采样矩阵副本，经过一段时间的采样后，当采样数量为上述倍数值的第二个整数倍时，同样将对应的一阶段采样矩阵存储为二次采样矩阵副本，然后将上述一次采样矩阵副本和二次采样矩阵副本进行矩阵相似度计算，并得到矩阵相似度变化率值；最后将矩阵相似度变化率值与上述预设参数中的阈值进行比较，若大于阈值则返回步骤3而继续进行一阶段采样过程；否则进入步骤6而进行二阶段采样过程；
步骤6：开始二阶段采样，首先将在镜头范围内随机产生一个采样点作为提议样本，并对提议样本像素的8邻域位置进行采样，每个邻域采样数量为采样矩阵中每个邻域对应位置采样数量值与提议样本对应位置采样数量值的比值；
步骤7：将上述8邻域位置的多次采样样本以及提议样本的标量亮度函数值求和，并以与当前样本及其8邻域位置的多次采样样本的标量亮度函数值加和的比值作为8邻域接收概率值；随后，将8邻域接收概率值与随机产生的0-1分布的随机值进行比较，若随机值小于接收概率值，则设置提议样本为当前样本；否则保持当前样本不变；最后，计算提议样本和其8邻域多次采样样本的辐射亮度值，使用标量因子和多个8邻域采样样本的辐射亮度值计算路径积分并将结果累加至在这一步骤生成的结果图像中；
步骤8：判断是否结束采样，如未达到预设参数中的最大采样数量则返回步骤6而继续进行二阶段采样，否则结束采样过程，进入步骤9；
步骤9：将第一、二阶段采样过程中生成的结果图像进行值映射，并生成渲染结果文件。
在步骤1中，所述的场景文件为需要渲染的场景的相关信息文件，包括场景模型信息、渲染参数信息、后续步骤中需要预设的参数信息；预设参数包括：确定初始样本过程采样数量、突变概率值、倍数值、阈值、最大采样数量和采样矩阵。
在步骤2中，所述的对上述构建完整的场景模型进行确定初始样本过程采样，获得当前样本的具体方法是：在镜头范围内随机产生多个采样点，每个采样点作为一个采样样本，采样样本数量为上述预设参数中的确定初始样本过程采样数量；对于每个采样样本，计算其辐射亮度值，并将所有采样样本的辐射亮度值进行加和而得到加和值，然后将加和值与采样样本数量相除得到标量因子；最后在多个采样样本中选取辐射亮度值最大的采样样本作为初始样本，命名为当前样本。
在步骤3中，所述的随机突变方法是将上述当前样本在镜头范围内随机产生的某一采样点作为提议样本；小范围扰动突变方法是对当前样本使用指数分布函数进行小范围扰动，从而获得提议样本；所述的指数分布函数的计算公式为：
yi＝xi+de-log(d/c)ξ (1)
其中提议样本yi是通过对当前样本xi进行指数分布扰动生成的，其取值范围为[c,d]；ξ为均匀分布随机值。
在步骤4中，所述的接收概率值的计算方式为：
其中f(x)和f(y)分别为当前样本和提议样本的标量亮度函数；
路径积分的累加计算公式为：
其中hj(x)是镜头范围内每个像素j的过滤函数，其值非零，且与像素无关，在辐射亮度值计算过程中产生；f(x)为辐射亮度值，f*(x)为标量亮度函数，由接收概率计算过程产生；b为标量因子，在步骤2中计算得到；i表示每一个采样样本，N为上述预设参数中的最大采样数量。
在步骤5中，所述的矩阵相似度的计算公式为：
其中A与B表示两个需要计算相似度的采样矩阵；和分别表示采样矩阵A与B的平均值。
矩阵相似度变化率s为两次采样矩阵相似度值的差除以1，计算公式为：
s＝(q-p)÷1
其中，p和q分别为两次采样矩阵相似度值。
在步骤7中，所述的8邻域接收概率值的计算公式为：
其中f*(xk)表示第k次邻域采样样本的标量亮度函数，n表示邻域采样样本的数量。
本发明提供的Metropolis光线追踪自适应两阶段采样方法包括场景参数解析设置；确定初始样本过程；一阶段采样过程；二阶段采样过程；生成渲染结果图像等步骤。本发明提供的方法能够有效减少生成图像的噪声，并对间接光照场景有较好的适应性。
附图说明
图1为本发明提供的Metropolis光线追踪自适应两阶段采样方法流程图；
图2-1、图2-2、图2-3为本发明中采样密度对比图；
图3-1、图3-2、图3-3、图3-4、图3-5为本发明中提供的场景1效果图；
图4-1、图4-2、图4-3、图4-4、图4-5为本发明中提供的场景2效果图；
图5-1、图5-2、图5-3、图5-4、图5-5为本发明中提供的场景3效果图。
具体实施方式
下面参照附图对本发明的具体实施方案作进一步的详细描述。
如图1所示，本发明提供的Metropolis光线追踪自适应两阶段采样方法包括按顺序进行的下列步骤：
步骤1：解析场景文件，构建场景模型并对渲染过程中需要的预设参数进行读取和设定；
其中场景文件为需要渲染的场景的相关信息文件，包括场景模型信息、渲染参数信息、后续步骤中需要预设的参数信息等，用于为渲染中的采样提供场景模型和预设参数；预设参数包括：确定初始样本过程采样数量、突变概率值、倍数值、阈值、最大采样数量和采样矩阵。
步骤2：对上述构建完整的场景模型进行确定初始样本过程采样，获得当前样本；
具体方法是：在镜头范围内随机产生多个采样点，每个采样点作为一个采样样本，采样样本数量为上述预设参数中的确定初始样本过程采样数量；对于每个采样样本，计算其辐射亮度值，并将所有采样样本的辐射亮度值进行加和而得到加和值，然后将加和值与采样样本数量相除得到标量因子；最后在多个采样样本中选取辐射亮度值最大的采样样本作为初始样本，命名为当前样本；
步骤3：开始一阶段采样，首先对上述当前样本进行随机突变或小范围扰动突变，从而获得提议样本；根据提议样本对应像素位置，找到上述预设参数中的采样矩阵中的相应位置，并对采样矩阵中的计数值进行累加，从而获得一阶段采样矩阵。
突变的具体方法可以分为两种，并由上述预设参数中的突变概率值决定本次突变使用的方法。第一种随机突变方法是将当前样本在镜头范围内随机产生的某一采样点作为提议样本；第二种小范围扰动突变方法是对上述当前样本使用指数分布函数进行小范围扰动，从而获得提议样本。所述的指数分布函数的计算公式为：
yi＝xi+de-log(d/c)ξ (1)
其中提议样本yi是通过对当前样本xi进行指数分布扰动生成的，其取值范围为[c,d]；ξ为均匀分布随机值。
步骤4：将上述当前样本的标量亮度函数与提议样本的标量亮度函数的比值作为接收概率值，并将接收概率值与随机产生的0-1分布的随机值进行比较，若随机值小于接收概率值，则设置提议样本为当前样本；否则保持当前样本不变；随后，计算当前样本和提议样本的辐射亮度值，然后使用标量因子和这两个样本的辐射亮度值计算路径积分并将结果累加至在这一步骤生成的结果图像中；
所述的接收概率值的计算方式为：
其中f(x)和f(y)分别为当前样本和提议样本的标量亮度函数。
路径积分的累加计算公式为：
其中hj(x)是镜头范围内每个像素j的过滤函数，其值非零，且与像素无关，在辐射亮度值计算过程中产生；f(x)为辐射亮度值，f*(x)为标量亮度函数，由接收概率计算过程产生；b为标量因子，在步骤2中计算得到；i表示每一个采样样本，N为上述预设参数中的最大采样数量。
步骤5：在一阶段采样过程中，当采样数量为上述预设参数中倍数值的第一个整数倍时，将对应的一阶段采样矩阵存储为一次采样矩阵副本，经过一段时间的采样后，当采样数量为上述倍数值的第二个整数倍时，同样将对应的一阶段采样矩阵存储为二次采样矩阵副本，然后将上述一次采样矩阵副本和二次采样矩阵副本进行矩阵相似度计算，并得到矩阵相似度变化率值；
最后将矩阵相似度变化率值与上述预设参数中的阈值进行比较，若大于阈值则返回步骤3而继续进行一阶段采样过程；否则进入步骤6而进行二阶段采样过程；
所述的矩阵相似度的计算公式为：
其中A与B表示两个需要计算相似度的采样矩阵；和分别表示采样矩阵A与B的平均值。
矩阵相似度变化率s为两次采样矩阵相似度值的差除以1，计算公式为：
s＝(q-p)÷1
其中，p和q分别为两次采样矩阵相似度值。
由于步骤3至步骤5是一个循环过程。其中步骤3中只对一组当前样本进行操作，且只选取一种突变方法，并根据突变概率值来确定采用随机突变还是小范围扰动突变。例如：当突变概率值为0.25时，那么在5次步骤3至步骤5过程中，第一次使用随机突变，后四次使用小范围扰动突变，后续依此类推。而如何选取哪种突变，则在选择前进行判断，例如可以使用计数器，当计数器为0时，使用随机突变；若不为0时，使用小范围扰动突变。每次判断后计数器加1，计数器达到5时重新置零。
步骤6：开始二阶段采样，首先将在镜头范围内随机产生一个采样点作为提议样本，并对提议样本像素的8邻域位置进行采样，每个邻域采样数量为采样矩阵中每个邻域对应位置采样数量值与提议样本对应位置采样数量值的比值；
步骤7：将上述8邻域位置的多次采样样本以及提议样本的标量亮度函数值求和，并以与当前样本及其8邻域位置的多次采样样本的标量亮度函数值加和的比值作为8邻域接收概率值；随后，将8邻域接收概率值与随机产生的0-1分布的随机值进行比较，若随机值小于接收概率值，则设置提议样本为当前样本；否则保持当前样本不变；
8邻域接收概率值的计算公式为：
其中f*(xk)表示第k次邻域采样样本的标量亮度函数，n表示邻域采样样本的数量。
最后，计算提议样本和其8邻域多次采样样本的辐射亮度值，使用标量因子和多个8邻域采样样本的辐射亮度值计算路径积分并将结果累加至在这一步骤生成的结果图像中；
步骤8：判断是否结束采样，如未达到预设参数中的最大采样数量则返回步骤6而继续进行二阶段采样，否则结束采样过程，进入步骤9；
步骤9：将第一、二阶段采样过程中生成的结果图像进行值映射，并生成渲染结果文件。
图2中的图2-1为本发明方法实施的场景，图2-2为PSSMLT方法采样分布图，图2-3为本发明方法采样分布图。由图可以看出，本方法能够在减少高亮度区域重复采样的同时，将部分采样分布于场景中的阴影部分，从而减少了亮度较低区域的噪声。
下面以一个简单的实验来验证本发明提供的Metropolis光线追踪自适应两阶段采样方法的可行性，详见下文描述：
本实施例将Metropolis光线追踪自适应两阶段采样方法应用并在PBRT渲染平台中实现，并对生成图像的结果做对比分析。渲染器运行在Intel Core I7-6700CPU@3.4GHz和内存4G的单台计算机上，操作系统为win7专业版，编程环境为Visual Studio 2010。实验采用了3种场景来评测不同的方法渲染结果，分别是具有直接光照的Cornell场景、具有间接光照的Room场景和同时具有直接光照和间接光照的Veach场景。实验采用两种全参考系图像质量评价标准，即PSNR值和SSIM值对生成图像进行评估。
实验一中，对具有直接光照的Cornell场景进行渲染。如图3-1(参考图)、图3-2(路径空间MLT，PSMLT)、图3-3(主样本空间MLT，PSSMLT)、图3-4(多重MLT，MMLT)、图3-5(本发明方法)。其整幅图像的PSNR和SSIM数据对比如表1所示。由实验可知，在直接光照场景中PSMLT算法优于本发明方法，这是由于其突变策略可以较好地覆盖场景中的路径。本发明方法较PSSMLT和MMLT在阴影部分有较明显的消除噪声效果，但由于在直接光照场景中，本发明方法对阴影部分采样过多，使得PSNR和SSIM值较低。实验二中，采用具有间接光照的Room场景进行渲染。如图4-1(参考图)、图4-2(路径空间MLT，PSMLT)、图4-3(主样本空间MLT，PSSMLT)、图4-4(多重MLT，MMLT)、图4-5(本发明方法)所示。其整幅图像的PSNR和SSIM数据对比如表1所示。由实验可知，在间接光照场景中，本发明方法在PSSMLT算法基础上减少了壶身和阴影部分的噪点。相比于直接光照场景，间接光照场景中更难以找到从光源出射的路径，PSMLT和PSSMLT在光线较少的阴影部分会过多拒绝提议样本。基于PSSMLT的本发明方法与MMLT的生成图像质量相当。实验三中，采用具有直接光照和间接光照的Veach场景进行渲染。如图5-1(参考图)、图5-2(路径空间MLT，PSMLT)、图5-3(主样本空间MLT，PSSMLT)、图5-4(多重MLT，MMLT)、图5-5(本发明方法)所示。其整幅图像的PSNR和SSIM数据对比如表1所示。由实验可知，在混合光照场景中，本发明方法在PSSMLT方法基础上减少了场景中的部分噪点，尤其在阴影部分以及场景中的墙面周围噪声消除较为明显。本发明方法的PSNR值和SSIM值略低于MMLT算法，但与MMLT效果基本相同。
表1场景评价指标对比
综上所述，本发明提供的Metropolis光线追踪自适应两阶段采样方法能够解决生成图像的亮度较暗区域随机噪声较大的问题。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种Metropolis光线追踪自适应两阶段采样方法，其特征在于：所述的Metropolis光线追踪自适应两阶段采样方法包括按顺序进行的下列步骤：
步骤1：解析场景文件，构建场景模型并对渲染过程中需要的预设参数进行读取和设定；
步骤2：对上述构建完整的场景模型进行确定初始样本过程采样，获得当前样本；
步骤3：开始一阶段采样，首先对上述当前样本进行随机突变或小范围扰动突变，从而获得提议样本；根据提议样本对应像素位置，找到上述预设参数中的采样矩阵中的相应位置，并对采样矩阵中的计数值进行累加，从而获得一阶段采样矩阵；
步骤4：将上述当前样本的标量亮度函数与提议样本的标量亮度函数的比值作为接收概率值，并将接收概率值与随机产生的0-1分布的随机值进行比较，若随机值小于接收概率值，则设置提议样本为当前样本；否则保持当前样本不变；随后，计算当前样本和提议样本的辐射亮度值，然后使用标量因子和这两个样本的辐射亮度值计算路径积分并将结果累加至在这一步骤生成的结果图像中；
步骤5：在一阶段采样过程中，当采样数量为上述预设参数中倍数值的第一个整数倍时，将对应的一阶段采样矩阵存储为一次采样矩阵副本，经过一段时间的采样后，当采样数量为上述倍数值的第二个整数倍时，同样将对应的一阶段采样矩阵存储为二次采样矩阵副本，然后将上述一次采样矩阵副本和二次采样矩阵副本进行矩阵相似度计算，并得到矩阵相似度变化率值；最后将矩阵相似度变化率值与上述预设参数中的阈值进行比较，若大于阈值则返回步骤3而继续进行一阶段采样过程；否则进入步骤6而进行二阶段采样过程；
步骤6：开始二阶段采样，首先将在镜头范围内随机产生一个采样点作为提议样本，并对提议样本像素的8邻域位置进行采样，每个邻域采样数量为采样矩阵中每个邻域对应位置采样数量值与提议样本对应位置采样数量值的比值；
步骤7：将上述8邻域位置的多次采样样本以及提议样本的标量亮度函数值求和，并以与当前样本及其8邻域位置的多次采样样本的标量亮度函数值加和的比值作为8邻域接收概率值；随后，将8邻域接收概率值与随机产生的0-1分布的随机值进行比较，若随机值小于接收概率值，则设置提议样本为当前样本；否则保持当前样本不变；最后，计算提议样本和其8邻域多次采样样本的辐射亮度值，使用标量因子和多个8邻域采样样本的辐射亮度值计算路径积分并将结果累加至在这一步骤生成的结果图像中；
步骤8：判断是否结束采样，如未达到预设参数中的最大采样数量则返回步骤6而继续进行二阶段采样，否则结束采样过程，进入步骤9；
步骤9：将第一、二阶段采样过程中生成的结果图像进行值映射，并生成渲染结果文件。
2.根据权利要求1所述的Metropolis光线追踪自适应两阶段采样方法，其特征在于：在步骤1中，所述的场景文件为需要渲染的场景的相关信息文件，包括场景模型信息、渲染参数信息、后续步骤中需要预设的参数信息；预设参数包括：确定初始样本过程采样数量、突变概率值、倍数值、阈值、最大采样数量和采样矩阵。
3.根据权利要求1所述的Metropolis光线追踪自适应两阶段采样方法，其特征在于：在步骤2中，所述的对上述构建完整的场景模型进行确定初始样本过程采样，获得当前样本的具体方法是：在镜头范围内随机产生多个采样点，每个采样点作为一个采样样本，采样样本数量为上述预设参数中的确定初始样本过程采样数量；对于每个采样样本，计算其辐射亮度值，并将所有采样样本的辐射亮度值进行加和而得到加和值，然后将加和值与采样样本数量相除得到标量因子；最后在多个采样样本中选取辐射亮度值最大的采样样本作为初始样本，命名为当前样本。
4.根据权利要求1所述的Metropolis光线追踪自适应两阶段采样方法，其特征在于：在步骤3中，所述的随机突变方法是将上述当前样本在镜头范围内随机产生的某一采样点作为提议样本；小范围扰动突变方法是对当前样本使用指数分布函数进行小范围扰动，从而获得提议样本；所述的指数分布函数的计算公式为：
yi＝xi+de-log(d/c)ξ (1)
其中提议样本yi是通过对当前样本xi进行指数分布扰动生成的，其取值范围为[c,d]；ξ为均匀分布随机值。
5.根据权利要求1所述的Metropolis光线追踪自适应两阶段采样方法，其特征在于：在步骤4中，所述的接收概率值的计算方式为：
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中f(x)和f(y)分别为当前样本和提议样本的标量亮度函数；
路径积分的累加计算公式为：
<mrow>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>&ap;</mo>
<mfrac>
<mi>b</mi>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>f</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中hj(x)是镜头范围内每个像素j的过滤函数，其值非零，且与像素无关，在辐射亮度值计算过程中产生；f(x)为辐射亮度值，f*(x)为标量亮度函数，由接收概率计算过程产生；b为标量因子，在步骤2中计算得到；i表示每一个采样样本，N为上述预设参数中的最大采样数量。
6.根据权利要求1所述的Metropolis光线追踪自适应两阶段采样方法，其特征在于：在步骤5中，所述的矩阵相似度的计算公式为：
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>A</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>A</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>B</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中A与B表示两个需要计算相似度的采样矩阵；和分别表示采样矩阵A与B的平均值。
矩阵相似度变化率s为两次采样矩阵相似度值的差除以1，计算公式为：
s＝(q-p)÷1
其中，p和q分别为两次采样矩阵相似度值。
7.根据权利要求1所述的Metropolis光线追踪自适应两阶段采样方法，其特征在于：在步骤7中，所述的8邻域接收概率值的计算公式为：
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mn>1</mn>
<mi>n</mi>
</munderover>
<msup>
<mi>f</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&RightArrow;</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mfrac>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中f*(xk)表示第k次邻域采样样本的标量亮度函数，n表示邻域采样样本的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710749597.3A CN107527378B (zh) | 2017-08-28 | 2017-08-28 | 一种Metropolis光线追踪自适应两阶段采样方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710749597.3A CN107527378B (zh) | 2017-08-28 | 2017-08-28 | 一种Metropolis光线追踪自适应两阶段采样方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107527378A true CN107527378A (zh) | 2017-12-29 |
| CN107527378B CN107527378B (zh) | 2020-08-11 |
Family
ID=60682287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710749597.3A Active CN107527378B (zh) | 2017-08-28 | 2017-08-28 | 一种Metropolis光线追踪自适应两阶段采样方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107527378B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163948A (zh) * | 2019-04-15 | 2019-08-23 | 中国民航大学 | 一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 |
| CN111369634A (zh) * | 2020-03-26 | 2020-07-03 | 苏州瑞立思科技有限公司 | 一种基于天气情况的图像压缩方法及装置 |
| CN112785675A (zh) * | 2019-11-08 | 2021-05-11 | 开奥斯软件有限公司 | 使用修改的多重重要性采样渲染图像 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243074A (zh) * | 2010-05-13 | 2011-11-16 | 中国科学院遥感应用研究所 | 基于光线追踪技术的航空遥感成像几何变形仿真方法 |
| CN103971397A (zh) * | 2014-04-16 | 2014-08-06 | 浙江大学 | 基于虚拟点光源和稀疏矩阵还原的全局光照绘制方法 |
-
2017
- 2017-08-28 CN CN201710749597.3A patent/CN107527378B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243074A (zh) * | 2010-05-13 | 2011-11-16 | 中国科学院遥感应用研究所 | 基于光线追踪技术的航空遥感成像几何变形仿真方法 |
| CN103971397A (zh) * | 2014-04-16 | 2014-08-06 | 浙江大学 | 基于虚拟点光源和稀疏矩阵还原的全局光照绘制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贺怀清 等: "《一种针对MLT的采样分布改进方法》", 《沈阳工业大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163948A (zh) * | 2019-04-15 | 2019-08-23 | 中国民航大学 | 一种基于模糊度评价的多通路Metropolis光线追踪自适应采样方法 |
| CN112785675A (zh) * | 2019-11-08 | 2021-05-11 | 开奥斯软件有限公司 | 使用修改的多重重要性采样渲染图像 |
| CN111369634A (zh) * | 2020-03-26 | 2020-07-03 | 苏州瑞立思科技有限公司 | 一种基于天气情况的图像压缩方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107527378B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105574827B (zh) | 一种图像去雾的方法、装置 | |
| CN106056658B (zh) | 一种虚拟对象渲染方法及装置 | |
| CN109147254A (zh) | 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法 | |
| CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
| CN108830796A (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
| CN105120185B (zh) | 一种视频图像抠像方法与装置 | |
| CN109712165A (zh) | 一种基于卷积神经网络的同类前景图像集分割方法 | |
| CN101454806B (zh) | 使用深度加权彩色化的体绘制方法和装置 | |
| CN111968216A (zh) | 一种体积云阴影渲染方法、装置、电子设备及存储介质 | |
| CN104408757B (zh) | 一种向驾驶场景视频中添加雾霾效果的方法及系统 | |
| CN107527378A (zh) | 一种Metropolis光线追踪自适应两阶段采样方法 | |
| CN111652864A (zh) | 一种基于条件式生成对抗网络的铸件缺陷图像生成方法 | |
| CN110443763A (zh) | 一种基于卷积神经网络的图像阴影去除方法 | |
| CN110298898B (zh) | 更改汽车图像车身颜色的方法及其算法结构 | |
| CN110070517A (zh) | 基于退化成像机理和生成对抗机制的模糊图像合成方法 | |
| CN112508812A (zh) | 图像色偏校正方法、模型训练方法、装置及设备 | |
| CN115063648A (zh) | 一种绝缘子缺陷检测模型构建方法及系统 | |
| CN116563693A (zh) | 基于轻量级注意力机制的水下图像色彩复原方法 | |
| CN110910347A (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
| CN107369138B (zh) | 基于高阶统计模型的图像最优化显示方法 | |
| CN106570928A (zh) | 一种基于图像的重光照方法 | |
| CN114529794B (zh) | 一种红外与可见光图像融合方法、系统及介质 | |
| CN116309171A (zh) | 一种输电线路监控图像增强方法和装置 | |
| CN114972170A (zh) | 一种基于鱼眼相机的密集场景下抗遮挡的物体检测方法 | |
| CN111915533A (zh) | 一种基于低动态范围的高精图像信息提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |